Stammdatenarmut ist eine Krankheit – und die meisten Unternehmen wissen es nicht

Viele Unternehmen kaufen sich den Ferrari. Und haben nur den Acker, auf dem sie ihn fahren.

Dieses Bild ist mir in einem Gespräch mit Jonas Rashedi im Podcast MY DATA IS BETTER THAN YOURS hängengeblieben – und es trifft einen Punkt, über den ich seit Jahren in Kundengesprächen spreche, aber selten so präzise auf den Punkt bringen konnte.

Gerade jagt jedes Unternehmen KI-Use-Cases. Neue Modelle, neue Tools, neue Versprechen. Aber KI braucht drei Dinge, um tatsächlich zu funktionieren: Kontext. Struktur. Einen Ort, an dem beides liegt. Wer das nicht hat, hat einen Ferrari – und keinen Asphalt.

‍

Das eigentliche Problem heißt nicht KI. Es heißt Stammdatenarmut.

Ich spreche seit über 25 Jahren mit Unternehmen über ihre Daten- und Technologiestrategie. Und das, was sich in dieser Zeit nicht fundamental verändert hat, ist das Folgende: Die meisten Unternehmen unterschätzen, in welchem Zustand ihre Stammdaten wirklich sind.

Stammdaten leben in Excel. Abstimmungen laufen über Telefon (diplomatie) und E-Mail. Produktinformationen sind über sechs Systeme verteilt,  und niemand weiß genau, welches davon die Wahrheit spricht.

Ich nenne das Stammdatenarmut. Es ist keine IT-Schwäche. Es ist ein strategisches Risiko. Und es ist der eigentliche Grund, warum KI-Projekte scheitern, nicht weil das Modell falsch ist, sondern weil das Fundament fehlt.

‍

Was ein modernes DAM leisten muss – und was es nicht ist

Ein Digital Asset Management System ist kein Bilder-Archiv. Das war es vielleicht vor zehn Jahren. Heute ist es das Fundament der Content-Wertschöpfung.

Was meine ich damit konkret?

Das eindrücklichste Beispiel, das ich kenne: Otto bewertet über 23 Millionen Assets, Bilder, multimodal, über mehrere Sprachmodelle. Pro Bild für unter einen Cent. Das ist kein Zufall und kein Ergebnis eines besonders cleveren KI-Modells. Es ist das Ergebnis davon, dass das Fundament steht: 67 Millionen Relationen, 16 Milliarden Attribute, saubere Stammdaten – ein System, das alle relevanten Informationen an einem Ort zusammenführt und für KI zugänglich macht.
OTTO könnte das technisch natürlich selbst bauen.  Was OTTO nicht selbst bauen kann, ist das, was davor und danach kommt. Bevor ein Classifier seinen Job tun kann, braucht er eine strukturierte Datengrundlage, ein flexibles Datenmodell, das 23 Millionen Assets, 67 Millionen Relationen und 16 Milliarden Attribute so vorhält, dass ein Event-Trigger präzise weiß, welches Asset wann klassifiziert werden muss. Und danach müssen die Scores als strukturierte Metadaten zurückgeschrieben werden, sofort und kanalübergreifend, ohne Batch-Job, ohne Polling-Loop. Das ist nicht ein API-Call. Das ist eine Infrastruktur-Entscheidung.

Was mich an diesem Beispiel so beschäftigt: Es zeigt, was möglich ist, wenn man zuerst die Infrastruktur baut. Nicht das Tool kauft. Die Infrastruktur.

Und das ist kein Einzelfall. Beiersdorf ist seit zwölf Jahren Kunde – nicht weil sie keine Wahl hätten, sondern weil das Fundament trägt. Weidmüller mit rund einer Milliarde Euro Umsatz brauchte fünf Monate für die Implementierung und nutzt das System heute für sämtliche Produktdaten weltweit. Siemens: neun Monate für einen globalen Rollout über eine Million Produkte. IFM betreibt 48 eigene Webshops und integriert Daten in Echtzeit über Event-Stream-Technologie.

Was diese Unternehmen gemeinsam haben: Sie haben nicht mit dem KI-Projekt angefangen. Sie haben mit dem Datenfundament angefangen.

Das Muster ist überall dasselbe: Die Unternehmen, die KI produktiv skalieren, haben zuerst ihr Datenfundament gebaut.

‍

Wohin die Reise geht

Wir sind mitten in einem Paradigmenwechsel. Das DAM wird zum Knowledge Graph also einem System, das nicht nur Assets verwaltet, sondern Wissen vernetzt, Relationen abbildet und KI-Agenten eine strukturierte Grundlage gibt, auf der sie arbeiten können.

Das ist keine Vision. Das ist, was bei unseren Kunden heute passiert.

Die Unternehmen, die jetzt investieren, in saubere Stammdaten, in klare Strukturen, in ein Fundament, das KI tragen kann, werden in drei Jahren nicht mehr erklären müssen, warum ihre KI-Projekte Ergebnisse liefern. Die anderen werden noch immer auf dem Acker stehen.

‍

Hör dir das Gespräch an

Jonas Rashedi und ich haben in dieser Folge von MY DATA IS BETTER THAN YOURS über all das gesprochen – offen, konkret, mit echten Zahlen aus echten Projekten.

👉 Podcast jetzt anhören

Apple Podcasts

Spotify

YouTube

‍

Wir reden über den Otto-Case, über Tesa und Siemens, über die Build-vs.-Buy-Frage und darüber, wohin sich DAM als Kategorie entwickelt. 55 Minuten, die sich lohnen.

‍

‍