Teklens logo
DEEN
04

Kapitel 04

Forschungsdimension: Data Engine

Wie bereit sind eure Daten für KI?

Seite 7 von 123 Min. LesezeitVeröffentlicht am Herausgegeben von Teklens

Daten sind für KI bereit, wenn sie zugänglich, verlässlich und geführt sind. Die DACH-Analyse zeigt, dass der Zugang am weitesten entwickelt ist (3,05 von 5), die Governance in der Mitte liegt (2,73) und die Qualität zurückbleibt: 2,61 ist der zweittiefste Wert aller 19 Fragen, mit einem Median von 2. Die meisten Organisationen beheben Datenprobleme, nachdem sie gemeldet wurden; systematisches Monitoring fehlt.

Inhalt · Kurzantwort

Drei Befunde

  1. 01

    Datenqualität ist der zweittiefste Wert der Studie

    Q11 liegt bei 2,61 mit Median 2. Stufe 2 heisst «reaktives Bugfixing: Datenprobleme werden behoben, nachdem sie gemeldet wurden». Nur Q18 zum Anpassen von Strukturen liegt tiefer.[Probst 2026, Anhang B]

  2. 02

    Zugang ist weiter als Qualität

    Q10 Datenzugang erreicht 3,05 («dokumentierte Datenquellen, Zugang über definierte Ticketprozesse»). Q12 Data Governance liegt bei 2,73, zwischen «reaktiv» und «definiert».[Probst 2026, Anhang A]

  3. 03

    Mittleres Feld und frühe Phase kaum unterscheidbar

    Data Engine ist neben External Alignment die einzige Dimension, in der sich mittleres Feld (2,67) und frühe Phase (2,31) nicht signifikant unterscheiden (Tukey p = 0,069). Das fortgeschrittene Profil liegt bei 4,11.[Probst 2026, Anhang C]

Evidenz

Abbildung 6Daten: Zugang, Qualität, Governance
  • Q10 Data Accessibility3,05
  • Q11 Data Quality2,61
  • Q12 Data Governance2,73

Wähle eine Frage, um Wortlaut, Stufen und Kennzahlen zu sehen.

Lesart: Datenqualität (Q11, 2,61) ist der zweittiefste Wert der Studie und liegt hinter Zugang (Q10, 3,05) und Governance (Q12, 2,73) zurück.

Einheit
Mittelwert auf der Reifeskala 1 (am wenigsten entwickelt) bis 5 (am weitesten entwickelt)
Population
DACH-Analyse: 64 bereinigte Selbsteinschätzungen aus Deutschland und der Schweiz, mehrheitlich Senior-Entscheidende
Basis
n = 64 Organisationen
Quelle
Probst 2026, Anhang B · Anhang B – Mittelwert, Standardabweichung, Median, Minimum, Maximum und Item-Rest-Korrelation aller 19 Fragen
Daten als Tabelle
Abbildung 6: Daten: Zugang, Qualität, Governance
FrageDimensionMSDMedianMinMaxr (Item-Rest)
Q10 Data AccessibilityDaten3,051,033,00150,50
Q11 Data QualityDaten2,611,112,00150,66
Q12 Data GovernanceDaten2,731,033,00150,62

Einordnung

Nutzung läuft der Datenreife voraus

Die Dimension Data Engine umfasst Data Accessibility, Data Quality und Data Governance. Ihr Mittelwert von 2,80 liegt im Mittelfeld der sechs Dimensionen, aber die Verteilung innerhalb der Dimension ist ungleich: Der Zugang ist geregelt, die Qualität nicht.[Probst 2026, Tabelle 4]

Die europäische Umfrage zeigt dieselbe Schwäche: 41 % der 165 Antwortenden bewerten ihre Datenqualität auf Stufe 1 oder 2. Jeder KI-Anwendungsfall erbt diese Qualität. Ein Modell, das auf unvollständigen oder falschen Daten arbeitet, liefert schnell falsche Ergebnisse.[AI Monitor 2026, Europa]

Warum das mittlere Feld hier nicht vorne liegt

Das mittlere Feld liegt in Führung, Menschen und Technik klar über der frühen Phase. Bei den Daten schrumpft der Vorsprung auf 0,36 Skalenpunkte und ist statistisch nicht abgesichert. Organisationen im mittleren Feld haben also Piloten, Rückhalt und Werkzeuge, aber keine bessere Datenbasis als die frühe Phase. Der Sprung zum fortgeschrittenen Profil (4,11) ist entsprechend gross.[Probst 2026, Tabelle 5]

Teklens-Einordnung

Für euer Produktteam

Die Studie beschreibt Organisationen über Branchen hinweg. Die Übertragung auf Software-Produktteams ist unsere Interpretation, kein empirischer Befund für Produktteams.

Unsere Empfehlung für Teams, deren KI-Vorhaben von verlässlichem Kontext abhängen.

  • Die Quellen einer Activity benennen

    Welche Tickets, Dokumente und Codeteile fliessen in die Aufgabe ein? Wer hält sie aktuell? Eine Activity ohne benannte Quellen läuft auf Stufe 1 bei Q10.

  • Qualität vor Automatisierung prüfen

    Wer schlechten Input automatisiert, liefert den Schlamassel nur schneller aus. Prüfe an einer echten Aufgabe, ob die Quellen stimmen, bevor ein Agent daraus arbeitet.

  • Verantwortung für Datenpflege festlegen

    Stufe 3 bei Q11 heisst «regelmässige Prüfung zentraler Quellen». Für ein Produktteam kann das ein wöchentlicher Blick auf veraltete Specs und offene Entscheide sein, mit einer verantwortlichen Person.

Einordnung & Grenzen

  • Die Fragen messen, wie Antwortende ihre Datenpraxis einschätzen, nicht gemessene Fehlerraten oder Vollständigkeit.
  • Der Anteil von 41 % stammt aus der europäischen Umfrage (Stufe 1 oder 2 bei Q11), nicht aus der DACH-Analyse, die nur Mittelwerte publiziert.
  • Die Übertragung von «Daten» auf Produktkontext wie Tickets und Specs ist unsere Interpretation, nicht Gegenstand der Studie.

Fragen & Antworten

Ist Datenqualität wichtiger als Datenzugang?

Die Studie gewichtet die Faktoren nicht. Sie zeigt, dass der Zugang weiter entwickelt ist als die Qualität. Wer Zugang zu unzuverlässigen Daten hat, hat für KI wenig gewonnen.

Was bedeutet Stufe 4 bei Datenqualität?

«Automatisierte Validierung in Pipelines; Anomalien in zentralen Quellen werden proaktiv erkannt». Der Median der Stichprobe liegt zwei Stufen darunter.

Gehört Data Governance nicht zu Governance & Ökosystem?

Nein. Data Governance (Q12) regelt Konsistenz, Sicherheit und Ownership von Daten und gehört zur technologischen Dimension. AI Policy (Q13) regelt den verantwortungsvollen Einsatz von KI und gehört zum Aussenbezug.

Quellen

Die DACH-Analyse stammt aus der Masterarbeit von Felix Probst (Universität St.Gallen, 2026), die sich auf Deutschland und die Schweiz konzentriert und in Zusammenarbeit mit Studyond und Teklens entstand. Die europäische Erhebung führten Teklens und readyai.one als Vorstudie für den Swiss AI Monitor durch; Teklens ordnet die Befunde als Herausgeber ein. Vollständige Zitate und Stellenverzeichnis: Methodik & Quellen.

  1. Probst 2026 · Probst, F. (2026). Capturing AI's Potential: How Ready Are Organisations in the DACH Region? Masterarbeit, Universität St.Gallen, in Kooperation mit Teklens. Deutschland und Schweiz, n = 64, Reifeskala 1–5, Selbsteinschätzung, explorativ.Verwendete Stellen: Tabelle 4 und Abbildung 4, Tabelle 5 und Abbildung 7, Anhang A, Anhang B, Anhang C
  2. AI Monitor 2026, Europa · Teklens & readyai.one (2026). AI Monitor 2026 – European survey on organisational AI readiness (pre-study for the Swiss AI Monitor), raw export of 19 August 2026. Research partners: ETH Zürich and University of St.Gallen. Internal aggregate, published on teklens.ai/ai-monitor.

Methodik & Quellen

PDF-Ausgabe

Den ganzen AI Monitor als PDF

Alle Kapitel, Abbildungen und Quellen in einer Datei. Download gegen E-Mail-Adresse.

Wir senden dir den Link per E-Mail und melden uns gelegentlich zum AI Monitor. Keine Weitergabe, jederzeit abmeldbar. Datenschutz

Verwandte Kapitel