Vom Gipfeltreffen zur Strategie: Einblicke in den D&A Summit 2026 von Gartner

Vom 9. bis 11. März nahm Rocket am Gartner Data and Analytics Summit in Orlando, Florida, teil. Das diesjährige Thema lautete „Wertschöpfung bei KI-Geschwindigkeit: Die Gegenwart und die Zukunft meistern“, und die mehr als 3.000 teilnehmenden Anbieter, Datenexperten, CIOs und Technologieexperten brachten dieses Thema in ihren Erkenntnissen und Fragen zum Ausdruck.

Die drei Tage des Gipfels waren geprägt von anregenden Gesprächen mit Kunden, Partnern und Kollegen. Ob in der von mir geleiteten Session, bei Mittagessen und Kaffeetreffen oder in den Pausen zwischen den Foren – das wiederkehrende Thema war die Frage, wie sich Probleme im Zusammenhang mit Datenzugriff, Vertrauen und Kontrolle lösen lassen.

Nach dem Ende der Veranstaltung liegt der Fokus nun auf der Umsetzung. Hier erfahren Sie, wie Sie die Erkenntnisse von Gartner D&A in konkrete, kurzfristige Maßnahmen für die Datenstrategie Ihres Unternehmens umsetzen können.

Das volle Potenzial Ihrer Daten ausschöpfen

Ich leitete eine Session mit dem Titel „Vom Pilotprojekt zur Produktion: 5 Phasen für eine KI-fähige Datenlandschaft“. Dabei fiel mir ein häufiges Muster auf, das viele erleben: Ein KI-Pilotprojekt funktioniert in einer Demo gut, stößt dann aber auf die „Pilot-zu-Produktion-Hürde“. In dieser Phase wird das Vertrauen auf die Probe gestellt, Daten und Inhalte passen nicht zusammen, Kontrollen werden zum Hindernis und anfängliche Erfolge stagnieren.

Ich konzentrierte mich auf die praktischen Veränderungen, die Teams vornehmen, um Hindernisse zu überwinden, insbesondere da LLMs und agentenbasierte Workflows im realen Betrieb immer häufiger eingesetzt werden. Mein Ziel war es, die Probleme zu identifizieren und zu verdeutlichen, mit denen Anwender täglich konfrontiert sind, wie beispielsweise mangelndes messbares Vertrauen, unzusammenhängende Daten und Inhalte sowie unzureichende Nutzungskontrollen. Agenten greifen auf Rohdatentabellen zu, Schemata entwickeln sich und werden fehlerhaft, Automatisierungen schlagen fehl, und aufgrund fehlender Schutzmechanismen bemerken Benutzer Fehler, wodurch ihr Vertrauen und das des Unternehmens gefährdet wird.

Lesen Sie hier eine detaillierte Aufschlüsselung der 5 wichtigsten Veränderungen, die ich identifiziert habe, um KI vom Experiment zum unternehmensweiten Nutzen zu skalieren.

Was das alles zusammenfasst

Auf der Veranstaltung war ein wiederkehrendes Thema, dass KI fehlerhafte Daten schneller verstärkt als alles zuvor. Meine wichtigste Erkenntnis vom Gartner D&A Summit ist: Wenn Ihre Kerndatensätze nicht vertrauenswürdig sind, sind auch Ihre KI-Ergebnisse nicht vertrauenswürdig.

Ein Konzept aus Gartners Keynote, das mir besonders aufgefallen ist, war „Policy as Code“ als praktische Grundlage für die Steuerung dieser neuen Landschaft. In einer hochgradig verteilten, agentengesteuerten Umgebung kann sich Governance nicht allein auf zentrale Kontrollmechanismen stützen. Richtlinien müssen mit den Daten selbst übertragen werden, um sicherzustellen, dass Schutz, Zugriff und Compliance am Einsatzort durchgesetzt werden, unabhängig davon, wo die Daten letztendlich gespeichert werden.

Gleichzeitig bleibt Datenvertrauen eine entscheidende Säule. Da Unternehmen zunehmend auf KI-fähige Daten setzen, sind Funktionen wie Datenherkunftsanalyse und Datenqualitätsüberwachung nicht mehr optional, sondern unerlässlich. Ohne Transparenz über die Datenherkunft und ohne Vertrauen in deren Integrität besteht bei automatisierten Systemen die Gefahr, Fehler massiv zu verstärken. Unternehmen müssen „Vertrauen“ daher formell in ihre Service-Level-Agreements (SLAs) integrieren, um eine konsistente und kontrollierte Datenbereitstellung im Rahmen aller Modernisierungs- und KI-Initiativen zu gewährleisten.

Viele Teams experimentieren mit GenAI, aber ohne jegliche Steuerung – und genau da liegt das Problem. Anstatt KI-Modelle Daten aus beliebigen Quellen abrufen oder wahllos alles einbetten zu lassen, müssen wir standardisierte und kontrollierte Verfahren für den Informationsabruf durch Systeme definieren.

Es wird immer deutlicher, dass ein solides Datenmanagement die Grundlage für alles bildet. Die traditionellen Grenzen zwischen strukturierten und unstrukturierten Daten verschwimmen zunehmend, insbesondere da Systeme Informationen in unterschiedlichsten Formaten verarbeiten und generieren. Unternehmen betrachten Daten immer ganzheitlicher und konzentrieren sich weniger auf den Datentyp, sondern mehr auf Nutzbarkeit, Kontext und Governance. Hier kommt der Kontext, ein weiteres zentrales Thema des Gipfels, ins Spiel. KI-Systeme benötigen nicht nur Zugriff auf Daten, sondern auch Kontext und Struktur. Die Unternehmen, die am schnellsten vorankommen, sind diejenigen, die ihre Daten für KI sowohl zugänglich als auch interpretierbar machen.

Was am wichtigsten ist

Auch wenn sich der weitere Weg noch entwickeln mag, ist die Dringlichkeit zum Handeln unbestritten. Führungskräfte müssen bei der Umsetzung ihrer Initiativen ihre aktuelle Position und ihre zukünftigen Ziele klar verstehen und eine praktikable Strategie entwickeln, um diese zu erreichen. Dazu gehört die Festlegung klar definierter Ziele, die Erstellung von Roadmaps für Datenmanagement und -architektur sowie die Auswahl der richtigen strategischen Partner für den Erfolg.

Rocket wurde entwickelt, um Ihnen dabei zu helfen, diese Erkenntnisse in die Tat umzusetzen und das Potenzial Ihrer Daten voll auszuschöpfen, um echten und nachhaltigen Erfolg zu erzielen. Erfahren Sie, wie Sie KI erfolgreich einsetzen und Ihr gesamtes Datenökosystem für die Zukunft optimieren.