4
TECHNOLOGIE; Potenzial von Daten und KI
BRAND FOCUS: ZHAW SCHOOL OF MANAGEMENT AND LAW
Mehr Daten, mehr KI – fundierte Entscheidungen brauchen mehr als Technologie
Maria Rothstein Dozentin für Data Engineering & Data Science Institut für Wirtschaftsinformatik
Dr. Christian Hitz Leiter Fachstelle Data Science Institut für Wirtschaftsinformatik
Unternehmen verfügen heute über mehr Daten, mehr Rechenleistung und mehr technologische Möglichkeiten denn je. Gleichzeitig ist die Hoffnung gross, dass Künstliche Intelligenz Entscheidungen schneller, präziser und objektiver macht. Viele Organisationen haben in den vergangenen Jahren erhebliche Mittel in Datenplattformen, Reporting-Landschaften und KIAnwendungen investiert. Und doch bleibt der erhoffte Nutzen in der Praxis häufig hinter den Erwartungen zurück. Das Problem liegt dabei oft nicht in einem Mangel an Technologie. Wo Fragestellungen unklar bleiben, Daten unkritisch übernommen oder Resultate vorschnell interpretiert werden, entsteht aus technologischem Fortschritt keine belastbare Entscheidungsgrundlage. Gerade im KI-Kontext wird diese Lücke besonders sichtbar. Denn je einfacher es wird, Analysen, Prognosen und Empfehlungen zu erzeugen, desto wichtiger wird die Fähigkeit, deren Aussagekraft und Grenzen richtig einzuordnen. Unternehmen brauchen deshalb nicht nur Zugang zu Daten und Technologien, sondern Menschen, die Daten im fachlichen Kontext verstehen, kritisch reflektieren und verantwortungsvoll in Entscheidungen übersetzen können. Unternehmen, die Daten erfolgreich nutzen, zeichnen sich durch eine explorative und reflektierte Denkweise aus – diese wird als Data Science Thinking bezeichnet. Was in vielen Organisationen fehlt, ist weniger eine weitere Technologie als vielmehr eine konsistente Denkund Arbeitsweise im Umgang mit Daten. Der Engpass liegt nicht primär in der Verfügbarkeit von Informationen, sondern in der Fähigkeit, diese systematisch in
tragfähige Entscheidungsgrundlagen zu überführen. Gemeint ist eine Denkweise, die es ermöglicht, geschäftliche Fragestellungen datenbasiert zu strukturieren und Ergebnisse verantwortungsvoll einzuordnen. In der Praxis zeigt sich, dass zwei Kompetenzbereiche entscheidend sind: Zum einen die Fähigkeit, geschäftliche Fragestellungen zu strukturieren, Ergebnisse einzuordnen und fundierte Entscheidungen abzuleiten. Zum anderen die Fähigkeit, Dateninfrastrukturen aufzubauen und analytisch nutzbar zu machen. Erst im Zusammenspiel beider Dimensionen kann das Potenzial von Daten und KI erschlossen werden. Im Kern geht es darum, Daten nicht isoliert zu betrachten, sondern im Kontext ihrer Entstehung, ihrer Grenzen und ihres Anwendungszwecks. Daten bilden nur Ausschnitte der Realität ab und sind mit Unsicherheiten behaftet. Wer diese Zusammenhänge nicht reflektiert, läuft Gefahr, scheinbar objektive Resultate falsch zu interpretieren oder zu überbewerten. Data Science Thinking ist weder gleichbedeutend mit klassischer Datenanalyse noch mit der Entwicklung von Machine-Learning-Modellen. Ebenso wenig erschöpft es sich im Lesen von Dashboards oder Kennzahlen. Es beschreibt vielmehr eine Denk- und Entscheidungslogik an der Schnittstelle von Fachbereich, Daten und Technologie – und genau diese Schnittstelle wird im Zuge der zunehmenden Verbreitung von KI immer relevanter. KI als Verstärker bestehender Herausforderungen Die Relevanz von Data Science Thinking nimmt im aktuellen Kontext deutlich zu. Mit der zunehmenden Verbreitung von Künstlicher Intelligenz verändern sich nicht nur die technologischen Möglichkeiten, sondern auch die Anforderungen an den Umgang mit Daten. Noch vor wenigen Jahren war die Anwendung datenbasierter Modelle weitgehend Spezialisten vorbehalten. Heute ermöglichen benutzerfreundliche Tools und generative KI-Systeme einem breiten Kreis von Mitarbeitenden, Analysen zu erstellen, Prognosen abzuleiten oder Entscheidungen vorzubereiten. Diese
Demokratisierung eröffnet grosse Chancen, verschiebt jedoch die Verantwortung. Denn je einfacher es wird, Ergebnisse zu erzeugen, desto grösser wird das Risiko, diese unkritisch zu übernehmen. Modelle erscheinen als Blackbox und scheinbar präzise Outputs verleiten zu trügerischer Sicherheit. Die Geschwindigkeit, mit der Resultate generiert werden, steht oft im Widerspruch zur der Zeit, die notwendig wäre, um deren Aussagekraft fundiert zu prüfen. Gerade im Umgang mit KI zeigt sich deshalb, dass nicht die Verfügbarkeit von Modellen oder Tools den entscheidenden Unterschied macht, sondern die Fähigkeit, deren Ergebnisse einzuordnen. Wer versteht, welche Annahmen einem Modell zugrunde liegen, welche Daten es verwendet und wo seine Grenzen liegen, kann KI gezielt und verantwortungsvoll einsetzen. Wer dieses Verständnis nicht hat, riskiert Fehlentscheidungen. Die Herausforderung liegt somit weniger darin, KI in Unternehmen einzuführen, sondern vielmehr darin, sie sinnvoll zu nutzen. Genau dafür wird Data Science Thinking zur zentralen Voraussetzung. Typische Symptome im organisationalen Alltag Wie stark diese Lücke im Alltag wirkt, zeigt sich in typischen Mustern vieler Organisationen. Daten und Analysen sind vorhanden, ihr Beitrag zur Entscheidungsqualität bleibt jedoch begrenzt. So werden Dashboards und Kennzahlen intensiv genutzt, ohne dass deren Aussagekraft im jeweiligen Kontext ausreichend hinterfragt wird. Entwicklungen werden beschrieben, aber nicht zwingend verstanden. Unterschiede werden interpretiert, ohne zu klären, ob sie überhaupt belastbar sind. In anderen Fällen entstehen aufwendige Modelle und Analysen, deren Ergebnisse zwar technisch korrekt sind, jedoch nicht in konkrete Entscheidungen überführt werden. Die Verbindung zwischen analytischem Output und operativer Umsetzung bleibt unklar. Datenprojekte liefern Resultate, aber keinen klaren Handlungsbezug.
Gleichzeitig wird Verantwortung für datenbasierte Fragestellungen häufig implizit delegiert. Fachbereiche verlassen sich auf spezialisierte Teams, während diese Annahmen über den fachlichen Kontext treffen müssen. An dieser Schnittstelle entstehen Missverständnisse, die weder auf technischer noch auf fachlicher Ebene vollständig adressiert werden. Nicht zuletzt zeigt sich im Umgang mit KI eine gewisse Ambivalenz: Einerseits besteht Vertrauen in automatisiert erzeugte Ergebnisse, andererseits fehlt oft die Sicherheit, diese kritisch zu prüfen oder einzuordnen. Resultate werden übernommen, weil sie verfügbar sind – nicht zwingend, weil sie verstanden wurden. Diese Symptome sind selten Ausdruck mangelnder Kompetenz einzelner Personen. Sie weisen vielmehr auf eine strukturelle Herausforderung hin: den fehlenden, konsistenten Umgang mit Daten als Grundlage für Entscheidungen.
„Die Entwicklung von Data Science Thinking ist nicht allein eine Frage individueller Kompetenzen, sondern auch eine Führungs- und Organi sationsaufgabe.” Was es konkret heisst, mit Daten zu arbeiten Was bedeutet Data Science Thinking konkret im organisatorischen Alltag? Im Kern beschreibt es eine strukturierte Herangehensweise entlang von vier zentralen Dimensionen. Am Ausgangspunkt steht ein präzises Problemverständnis. Bevor Daten analysiert oder Modelle entwickelt werden, muss geklärt sein, welche Entscheidungsfrage beantwortet werden soll. Nicht jede Fragestellung ist datenbasiert sinnvoll adressierbar,