##  Pfadnavigation

1. [ Startseite ](/)
2. [ AI to the DNA ](/podcast/ai-dna)
3. Warum Daten das Fundament für KI-Erfolg sind: Claudia Pohlink, FIEGE

# Warum Daten das Fundament für KI-Erfolg sind: Claudia Pohlink, FIEGE

            **Podcast:**

   [AI to the DNA](/podcast/ai-dna)

              **Erscheinungsdatum:**

   24. April 2026

            **Länge:**

   01:09:06

    [         Link zur Episode (extern)   ](https://attd.fm/episodes/warum-der-mittelstand-beim-thema-daten-plotzlich-im-vorteil-ist-claudia-pohlink-director-data-ai-chief-data-officer-fiege)

 ![Warum der Mittelstand beim Thema Daten plötzlich im Vorteil ist | Claudia Pohlink, FIEGE](https://www.botcaster.de/sites/default/files/styles/podcast_n_episode_metadata_image_1x/public/2026-08/OTBhYi5qcGc.jpg.webp?itok=EZ_QbGZJ)

###   Warum der Mittelstand beim Thema Daten plötzlich im Vorteil ist | Claudia Pohlink, FIEGE

   24. April 2026 · [AI to the DNA](/podcast/ai-dna)

Was haben die Programmieranleitungen deiner Eltern aus den 80er-Jahren mit den KI-Agenten von heute zu tun? Auf den ersten Blick nicht viel, doch im Maschinenraum der künstlichen Intelligenz sind die grundlegenden Prinzipien oft dieselben geblieben. Im Podcast *AI to the DNA* spricht Host Christoph Magnussen diesmal mit einer Expertin, die genau diesen Maschinenraum kennt wie ihre Westentasche: Claudia Pulling, Director Data and AI beim Logistikunternehmen Fiege. Sie zeigt auf, warum viele Unternehmen beim Thema KI am falschen Ende anfangen und den wichtigsten Erfolgsfaktor übersehen: die Daten. Diese Folge ist ein unverzichtbarer Leitfaden für alle Entscheider:innen und KI-Interessierte, die verstehen wollen, warum eine solide Datenstrategie nicht nur nice-to-have, sondern die absolute Grundlage für jeden nachhaltigen KI-Erfolg ist. Es geht um die Frage, wie du den verborgenen Datenschatz in deinem Unternehmen hebst, statt nur dem nächsten Hype hinterherzujagen.

## Das Wichtigste auf einen Blick

- **Daten sind das Fundament, nicht der Trend:** Claudia betont, dass KI im Kern auf Statistik und sauberen Daten basiert. Die bekannte 80/20-Regel - 80 % der Zeit für Datenaufbereitung, 20 % für die eigentliche KI-Anwendung - gilt auch heute noch unverändert.
- **Governance ist kein Schimpfwort:** Eine klare Daten-Governance ist essenziell, um den Überblick zu behalten und Sicherheit zu gewährleisten. Sie vergleicht es mit der Steuererklärung: unsexy, aber notwendig, um Chaos zu vermeiden und Potenziale sicher zu nutzen.
- **Vom Problem zur Lösung, nicht umgekehrt:** Statt blindlings KI-Projekte zu starten, solltest du konkrete Geschäftsprobleme identifizieren, die mit Daten und KI gelöst werden können. Setze von Anfang an messbare Ziele, um den Erfolg zu bewerten.
- **Architektur schafft Klarheit:** Eine durchdachte Datenarchitektur, wie die Medallion-Architektur (Bronze, Silber, Gold), hilft, Daten strukturiert aufzubereiten und für verschiedene Nutzergruppen zugänglich zu machen - von Rohdaten für Experten bis zu veredelten Daten für das Business.
- **Kultur schlägt Technologie:** Eine offene Kultur des Wissensaustauschs, ähnlich wie in der Open-Source-Community, ist entscheidend. Mitarbeiter:innen sollten ermutigt werden, Wissen und Code-Schnipsel intern zu teilen, um nicht ständig das Rad neu zu erfinden.
- **Einfach anfangen:** Perfektionismus ist der Feind des Fortschritts. Statt monatelang Strategiepapiere zu wälzen, ist es wichtiger, an einer Stelle zu beginnen, Erfahrungen zu sammeln und iterativ vorzugehen.

## Der Elefant im Raum: Warum Daten das Fundament jeder KI-Strategie sind

Für Claudia Pulling ist die Faszination für Daten eine Familiengeschichte. Ihr Vater, ein Mathematiker, programmierte schon in den 80er-Jahren Datenbanken, ihre Mutter war ebenfalls Programmiererin. Diese Prägung zeigt sich in ihrer klaren Haltung: KI ist ohne eine solide Datengrundlage nur ein leeres Schlagwort. Sie erklärt, dass KI im Grunde angewandte Statistik ist. Um Vorhersagen treffen zu können, muss die physische Welt - wie etwa Warenbewegungen in einem Logistiklager bei Fiege - präzise in die digitale Welt übersetzt werden. Jeder Schritt, vom Einlagern eines Guts bis zum Transport im LKW, muss als Datenpunkt erfasst werden.

Viele Unternehmen unterschätzen laut Claudia den Aufwand, der dahintersteckt. Die Vorstellung, dass eine KI einfach auf einen Haufen Excel-Tabellen oder einen unstrukturierten SharePoint losgelassen werden kann, ist ein Trugschluss. Die eigentliche Arbeit liegt in der sogenannten Monkey-Arbeit: Datenquellen identifizieren, anbinden, bereinigen und strukturieren. Diese Handwerksarbeit, ausgeführt von digitalen Handwerkern wie Data Engineers, macht rund 80 % des Gesamtaufwands aus. Erst die verbleibenden 20 % entfallen auf die Entwicklung der eigentlichen KI-Anwendung. Christophs Gesprächspartnerin vergleicht dies treffend mit dem Verlegen von Wasserleitungen: Niemand sieht die komplexe Infrastruktur in der Wand, aber alle erwarten, dass am Ende warmes und kaltes Wasser aus dem Hahn kommt.

## Die Architektur des Erfolgs: Vom Datensee zur Medallion-Architektur

Um die Datenflut zu bändigen, braucht es eine klare Architektur. Claudia erläutert das Konzept des Datensees (Data Lake), in den alle relevanten Datenquellen eines Unternehmens fließen. Bei Fiege nutzt ihr Team dafür die sogenannte Medallion-Architektur, ein Modell, das Daten in drei Qualitätsstufen unterteilt:

- **Bronze:** Hier landen die Rohdaten, unverändert und direkt aus den Quellsystemen. Dieser Layer ist vor allem für Daten-Experten nützlich, die tiefgehende Analysen durchführen wollen.
- **Silber:** In dieser Stufe werden die Daten bereinigt, gefiltert und mit anderen Datenquellen kombiniert. Sie sind bereits deutlich besser strukturiert und für Analysten leichter nutzbar.
- **Gold:** Das ist die höchste Veredelungsstufe. Die Daten sind aggregiert, für spezifische Geschäftsanforderungen aufbereitet und dienen als Grundlage für Dashboards, Reports und KI-Modelle.

Diese Struktur schafft nicht nur Ordnung, sondern auch Vertrauen in die Datenqualität. Eine besondere Rolle spielen dabei die sogenannten Stammdaten - also grundlegende, sich selten ändernde Informationen wie Artikelnummern, Personalnummern oder Standorte. Diese bilden, so Claudia, das Rückgrat der Datenlandschaft. Die strategische Entscheidung, welche Systeme als Golden Record oder einzige Quelle der Wahrheit für diese Stammdaten gelten, ist ein entscheidender, oft vernachlässigter Schritt.

## Drei Unternehmens-Szenarien: Ein Praxis-Check für deine KI-Reise

Christoph skizziert drei typische Unternehmensprofile, für die Claudia konkrete Ratschläge gibt:

1. **Der Microsoft-Pragmatiker: Microsoft wird das schon lösen.**
     Für Unternehmen, die stark auf ein Ökosystem wie Microsoft setzen, rät Claudia, die vorhandenen Werkzeuge wie den Co-Pilot voll auszuschöpfen. Der Vorteil liegt in der geringen Einstiegshürde für Mitarbeiter:innen. Entscheidend ist jedoch, klare Leitplanken (Governance) zu definieren. Wer darf welche Daten nutzen? Wie werden KI-Agenten erstellt und verwaltet, ohne Sicherheitsrisiken zu schaffen? Anstatt dem neuesten externen Tool hinterherzujagen, sollte man erst das Potenzial der bestehenden, geschützten Umgebung voll ausschöpfen.
2. **Der ambitionierte Selbstbauer: Wir bauen alles neu für die KI.**
     Unternehmen, die voller Tatendrang ihre Dateninfrastruktur von Grund auf neu bauen wollen, sollten laut Claudia zuerst ihren eigenen Reifegrad realistisch einschätzen. Der häufigste Fehler ist, technologiegetrieben zu handeln. Stattdessen empfiehlt sie, mit einem konkreten Geschäftsproblem zu starten und quantitative Ziele zu definieren. Ein Beispiel von Fiege: die Reduzierung von Leerfahrten bei Gabelstaplern. Erst wenn ein KI-Modell nachweislich eine signifikante Verbesserung (z. B. 15 % weniger Leerfahrten) verspricht, lohnt sich die Investition.
3. **Der schnelle KI-Native: Wir starten auf der grünen Wiese.**
     Startups oder neue Geschäftsbereiche ohne Legacy-Systeme haben den Vorteil der Flexibilität. Doch auch hier ist Vorsicht geboten. Claudia empfiehlt, sich ein bis zwei interne Expert:innen zu sichern, die in der Lage sind, externe Dienstleister und Technologien zu bewerten. Diese Unternehmen müssen nicht alles selbst können, aber sie brauchen die Kompetenz, um die richtigen Partner auszuwählen. Auch hier gilt: mit kleinen, skalierbaren Anwendungsfällen beginnen und eine Kultur des Ausprobierens und auch des Scheiterns erlauben.

## Kulturwandel im Maschinenraum: Von Wissenssilos zu Open Source im Unternehmen

Ein wiederkehrendes Thema im Gespräch ist die Unternehmenskultur. Technologie allein reicht nicht aus. Claudia plädiert leidenschaftlich für eine Kultur des Teilens und der Dokumentation, inspiriert von der Open-Source-Welt. Sie schlägt vor, eine Art internes GitHub zu etablieren, in dem Wissen, Code-Schnipsel und Prozessbeschreibungen standardmäßig für alle zugänglich sind. Das widerspricht oft der in Deutschland verbreiteten Mentalität, Wissen als Machtinstrument zu horten. Doch nur so können Unternehmen Skaleneffekte erzielen und vermeiden, dass Teams immer wieder bei Null anfangen.

KI kann hierbei eine unterstützende Rolle spielen, indem sie die Dokumentation erleichtert, etwa durch automatische Zusammenfassungen oder die Transkription von gesprochenen Erklärungen. Die Qualitätskontrolle erfolgt dann organisch: Wenn ein Team ein von einem anderen Team entwickeltes Tool nutzen will, merkt es schnell, wie gut die Dokumentation wirklich ist. Ehrlichkeit und die Bereitschaft, Produkte auch wieder einzustellen, wenn sie nicht genutzt werden, sind dabei entscheidend für den langfristigen Erfolg.

## Praktische Schritte für deine Datenstrategie

Aus dem Gespräch mit Claudia lassen sich konkrete Handlungsempfehlungen für dein Unternehmen ableiten:

1. **Bestimme deinen Reifegrad:** Sei ehrlich, wo du stehst. Hast du die Grundlagen im Griff oder herrscht Datenchaos? Deine Strategie muss zu deiner Ausgangslage passen.
2. **Starte mit dem Warum:** Definiere ein klares Geschäftsproblem, das du lösen möchtest. Lege messbare Ziele fest (z. B. Kosten um X % senken oder Prozesszeit um Y Stunden reduzieren), bevor du über Technologie sprichst.
3. **Schaffe Leitplanken:** Etabliere eine einfache, aber wirksame Daten-Governance. Kläre, wer auf welche Daten zugreifen darf und welche Regeln für die Nutzung von KI-Tools gelten. Das schafft Sicherheit und Vertrauen.
4. **Investiere in die Grundlagen:** Nimm dir die Zeit für die unsexy Monkey-Arbeit. Bereinige deine Stammdaten und baue eine saubere Datenarchitektur auf. Das ist die wichtigste Investition in deine KI-Zukunft.
5. **Fördere eine offene Kultur:** Ermutige deine Mitarbeiter:innen aktiv, Wissen zu teilen und zu dokumentieren. Belohne Kollaboration statt Silodenken.
6. **Fang einfach an:** Verliere dich nicht in endlosen Strategiediskussionen. Wähle einen überschaubaren Anwendungsfall, bei dem du schnell lernen kannst, und lege los. Der Weg entsteht beim Gehen.

---

 version="1.0" encoding="UTF-8"?
      .st0 {
        fill: #010101;
      }

      .st1 {
        fill: #b0c0b3;
      }

      .st2 {
        fill: #3b3a3b;
      }

      .st3 {
        fill: #3a3a3a;
      }

      .st4 {
        fill: #5e7185;
      }

      .st5 {
        fill: #f9eddd;
      }

      .st6 {
        fill: #000100;
      }

      .st7 {
        fill: #aebeb3;
      }

      .st8 {
        fill: #fefefe;
      }

      .st9 {
        fill: #7f93a8;
      }

      .st10 {
        fill: #f8f0df;
      }

      .st11 {
        fill: #fbf0df;
      }

      .st12 {
        fill: #afbfb2;
      }

      .st13 {
        fill: #f7eedd;
      }

      .st14 {
        fill: #fdfdfd;
      }
                                                                                   Botcaster

  **Zusammengefasst von Anja Schirwinski**

Ich beschäftige mich beruflich wie privat mit Künstlicher Intelligenz - von konkreten Tools im Arbeitsalltag bis zu den größeren Fragen, die dabei aufkommen. Viele der Themen, die in Podcasts besprochen werden, begegnen mir in Projekten immer wieder. Deshalb fasse ich hier die für mich interessantesten Podcastfolgen zusammen und ordne sie aus der Praxis ein.

[Mehr über das Projekt Botcaster](/ueber-uns)

##  Themen

 - [  KI-Strategie  ](/podcasts/themen/ki-strategie)

**Hinweis:** *Diese Zusammenfassung wurde mit Hilfe von KI aus dem Transkript der Podcast-Episode generiert.*

Alle Inhalte auf Botcaster beruhen auf öffentlich zugänglichen Podcasts rund um Künstliche Intelligenz. Wir fassen die Episoden nach bestem Wissen zusammen, übernehmen jedoch keine Gewähr für Vollständigkeit, Aktualität oder Richtigkeit der Inhalte. Die Rechte an den Original-Podcasts und -Inhalten liegen ausschließlich bei den jeweiligen Urheber:innen.

         ## Shownotes

  Warum sind 80 % jedes KI-Projekts immer noch stumpfe Datenaufbereitung – und verändert sich das durch KI wirklich? Warum brauchst du in deinem Unternehmen dringender Data Engineers als noch einen weiteren KI-Experten auf LinkedIn? Und wie macht man eigentlich eine 150 Jahre alte Logistikfirma datenfähig, ohne sich in Architektur-Debatten zu verlieren?

Zu diesen und weiteren Fragen spreche ich in dieser Episode von „AI to the DNA", dem Podcast für alle, die Künstliche Intelligenz wirklich verstehen und anwenden wollen, mit Claudia Pohlink. Claudia ist Director Data & AI bei FIEGE und damit verantwortlich für Daten und KI in einem 150 Jahre alten Familienunternehmen mit 135 Standorten. Davor hat sie das Data Intelligence Center der Deutschen Bahn geleitet und bei T-Labs der Deutschen Telekom das Machine-Learning-Team verantwortet.

[Diesen Podcast gibt es auch als Video-Podcast auf meinem YouTube Kanal.](https://www.youtube.com/watch?v=gMSJutIllhc "Diesen Podcast gibt es auch als Video-Podcast auf meinem YouTube Kanal.")

Wir sprechen darüber, warum KI am Ende des Tages „eigentlich Statistik" ist und warum die klassische 80/20-Regel der Datenaufbereitung sich seit Jahrzehnten nicht verändert hat. Claudia erklärt, warum sie Data Engineering lieber mit Wasserleitungen-Verlegen vergleicht und warum Stammdaten, Governance und Architektur genau die unsexy Monkey-Arbeit sind, an der gerade die spannenden KI-Projekte scheitern.

Außerdem diskutieren wir drei typische Unternehmens-Szenarien – den Microsoft-Mittelständler, den KI-enthusiastischen Selbstbauer und den AI-Native-Startup-Gründer – und was Claudia jeweils konkret empfehlen würde. Dazu: Medaillon-Architektur, Datenkataloge, Reifegrade, die Tücken von Purview und warum man bei 50 parallelen Data Lakes irgendwann den Überblick verliert.

Darüber hinaus geht es um das, worüber in deutschen Vorständen viel zu wenig gesprochen wird: Produkt-Ownership und der Mut, eigene Datenprodukte wieder abzuschalten. Die kulturelle Hürde, Wissen im Unternehmen zu teilen statt zu besitzen. Die Abhängigkeit von US-Tools als „Drogenabhängigkeit". Und Claudias Plädoyer für ein deutsches Kaggle – inklusive der Frage aus ihrer Doktorarbeit, warum eigentlich kein Unternehmen seinen Datenschatz in der Bilanz ausweist.

Zum Abschluss sprechen wir über Bildung: warum Claudia sich Urlaub nimmt, um an Schulen VR-Brillen und kleine Roboter mitzubringen, und warum wir bei KI plötzlich den Anspruch haben, alles verstehen zu müssen – obwohl das bei Computer und Internet nie jemand verlangt hat.

Hier bei AI to the DNA will ich, Christoph Magnussen, tiefer in die Materie KI eintauchen. Mich interessiert nicht nur, wie man KI nutzt, sondern warum sie so funktioniert, wie sie funktioniert. Mit AI to the DNA gewinnt ihr Einblicke in die Natur der Künstlichen Intelligenz und erfahrt, wie sie Teil eurer DNA wird. So werdet ihr von neugierigen Tool-Tourist:innen zu echten AI-Anwendungsweltmeister:innen.

☀️ 🎓 **Die Blackboat AI Summer School:** Vier Wochen Online-Sprint mit Hands-on-Aufgaben, um vom Kl-Ausprobieren zu echten Pro-Skills zu kommen. Vom Tool-Tourist zu eigenen Agent-Systemen mit unserer AI Summer School!

Spare jetzt 250€ mit dem Gutscheincode: **ATTD-SUMMER
->** Jetzt anmelden auf [https://academy.blackboat.com](https://shop.blackboat.com)

⭐️ Wenn dir AI to the DNA gefällt, freuen wir uns über eine **5-Sterne-Bewertung**. Damit hilfst du uns enorm, den Podcast sichtbarer zu machen und noch mehr Menschen mit unseren Themen zu erreichen. Danke für deinen Support!

- (00:00) - Intro
- (01:32) - Daten in der Wiege: Vom Mathematiker-Elternhaus zu Fiege
- (04:34) - „KI ist eigentlich Statistik": Daten als Fundament
- (07:52) - Datensee und Monkey-Arbeit: Die Medaillon-Architektur
- (10:15) - Digitale Handwerker & die 80/20-Regel
- (11:07) - Architektur: Historisch, Realtime und die Souveränitätsfrage
- (15:42) - Stammdaten: Die Fleißarbeit, an der keiner vorbeikommt
- (17:16) - Szenario 1: Microsoft: Governance, Copilot und Purview
- (25:39) - Szenario 2: Der KI-Enthusiast: Reifegrade und der Fiege Claims-Agent
- (34:01) - Szenario 3: AI-Native: Warum du trotzdem einen Nerd brauchst
- (39:26) - Wissen teilen: GitHub fürs Unternehmen und die Sharing-Kultur
- (47:11) - Datenprodukte abschalten: Ownership und der Mut zur Konsequenz
- (50:41) - Warum Mittelständler jetzt im Vorteil sind
- (51:50) - Wem Claudia folgt: NVIDIA, Amy Webb und der Filter-Vorteil
- (56:28) - Kids & KI: VR-Brillen, Skepsis und Medienkompetenz
- (01:02:39) - Die 10-Millionen-Euro-Frage: Epstein-Akten, Kaggle und der Datenschatz
- (01:09:02) - „Einfach loslegen": KI ist keine eigene Strategie