„Michael, ich habe eine einfache Frage." Silvia Seven, CFO von FastChangeCo, schiebt das Projektstatusdeck beiseite. „Wie viele Projekte haben in den letzten zwei Jahren das Thema ‚Kunde' von Grund auf neu definiert?" Michael Mueller schluckt. Er kennt die Antwort. Und sie ist unangenehm.
Wer Amal, Diego und Michael noch nicht kennt: Sie sind fiktive Figuren aus dem FastChangeCo-Universum, das ich nutze, um reale Herausforderungen aus meinen Projekten und Coachings greifbar zu machen. Silvia Seven ist die CFO – und sie stellt heute die Fragen, die in Steuerkreisen zu selten gestellt werden.
Diese Serie hat in vier Teilen gezeigt, warum KI keine Informationsmodelle automatisch erstellen kann, wie ein hybrider Workflow funktioniert, der KI sinnvoll einsetzt, und was das für das Berufsbild des Datenmodellierers bedeutet. Dieser Bonusartikel richtet den Blick nach oben: Was bedeutet das alles für das Unternehmen – und warum ist ein solides Informationsmodell kein Kostenfaktor, sondern ein strategisches Asset?
Bessere Modelle, kürzere Wege zum Markt
FastChangeCo plant ein neues Produkt. Die erste Frage im Kick-off: „Welche Kundendaten brauchen wir?" Die Antwort kommt nicht vom Datenteam, sondern aus einer Entitätsbeschreibung, die jemand vor drei Jahren angelegt hat. Sie ist halb aktuell, halb veraltet, und niemand weiß genau welche Hälfte welche ist. Zwei Wochen Klärungsaufwand – bevor das eigentliche Projekt begonnen hat.
Das ist kein Einzelfall. Es ist das Standardszenario in Unternehmen, die kein gepflegtes Informationsmodell haben. Und es hat einen direkten Einfluss auf Time-to-Market.
Der Unterschied zwischen einem Unternehmen, das ein solides Informationsmodell hat, und einem, das keines hat, zeigt sich nicht nur in der Qualität des Endprodukts – sondern in der Zeit bis dorthin. Ein gutes Informationsmodell verbessert beides: die Qualität der Daten und die Geschwindigkeit, mit der man zum Ergebnis kommt. Wer bei jeder neuen Anforderung von vorne anfängt, die zentralen Geschäftsobjekte zu klären, verliert systematisch gegen jemanden, der sie nur noch erweitert.
Was das in der Praxis bedeutet: Wenn das Informationsmodell für „Kunde", „Produkt" und „Vertrag" bereits sauber definiert, dokumentiert und zugänglich ist, verkürzt sich der Anfang jedes neuen Projekts – und zwar um Wochen, nicht um Tage. Die Fragen, die im ersten Sprint beantwortet werden müssten, sind bereits beantwortet. Das Team kann anfangen zu bauen, statt erst zu verstehen.
Mit KI-Unterstützung verschärft sich dieser Vorteil. Ein Unternehmen, das sein Informationsmodell als Metadaten-Basis aufgebaut hat, kann mit KI in Stunden physische Modelle für neue Technologien generieren. Eines ohne diese Basis fängt jedes Mal neu an – manuell, langsam, fehleranfällig.
Die Kosten des Nicht-Handelns
Silvias Frage nach den zwei Jahren hatte einen Grund. Michael kann sie beantworten: Sieben Projekte haben in diesem Zeitraum eigenständig definiert, was ein „Kunde" bei FastChangeCo ist. Alle haben dasselbe Problem gelöst – mit unterschiedlichen Antworten, in unterschiedlichen Systemen, ohne voneinander zu wissen.
Das ist die eigentliche Kostenrechnung des Nicht-Handelns. Nicht der einmalige Aufwand für ein Informationsmodell, sondern die Summe aller Projekte, die dieselbe Arbeit immer wieder leisten – ohne voneinander zu wissen und ohne ein gemeinsames Ergebnis.
Ein einfaches Rechenbeispiel: Die sorgfältige Definition einer einzelnen Entität – Interviews mit Fachexperten, Abstimmung, Dokumentation, Validierung – kostet etwa 20 Stunden. Das klingt nach Aufwand. Aber jedes Projekt, das diese Entität braucht und sie nicht vorfindet, leistet denselben Aufwand neu. Beim zweiten Projekt ist der Return on Investment dieser 20 Stunden bereits positiv. Beim fünften Projekt hat man das Vierfache gespart.
„Und was kostet es, wenn die sieben Definitionen voneinander abweichen?" fragt Silvia.
Auch das hat Michael ausgerechnet. Datenbereinigung nach einer fehlgeschlagenen System-Integration: sechs Wochen Projektarbeit. Falsche Reporting-Zahlen, die drei Monate lang in Entscheidungen eingeflossen sind, bevor jemand die Inkonsistenz bemerkt hat. Ein KI-Projekt, das nach vier Monaten Entwicklung gestoppt wurde, weil die Trainingsdaten aus drei Systemen stammten – mit drei verschiedenen Kundendefinitionen.
Das sind keine Katastrophen. Es sind stille Kosten, die in keinem Projektbudget auftauchen – und trotzdem bezahlt werden. Nicht einmal, sondern immer wieder.
Du möchtest die komplette Serie als PDF haben? Kein Problem! Hol dir die Datenmodellierung mit KI als TEDAMOH Publication ganz einfach kostenlos. Klick einfach auf den Link unten und speichere dir die Serie für später – ob offline lesen oder teilen, das entscheidest du!
Download: Coming soon
Dazu kommt der Teufelskreis schlechter Modelle: Schnell gebaut, weil der Druck hoch war, teuer zu ändern, weil die Basis nicht stimmt – also bleibt es, wie es ist, veraltet mit der Zeit und wird irgendwann neu gebaut, unter noch höherem Druck und noch unsauberer. Wer in diesem Kreislauf steckt, investiert permanent in technische Schulden, statt einmal in eine solide Grundlage.
Das stille Risiko
„Was ist das schlimmste Szenario?" fragt Silvia.
Michael überlegt kurz. „Dass wir es nicht merken."
Das ist das eigentliche Risiko schlechter oder fehlender Informationsmodelle: Es zeigt sich selten als großes Scheitern. Es zeigt sich als Rauschen – als Projekte, die etwas länger dauern als geplant, als Berichte, die leicht voneinander abweichen, als Meetings, in denen zehn Minuten damit vergehen, die Begriffe zu klären, bevor das eigentliche Thema beginnt.
Es gibt ein paar Stellen, an denen dieses Rauschen sich zu einem echten Problem verdichtet – nicht auf einmal, aber verlässlich.
Compliance und Reporting. Wenn verschiedene Systeme denselben Begriff unterschiedlich definieren, ist kein Report wirklich verlässlich. Für regulierte Branchen – Finanzdienstleistungen, Gesundheitswesen, Versicherungen – kann das existenzielle Konsequenzen haben. Aber auch außerhalb regulierter Branchen gilt: Entscheidungen auf Basis inkonsistenter Daten sind riskant, auch wenn niemand die Inkonsistenz sieht.
KI-Projekte. KI-Systeme sind nur so gut wie die Daten, auf denen sie trainiert oder betrieben werden. Ein Large Language Model, das auf Unternehmensdaten zugreifen soll, braucht ein klares Verständnis davon, was die Begriffe in diesen Daten bedeuten. Fehlt dieses Verständnis – weil es im Unternehmen selbst nicht explizit gemacht wurde – halluziniert nicht nur die KI. Sie halluziniert konsistent und unbemerkt.
Skalierung und M&A. Wenn ein Unternehmen wächst – organisch oder durch Übernahmen – multipliziert sich das Problem. Zwei Unternehmen, die zusammenwachsen, bringen zwei verschiedene Definitionen von „Kunde", „Produkt" und „Umsatz" mit. Ohne ein Informationsmodell als gemeinsame Sprache kann eine System-Integration Jahre dauern, die bei guter Vorbereitung Monate benötigt hätte.
Wie sich dieses stille Rauschen in einen belastbaren Business Case übersetzt, zeichne ich in den Strategie-Workshops mit Data-Management-Leads und C-Level konkret nach: was euer Datenfundament heute schon trägt, wo die Lücken sind – und welcher ROI-Pfad daraus folgt.
Über diese Serie: Dies ist der Bonusartikel (Teil 5) unserer Serie über KI-gestützte Datenmodellierung. Teil 1 beleuchtet das grundlegende Paradox. Teil 2 zeigt, warum generische Automatisierung scheitert. Teil 3 erklärt den hybriden 4-Schritte-Workflow. Teil 4 zeigt, wie sich das Berufsbild des Datenmodellierers verändert.
Sieben Projekte, sieben Definitionen von „Kunde" – kommt dir das bekannt vor?
Im 2-stündigen Strategie-Workshop mit Data-Management-Leads und C-Level rechnen wir genau diesen Fall durch: was euch das Nicht-Handeln heute schon kostet, was ein gepflegtes Informationsmodell an Time-to-Market und ROI zurückbringt – und wo bei euch die größten stillen Kosten liegen.
Was Management entscheiden muss
Silvia lehnt sich zurück. „Also ist die Frage nicht, ob wir uns ein Informationsmodell leisten können. Die Frage ist, ob wir uns leisten können, weiter ohne eines zu arbeiten."
Genau das.
Die Entscheidung für oder gegen ein gepflegtes Informationsmodell ist keine technische Entscheidung. Sie ist eine strategische. Sie bestimmt, wie schnell ein Unternehmen auf neue Anforderungen reagiert, wie viel Vorarbeit jedes Projekt doppelt leistet, die eigentlich schon erledigt sein sollte – und ob KI-Projekte auf einem soliden Fundament stehen oder auf Schotter.
Wer Datenmodellierung als lästige Pflichtübung behandelt, bekommt lästige Pflichtübungen – und bezahlt sie in jedem neuen Projekt neu. Wer sie als einmalige Grundlage aufbaut, bekommt einen Vorteil, der mit jeder Wiederverwendung einer gut definierten Entität stärker wird.
Mit KI-Unterstützung ist der Einstieg heute leichter als früher – die manuelle Schufterei, die Teams bisher davon abgehalten hat, ist kleiner geworden. Die Ausrede entfällt. Was bleibt, ist die Frage, ob man die Gelegenheit nutzt.
Ist die strategische Entscheidung gefallen, bringt das Data Modeling Training euer Team in wenigen Tagen auf den nötigen Wissensstand – auch in-house.
So long,
Dirk