Datenhoheit

Datenhoheit hat drei Dimensionen: Erstens Wissenshoheit — die Organisation weiß, welche Daten existieren, wo sie gespeichert sind, in welchem Format und welcher Qualität. Diese Selbstkenntnis ist seltener als man denkt: In einer Studie von McKinsey (2024) wussten weniger als 40 Prozent der befragten mittelständischen Unternehmen genau, welche Datensysteme ihre operativen Prozesse stützen.

Zweitens Zugriffshoheit: Wer darf welche Daten zu welchem Zweck einsehen und nutzen? Klare Zugriffsrechte sind die Voraussetzung für DSGVO-Konformität, aber auch für operative Effizienz. Wenn jeder auf alles zugreifen kann, entsteht keine Sicherheit — aber auch keine Orientierung. Wenn niemand auf das Nötige zugreifen kann, entsteht Silodenken und Reibungsverlust.

Drittens Qualitätshoheit: Wer ist dafür verantwortlich, dass Daten vollständig, aktuell und korrekt sind? Datenqualität ist kein technisches Problem, das sich von selbst löst — sie ist Ergebnis bewusster Governance. Für KI-Anwendungen ist Qualitätshoheit besonders kritisch: Fehlerhafte Daten in KI-Systemen erzeugen fehlerhafte Outputs, die schwerer zu erkennen sind als offensichtliche menschliche Fehler.

Datensilos entstehen nicht durch technisches Versagen, sondern durch organisationales Versagen. Wenn Abteilungen separate Systeme ohne gemeinsame Standards betreiben, wenn Datendefinitionen zwischen Teams divergieren, wenn es keine übergreifende Daten-Governance gibt — dann sind Silos die logische Konsequenz. Technische Lösungen wie Data Warehouses oder Datenintegrations-Plattformen können Silos überbrücken, aber nicht auflösen.

Das Governance-Problem liegt darin, dass Silos oft Machtstrukturen widerspiegeln: Daten sind in vielen Organisationen Ressourcen, die Abteilungen hüten, weil sie ihnen Einfluss geben. Wer die Vertriebsdaten kontrolliert, kontrolliert die Vertriebsanalyse. Dieser Mechanismus ist rational auf Abteilungsebene und destruktiv auf Unternehmensebene.

Die Auflösung von Silos erfordert deshalb mehr als technische Integration — sie erfordert Governance-Entscheidungen auf Führungsebene: gemeinsame Datendefinitionen, übergreifende Verantwortlichkeiten und klare Regeln für den Datenaustausch. Ohne diese Entscheidungen wird technische Integration zu einer teuren Übung, die das Problem nicht löst, sondern verlagert.

Datensouveränität ist das Ziel hinter Datenhoheit: Eine Organisation, die ihre Daten nicht nur verwaltet, sondern aktiv als strategischen Hebel einsetzt. Der Weg dorthin beginnt mit einem Datensysteminventar — einer strukturierten Übersicht aller relevanten Datenquellen, Systeme und Flows. Dieser Schritt allein ist oft eine erhellende Übung, weil er sichtbar macht, was bisher implizit war.

Im zweiten Schritt werden Daten-Ownership-Strukturen definiert: Für jede Datenkategorie gibt es eine verantwortliche Rolle, die Qualität, Aktualität und Zugriffsmanagement verantwortet. Diese Data Stewards sind keine Techniker, sondern fachliche Verantwortliche, die den Business-Kontext ihrer Daten verstehen.

Der dritte Schritt ist die Integration von Datenhoheit in die KI-Strategie: Welche KI-Anwendungsfälle sind auf Basis der verfügbaren Datenlage realistisch? Welche Datenlücken müssen geschlossen werden, bevor bestimmte KI-Anwendungen sinnvoll sind? Diese Fragen verhindern, dass KI-Investitionen ins Leere laufen, weil die Datenbasis nicht trägt.