Governance schlägt Modell: Warum KI-Projekte nicht an der Technologie scheitern

Wenn über Künstliche Intelligenz (KI) und deren Einsatz in Unternehmen gesprochen wird, reichen die Berichte von völliger Ernüchterung bis hin zu nachweisbaren Erfolgen. Laut einer von Gartner im Frühjahr veröffentlichte Studie gehen nur 39% der IT-Führungskräfte weltweit davon aus, über die KI-Projekte ihres Unternehmens in absehbarer Zeit positive Auswirkungen auf ihren finanziellen Erfolg zu erzielen. Dazu wurden 353 Data & Analytics (D&A) sowie AI-Führungskräfte von November bis Dezember 2025 befragt. Gleichzeitig, so hieß es bei Gartner, investieren Unternehmen mit erfolgreichen KI-Initiativen bis zu vier Mal mehr in Datengrundlagen als solche, die von ihren KI-Initiativen enttäuscht sind. Zu den Grundlagen gehört alles, was sich mit dem Sammelbegriff Governance zusammenfassen lässt, also Themen wie Datenqualität, Zugriffsrechte, Freigabe- und Entscheidungsprozesse sowie Daten-Verantwortung und -Ownership.

Im Juni legte Gartner nach und identifizierte sechs Trends:

Neben einer wachsenden Bedeutung von souveräner KI geht es bei den meisten Trends mehr oder weniger um Governance: Entscheidungs-Governance für transparente und nachvollziehbare Ergebnisse, die steigende Bedeutung von Governance-Plattformen und – auch das ein Thema im Bereich Datengrundlage – dem Aufschwung von GraphRags, also die Kombination aus Wissensgraphen und Sprachmodellen, für genaue KI-generierte Aussagen.

Warum die Governance das Fundament für den KI-Erfolg ist

Die Bedeutung einer guten Governance wird auch in unseren Kundenprojekten immer wieder deutlich. Oftmals führen KI-PoCs erstmals dazu, dass KPIs im Unternehmen zentral definiert und normalisiert werden. Die KI setzt das voraus, da sie sonst nicht verlässlich operieren kann.

Neben der Datenqualität selbst ist dabei die semantische Modellierung entscheidend. Ein Semantic Layer liefert dem Sprachmodell den Kontext der Daten: Was bedeutet eine Kennzahl fachlich, wie ist sie berechnet, in welcher Granularität liegt sie vor, wie hängen Entitäten zusammen und wer darf welche Daten sehen? Genau dieses Wissen steckt in den Rohdaten nicht drin, sondern bisher meist nur in den Köpfen der Fachbereiche.

Wie stark das gewählte Sprachmodell ist, ist demgegenüber nicht entscheidend. Im Gegenteil: Liegt der semantische Kontext sauber vor, liefern auch kleinere und deutlich günstigere Modelle belastbare Ergebnisse. Ohne solide Daten- und Semantikgrundlage dagegen kann auch das stärkste Modell die Daten schlicht nicht verstehen, weiß nicht, welche Daten von wem genutzt werden dürfen, und fängt an, zu halluzinieren.

Doch wie kommen Unternehmen zu einer guten Governance, bei der Aufwand und Nutzen in einem guten Verhältnis stehen? Wie viel Governance braucht es, für gute Ergebnisse durch KI, und welche Themen sind wie wichtig? Wir möchten hier ein Framework vorstellen, mit dem wir in unseren Kundenprojekten erfolgreich operieren.

Der Weg zu guter KI-Governance in vier Schritten

Den Anfang macht ein konkreter Use Case

Governance muss nicht bei jedem neuen KI-Anwendungsfall neu erfunden werden. Wichtig ist einmal eine Struktur aufzubauen, die sich wiederverwenden lässt. Bewährt hat es sich, bei einem ganz konkreten Anwendungsfall anzufangen.

Das Framework folgt M2s vier Beratungsstufen – AI Clarity, AI Build, AI Operate, AI Control – weil sie in genau dieser Reihenfolge die vier Fragen beantworten, die bei Gartner als Ursache für gescheiterte Projekte benannt wurden: Wer darf zugreifen, wer verantwortet Qualität, wer gibt frei, und wie wird die Entscheidung dahinter nachvollziehbar?

Phase 1 – AI Clarity: Verantwortlichkeiten benennen

Ziel dieser Phase ist nicht ein Governance-Konzept auf Papier, sondern eine Liste mit Namen. Für jeden KI-Anwendungsfall, der im Einsatz ist oder geplant wird, werden drei Rollen dokumentiert: wer Zugriff auf welche Daten freigibt, wer die Qualität der Ergebnisse verantwortet, und wer die finale Freigabe erteilt. Alle drei müssen benannte Personen oder Funktionen sein, keine Abteilungen.

Abschlusskriterium: Kein aktiver oder geplanter Anwendungsfall ohne diese drei Namen. Das lässt sich für einen einzelnen Anwendungsfall in ein bis zwei Wochen erledigen.

Phase 2 – AI Build: Governance in die Architektur einbauen

Was in Phase 1 dokumentiert wurde, wird jetzt technisch durchgesetzt. Zugriffsrechte werden als Rollenmodell im System abgebildet, Freigabeprozesse werden als Workflow mit festen Kriterien und Eskalationswegen umgesetzt – das ist, was Gartner unter Decision Governance versteht: Entscheidungen, die vorab explizit modelliert sind und so im Einzelfall nicht mehr neu verhandelt werden müssen. Qualitätsprüfungen können damit geschehen, bevor das Modell antwortet.

Abschlusskriterium: Ein System darf nicht ausgeliefert werden, wenn Zugriffsregel, Freigabe-Workflow oder Qualitätsprüfung fehlen. Governance ist damit fest in den Prozess bis zum Go-Live verankert.

Phase 3 – AI Operate: Governance im laufenden Betrieb prüfen

Governance, die nur beim Rollout existierte, verfällt im Betrieb unbemerkt. Diese Phase prüft laufend, ob Freigabeprozesse tatsächlich durchlaufen werden oder umgangen werden, und ob die in Phase 1 benannten Verantwortlichkeiten noch zur tatsächlichen Nutzung passen. Neue Echtzeit-Datenflüsse – Gartner benennt bei den Trends auch den steigenden Bedarf nach Agentic Data Streaming – werden erst dort eingeführt, wo die Kontrollen aus Phase 2 bereits greifen. Sonst wächst die Geschwindigkeit schneller als die Kontrolle, und genau das beobachtet Gartner aktuell in der Praxis.

Abschlusskriterium: Abweichungen – etwa ungeprüfte oder von der KI halluzinierte Inhalte, die Stakeholder erreichen – werden erkannt, bevor sie Schaden anrichten anrichten, nicht danach.

Phase 4 – AI Control: Governance wiederverwendbar machen

In dieser Phase wird aus der Einzelfall-Lösung ein Standard. Neue Anwendungsfälle durchlaufen dieselben Kriterien aus Phase 1 bis 3, ohne dass Governance jedes Mal neu diskutiert wird. Jede Agenten-Entscheidung bleibt rückverfolgbar – Gartner beziffert den Effekt explizit modellierter Entscheidungen mit fünffach höherem Vertrauen und 80% kürzerer Entscheidungszeit gegenüber ungesteuerten Entscheidungen.

Abschlusskriterium: Ein neuer KI-Anwendungsfall lässt sich anhand des bestehenden Baukastens einordnen, statt eine neue Governance-Diskussion auszulösen.

Was das Framework nicht ersetzt

Es ersetzt keine Entscheidung, die eine Fachabteilung selbst treffen muss – wer beispielsweise final freigibt, bleibt eine organisatorische Frage, keine technische. Und es funktioniert nicht rückwirkend: Ein Modell zuerst einzukaufen und Governance danach nachzurüsten, ist genau das Muster, das im Artikel beschrieben wird und das Projekte verzögert.

M2 als Architekt und Bauherr von Governance

Die vier genannten Phasen kommen nicht aus der Theorie. Wir bauen sie in Kundenprojekten immer wieder auf. Wenn Sie gerade an einem konkreten Anwendungsfall arbeiten und nicht sicher sind, wo Ihre Organisation steht: Wir schauen uns die Ausgangslage gemeinsam mit Ihnen an und zeigen auf, welche Schritte als Nächstes sinnvoll sind.

^{Quellenanhang}

^{Gartner: Organizations with Successful AI Initiatives Invest Up to Four Times More in Data and Analytics Foundations, 16.04.2026 — gartner.com/en/newsroom/press-releases (abgerufen: 2026-07-20).} 

^{Gartner Newsroom: Gartner Identifies the Top Trends for Data and Analytics, 16.06.2026 — gartner.com/en/newsroom/press-releases (abgerufen: 2026-07-20).} 

^{BARC-Magazin: Die Formel für AI-Ready Data, 19.06.2026, frei zugänglich (abgerufen: 2026-07-20).} 

^{dbt Labs: State of Analytics Engineering Report 2026, 14.04.2026 — getdbt.com/resources/state-of-analytics-engineering-2026 (abgerufen: 2026-08-14; Herstelleraussage, deckt sich inhaltlich mit unabhängigen Gartner-/BARC-Zahlen).}