KI-Daten: 3,1 Mrd. US-$. 63 % sind nicht bereit.

Das Geld wandert in die Datenschicht der KI. Gartners Ausgabenprognose vom September 2026 beziffert die Ausgaben für KI-Daten auf 3,1 Mrd. US-$ im Jahr 2026, nach 0,8 Mrd. US-$ im Jahr 2025, und auf 6,5 Mrd. US-$ im Jahr 2027. Die Ausgaben für KI-Plattformen für Data Science und maschinelles Lernen steigen von 19,4 Mrd. US-$ 2025 auf 26,4 Mrd. US-$ 2026 und 35,6 Mrd. US-$ 2027. Datenteams sollen KI künftig versorgen, nicht mehr nur über das Geschäft berichten.

Die meisten Unternehmen sind dafür nicht gerüstet. Von diesem Befund sollten Datenverantwortliche ausgehen.

Die meisten Daten sind nicht KI-fähig

Gartner hat die Lücke in seiner Mitteilung zu KI-fähigen Daten vom Februar 2025 in zwei Zahlen gefasst. 63 % der Unternehmen haben keine passenden Datenmanagement-Praktiken für KI oder wissen nicht, ob sie welche haben. Und Gartner sagt voraus, dass Unternehmen bis Ende 2026 60 % der KI-Projekte aufgeben werden, denen KI-fähige Daten fehlen.

60 %. So viele KI-Projekte ohne KI-fähige Daten werden Unternehmen laut Gartner bis Ende 2026 aufgeben.

„KI-fähig“ heißt nicht dasselbe wie „sauber“. Ein Data Warehouse, das für das Monatsreporting gebaut wurde, kann korrekt sein und trotzdem nicht taugen für ein KI-System, das im Moment einer Entscheidung aktuelle, gut beschriebene und berechtigte Daten braucht. Definitionen, die nur in den Köpfen der Analysten existieren, Kennzahlen, die je Abteilung anders gerechnet werden, und Zugriffsregeln, die nie aufgeschrieben wurden – all das bricht, sobald ein Modell oder ein Agent anfängt, Fragen zu stellen.

Die Globale Marktstudie 2026/27 benennt das Geschäftsproblem dieses Themenfelds als Datenreife und Vertrauen in Zahlen. Helfen, so die Studie, eine Prüfung der Datenreife und eine semantische Schicht vor der Skalierung: eine vereinbarte Definition je Geschäftskennzahl, dokumentiert an einem Ort, den Menschen und Maschinen lesen können.

Breite Nutzung, dünne Erträge

Auf der Reifefrage sitzt die Ertragsfrage. Die Nutzung ist breit: Laut amtlicher EU-Statistik setzten 2025 20 % der Unternehmen mit zehn und mehr Beschäftigten KI ein (Eurostat, zitiert in den ETHORITY-Wachstumsfakten zur KI). Doch in McKinseys Umfrage vom August 2026 schreiben nur 37 % der Unternehmen der KI überhaupt einen Effekt auf das EBIT zu.

In der Analytik wird diese Lücke sichtbar, weil meist die Datenteams sie messen sollen. Eine KI-Prognosefunktion, die den Prognosefehler senkt, aber nie in eine Planungsentscheidung einfließt, hat eine bessere Zahl erzeugt, kein besseres Ergebnis. Die ETHORITY-Evidenzsynthese Gesparte Stunden sind noch kein KI-Wert trennt drei Ebenen, die oft vermischt werden: Aufgabenverbesserung, freigesetzte Kapazität und Geschäftsergebnis. Nur die dritte zahlt sich aus.

37 % der befragten Unternehmen schreiben der KI überhaupt einen EBIT-Effekt zu (McKinsey, Aug. 2026).

Die Daten unter den Modellen

Wer in Daten & Analytics einkauft, steht vor einer zweiten Datenfrage: Womit wurden die Modelle trainiert, die man nutzt? Das Good AI Prisma führt Registerkarten für zwölf viel genutzte öffentliche Datensätze, gelesen aus deren Karten und Lizenzen – und sie zeigen, wie unterschiedlich die Bedingungen sind.

Übersicht: Lizenzbedingungen profilierter Datensätze

Quelle: Good AI Prism Registry, Datensatzkarten; Auswahl von 8 aus 12.

Über die zwölf Karten hinweg treten mindestens sieben verschiedene Lizenzmodelle auf, von der Gemeinfreiheit bis zur reinen Forschungsnutzung. Die Registerkarte von ImageNet verzeichnet „nur Forschung“. Die Karte von The Stack v2 verzeichnet Lizenzen je Datei – die Rechtslage hängt also davon ab, welche Dateien ein Modell tatsächlich genutzt hat. Für ein Analytics-Team, das eigene Modelle baut oder ein Modell feinjustiert, entscheiden diese Bedingungen, was in die Produktion darf.

Was das Prisma über Analytics-Angebote zeigt

Das Good AI Prisma ordnet dem Themenfeld Daten & Analytics 22 KI-Angebote und einen Anbieterdatensatz (Qlik) zu – von KI-Funktionen in BI-Plattformen über Prognose und Datenaufbereitung bis zu Abfragen in natürlicher Sprache. Jedes ist von den eigenen Seiten des Anbieters aus erfasst, und die Entscheidungsfakten, die Einkäufer sammeln sollten, sind dieselben wie im Themenfeld Wissen & Suche: Abrechnungseinheit, Hosting, Trainingsbedingungen, Integrationen und Zertifikate, jeweils mit Quelle und Datum.

Drei Fragen aus den profilierten Kohorten lassen sich direkt auf Analytics-Werkzeuge übertragen. Wo werden die Daten verarbeitet – gerade wenn eine Abfrage in natürlicher Sprache Tabelleninhalte an ein gehostetes Modell schickt? Werden Kundendaten zum Training der Anbietermodelle genutzt? Und welche Abrechnungseinheit gilt: Plätze, Abfragen, Rechenleistung oder Credits? In den zwölf Karten der Softwareentwicklung etwa tauchen mindestens fünf Abrechnungseinheiten auf. Analytics-Werkzeuge, die pro Abfrage oder Recheneinheit abrechnen, machen das Volumen zum Kostentreiber.

Entscheidungen messen, nicht Dashboards

Die Studie empfiehlt für dieses Themenfeld zwei Zielgrößen: Entscheidungslatenz und Prognosefehler. Beide binden Analytik an ein Geschäftsergebnis. Die Entscheidungslatenz fragt, wie lange es von einer Frage bis zu einer Handlung dauert. Der Prognosefehler fragt, ob die Zahlen, die die Planung steuern, besser geworden sind. Ein neues Dashboard, ein neues Modell oder eine Chat-Oberfläche auf dem Warehouse ist nur dann Fortschritt, wenn sich eine der beiden Größen bewegt.

Anwendungsfall. Eine absatzprognose. Ein Händler ergänzt sein Planungswerkzeug um eine KI-Prognosefunktion. Das Team erfasst den heutigen Prognosefehler je Warengruppe und die Tage zwischen Prognose und Einkaufsentscheidung. Nach drei Monaten vergleicht es beide Werte und prüft, wie oft die Planer die KI-Prognose tatsächlich genutzt haben. Sank der Fehler, haben die Planer die Prognose aber übersteuert, gehört die nächste Investition in Vertrauen und Prozess, nicht in ein besseres Modell. Haben sich beide Größen verbessert, ist der Fall für die Skalierung belegt.

Nutzungsbasierte Preise erhöhen den Einsatz. Die Globale Marktstudie zitiert Gartner über Deloitte mit der Erwartung, dass bis 2030 mindestens 40 % der SaaS-Ausgaben nutzungs-, agenten- oder ergebnisbasiert sind. Analytik in natürlicher Sprache lädt zu mehr Fragen ein. Mehr Fragen heißen mehr Rechenleistung. Ohne Kosten pro unterstützter Entscheidung kann ein erfolgreicher Rollout wie ein Budgetproblem aussehen.

Was Sie am Montag tun

1. Die fünf meistgenutzten Kennzahlen der Geschäftsleitung prüfen. Hat jede eine schriftliche Definition, einen Verantwortlichen und eine Quelle? Wo nicht, beheben Sie das, bevor Sie ein KI-Werkzeug anschließen.
2. Eine Reifeprüfung für einen Datenbereich durchführen. Testen Sie Aktualität, Dokumentation, Zugriffsregeln und Herkunft der Daten, die ein geplanter KI-Anwendungsfall lesen wird.
3. Die Trainingsdaten-Bedingungen Ihrer Modelle festhalten. Notieren Sie Lizenz und Einschränkungen, besonders wenn Sie feinjustieren oder selbst bauen.
4. Analytics-Anbietern drei Fragen schriftlich stellen. Wo werden Abfragedaten verarbeitet? Werden sie fürs Training genutzt? Welche Abrechnungseinheit gilt bei Ihrem Volumen?
5. Zwei Zielgrößen vor dem Pilot festlegen. Messen Sie Entscheidungslatenz und Prognosefehler für einen Planungsprozess und legen Sie vorab fest, welche Verbesserung die Skalierung rechtfertigt. Der AI Readiness & Maturity Check setzt genau dort an.

Das Good AI Prisma hält jeden Fakt im Register mit Quelle und Datum aktuell – damit eine Datenstrategie bei dokumentierten Bedingungen beginnt und nicht bei einer Anbieter-Demo.