amnaj - stock.adobe.com
Wie generative KI die Datendemokratisierung vorantreibt
Vier von fünf Unternehmen werden laut Gartner bis 2026 in irgendeiner Form auf generative KI setzen. Mit dem richtigen Datenmanagement ergeben sich zahlreiche Möglichkeiten.
Sowohl Datenqualitätsmanagement als auch KI-gestützte Analytics und Machine Learning bleiben wichtige Technologietrends in der DACH-Region. Dies geht aus dem aktuellen Data, BI and Analytics Trend Monitor Report von BARC und Denodo hervor.
Demnach legen viele Unternehmen – allen voran Finanzeinrichtungen – viel Wert auf Automatisierung und qualitativ hochwertige Daten, die die Grundlage für Insights und Entscheidungen bilden. Daneben sind branchenführende Unternehmen große Verfechter von Datendemokratisierung sowie Self-Service Analytics, da es ihre Mitarbeitenden weniger abhängig von der IT und somit agiler macht – wichtige Eigenschaften, wenn es um die Entscheidungsfindung geht. Somit ist und bleibt KI das Top-Thema, wobei vor allem ein Dreamteam heraussticht: generative KI (GenAI) und logisches Datenmanagement.
Ein kleiner Schritt für eine KI, …
Für viele Unternehmen zählt die Einführung von GenAI-basierten Assistenten und Copiloten zu jenen Use Cases, mit denen sich schnell greifbare Ergebnisse erzielen lassen. In den meisten Fällen sorgt das vorrangig für ein bequemes und unkompliziertes Nutzererlebnis. Doch eher selten revolutionieren solche Assistenten komplexe Geschäftsprozesse und sorgen nur eingeschränkt für echte Entlastung. Im Bereich des logischen Datenmanagements sieht das schon ganz anders. Das Potenzial eines KI-Assistenten ist hier riesig.
Zur Erinnerung: Lange Zeit gingen Datenmanagement, -integration und -bereitstellung mit einem manuell sehr aufwendigen, fehleranfälligen Prozess einher. Wenn das Sales-Team zum Beispiel bestimmte Kundendaten brauchte, musste es eine Datenabfrage an das IT- beziehungsweise Data-Science-Team senden. Dann lag es an den Kollegen aus der Fachabteilung, diese Daten zu finden, zu replizieren, zu transformieren und zu analysieren, damit die Sales-Experten sie schließlich nutzen konnten.
Als ob das nicht schon mühsam und ineffizient genug ist, kommt nun erschwerend hinzu, dass sich immer mehr Daten und Systeme in der IT-Landschaft befinden und diese bewegen sich wiederum weiter weg vom ursprünglichen Unternehmensnetzwerk. Folglich entstehen zahlreiche Silos, auf die sich sämtliche Informationen verteilen. Hier wird Datenmanagement zu einer Herkulesaufgabe für IT- und Datenspezialisten.
… aber ein riesiger Sprung für das Datenmanagement
Beim logischen Datenmanagement hingegen, das im Kern auf Datenvirtualisierung aufbaut, sitzt eine semantische Schicht. Über diesen Single Point of Access können Anwender eigenständig zentral und in Echtzeit auf sämtliche Informationen zugreifen – unabhängig von Speicherumgebung und Format. Dieser Ansatz reduziert nicht nur die technische Komplexität, sondern schafft auch die Grundlage für ein konsistentes, sicheres und governance-konformes Datenökosystem, das sowohl Fachabteilungen als auch KI-Anwendungen nahtlos unterstützt.
Dafür ist die Unterstützung von Seiten des IT-Teams nicht mehr zwingend notwendig, was es bereits stark entlastet. Ein GenAI-Assistent, der ebenfalls Zugang zu dieser Schicht hat und über zahlreiche Funktionen verfügt, kann Daten noch komfortabler und effizienter demokratisieren. Statt SQL reicht natürliche Sprache aus, um eine Datenabfrage in Gang zu setzen. Jeder Nutzer kann sein Anliegen einfach eintippen; der Assistent wandelt es in die Datenbanksprache um, woraufhin die Plattform die gewünschten Inhalte automatisch heraussucht und die passende Antwort zusammenstellt.
Daneben kann der GenAI-Assistent sämtliche Daten bereits vorab an verschiedene Anwendungsfälle anpassen und anreichern. Auf Grundlage des Verhaltens vorheriger Nutzer, die bereits in der Vergangenheit mit bestimmten Datensätzen gearbeitet haben, kann der Assistent mögliche Transformationen empfehlen – er lernt immer mit. Darüber hinaus ist die Optimierung der Query Performance eine ebenso wichtige, jedoch schwer umzusetzende Aufgabe, die ein GenAI-Assistent unter Berücksichtigung des Budgets schnell und kosteneffizient ausführen kann.
Das volle Potenzial von KI-Projekten entfalten
Nicht nur die Nutzer von KI-Anwendungen, sondern auch Entwickler proprietärer Large Language Models (LLM) profitieren von einem effizienten logischen Datenmanagement. Dieser Meinung sind auch 72 Prozent der Unternehmen, die diese Prozesse laut McKinsey als Grundvoraussetzung für KI-Use-Cases betrachten. Allerdings ist dies mit einer entscheidenden Herausforderung verbunden.
Damit zum Beispiel ein System wie der GenAI-Assistent für ein Unternehmen von Nutzen sein kann, muss es auf die entsprechenden aktuellen Unternehmensinformationen sowie Kunden- und Produktdaten zugreifen können. Oftmals bleiben sie jedoch auf dem Stand der Daten stehen, mit denen sie trainiert wurden – eine inhärente Einschränkung, die zu inakkuraten, veralteten Ergebnissen und Halluzinationen führt. Nicht auszudenken, was passiert, wenn Führungskräfte ihre Entscheidungen auf solch lückenhaften Datensätzen stützen.
„In eine Datenmanagementplattform integriert unterstützt die KI-Technologie dabei, die Daten so effizient und nutzerfreundlich wie möglich zu demokratisieren, wodurch Teams wesentlich effizienter für ihre Arbeit relevantes Wissen gelangen.“
Jörg Hesske, Denodo
Eine Möglichkeit, das Modell aktuell zu halten, ist ein iterativer Ergänzungsprozess (Retraining). Nach und nach werden aktuelle Information manuell in das System gespeist. Dieses Vorgehen ist allerdings kostenintensiv, aufwendig und benötigt ein spezielles Skillset. Außerdem besteht das Risiko, dass kritische Daten im Falle eines Angriffs abfließen, wenn diese direkt in das Model eingebettet werden.
Die Verbindung aus logischem Datenmanagement und einer Retrieval-Augmented-Generation-Architektur (RAG) stellt eine gute Alternative dar. Anstatt das Modell nach und nach mit dem notwendigen Unternehmenswissen zu bestücken, ergänzt es die RAG-Architektur über zusätzliche Kontextfenster während des Prompt-Eingabe-Prozesses. Besonders effektiv ist dieses Zusammenspiel, wenn die zugrunde liegende Datenarchitektur Echtzeitzugriff über eine virtualisierte, semantische Schicht ermöglicht – eine Praxis, die sich zunehmend als Best Practice für skalierbare und sichere KI-Implementierungen etabliert. Durch diesen Zugriff kann das Sprachmodell kontextbezogene Informationen gezielt abrufen, um eine qualitativ hochwertige Antwort zu geben – ohne, dass das zugrundeliegende Modell verändert werden muss, was Sicherheit und Compliance ebenfalls zugutekommt.
Garbage in, garbage out – die Ergebnisse einer Datenverarbeitung ist nur so gut wie die Daten, die dafür verwendet werden. Daher überrascht es nicht, dass sich logisches Datenmanagement und GenAI gegenseitig bedingen. In eine Datenmanagementplattform integriert unterstützt die KI-Technologie dabei, die Daten so effizient und nutzerfreundlich wie möglich zu demokratisieren, wodurch Teams wesentlich effizienter für ihre Arbeit relevantes Wissen gelangen. Die IT-Abteilung kann sich derweil um andere wichtige Aufgaben kümmern. In Business-Sprache bedeutet das: weniger Ausgaben, mehr Innovationskraft sowie kürzere Time-to-Insight und Time-to-Market. Gleichzeitig braucht es ein gutes Datenmanagement, um eine GenAI-Anwendung mit qualitativ hochwertigen, aktuellen Daten zu füttern. Andernfalls bleiben Unternehmen trotz moderner KI-Implementierungen in der Zeit stehen.
Über den Autor:
Jörg Hesske ist Regional Vice President und General Manager EMEA Zentral & Osteuropa bei Denodo. Der gebürtige Münchner stieß im Januar 2025 zum führenden Datenmanagementexperten und verantwortet seitdem das Geschäft in der DACH-Region sowie in Osteuropa und unterstützt Kunden dabei, datenbezogene Herausforderungen ganz im Sinne der Vision von Denodo zu meistern. Insgesamt blickt Hesske auf mehr als 20 Jahre Erfahrung in der IT-Branche zurück, in denen er bereits verschiedene Führungspositionen innehatte. So war Jörg Hesske zuletzt Area Vice President für CEMEA bei Elastic, wo er mehr als fünf Jahre beschäftigt war. Davor war er unter anderem als Vice President Germany, Austria und Switzerland fünf Jahre bei NetApp tätig.
Die Autoren sind für den Inhalt und die Richtigkeit ihrer Beiträge selbst verantwortlich. Die dargelegten Meinungen geben die Ansichten der Autoren wieder.
