Statista-CEO Marc Berg: Vom SEO-Modell zur KI-Datenquelle

Was passiert mit dem Geschäftsmodell von Statista, wenn KI Google-Traffic ersetzt? Marc Berg, CEO, erklärt den radikalen Umbau vom Datenanbieter zum KI-Daten-Asset und wieso Perplexity anklopfte. In der Podcast-Folge AI to the DNA spricht Host Christoph Magnussen mit Marc Berg, seit 2024 CEO von Statista, über die tiefgreifenden Veränderungen, die KI für datengetriebene Unternehmen mit sich bringt. Das Gespräch beleuchtet, wie Statista auf die existenzielle Bedrohung durch generative KI reagierte und sein gesamtes Geschäftsmodell neu ausrichtete - weg von einer auf SEO-Traffic basierenden Plattform, hin zu einem unverzichtbaren Datenlieferanten für die KI-Ära. Es geht um die zentrale Frage, wie Unternehmen den Wert ihrer Daten in einer Welt sichern können, in der Antworten direkt in Sprachmodellen entstehen und das frei zugängliche Internet zu verschwinden droht.

Das Wichtigste auf einen Blick

• Die wahre Bedrohung: Crawlable Data vs. Trainingsdaten: Marc erklärt, dass nicht die Nutzung von Statista-Daten zum Training von KI-Modellen die Gefahr darstellt, sondern der Wegfall von Traffic durch direkt in LLMs generierte Antworten. Diese basieren auf frei gecrawlten Daten, die bisher Statistas Hauptquelle für Neukunden waren.
• Strategischer Schwenk vom Portal zum Daten-Asset: Statista sieht sich nicht mehr primär als Website, sondern als Produzent und Kurator wertvoller, strukturierter Daten. Der Zugang erfolgt künftig nicht nur über die Plattform, sondern direkt über Schnittstellen (MCP-Server, APIs) in die Systeme der Kunden, wie z. B. LLMs oder CRM-Software.
• Das Ende des offenen Internets: Da das werbefinanzierte Modell durch KI-Antworten untergraben wird, werden immer mehr hochwertige Inhalte hinter Paywalls verschwinden. Dies verknappt frei verfügbare, qualitative Daten und stärkt die Position von Anbietern wie Statista, die direkte Deals mit LLM-Entwicklern wie Perplexity abschließen.
• Effektive KI-Implementierung ist Top-Down: Statt allen Mitarbeitern wahllos KI-Tools zu geben, verfolgt Statista einen gezielten Ansatz. Sie analysieren die Wertschöpfungskette und setzen KI dort ein, wo die Bereitschaft (strukturierte Daten) und der potenzielle Einfluss am größten sind, etwa im Engineering und im Vertrieb.
• Technologie überholt Organisation: Marc stellt fest, dass die technologischen Möglichkeiten der KI die Fähigkeit von Unternehmen, diese sinnvoll zu adaptieren, bei weitem übersteigen. Dieser Gap zwischen Capability und Adoption ist eine der größten Management-Herausforderungen der Gegenwart.
• Die Zukunft gehört den KI-Agenten: Der größte Konsument von Daten werden zukünftig nicht mehr Menschen, sondern autonome KI-Agenten sein, die im Auftrag von Nutzern komplexe Aufgaben lösen und dafür auf spezialisierte Datenquellen zugreifen.

Vom Google-Liebling zur KI-Datenquelle: Statistas radikale Transformation

Für Statista, dessen Geschäftsmodell auf monatlich rund 30 Millionen Besuchern über Google aufgebaut war, kam der Durchbruch von ChatGPT 3.5 einem Schock gleich. Marc Berg beschreibt den Moment, als sie feststellten, dass ihre Daten direkt in den Antworten des LLMs erschienen und als Quelle zitiert wurden, als What the fuck-Moment. Das Problem war nicht, dass ihre Daten zum Training des Modells verwendet wurden - das verbessert lediglich dessen logische Fähigkeiten. Die eigentliche Gefahr lag in der Nutzung frei verfügbarer, crawlable Daten zur direkten Beantwortung von Nutzerfragen. Dieses Vorgehen untergrub das gesamte Akquise-Modell von Statista, das darauf basierte, Nutzer über eine kostenlose erste Statistik auf die Seite zu locken und sie dann zu zahlenden Kunden zu konvertieren. Wenn die Antwort direkt im LLM erscheint, gibt es keinen Klick, keinen Website-Besuch und keinen Lead mehr.

Diese Erkenntnis führte zu einer radikalen Neuausrichtung. Statt weiterhin den Großteil der Daten für Google sichtbar zu machen, reduzierte Statista die öffentliche Sichtbarkeit auf nur noch etwa vier Prozent seines Datenschatzes. Der Rest wurde hinter eine Paywall verschoben. Die Konsequenz: Unternehmen wie der KI-Suchdienst Perplexity, die zuvor stark auf Statista-Daten angewiesen waren, sahen ihre Antwortqualität sinken und klopften proaktiv bei Statista an, um über einen direkten Datenzugang via MCP-Server zu verhandeln. Statista wandelte sich so von einer vom Google-Traffic abhängigen Plattform zu einem strategischen Daten-Asset für das KI-Ökosystem.

Warum es nicht reicht, allen Mitarbeitern ChatGPT zu geben

Die interne Nutzung von KI ist die zweite große Baustelle für Statista. Marc warnt davor, sich als Manager gut zu fühlen, nur weil alle Mitarbeiter Zugang zu KI-Tools haben und die Token Usage hoch ist. Oftmals führe dies nur zu geringfügigen Effizienzgewinnen wie dem Umformulieren von E-Mails oder dem Verschönern von Präsentationen, berühre aber nicht die Kernprozesse des Unternehmens. Stattdessen plädiert er für einen strategischen Top-Down-Ansatz. Gemeinsam mit seinem neuen Chief Product Officer hat er begonnen, die gesamte Wertschöpfungskette von Statista zu analysieren und Bereiche nach zwei Kriterien zu bewerten: KI-Bereitschaft (Wie gut strukturiert und zugänglich sind die Daten?) und potenzieller Einfluss (Wo ist der größte Hebel für Produktivitätssteigerungen?).

Zwei Bereiche stachen dabei heraus: Engineering und Sales. Im Engineering sind durch Plattformen wie GitHub riesige Mengen an strukturierten Daten vorhanden, was enorme Produktivitätssteigerungen im Coding ermöglicht. Im Sales liegen in CRM-Systemen wie Salesforce ebenfalls saubere Daten vor, die sich für die Automatisierung repetitiver Aufgaben, wie etwa das Erstellen hochgradig personalisierter E-Mail-Kampagnen durch KI-Agenten, nutzen lassen. Um solche Initiativen schnell voranzutreiben, setzt Statista auf kleine, vollautonome Teams, die disziplinarisch aus den Linienfunktionen herausgelöst werden und wie Mini-Startups agieren. Dieser Ansatz schafft zwar Reibung im Rest der Organisation, ermöglicht aber eine enorme Geschwindigkeit und eine steile Lernkurve.

Die neue Wertschöpfung durch strukturierte Daten und KI-Agenten

Um in der KI-Ära relevant zu bleiben, reicht es nicht, nur Rohdaten zu besitzen. Der Wert liegt in der Veredelung. Marc erklärt, dass Statista massiv in die Anreicherung seiner Daten mit Metadaten investiert. Jede Statistik wird mit Kontext versehen: Welche Zeitreihe wird abgebildet? Welche Maßeinheit wird verwendet? Welche Länder sind enthalten? Dieser Kontext ist entscheidend, da LLMs nicht deterministisch sind und über Zusammenhänge lernen. Zusätzlich hat Statista sogenannte Evals (Evaluation Frameworks) eingeführt. Dabei beantworten menschliche Researcher zu jeder Statistik eine Reihe von Standardfragen, um dem LLM beizubringen, welche Datenpunkte für welche Art von Anfrage am besten geeignet sind. Allein durch diese Maßnahme konnte die Antwortqualität um 15 - 20 Prozentpunkte gesteigert werden, obwohl der zugrundeliegende Datensatz derselbe blieb.

Die größte Veränderung sieht Marc jedoch im Aufkommen von Agency. In Zukunft werden nicht mehr primär Menschen, sondern autonome KI-Agenten die Hauptkonsumenten von Daten sein. Ein Unternehmensberater wird dann nicht mehr selbst recherchieren, sondern einem Research-Agenten einen Auftrag geben. Dieser Agent wird dann autonom entscheiden, welche Daten er von welchen Anbietern - wie Statista - über eine Schnittstelle einkauft, um die bestmögliche Antwort zu generieren. Für Datenanbieter bedeutet das, ihre Infrastruktur auf eine reibungslose Maschine-zu-Maschine-Kommunikation auszurichten.

Verliert Europa den Anschluss in der KI-Entwicklung?

Gegen Ende des Gesprächs äussert Marc Berg tiefgreifende Sorgen über den Wirtschaftsstandort Europa. Ihn beunruhigt die Tatsache, dass Europa im Bereich der grundlegenden KI-Modelle (Foundation Models) praktisch nicht existent ist und eine massive Abhängigkeit von US-Unternehmen besteht. Diese Machtkonzentration in den Händen weniger Firmen sei besorgniserregend. Er beobachtet einen Verlust des Anspruchs, technologisch führend sein zu wollen, der Deutschland und Europa einst auszeichnete. Dies zeigt sich auch in der jungen Generation. Er berichtet von seinem Sohn, der trotz grosser Begabung in Mathematik und Physik überlegt, Lehrer zu werden, da er sich fragt, welchen Wert seine Fähigkeiten in einer Welt haben, in der eine KI viele komplexe Probleme besser lösen kann. Diese Sinnfrage junger Talente verdeutlicht für Marc eine der größten gesellschaftlichen Herausforderungen, die die KI-Revolution mit sich bringt: die Neudefinition des menschlichen Beitrags und des gesellschaftlichen Vertrags in einer zunehmend automatisierten Welt.

Praktische Schritte für Unternehmen

Aus dem Gespräch mit Marc Berg lassen sich konkrete Handlungsempfehlungen für Führungskräfte ableiten, die KI erfolgreich im eigenen Unternehmen implementieren wollen:

1. Verstehe deine Wertschöpfungskette: Anstatt KI-Tools breit und ungezielt auszurollen, analysiere deine Kernprozesse. Finde heraus, wo Daten anfallen und wo die grössten manuellen Aufwände oder Potenziale für Verbesserungen liegen.
2. Priorisiere nach Einfluss und Bereitschaft: Konzentriere deine Ressourcen auf die Bereiche, in denen du bereits über gut strukturierte Daten verfügst (hohe Bereitschaft) und wo KI den grössten geschäftlichen Nutzen verspricht (hoher Einfluss). Für viele Unternehmen sind das die Bereiche Sales, Marketing und Engineering.
3. Schaffe autonome Innovationsteams: Um die Trägheit grosser Organisationen zu überwinden, bilde kleine, funktionsübergreifende Teams. Gib ihnen die volle Verantwortung und die Freiheit, traditionelle Prozesse zu umgehen, um KI-Lösungen schnell zu entwickeln und zu testen.
4. Behandle deine Daten wie ein Produkt: Beginne sofort damit, deine internen Daten zu strukturieren, zu bereinigen und mit Metadaten anzureichern. Nur so machst du sie für KI-Systeme nutzbar und schaffst die Grundlage für zukünftige Automatisierung und intelligente Anwendungen.
5. Werde selbst zum Anwender: Als Führungskraft musst du dir die Hände schmutzig machen. Experimentiere selbst mit KI-Tools, baue einfache Agenten oder automatisiere einen kleinen Workflow. Nur durch praktische Erfahrung entwickelst du ein echtes Verständnis für die Möglichkeiten und Grenzen der Technologie und kannst fundierte strategische Entscheidungen treffen.