Data Governance für KI-Agenten: Warum KI-Projekte an schlechten Daten scheitern
Auf den Punkt
KI-Agenten scheitern selten am Modell, sondern an der Datenbasis: Gartner erwartet, dass 60% der KI-Projekte ohne AI-ready Data bis 2026 abgebrochen werden, MIT NANDA fand bei 95% der GenAI-Initiativen keinen ROI. Schweizer KMU müssen Data Governance als Vorbedingung behandeln – mit Audit, Bereinigung, Konsolidierung und einem Framework, das dem revDSG genügt.
Das Datenproblem hinter gescheiterten KI-Projekten
Wenn ein KI-Agent nicht liefert, liegt der Reflex nahe, das Modell zu wechseln. Die Zahlen zeigen ein anderes Bild: Das Problem sitzt fast immer eine Ebene tiefer, in der Datenbasis, auf der der Agent arbeitet. Gartner hat im Februar 2025 berechnet, wie gross dieses Problem tatsächlich ist – und die Prognose ist unbequem.
60%
der KI-Projekte ohne AI-ready Data werden laut Gartner (Februar 2025) bis 2026 abgebrochen
95%
der GenAI-Initiativen liefern laut MIT NANDA (Juli 2025) keinen messbaren ROI
42%
der Unternehmen haben laut S&P (2025) die meisten ihrer KI-Projekte abgebrochen – gegenüber 17% im Vorjahr
Gartner beziffert zudem, dass 63% der Organisationen schlicht nicht über das nötige Datenmanagement für KI verfügen. RAND kommt in einer Untersuchung von 2024 auf eine Fehlerquote von über 80% bei KI-Projekten generell. Die Streuung der Zahlen zwischen den Studien ist gross, die Richtung aber eindeutig: Die Mehrheit der KI-Vorhaben scheitert nicht an der Technologie, sondern an der Vorbereitung.
Warum nicht das Modell scheitert, sondern die Datenbasis
Analysiert man gescheiterte KI-Agenten-Projekte im Detail, wiederholen sich drei Muster – unabhängig von Branche oder Modellanbieter. Wer diese Muster kennt, kann sie vermeiden, bevor sie zum teuren Pilotprojekt-Grab werden. Wie der Übergang von der Pilot-Falle in den produktiven Betrieb gelingt, haben wir in einem eigenen Beitrag zur Skalierung von KI-Agenten in Schweizer KMU im Detail beschrieben.
- Fehlende Datenreife: uneinheitliche Formate, verstreute Quellen, fehlende oder veraltete Metadaten
- Fehlende Workflow-Integration: der Agent erhält Daten, die nicht mit den tatsächlichen Geschäftsprozessen verknüpft sind
- Fehlendes Zielbild: das Projekt startet ohne klar definierten, messbaren Geschäftsoutcome
Was AI-ready Data für KI-Agenten konkret bedeutet
AI-ready bedeutet mehr als saubere Excel-Tabellen. Für autonom handelnde KI-Agenten – die Entscheidungen treffen, Systeme ansteuern und mit Kunden oder Mitarbeitenden interagieren – gelten höhere Anforderungen als für klassische Analytics. Aus der Praxis führender Datenplattform-Anbieter lassen sich fünf Mindestanforderungen ableiten, die für Schweizer KMU handlungsleitend sind.
- Fairness und Bias-Kontrolle in den zugrundeliegenden Datensätzen, bevor ein Agent Entscheidungen automatisiert
- Einheitlicher, rollenbasierter Datenzugriff statt verstreuter Silos pro Abteilung
- Integration der Datenqualität in den gesamten Lebenszyklus – nicht nur einmalig beim Projektstart
- Konsistente Metadatenstandards, damit Agenten Kontext korrekt interpretieren können
- Aufgabenspezifische Datenanforderungen, klar abgegrenzt auf die jeweilige Geschäftseinheit
Der Schweizer Compliance-Rahmen: revDSG und KI-Agenten
Die Schweiz hat kein eigenständiges KI-Gesetz nach europäischem Vorbild. Das revidierte Datenschutzgesetz (revDSG) bleibt jedoch der zentrale Rechtsrahmen, sobald KI-Agenten mit Personendaten arbeiten oder automatisiert Entscheidungen treffen. Art. 21 revDSG verpflichtet Unternehmen, betroffene Personen über automatisierte Einzelentscheidungen zu informieren und ihnen die Möglichkeit zu geben, eine menschliche Überprüfung zu verlangen.
Art. 21 revDSG früh mitdenken
Wer KI-Agenten für Entscheidungsprozesse einsetzt – etwa in der Kreditprüfung, im HR-Screening oder in der Kundenkommunikation – muss Transparenz- und Widerspruchsmechanismen von Beginn an im Governance-Framework verankern, nicht nachträglich aufsetzen. Der Eidgenössische Datenschutz- und Öffentlichkeitsbeauftragte (EDÖB) hat hierzu ergänzende Hinweise veröffentlicht.
Der Fahrplan: Vom Daten-Audit zum Governance-Framework in 12 Wochen
Gartner empfiehlt fünf Schritte für datenreife KI-Vorhaben: Ausrichtung auf konkrete Use Cases, Aufbau einer Governance-Struktur, konsequentes Metadatenmanagement, verlässliche Datenpipelines und kontinuierliche Qualitätssicherung. Für Schweizer KMU lässt sich daraus ein pragmatischer 12-Wochen-Fahrplan ableiten, der Theorie in Umsetzung übersetzt.
- Wochen 1-3 – Data Audit: Bestandsaufnahme aller relevanten Datenquellen, Qualitätsbewertung, Identifikation kritischer Lücken
- Wochen 4-7 – Bereinigung: Korrektur, Deduplizierung und Standardisierung der für den Agenten-Einsatz priorisierten Datensätze
- Wochen 8-10 – Konsolidierung: Zusammenführung in eine einheitliche, zugriffskontrollierte Struktur mit konsistenten Metadaten
- Wochen 11-12 – Governance-Framework: Rollen, Verantwortlichkeiten, Eskalationswege und kontinuierliche Qualitätssicherung festlegen
Das Governance-Framework ist kein einmaliges Dokument, sondern ein lebendiges System aus Rollen, Prozessen und Kontrollpunkten. Wer an dieser Stelle auch die Wahl des richtigen Agenten-Anbieters mitdenkt, findet in unserem Evaluationsrahmen für KI-Agenten-Anbieter konkrete Kriterien, die Datenanforderungen und Governance-Fähigkeit des Anbieters direkt mitprüfen.
Governance ist Chefsache, nicht nur IT-Aufgabe
Der grösste Fehler bei Data-Governance-Initiativen ist, sie an die IT-Abteilung zu delegieren und dort zu belassen. Data Governance für KI-Agenten betrifft Geschäftsprozesse, Haftungsfragen und strategische Prioritäten – Themen, die auf Geschäftsleitungsebene entschieden werden müssen. Wie Mittelständler KI wirklich als Führungsthema verankern, diskutiert der Schweizer KI-Podcast zur Verankerung von KI als Chefsache sehr konkret.
Diese Erkenntnis deckt sich mit einem Muster, das wir bei Schweizer KMU regelmässig beobachten: Viele Unternehmen bleiben bei der KI-Adoption in einer frühen Phase stecken, obwohl sie technisch längst experimentieren. Die Gründe dafür und wie sich dieses Muster durchbrechen lässt, haben wir im Beitrag zum Paradox der KI-Adoption bei Schweizer KMU eingeordnet.
Die Schweizer Chance: Förderung für Datenreife nutzen
Data-Governance-Initiativen erfordern Investitionen in Zeit und Personal – ein Grund, warum viele KMU zögern. In der Schweiz existieren dafür konkrete Unterstützungsangebote: Die European Digital Innovation Hubs (EDIHs) bieten Beratung zur digitalen und KI-Reife, das Swiss AI Centre bündelt akademische Expertise für angewandte KI-Projekte, und Innosuisse fördert innovationsnahe Vorhaben, zu denen auch Datenreife-Initiativen zählen können. Wer diese Kanäle kennt, senkt die Einstiegshürde für ein sauberes Data-Governance-Fundament erheblich.
Der pragmatische erste Schritt
Beginne nicht mit einem unternehmensweiten Governance-Programm, sondern mit einem Daten-Audit für genau den einen Use Case, den dein erster KI-Agent bearbeiten soll. Ein enger, klar abgegrenzter Scope liefert schneller belastbare Ergebnisse als ein breit angelegtes, aber unfokussiertes Vorhaben.
Häufige Fragen
- Was bedeutet Data Governance im Kontext von KI-Agenten konkret?
- Data Governance für KI-Agenten umfasst klare Regeln für Datenqualität, Zugriffsrechte, Metadatenstandards und Verantwortlichkeiten entlang des gesamten Lebenszyklus der Daten, die ein Agent für Entscheidungen und Handlungen nutzt – nicht nur einmalige Datenbereinigung vor dem Projektstart.
- Warum scheitern so viele KI-Projekte an der Datenbasis statt am Modell?
- Studien von Gartner, MIT NANDA, S&P und RAND zeigen übereinstimmend Fehlermuster, die in Datenreife-Lücken, mangelhafter Workflow-Integration und undefinierten Geschäftszielen wurzeln – nicht in der Modell-Leistungsfähigkeit. Das Modell ist typischerweise das Letzte, was scheitert, nicht das Erste.
- Wie beeinflusst das revDSG den Einsatz von KI-Agenten in der Schweiz?
- Art. 21 revDSG verpflichtet Unternehmen zur Transparenz bei automatisierten Einzelentscheidungen und zur Möglichkeit menschlicher Überprüfung. Da die Schweiz kein eigenständiges KI-Gesetz hat, bleibt das revDSG zusammen mit den Hinweisen des EDÖB der zentrale Compliance-Rahmen für KI-Agenten, die mit Personendaten arbeiten.
- Wie lange dauert der Aufbau eines Data-Governance-Frameworks für KI-Agenten?
- Ein pragmatischer Fahrplan lässt sich in rund 12 Wochen umsetzen, mit klaren Phasen für Daten-Audit, Bereinigung, Konsolidierung und die Etablierung des Governance-Frameworks mit definierten Rollen und laufender Qualitätssicherung.
- Welche Förderung gibt es für Schweizer KMU bei der Datenreife-Vorbereitung?
- Schweizer KMU können auf die European Digital Innovation Hubs (EDIHs) für Beratung, das Swiss AI Centre für akademische Expertise und Innosuisse-Förderprogramme für innovationsnahe Vorhaben zurückgreifen, um Datenreife-Initiativen finanziell und fachlich zu unterstützen.
Quellen
Möchten Sie dieses Thema für Ihr Unternehmen vertiefen?
Kapazität prüfen