Kapitel 04
Forschungsdimension: Data Engine
Wie bereit sind eure Daten für KI?
3 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
- 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]
- 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]
- 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
- 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
| Frage | Dimension | M | SD | Median | Min | Max | r (Item-Rest) |
|---|---|---|---|---|---|---|---|
| Q10 Data Accessibility | Daten | 3,05 | 1,03 | 3,00 | 1 | 5 | 0,50 |
| Q11 Data Quality | Daten | 2,61 | 1,11 | 2,00 | 1 | 5 | 0,66 |
| Q12 Data Governance | Daten | 2,73 | 1,03 | 3,00 | 1 | 5 | 0,62 |
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. Prüft 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
- Probst 2026, Tabelle 4 · Capturing AI's Potential: How Ready Are Organisations in the DACH Region? (2026). Tabelle 4 und Abbildung 4 – Mittelwerte und Standardabweichungen der sechs Dimensionen (Abschnitt 4.3). Stichprobe: n = 64 bereinigte Antworten, Deutschland und Schweiz · Skala: Reifeskala 1–5 · Grenzen: Selbsteinschätzung, explorativ, nicht repräsentativ.Probst, F. (2026). Capturing AI's Potential: How Ready Are Organisations in the DACH Region? An Empirical Analysis Using an Integrated TOE–DCT Framework. Master's thesis, University of St.Gallen, Institute of Information Systems and Digital Business. Supervisor: Prof. Dr. Ingrid Bauer-Hänsel; co-supervisor: Prof. Dr. Benjamin van Giffen. St. Gallen, 21 August 2026. Conducted in cooperation with Teklens.
- Probst 2026, Tabelle 5 · Capturing AI's Potential: How Ready Are Organisations in the DACH Region? (2026). Tabelle 5 und Abbildung 7 – Dimensionswerte je Profil (Abschnitt 4.4.2). Stichprobe: n = 64; Profile mit n = 12, 27 und 25 · Skala: Reifeskala 1–5 · Grenzen: Profile aus K-means auf denselben sechs Dimensionen; Unterschiede zwischen Profilen sind konstruktionsbedingt gross.Probst, F. (2026). Capturing AI's Potential: How Ready Are Organisations in the DACH Region? An Empirical Analysis Using an Integrated TOE–DCT Framework. Master's thesis, University of St.Gallen, Institute of Information Systems and Digital Business. Supervisor: Prof. Dr. Ingrid Bauer-Hänsel; co-supervisor: Prof. Dr. Benjamin van Giffen. St. Gallen, 21 August 2026. Conducted in cooperation with Teklens.
- Probst 2026, Anhang A · Capturing AI's Potential: How Ready Are Organisations in the DACH Region? (2026). Anhang A – Vollständiger Fragebogen (19 Fragen, fünf Stufen). Stichprobe: Instrument, keine Stichprobe · Skala: Reifeskala 1–5 · Grenzen: Sieben der 19 Fragen tragen nur Stufenbezeichnungen ohne ausformulierten Verhaltensanker.Probst, F. (2026). Capturing AI's Potential: How Ready Are Organisations in the DACH Region? An Empirical Analysis Using an Integrated TOE–DCT Framework. Master's thesis, University of St.Gallen, Institute of Information Systems and Digital Business. Supervisor: Prof. Dr. Ingrid Bauer-Hänsel; co-supervisor: Prof. Dr. Benjamin van Giffen. St. Gallen, 21 August 2026. Conducted in cooperation with Teklens.
- Probst 2026, Anhang B · Capturing AI's Potential: How Ready Are Organisations in the DACH Region? (2026). Anhang B – Mittelwert, Standardabweichung, Median, Minimum, Maximum und Item-Rest-Korrelation aller 19 Fragen. Stichprobe: n = 64 bereinigte Antworten, Deutschland und Schweiz · Skala: Reifeskala 1–5 · Grenzen: Selbsteinschätzung, explorativ, nicht repräsentativ.Probst, F. (2026). Capturing AI's Potential: How Ready Are Organisations in the DACH Region? An Empirical Analysis Using an Integrated TOE–DCT Framework. Master's thesis, University of St.Gallen, Institute of Information Systems and Digital Business. Supervisor: Prof. Dr. Ingrid Bauer-Hänsel; co-supervisor: Prof. Dr. Benjamin van Giffen. St. Gallen, 21 August 2026. Conducted in cooperation with Teklens.
- Probst 2026, Anhang C · Capturing AI's Potential: How Ready Are Organisations in the DACH Region? (2026). Anhang C – Einfaktorielle ANOVA und Tukey-HSD je Dimension. Stichprobe: n = 64 bereinigte Antworten, Deutschland und Schweiz · Skala: F-Werte, df (2, 61), p · Grenzen: Beschreibt die Trennschärfe der Cluster auf den Clustervariablen selbst; kein Hypothesentest.Probst, F. (2026). Capturing AI's Potential: How Ready Are Organisations in the DACH Region? An Empirical Analysis Using an Integrated TOE–DCT Framework. Master's thesis, University of St.Gallen, Institute of Information Systems and Digital Business. Supervisor: Prof. Dr. Ingrid Bauer-Hänsel; co-supervisor: Prof. Dr. Benjamin van Giffen. St. Gallen, 21 August 2026. Conducted in cooperation with Teklens.
- AI Monitor 2026, Europa · AI Monitor 2026 – europäische Umfrage, Rohexport (2026). Nachrechnung aus dem Rohexport vom 2026-08-19; dokumentiert im internen Redaktionsbrief vom 2026-08-18 (Nachträge). Stichprobe: n = 165 auswertbare Antworten, davon 106 mit demografischen Angaben; einzelne Fragen n = 163 · Skala: 1–5 je Frage, je Antwort auf 0–100 normalisiert · Grenzen: Selbsteinschätzung; kein Länderfeld im Export; Branche und Grösse nicht geprüft. Rollenvergleiche vergleichen verschiedene Personen, nicht dieselbe Organisation.Teklens (2026). AI Monitor 2026 – European survey on organisational AI readiness, raw export of 19 August 2026. Research partners: ETH Zürich and University of St.Gallen. Internal aggregate, published on teklens.ai/ai-monitor.