Warum an einem Data Lakehouse in der KI-Transformation kein Weg vorbeiführt

Kaum ein Unternehmen, das nicht gerade an einem KI-Projekt arbeitet. Ein Chatbot für den Kundenservice, ein Copilot für die Vertriebsplanung, ein Assistent, der Berichte automatisch zusammenfasst. Und kaum ein Unternehmen, in dem nicht mindestens eines dieser Projekte in der Pilotphase steckenbleibt.

Das überrascht auf den ersten Blick, folgt aber einer einfachen Beobachtung aus der Praxis: Eine KI ist immer nur so gut wie das, was sie zu sehen bekommt. Und in den meisten Unternehmen sieht sie zu wenig, zu Verstreutes oder schlicht Falsches.

Der stille Flaschenhals: Warum KI-Projekte an der Datenbasis scheitern

In den meisten mittelständischen Unternehmen liegen die relevanten Informationen nicht in einem System, sondern verteilt über ein Dutzend: das ERP für Aufträge und Bestände, das CRM für Kundenkontakte, Sensordaten aus der Produktion, dazu Excel-Listen, die seit Jahren als inoffizielle Wahrheit kursieren. Jedes dieser Systeme ist für seinen eigenen Zweck gut geeignet. Keines davon war je dafür gedacht, eine KI mit einer konsistenten, vollständigen Sicht auf das Unternehmen zu versorgen.

Eine aktuelle Erhebung des Marketing Tech Lab unter Marketingverantwortlichen im DACH-Raum bestätigt dieses Muster: 58 Prozent nennen die mangelnde Kombinierbarkeit ihrer Daten als größte Hürde, gleichzeitig stufen nur 6 Prozent ihre Kundendaten als wirklich hochwertig ein. Das eigentliche Problem ist also selten der fehlende Datenbestand, Unternehmen sitzen in der Regel auf sehr viel Daten. Das Problem ist, dass diese Daten nirgendwo systematisch zusammenlaufen, geschweige denn in einer Qualität vorliegen, die für automatisierte Entscheidungen taugt.

Genau hier liegt die eigentliche Gefahr der KI-Transformation: Ein Modell, das auf unvollständigen oder widersprüchlichen Daten arbeitet, liefert nicht einfach schlechtere Ergebnisse. Es liefert überzeugend klingende, aber falsche Ergebnisse und das in einer Geschwindigkeit und einem Maßstab, die kein einzelner Mitarbeiter je erreichen würde. KI skaliert nicht nur Produktivität. Sie skaliert auch Fehler.

Vom Datenfriedhof zur verwertbaren Quelle: Was ein Data Lakehouse leistet

Ein Data Lakehouse löst dieses Problem nicht, indem es ein weiteres System hinzufügt, sondern indem es die vorhandenen Systeme an einer zentralen Stelle zusammenführt. Roh, unverändert, ohne dass die Vorsysteme dafür angepasst werden müssen. Von dort aus durchlaufen die Daten mehrere Veredelungsstufen, die sich in der Praxis als Bronze-, Silver- und Gold-Schicht etabliert haben:

In der Bronze-Schicht landen die Rohdaten unverändert, exakt so, wie sie aus ERP, CRM oder Maschinensteuerung kommen. Das schafft ein vollständiges, jederzeit nachvollziehbares Archiv. In der Silber-Schicht werden sie bereinigt, dedupliziert und über Systemgrenzen hinweg miteinander verknüpft: Aus einer Kundennummer im CRM und einer Debitorennummer im ERP wird ein einheitlicher Kunde. In der Gold-Schicht schließlich entstehen fachlich veredelte, konsumfertige Datenprodukte, ein Umsatz, der in jedem Bericht dieselbe Zahl ergibt, ein Kunde, dessen Gesamtbild überall gleich aussieht.

Der Unterschied zu einem klassischen Data Warehouse liegt in der Offenheit dieser Architektur: Ein Lakehouse verlangt nicht, dass jede Datenquelle vorab in ein starres Schema gepresst wird. Es nimmt auch unstrukturierte Daten auf, Maschinenprotokolle, Freitext aus Support-Tickets, Dokumente und macht sie im Zuge der Veredelung nutzbar. Genau diese Flexibilität macht es zur passenden Grundlage für KI-Anwendungen, die weit über klassische Kennzahlen hinausgehen.

Drei Konsumenten, eine Wahrheit

Am Ende dieser Veredelungskette stehen in den meisten Unternehmen drei ganz unterschiedliche Verbraucher und genau hier zeigt sich, warum eine gemeinsame Datenbasis kein Nice-to-have, sondern die eigentliche Pointe ist.

Ein Chatbot, dem man ungefilterten Zugriff auf verteilte Rohdaten gibt, ist kein Produktivitätsgewinn, sondern ein Kontroll- und Compliance-Risiko: Er kann veraltete Zahlen ausspielen, Berechtigungsgrenzen verwischen oder schlicht das Falsche für das Richtige halten. Alle drei Kanäle greifen im Idealfall auf dieselbe Gold-Schicht zu. Das ist der eigentliche Wert eines Lakehouse: nicht drei separate Wahrheiten für drei Abteilungen, sondern eine gemeinsame Wahrheit, die überall gleich aussieht.

Der Business Case: Warum jetzt

Der Zeitpunkt ist kein Zufall. Laut einer Bitkom-Erhebung vom Februar 2026 hat sich der Anteil der Unternehmen, die KI bereits aktiv einsetzen, gegenüber dem Vorjahr verdoppelt. Allerdings mit einem deutlichen Gefälle nach Unternehmensgröße: Während Unternehmen mit mehr als 250 Mitarbeitenden zu 58 Prozent aktiv KI nutzen, liegt dieser Anteil bei Unternehmen zwischen 20 und 99 Mitarbeitenden bei nur 32 Prozent. Diese Lücke ist selten eine Frage des Budgets für KI-Lizenzen. Sie ist eine Frage der Dateninfrastruktur, die im Mittelstand oft historisch gewachsen und selten für den KI-Einsatz vorbereitet ist.

Wer jetzt noch ohne konsolidierte, veredelte Datenbasis in produktive KI-Anwendungen startet, baut auf Sand. Wer die Lakehouse-Grundlage frühzeitig schafft, verschafft sich einen Vorsprung, der sich mit jedem weiteren KI-Anwendungsfall auszahlt, weil die eigentliche Integrationsarbeit dann bereits erledigt ist.

Fazit

KI-Transformation wird häufig als Frage der richtigen Modelle oder Tools verhandelt. Die eigentliche Weichenstellung liegt aber eine Ebene tiefer: In einer Datenarchitektur, die aus verstreuten Rohdaten eine verlässliche, governance-konforme Quelle macht. Ein Data Lakehouse ist dafür kein Selbstzweck, sondern die Voraussetzung dafür, dass BI-Reporting, Unternehmensplanung und KI-Chatbots überhaupt auf demselben, vertrauenswürdigen Fundament stehen können. Wer hier investiert, investiert nicht in ein weiteres IT-Projekt, sondern in die Grundlage, auf der jede zukünftige KI-Initiative erst funktionieren kann.