Datenprojekte in der Industrie: Zwischen KI-Hype und Realität

Wie gelingt der Spagat zwischen dem Hype um generative KI und dem oft mühsamen Aufbau einer soliden Datengrundlage? Diese Frage treibt viele Entscheider um, besonders im industriellen Mittelstand. Im AI FIRST Podcast gibt Felix Schlenther gemeinsam mit seinem Gast Christian Krug, Global Data Architect bei Frauscher Sensortechnik und Host des Podcasts Unfuck Your Data, praxisnahe Antworten. Christian teilt seine Erfahrungen aus dem Wechsel vom Consulting in eine operative Rolle und erklärt, wie sein Team Daten- und KI-Projekte von der Strategie bis zur Umsetzung steuert. Die Episode beleuchtet, wie man eine moderne Datenarchitektur aufbaut, Vertrauen in KI-Modelle schafft und den Erfolg von Dateninitiativen an echten Geschäftsergebnissen misst - eine unverzichtbare Ressource für alle, die Daten und KI nicht nur als Buzzwords, sondern als strategische Werkzeuge für die Wertschöpfung verstehen.

Das Wichtigste auf einen Blick

• Generative KI als Türöffner: Der aktuelle Hype um Tools wie ChatGPT ist eine Chance, um Aufmerksamkeit und Budgets für Datenprojekte zu gewinnen. Christian warnt jedoch: Ohne die enge Einbindung und Schulung der Fachbereiche entsteht schnell unstrukturierter Slop statt echtem Mehrwert.
• Die zentrale Datenplattform ist unverzichtbar: Um Silos aufzubrechen und eine 360-Grad-Sicht auf das Unternehmen zu ermöglichen, ist ein zentraler Datenknotenpunkt (wie ein Data Lakehouse) unerlässlich. Nur so können Informationen aus verschiedenen Systemen wie CRM oder ERP sinnvoll verknüpft werden.
• Akzeptanz für eine heterogene Tool-Landschaft: Es ist eine unbequeme Wahrheit, dass nicht alle Abteilungen mit demselben Tool arbeiten werden. Während das Marketing vielleicht Claude für Texte nutzt, setzt das Finanzwesen auf eine SAP-eigene KI. Eine moderne Datenstrategie muss diese Vielfalt zulassen.
• Vertrauen in KI durch Kooperation, nicht Konfrontation: Statt menschliche Experten durch KI-Modelle zu ersetzen, sollten diese als Assistenzsysteme eingeführt werden. Indem man menschliche Intuition und maschinelle Prognosen parallel laufen lässt, schafft man Akzeptanz und verbessert gleichzeitig die Modelle.
• Erfolgsmessung an Business-KPIs: Der Erfolg eines Daten-Teams misst sich nicht an technischen Metriken, sondern am Beitrag zur Wertschöpfung. Jeder Use Case muss mit klaren, geschäftsorientierten KPIs verknüpft sein, die gemeinsam mit dem Fachbereich definiert werden.

Vom Berater zum Gestalter: Die Rolle des Data Architects

Nach Jahren in der Beratung, wo man Projekte aufbaut, aber selten die Früchte der eigenen Arbeit erntet, suchte Christian Krug eine Rolle mit mehr Skin in the Game. Als Global Data Architect bei Frauscher, einem mittelständischen Industrieunternehmen mit rund 700 Mitarbeitenden, ist er heute das, was er selbstironisch als Data-Mädchen für alles bezeichnet. Seine Rolle ist weitaus breiter gefasst als in einem Großkonzern: Sie reicht von der C-Level-Strategieentwicklung über die Anforderungsanalyse mit den Fachbereichen bis hin zur Konzeption von Datenlösungen. Das eigentliche Coding überlässt er seinem Team, das aus Data Scientists, Data Engineers und KI-Spezialisten besteht. Diese Struktur ermöglicht es ihm, die Brücke zwischen Business und Technik zu schlagen und sicherzustellen, dass Datenprojekte einen echten strategischen Nutzen bringen.

Generative KI: Zwischen Hype und harter Realität

Felix spricht ein bekanntes Dilemma an: Das Management fordert innovative Projekte mit generativer KI, während die Datenverantwortlichen auf die oft unzureichende Datenbasis verweisen. Christian sieht generative KI als einen wertvollen Dosenöffner, der dem Thema Daten mehr Sichtbarkeit verleiht. Gleichzeitig warnt er davor, die Herausforderungen zu unterschätzen. Er betont, dass KI-Projekte nur als Teamsport erfolgreich sein können. Die Fachbereiche müssen lernen, mit den neuen Werkzeugen umzugehen und mehr als nur oberflächliche Prompts zu schreiben. Andernfalls, so Christian, entsteht eine Schatten-KI, bei der Mitarbeitende unkontrolliert private Tools wie ChatGPT nutzen und Unternehmensdaten gefährden. Bei Frauscher selbst ist die Realität pragmatisch: Während generative KI für interne Prozesse und die Verbesserung der Customer Experience eingesetzt wird, liegt der Fokus bei den digitalen Produkten weiterhin auf klassischer KI, etwa für Predictive Maintenance der Eisenbahnsensoren. Das Kerngeschäft bleibt die Hardware.

Die moderne Datenlandschaft 2026: Ein Plädoyer für den Mittelweg

Wie sieht eine zukunftsfähige Datenarchitektur aus? Christian plädiert für einen pragmatischen Mittelweg. Das Herzstück muss eine zentrale, vereinheitlichte Datenplattform sein - bei Frauscher Data Hive genannt, technisch ein Data Lakehouse. Hier laufen alle relevanten Daten zusammen und werden logisch verknüpft. Diese zentrale Schicht ist entscheidend, um Silos aufzubrechen. Er illustriert dies am Beispiel einer 360-Grad-Kundensicht: Während der Vertrieb einen Kunden aufgrund hoher Umsätze als Top-Kunde einstuft, sieht die Finanzabteilung vielleicht, dass dieser seine Rechnungen notorisch zu spät bezahlt. Solche übergreifenden Einblicke sind nur mit einer zentralen Datenwahrheit möglich.

Gleichzeitig muss diese Architektur nach oben und unten flexibel sein. Es ist unrealistisch und oft auch nicht sinnvoll, allen Abteilungen dieselben Quellsysteme oder Analyse-Tools aufzuzwingen. Das Marketing arbeitet vielleicht lieber mit HubSpot und Claude, während der Vertrieb auf ein anderes CRM und Gemini setzt. Diese Heterogenität, dieses Branching, muss eine moderne Datenstrategie aushalten können, um Innovation und Agilität zu fördern.

Vertrauen in die Maschine: So gelingt die Einführung von KI-Modellen

Ein häufiges Problem bei der Einführung von KI ist der Widerstand von langjährigen Experten, deren Erfahrung und Intuition nun von einem Algorithmus herausgefordert werden. Felix bringt das Beispiel der Stadionauslastungsprognose bei einem Fußballverein. Christian empfiehlt hier eine mehrstufige, kommunikative Herangehensweise. Zuerst müsse man das Geschäftsrisiko analysieren: Was ist schlimmer - ein vorhergesagter Ausfall, der nicht eintritt (unnötige Kosten), oder ein nicht vorhergesagter Ausfall, der eintritt (Produktionsstopp)?

Anstatt den Experten zu ersetzen, sollte man das KI-Modell als unterstützendes Werkzeug positionieren. Man präsentiert dem Mitarbeiter die maschinelle Vorhersage als Vorschlag und fragt nach seiner Einschätzung. So startet ein Dialog: Der Mitarbeiter fühlt sich wertgeschätzt und kann gleichzeitig helfen, das Modell zu verbessern, indem er auf Faktoren hinweist, die der Algorithmus möglicherweise übersehen hat. Mit der Zeit wächst das Vertrauen, und der Experte beginnt, sich auf die Vorschläge zu verlassen, was ihm letztendlich Arbeit abnimmt. Dieser kollaborative Ansatz ist der Schlüssel zur erfolgreichen Verankerung von KI im Unternehmen.

Praktische Schritte zur Umsetzung deiner Datenstrategie

Aus dem Gespräch mit Christian lassen sich konkrete Handlungsempfehlungen für den Aufbau einer erfolgreichen Daten- und KI-Initiative ableiten:

1. Beginne mit Kommunikation: Der erste Schritt ist nicht die Auswahl einer Technologie, sondern das Gespräch mit den Fachbereichen. Finde heraus, wo ihre größten Schmerzpunkte liegen und welche Prozesse Zeit und Nerven kosten. Oft lassen sich hier schnelle und einfache Lösungen finden, die nicht immer eine komplexe KI erfordern.
2. Verfolge einen dualen Ansatz: Einerseits benötigst du das strategische Mandat und die Unterstützung des C-Levels (Top-Down). Andererseits musst du die Anforderungen und das Wissen der Mitarbeitenden nutzen, die täglich mit den Systemen arbeiten, um pragmatische Lösungen zu entwickeln (Bottom-Up).
3. Schaffe einen zentralen Kern mit flexiblen Rändern: Etabliere eine zentrale Datenplattform als Single Source of Truth. Erlaube den Abteilungen aber gleichzeitig, die für ihre spezifischen Anwendungsfälle besten Tools zu nutzen. Diese Balance zwischen Standardisierung und Flexibilität ist entscheidend.
4. Führe KI als Partner ein, nicht als Gegner: Positioniere KI-Systeme als intelligente Assistenten, die menschliche Expertise erweitern, statt sie zu ersetzen. Dies baut Ängste ab, fördert die Akzeptanz und führt zu besseren Ergebnissen für alle Beteiligten.
5. Miss den Erfolg an Geschäftszielen: Definiere für jedes Projekt von Anfang an klare, messbare Business-KPIs. Ob es um die Steigerung des Outputs in der Produktion, die Verbesserung der Content-Qualität im Marketing oder die Reduzierung von Wartungszeiten geht - der Erfolg deiner Datenstrategie zeigt sich direkt in der Bilanz des Unternehmens.