Enterprise Information Management: Warum schlechte Daten KI-Projekte killen

Auf dem EIM-Tag in Köln stand nicht die nächste Produktdemo im Mittelpunkt, sondern die Frage, woran Enterprise Information Management (EIM) in Unternehmen derzeit hängt. Drei zentrale Themen zogen sich durch die Vorträge: gewachsene Datenlandschaften, schwer automatisierbare Dokumentenprozesse und organisatorische Hürden bei Governance und Security. Die Referenten beschrieben KI in den gezeigten Projekten nicht als isoliertes Werkzeug, sondern als Teil eines Betriebsmodells.

Selfservice in Fachbereichen – also der direkte Zugriff von Fachabteilungen auf Daten – zog sich als Thema durch mehrere Vorträge. Mehr Werkzeuge allein lösen das Problem nicht. Entscheidend ist, dass Daten in einer gemeinsamen, kuratierten Umgebung vorliegen und Unternehmen ihre Plattformgrenzen klar definieren.

Vonovia benannte die Herausforderung gewachsener Datenlandschaften, während SEW auf die Bedeutung einer transparenten Plattformstrategie und konsistenter Leitlinien verwies. Je mehr Fachbereiche selbst mit Daten arbeiten, desto stärker wächst der Bedarf an klaren Zuständigkeiten und einem tragfähigen Betriebsmodell.

Die IBM-Keynote brachte das Problem auf den Punkt: „Wenn ich eine Datenbasis habe, die Schrott ist, dann kann ich nicht ordentlich KI einsetzen mit meinen Unternehmensdaten.“ Diese Aussage relativiert die Erwartung, dass der Mehrwert vor allem aus dem Modell selbst entsteht.

Mercedes-Benz erläuterte das Problem aus operativer Perspektive ähnlich: Daten liegen zwar vor, bleiben aber ungenutzt, weil der fachliche Kontext fehlt, den KI zum Arbeiten braucht.

Für viele Anwendungsfälle reicht es nicht, Daten lediglich vorzuhalten. Sie benötigen zusätzlich eine fachliche Beschreibung, sinnvolle Verknüpfungen und eine Aufbereitung, die Systeme maschinell verarbeiten. Drei Punkte bilden dabei den Kern von KI-Readiness, also der Frage, ob sich Daten überhaupt für den KI-Einsatz eignen:

• Identifikatoren
  eindeutige Kennungen für Datensätze und Dokumente
• Metadaten
  konsistente, fachlich beschriebene Zusatzinformationen
• Infrastruktur
  eine zum jeweiligen Einsatzszenario passende technische Basis

Diese drei Bausteine entscheiden darüber, ob Firmen Pilotprojekte in den produktiven Betrieb überführen. Fehlt einer davon, bleiben KI-Anwendungen isolierte Insellösungen ohne Anschluss an bestehende Systeme.

Die Praxisberichte zeigten unabhängig voneinander dasselbe Muster: Dokumente bleiben in durchgängigen Prozessen oft der Punkt, an dem sich fachliche Komplexität und manueller Aufwand bündeln.

Die NürnbergMesse verdeutlichte das am Beispiel fachlich anspruchsvoller Prüfungen: Eine beliebige Gewerbeanmeldung reicht oft nicht aus. Entscheidend ist, ob die Tätigkeit inhaltlich zum Produktspektrum einer konkreten Messe passt – genau dieser fachliche Bezug macht die Prüfung komplex.

DFKP bezifferte die Heterogenität dokumentenbasierter Verarbeitung mit mehreren tausend Dokumenten pro Woche und rund 200 Dokumentenklassen, die intern noch einmal stark variieren. Das erklärt, warum reine Feldextraktion – also das automatisierte Auslesen einzelner Datenfelder aus Dokumenten – in solchen Umgebungen schnell an Grenzen stößt.

Deka Immobilien präsentierte demgegenüber einen pragmatischen Projektverlauf: Workshops, die Entwicklung eines Metadatenmodells, Prototypen und iteratives Nachschärfen. Belastbare Lösungen entstehen offenbar eher aus engen Lernzyklen als aus einem vollständig vorgeplanten Zielbild.

Deutlich wurde dabei: Der Nutzen von KI-gestützter Dokumentenverarbeitung hängt nicht von der Extraktion einzelner Felder ab, sondern von der Orchestrierung des gesamten Prozesses. DFKP fasste das knapp zusammen: Nötig sind Ende-zu-Ende-Orchestrierung, Klassifikation, Extraktion und Feedback-Mechanismen. Eine reine Demo-Lösung reicht dafür nicht aus.

Ein Praxisbeispiel der NürnbergMesse zeigt, wie das im Betrieb aussieht: Nach Klassifikation und Extraktion folgt eine Nachbearbeitungsoberfläche, sobald das System keine ausreichend verlässliche Antwort liefert. Nur Fälle mit hoher Sicherheit laufen ohne manuelle Nachkontrolle weiter.

Der entscheidende Punkt liegt weniger in der Oberfläche als in der dahinterliegenden Logik: Wirtschaftlich wird Automatisierung erst dann, wenn Unternehmen Fehlerpfade, Monitoring und Rückmeldungen aus dem Betrieb von Beginn an mitdenken.

Der EIM-Tag beließ es nicht bei technischen Fragen – auch die Wirtschaftlichkeit von KI-Vorhaben stand in mehreren Vorträgen und Diskussionsrunden im Mittelpunkt.

IBM verwies mit Bezug auf eine Deloitte-Studie darauf, dass nur zehn Prozent der Unternehmen mit agentischer KI aktuell einen echten Return on Investment erzielen. Die Aussage zielt weniger auf eine Abwertung von KI als auf ein methodisches Problem: Viele Projekte starten ohne belastbare Kriterien für den späteren Nutzen. Konkretere Zahlen lieferte ein DFKP-Projekt mit Buildsimple:

• Bearbeitungszeit
  Rückgang von 30 bis 35 Minuten auf zwei Minuten
• Fehlerquote
  Senkung um 60 Prozent im Vergleich mit dem alten Prozess
• Durchsatz
  Verdreifachung bei gleicher Personalstärke

Solche Angaben bleiben an den jeweiligen Anwendungsfall gebunden. Sie zeigen aber, woran Unternehmen den Erfolg von KI-Projekten im Betrieb messen sollten: an Vorher-Nachher-Werten statt an abstrakten Effizienzversprechen.

Firmen dürfen Governance, Löschlogiken und Security nicht länger als Randthemen behandeln – das zeigte sich auf dem EIM-Tag wiederholt.

Die HUK-Coburg verwies auf die Anforderungen einer DSGVO-konformen Löschsystematik: Sie muss nachweisbar, sicher und transparent sein, zugleich müssen die Unternehmen Aufbewahrungsfristen berücksichtigen. Damit beschrieb die HUK-Coburg kein Spezialthema, sondern eine Grundbedingung für den skalierbaren Betrieb.

IBM hob zusätzlich zwei zentrale Risiken hervor: Prompt Injection – gezielt manipulierte Eingaben, die ein KI-System zu unerwünschtem Verhalten verleiten – und Data Leakage, wobei sensible Daten unbeabsichtigt über die KI-Anwendung nach außen gelangen.

Beide Risiken verband das Unternehmen mit regulatorischer Compliance und Risikomanagement. Der Blick auf KI-Security verschiebt sich damit von einer rein technischen Einzeldisziplin hin zu einem ganzheitlichen Ansatz aus Use-Case-Transparenz, Testregimen, organisatorischer Verantwortung und Schulung.

Ein weiterer Befund des EIM-Tags: Dokumentenlogistik skaliert nicht beliebig über immer neue Speziallösungen für jeden einzelnen Fachbereich. Stattdessen beschrieben mehrere Referenten, wie sie aus einzelnen Projekten wiederverwendbare Bausteine entwickeln.

Die Berliner Wasserbetriebe illustrierten diesen Übergang am Beispiel des Genehmigungsmanagements: Nicht jeder Aktentyp und jeder Fachbereich braucht ein neues, aufwendiges Projektvorgehen – stärkere Standardisierung und strategische Entscheidungen ermöglichen schnellere Roll-outs.

DATEV dokumentierte einen ähnlichen Wandel weg von heterogenen Systemlandschaften und Eigenentwicklungen hin zu Produktstandards und Plattformdenken. MTU demonstrierte dieselbe Logik auf Workflow-Ebene; Lufthansa Technik zeigte sie beim Nebeneinander von regelbasierter Extraktion und Verfahren mit Large Language Models (LLM).

Statt einer Leistungsschau neuer KI-Werkzeuge zeigte die Veranstaltung vor allem, woran Informationsmanagement in Unternehmen häufig scheitert: an fehlendem Kontext, heterogenen Dokumenten, unklaren Messgrößen und mangelnder Governance.

Der EIM-Tag machte klar: Der Nutzen von KI entsteht in den gezeigten Projekten nicht automatisch aus dem Modell. Er entwickelt sich, wenn Unternehmen Daten, Dokumente und Prozesse so strukturieren, dass sich aus einzelnen Pilotprojekten belastbare Betriebsmodelle entwickeln.

Die Beobachtungen des EIM-Tags ergeben sieben konkrete Prüffragen für eigene EIM- oder KI-Projekte. Unternehmen sollten sich vor dem Start folgende Fragen stellen:

• Datenbasis: Liegen eindeutige Identifikatoren, konsistente Metadaten und eine passende Infrastruktur vor, bevor ein KI-Projekt startet?
• Zuständigkeiten: Ist geklärt, wer Plattformgrenzen definiert, wenn Fachbereiche selbstständig mit Daten arbeiten?
• Fehlerpfade: Existiert eine Nachbearbeitungslogik für Fälle, in denen die KI keine verlässliche Antwort liefert?
• Kennzahlen: Messen Sie Bearbeitungszeit, Fehlerquote und Durchsatz von Projektbeginn an, statt den Nutzen erst im Nachhinein zu belegen?
• Governance: Sind Löschfristen, Aufbewahrungspflichten sowie Risiken wie Prompt Injection und Data Leakage vor dem produktiven Einsatz geregelt?
• Skalierbarkeit: Lässt sich die Lösung als wiederverwendbarer Baustein für weitere Fachbereiche einsetzen – oder bleibt sie eine Insellösung?
• Lernzyklen: Ist das Projekt so aufgesetzt, dass sich Annahmen in kleinen Schritten überprüfen und korrigieren lassen?

Wer diese Fragen vor dem Projektstart beantwortet, reduziert das Risiko, in die auf dem EIM-Tag beschriebenen Fallstricke zu geraten: fehlender Datenkontext, unklare Zuständigkeiten und nur schwer nachträglich schließbare Governance-Lücken.