Viele Industrie-KMU reden über GenAI, doch oft fehlen die Grundlagen: Menschen, Daten, Prozesse und eine Kultur, die Innovation trägt. In diesem Beitrag zeige ich, wie die fünf Säulen People, Data, Prozesse, Regeln und Innovation für AI-Use-Cases zusammenspielen und wie non-invasive Data Governance sie verbindet. Ziel ist es, Schritt für Schritt AI ready zu werden, ohne ein grosses Programm zu starten.
Warum diese fünf Säulen entscheidend sind
GenAI ist auch im Industrie-KMU längst Thema. Man spricht über Copilots, Chatbots und automatische Textgenerierung, doch oft dominiert die Tool-Frage. In der Praxis zeigt sich schnell: Der Erfolg hängt weniger von der Technologie ab, sondern von fünf Säulen, die mit Unternehmensorganisation und Data Governance zu tun haben: People, Data, Prozesse, Regeln und Innovation. Eine pragmatische, non-invasive Data Governance verbindet diese Säulen.
Die fünf Säulen orientieren sich lose am Non-Invasive-Data-Governance-Framework von Robert S. Seiner. Für die Praxis im KMU fasse ich diese Bausteine in fünf leicht verständliche Säulen zusammen, die helfen, Schritt für Schritt AI ready zu werden, ohne Reorganisation oder grosses Programm.
People – Rollen, Datenaufgaben, Verantwortlichkeiten
Ohne Menschen keine Data Governance. Viele Datenprobleme sind Organisationsprobleme: unklare Zuständigkeiten für Definitionen, Pflege und Qualität von Daten. Non-invasive Data Governance baut keine neuen Hierarchien auf, sondern ordnet Datenaufgaben mit einer einfachen RACI-Übersicht bestehenden Rollen zu. Eine Produktmanagerin wird Data Owner der Domäne «Produkt», ein Mitarbeiter im Stammdatenteam Data Steward. Ziel ist, Zuständigkeiten zu dokumentieren und Entscheidungen bewusst zu treffen, ohne Organigramme zu ändern.
Data – Datenlandkarten, Domänen, Metadaten
Die zweite Säule betrifft den «Treibstoff» der GenAI-Use-Cases: Daten, die in vielen Unternehmen auf mehrere Systeme und Excels verteilt sind. Eine einfache Datenlandkarte skizziert Data-Domänen und die wichtigsten Datenobjekte und zeigt, in welchen Systemen Daten entstehen, verändert, verwaltet und genutzt werden. Ergänzt um wenige Metadaten wie Quelle, verantwortliche Rolle, Gültigkeit und Sensitivität entsteht eine Datenlebenszyklus-Sicht von der Entstehung bis zur Nutzung als Grundlage für AI ready Data, ohne dass bereits alles perfekt sein muss.
Prozesse – Datenflüsse, Umbrüche, Kontext
Data Governance bleibt Theorie, wenn sie nicht mit konkreten Abläufen verbunden wird. Im Industrie-KMU geht es darum, Massnahmen im Prozessalltag zu verankern: Wie läuft die Neuanlage eines Produkts, wer prüft Pflichtfelder, wer gibt Änderungen an technischen Daten frei? Die Abbildung der End-to-End-Prozesse von der Produktidee bis zur Auslieferung zeigt Datenflüsse und typische «Daten-Umbruchstellen». Daraus lassen sich Datenaufgaben an konkrete Prozessschritte koppeln und mit klaren Verantwortungen und Qualitätschecks hinterlegen. So wird Governance Teil des bestehenden Ablaufs und erleichtert die Prozessautomatisierung.
Regeln – Qualitätschecks und Richtlinien
Nur qualitativ gute Daten sind nützlich. Dafür braucht es gut begründete Regeln und Qualitätschecks; ein KMU verträgt aber kein dickes Regelbuch. Non-invasive Data Governance fokussiert auf wenige, klare Regeln und Richtlinien, etwa einfache Prüfungen bei der Neuanlage von Stammdaten, Vorgaben zu Pflichtfeldern oder Leitplanken, welche Datenkategorien in externe GenAI-Dienste fliessen dürfen und welche nicht. Diese Regeln lassen sich schrittweise einführen, anpassen und in Prozesse und Systeme integrieren.
Innovation – experimentieren, lernen, skalieren
Die fünfte Säule verbindet alle anderen: Innovation. Gemeint ist nicht der grosse AI-Masterplan, sondern das bewusste Experimentieren mit überschaubaren GenAI-Use-Cases, etwa einem internen Wissens-Chat zu Produktinformationen, einem Assistenten für Marketingtexte oder einem Support-Bot für interne Richtlinien. Entscheidend ist, dass jedes Experiment auf den vorgängigen Säulen aufbaut: Zuständigkeiten sind klar, relevante Daten bekannt, Prozesse und Regeln so weit definiert, dass erste AI-Lösungen nicht ins Leere laufen. Die Learnings aus diesen Piloten fliessen zurück in People, Data, Prozesse und Regeln und machen das Unternehmen Schritt für Schritt belastbarer und AI ready.
Fazit
GenAI im Industrie-KMU wird erst dann vom Hype zum echten Mehrwert, wenn People, Data, Prozesse, Regeln und Innovation gemeinsam gedacht werden. Non-invasive Data Governance bietet dafür einen pragmatischen Rahmen, um AI ready zu werden, ohne die Organisation zu überfordern.
Weiterführende Literatur
- Seiner, Robert S. (2025): Non-Invasive Data Governance Unleashed – Empowering People to Govern Data and AI. Technics Publications.
- Klingenberg, Christiana / Weber, Kristin (2., überarb. Aufl.): Data Governance – Der Leitfaden für die Praxis. Carl Hanser Verlag.
Hinweis: Dieser Blog-Beitrag wurde von der Autorperson selbst verfasst und mit Unterstützung von KI (ChatGPT) korrigiert und redigiert.
