Die Lücke zwischen KI-Ambition und KI-Bereitschaft

An Ambitionen mangelt es in Bezug auf KI wahrlich nicht. Sie zeigen sich in jeder Vorstandssitzung, in jedem Strategiedokument und in jedem Budgetzyklus, in dem KI keine Neuheit mehr ist, sondern ein fester Posten mit konkreten Erwartungen. Dennoch setzen nur die wenigsten Unternehmen KI tatsächlich auf eine konsistente, reproduzierbare Weise um, die an verlässliche Geschäftsergebnisse geknüpft ist.

Das Problem mit der Bereitschaft ist, dass wir sie meist wie einen Meilenstein behandeln: etwas, das man erreicht und dann abhakt. In der Realität bewährt sie sich jedoch erst, wenn Systeme kontinuierlich laufen müssen, wenn Daten fließen, Modelle gefüttert werden und die Governance standhalten muss – und wenn plötzlich alles, was in einem Piloten sauber und organisiert aussah, im großen Maßstab funktionieren muss.

Als Branche sagen wir immer wieder, Unternehmen würden sich „auf KI vorbereiten“, aber ein genauerer Blick legt nahe, dass genau dieselben Diskussionen zur Datenaufbereitung geführt werden wie vor einem Jahrzehnt – nur mit besseren Tools, mehr Rechenleistung und deutlich höheren Erwartungen.

KI-Bereitschaft ist der Elefant im Raum

Wenn wir über „KI-Bereitschaft“ (AI Readiness) sprechen, meinen wir damit nicht alle dasselbe. In den meisten Fällen ist dies zu einem Schlagwort geworden, das in Marketingpräsentationen und Strategiegesprächen an die Wand geworfen wird – etwas, das nach einem Meilenstein klingt, den man erreichen kann, wenn man nur die richtige Plattform kauft oder genügend Daten an den richtigen Ort bewegt. Aber so läuft es in realen Umgebungen eben nicht ab. Was als Bereitschaft bezeichnet wird, ist oft nur Vorbereitung. Und selbst das ist noch großzügig formuliert.

Erinnern Sie sich an „Big Data“? Vielfalt, Geschwindigkeit (Velocity) und Volumen waren die drei großen V, über die wir sprachen, und die Branche hat sich jahrelang damit beschäftigt, Systeme zu entwickeln, die all das bewältigen: mehr Daten, schnellere Daten, mehr Datentypen. Einige dieser Verhaltensweisen haben wir beibehalten, weil Unternehmen nach wie vor auf ihr Datenvolumen als Beweis für ihre Expertise verweisen.

Wie wir jedoch gelernt haben, spielt das alles keine Rolle, wenn den Daten selbst nicht getraut werden kann oder sie nicht genutzt werden können. Daten sind fragmentiert, inkonsistent und in vielen Fällen weder strukturiert noch so geregelt, dass sie nutzbar sind – laut Forbes mangelt es 40 % der Unternehmen an Vertrauen in die Ein- und Ausgaben ihrer eigenen KI-Modelle. Fragmentierte Daten befähigen KI also nicht etwa, sondern bergen Risiken: Wenn die Daten falsch sind, behebt die KI das nicht, sondern skaliert den Fehler nur. Finanzdienstleister kennen dieses Problem besser als die meisten anderen Branchen; Datenqualität und -fragmentierung werden dort als größte Hürde für den KI-Einsatz genannt.

Unternehmen setzen den Kauf einer Plattform mit der Bereitschaft zu ihrer Nutzung gleich, weil die Beschaffung einfach ist. Die Art und Weise zu ändern, wie Menschen arbeiten, wie Entscheidungen getroffen werden und wie Daten geregelt werden, ist jedoch das, was wirklich schwerfällt – und hier muss nach wie vor die meiste Arbeit geleistet werden. Wenn das Unternehmen sich nicht einig ist, was es zu tun versucht und warum, spielt die Technologie keine Rolle.

Wenn wir also von „KI-Bereitschaft“ sprechen, worüber reden wir dann eigentlich?

Wenn Bereitschaft lediglich bedeutet, dass Sie Daten eingelesen, eine Plattform bereitgestellt und ein Pilotprojekt gestartet haben, liegt die Messlatte viel zu niedrig. Das erklärt auch, warum so viele Initiativen ins Stocken geraten, sobald sie versuchen, über diese Phase hinauszugehen.

Pipelines, Daten und Plattformen – herrje!

Pipelines werden gebaut, Daten eingelesen und Plattformen bereitgestellt. Auf dem Papier sieht alles richtig aus. Das tut es auf dem Whiteboard schließlich immer. Aber wenn es an der Zeit ist, über das Pilotprojekt hinauszugehen und die Umsetzung zu starten, beginnen Dinge auf eine Weise zu haken oder ins Stocken zu geraten, die schwer zu diagnostizieren ist, weil technisch gesehen nichts „versagt“.

So sehen viele KI-Bemühungen heute aus, und die Forschung bestätigt dies immer wieder so, dass es nicht länger ignoriert werden kann. Einer Untersuchung von Hitachi Vantara und FSTech zufolge ist Objektspeicher im Finanzsektor bereits fest in die KI- und Analysestrategien integriert; 43 % der Unternehmen stellen ihn in das Zentrum ihrer Aktivitäten. Oberflächlich betrachtet klingt das nach Fortschritt, aber unter der Haube wenden mehr als Hälfte dieser Unternehmen solche Strategien nach wie vor selektiv an und unterstützen einzelne Workloads anstatt als einheitliches Datenfundament zu agieren. Die Teile sind zwar vorhanden, aber sie arbeiten nicht so zusammen, dass eine echte Umsetzung unterstützt wird.

Gleichzeitig nennen 65 % der Unternehmen die Kosten von Speicherplattformen nach wie vor als den wichtigsten Faktor bei der Auswahl – was total sinnvoll war, als es beim Speicher in erster Linie um Vorhaltung und Skalierung ging. Heute ist das jedoch ein Problem, wenn von denselben Plattformen erwartet wird, dass sie aktive KI-Workloads unterstützen, da Zugänglichkeit, Integration, Metadaten und Governance mindestens ebenso stark ins Gewicht fallen wie die Kapazität.

Die Falle bei der Speicherbereitschaft

Die Kluft zwischen Ambition und Bereitschaft ist nicht einfach nur ein einzelner Fehlerpunkt. Sie entsteht durch die Anhäufung von Entscheidungen, die für sich genommen sinnvoll waren, aber nicht standhalten, wenn das System als Ganzes funktionieren muss. Finanzell investieren Unternehmen in Tools und Plattformen, die Beschleunigung versprechen, investieren jedoch zu wenig in das zugrundeliegende Datenfundament, von dem diese Tools abhängen. Möglicherweise messen viele Unternehmen auch die falschen Erfolgsformen; Führungskräfte der Harvard Business School empfehlen stattdessen Messungen der schrittweisen KI-Einführung als Erfolgssignal, anstatt einen Wandel über Nacht zu erwarten. An diesen Stellen kann das Problem auftreten:

• Architektur: Hybride Umgebungen sind zum Standard geworden, was die Realitäten des Finanzsektors widerspiegelt, in dem Datensouveränität, regulatorische Kontrolle und Skalierbarkeit koexistieren müssen. Dieselben Umgebungen bringen jedoch eine Komplexität in Bezug auf Datenverschiebung, Latenz und Konsistenz mit sich, die man leicht unterschätzt, bis sie zu dem Faktor wird, der alles ausbremst.
• Betrieb: Daten sind im Überfluss vorhanden, aber oft fragmentiert, dupliziert oder schwer zugänglich für die Wiederverwendung. Dies führt dazu, dass Pipelines für jeden neuen Anwendungsfall neu gebaut werden, anstatt als Teil eines kontinuierlichen Systems zu dienen.
• Governance: Kontrollen werden oft nachträglich eingeführt. Das schützt zwar die Daten, kann sie aber auch schwerer nutzbar machen – insbesondere, wenn die Richtlinien über verschiedene Umgebungen hinweg inkonsistent sind oder manuelle Eingriffe erfordern.
• Organisation: Die Verantwortlichkeiten sind auf Teams verteilt, die nicht immer an einem Strang ziehen. Das bedeutet, dass das System selbst diese Fragmentierung widerspiegelt, selbst wenn das Ziel eigentlich eine kohärente, kollaborative Lösung ist.

An diesem Punkt beginnt Speicher – der fast nie das Erste ist, worauf jemand schaut, wenn KI-Initiativen ins Stocken geraten – Teil des Problems zu werden, weil die Aufgabe, für die er konzipiert wurde, nicht mehr der Aufgabe entspricht, die er nun erfüllen soll.

Die meisten Objektspeicherumgebungen im Finanzdienstleistungssektor wurden auf Kosteneffizienz und langfristige Aufbewahrung ausgerichtet, wodurch sie sich hervorragend eigneten, um große Mengen unstrukturierter Daten auf dauerhafte und skalierbare Weise zu speichern. KI verändert diese Anforderungen jedoch grundlegend: Sie erfordert, dass Daten zugänglich, auffindbar und verwaltet sind sowie in kontinuierlich laufende Workflows integriert werden.

Wenn das nicht geschieht, landet man bei Daten, die zwar technisch verfügbar, aber praktisch unbrauchbar sind – gespeichert auf eine Weise, die Compliance-Anforderungen erfüllt, aber Barrieren beim Zugriff schafft, und organisiert auf eine Weise, die widerspiegelt, woher sie stammen, statt wie sie verwendet werden müssen.

In hybriden Umgebungen wird dies noch deutlicher, da Daten auf Standorte mit unterschiedlichen Leistungsmerkmalen, unterschiedlichen Governance-Modellen und unterschiedlichen Zugriffsmustern verteilt sind. Das bedeutet, dass jede Interaktion mit diesen Daten einen kleinen Mehraufwand erzeugt, der sich schnell summiert, wenn man im großen Maßstab agieren möchte.

Die Unternehmen, die diese Lücke zu schließen beginnen, tun nicht unbedingt etwas Revolutionäres, aber sie ändern ihre Sichtweise auf Daten und Speicher: Sie lösen sich von der Vorstellung, dass Speicher einfach nur der Ort ist, an dem Daten leben, und verstehen ihn stattdessen als Teil davon, wie sich Daten bewegen und wie sie genutzt werden.

Das zeigt sich in Umgebungen, in denen Metadaten als wichtige Funktion und nicht als nachträglicher Einfall behandelt werden, in denen Governance direkt in der Datenebene verankert ist und nicht extern angewendet wird, in denen Daten ohne mehrfaches Kopieren zugänglich sind und wiederverwendet werden können und in denen Systeme so konzipiert sind, dass sie eine kontinuierliche Ausführung statt isolierter Pipelines unterstützen.

Die Perspektive von Hitachi Vantara

KI scheitert nicht daran, dass es Unternehmen an Ideen, Anwendungsfällen oder gar Technologie mangelt. Sie scheitert, wenn das zugrundeliegende System die Umsetzung nicht auf konsistente, skalierbare und nachhaltige Weise unterstützen kann. Solange sich das nicht ändert, wird die Lücke zwischen KI-Ambition und KI-Bereitschaft genau dort bleiben, wo sie ist – nicht, weil sich Unternehmen nicht bemühen, sondern weil sie nicht so weit sind, wie sie glauben.

Durch Hybrid-Cloud-Architekturen, moderne Resilienz-Frameworks und KI-fähige Datenbanksysteme können Finanzinstitute durch Hitachi Vantara ein Datenfundament erhalten, das heutige Betriebssicherheit und morgige skalierbare Innovation unterstützt. Mit VSP One Object steht ein Speicher zur Verfügung, der nicht nur resilient und skalierbar, sondern auch intelligent, modular und bereit für moderne Datenstrategien ist.

Erfahren Sie in einem neuen Bericht von FSTech mehr darüber, wie Finanzinstitute mit Objektspeicher mehr Wert aus Daten schöpfen.