Daten- und KI-Roadmaps: Scheitern mit Ansage

tl;dr

• Organisationen wollen dateninspiriert werden und beginnen meist mit der Erstellung einer detaillierten Roadmap.
• Jedoch sind nicht alle Teile eines solchen Vorhabens planbar, und Organisationen müssen klug zwischen Planung und Exploration differenzieren.
• Wer diese Unterscheidung trifft, schützt Investitionen in Daten und KI und erhöht die Erfolgschancen.

1 Das verständliche Bedürfnis nach Planung

In meiner Beratungspraxis erlebe ich häufig die Anfrage, eine Roadmap zu erarbeiten, die die Organisation „datengetrieben" oder gar dateninspiriert¹ [1] macht. Meist tragen solche Projekte „Datenstrategie" im Titel, oft sind die Auftraggeber technische Experten im Unternehmen — manchmal wird sogar ein Fixpreis-Angebot verlangt: „Was kostet es, welche Meilensteine, und wann ist es fertig?"

Das ist absolut verständlich. Einkauf und Controlling operieren mit Budgets, Vergleichbarkeit und Planbarkeit. Investitionen in Technologie und organisatorische Veränderungen können umfangreich sein — das Management braucht Sicherheit, bevor es investiert, vor allem in Zeiten knapper Kassen und wirtschaftlicher Unsicherheit.

Doch genau hier liegt ein Paradoxon: Je größer die Unsicherheit in der Organisation bezüglich des Einsatzes von Daten und KI, desto stärker wächst der Wunsch nach einem detaillierten Plan — und desto weniger taugt genau dieser Plan als Werkzeug. Die gewünschte Sicherheit ist eine Illusion.

2 Planbarkeit als Illusion: Es fehlt eine Unterscheidung

Die Krux mit Planung: Sie funktioniert nur unter bestimmten Bedingungen [2, 3, 4]. Wer diese ignoriert, verschwendet Ressourcen.

Planung nimmt Entscheidungen vorweg: was, wann, wie und von wem etwas getan wird. Der Planer trifft diese Entscheidungen, basierend auf dem, was er zum Zeitpunkt der Planung weiß. Solange die Zukunft hinreichend vorhersehbar ist und es bei der Umsetzung zu wenigen Überraschungen kommt, ist das ein überlegenes Vorgehen. Möchte ein Unternehmen beispielsweise seine BI-Landschaft auf eine neue Datenplattform migrieren und weiß genau, wie das geht, lässt sich das präzise planen. Existiert Wissen zur Lösung eines Problems - sei es im eigenen Unternehmen, oder man kauft es als Beratungsleistung ein - ist eine solide Planung die beste Grundlage für den Projekterfolg.

Solche Probleme nennt man kompliziert². Sie können aufwendig und herausfordernd sein, aber der Lösungsweg ist im Prinzip bekannt oder ermittelbar.

Doch nicht alle Probleme sind kompliziert. Viele sind komplex³: Der Lösungsweg ist unbekannt, weil lebendige Systeme — seien es Märkte oder die eigene Organisation — Überraschungen erzeugen, die sich nicht vorwegnehmen lassen. Hier sind vorab gefasste Pläne schnell obsolet. Es braucht Ideen und Experimente von Könnern⁴, und Entscheidungen müssen dort getroffen werden, wo neue Erkenntnisse entstehen, nicht am Reißbrett.

Für den Weg zu einer dateninspirierten¹ Organisation bedeutet dies, dass Unternehmen clever zwischen komplizierten und komplexen Problemanteilen unterscheiden müssen [2]. Der komplizierte Anteil, z.B. der Aufbau von IT-Infrastruktur und Tools für Datenmanagement und die Gestaltung standardisierter Prozesse für den Betrieb von Daten und KI-Lösungen, lässt sich planen. Der komplexe Anteil, dazu gehören das Treffen strategischer Entscheidungen, Use-Case-Innovation und Priorisierung oder Veränderungen in der Organisation, erfordert ein exploratives⁵ Vorgehen: Der Weg muss erst gefunden werden und kann nicht am Reißbrett vorweggenommen werden.

Abbildung 1: Kompliziert vs. komplex: Zwei Problemtypen, zwei Herangehensweisen.

Für die Unterscheidung gilt: Auch vermeintlich planbare Vorhaben stoßen auf überraschende Anteile und umgekehrt gibt es bei Exploration auch planbare Phasen. Die Frage ist nicht, ob ein Problem sortenrein kompliziert oder komplex ist, sondern welcher Charakter dominiert.

Wer diese Unterscheidung nicht trifft, scheitert nicht zufällig, sondern mit Ansage: bei komplexen Problemen wird der Plan zur Fiktion, und die Organisation verliert das Vertrauen in das gesamte Vorhaben, weil das Vorgehen nicht zum Problem passt.

3 Investitionsschutz: Planung und Exploration kombinieren

Wie nähert sich eine Organisation den Möglichkeiten von Daten und KI, ohne in die Planungsfalle zu tappen und dadurch Verschwendung zu riskieren?

Der Schlüssel liegt in der richtigen Reihenfolge. Bevor Datenplattformen konzipiert, die Belegschaft auf KI eingeschworen und neue dateninspirierte¹ Arbeitsweisen eingefordert werden, braucht es strategische Klarheit. Geblendet vom Hype schauen Unternehmen oft zuerst auf Lösungen statt auf die zu lösenden Probleme. Doch ohne strategischen Handlungsraum fehlt jegliche Grundlage für sinnvolle Investitionsentscheidungen. Fragen wie diese müssen zuerst beantwortet werden:

1. Welchen Einfluss haben die neuen technologischen Möglichkeiten auf unsere Differenzierung im Markt?
2. Wo verändern Daten und KI das Spiel in unserer Branche?
3. Welche konkreten Probleme unserer Kunden können wir mit Daten und KI besser lösen als bisher?
4. Welche Varianten für eine mögliche neue Geschäftsstrategie ergeben sich daraus?

Die Antworten auf solche Fragen lassen sich nicht durch das Abarbeiten einer Methodik gewinnen. Strategiedesign adressiert komplexe3 Probleme und erfordert daher ein exploratives⁵ Vorgehen [5], das gleichermaßen Kreativität und Könnerschaft⁴ erfordert. Oft ist unklar, welche Anwendungsfälle mit dem Potenzial, die Strategie und das Geschäftsmodell zu verändern, existieren — falls überhaupt. Hier treffen sich Strategiedesign und die Innovation von Daten- und KI-Anwendungsfällen. Beides muss Hand in Hand gehen und erfordert die Zusammenarbeit des Managements und Experten für Daten und KI [6].

Erst aus der gewonnenen strategischen Klarheit ergeben sich die benötigten Funktionen⁶ und Fähigkeiten der Organisation. Und erst dann lässt sich sinnvoll differenzieren: Welche Aufbauarbeit ist kompliziert² und damit planbar? Welche erfordert ein exploratives Vorgehen? Eine Plattform-Migration lässt sich mit klaren Anforderungen und Scope gut planen. Die Veränderung der Art und Weise wie Mitarbeitende Daten zur Entscheidungsfindung nutzen, lässt sich hingegen nicht planen.

Wer diese Reihenfolge einhält — erst strategische Klarheit, dann differenzierte Umsetzung — vermeidet es mit Ansage zu scheitern und schützt dadurch seine Investitionen in Daten und KI. Abbildung 2: Ein erfolgsversprechendes Vorgehen, um dateninspiriert zu werden.

Aus der strategischen Klarheit ergeben sich die benötigten Funktionen — darunter typischerweise auch eine Funktion für Daten und KI mit eigener Funktionsstrategie [6].

Praktisch bedeutet das: nicht das gesamte Vorhaben auf einmal durchplanen und freigeben, sondern schrittweise investieren. Jeder Schritt — ob Strategieworkshop oder Pilotversuch — wird auf Basis der jeweils gewonnenen Erkenntnisse entschieden. Zudem braucht es Könner für Exploration. Diese zu finden und ihnen die erforderlichen Rahmenbedingungen zu schaffen, ist für das Management mit die größte Herausforderung bei der Reise zu einer dateninspirierten Organisation.

4 Fazit und Ausblick

Der Wunsch nach einer durchgeplanten Roadmap für den Weg zur dateninspirierten¹ Organisation ist nachvollziehbar, aber gefährlich. Er verwechselt ein oftmals überwiegend komplexes³ Vorhaben mit einem komplizierten².

Investitionsschutz für Daten und KI entsteht nicht durch eine möglichst detaillierte Planung, sondern durch die Fähigkeit, komplizierte und komplexe Problemanteile zu unterscheiden und für jeden Anteil das passende Vorgehen zu wählen: Planung für das Bekannte, Exploration⁵ für das Unbekannte. Und vor allem: die Reihenfolge einzuhalten. Erst strategische Klarheit erarbeiten, dann die benötigten Funktionen⁶ und Fähigkeiten ableiten, und erst dann differenziert umsetzen.

Das ist unbequemer als eine verführerisch detaillierte Roadmap — aber es ist der Unterschied zwischen der Illusion von Kontrolle und tatsächlichem Investitionsschutz.

Wie strategische Klarheit für Daten und KI konkret erarbeitet werden kann, beschreibe ich in [6]. Wie Organisationen ihre Daten- und KI-Funktionen dynamikrobust gestalten, ist Gegenstand eines weiteren Artikels.

Literatur

[1] S. Wernicke, Data Inspired: Erfolgskonzepte für die datengetriebene Organisation. München: Verlag Franz Vahlen, 2024.

[2] G. Wohland und M. Wiemeyer, Denkwerkzeuge der Höchstleister: Warum Dynamikrobuste Unternehmen Marktdruck Erzeugen, 1st ed. UNIBUCH VERLAG, 2014.

[3] Harvard Business Review, A Plan Is Not a Strategy (29. Juni 2022). Zugegriffen: 8. März 2026. [Online Video].

[4] R. L. Martin, „Strategy vs. Planning: Complements not Substitutes“, Roger L. Martin. Zugegriffen: 8. März 2026. [Online].

[5] R. L. Martin, „The Evolution of the Strategic Choice Structuring Process“, Medium. Zugegriffen: 8. März 2026. [Online].

[6] J. Linden, „How Most Organizations Get Data Strategy Wrong — and How to Fix It“, Towards Data Science. Zugegriffen: 8. März 2026. [Online].

Glossar

Footnotes

1. Dateninspirierte Organisationen nutzen Daten, Analytics und KI, um permanent experimentieren und lernen zu können, neue geschäftsrelevante Fragen zu stellen und Wettbewerbsvorteile zu realisieren, indem sie Daten, Kreativität und Intuition vereinen. ↩ ↩² ↩³ ↩⁴

2. Komplizierte Probleme sind überraschungsarm und dadurch mit Wissen beherrschbar. ↩ ↩² ↩³

3. Komplexe Probleme sind überraschungsreich und dadurch nicht mit verfügbarem Wissen lösbar. Es benötigt Ideen zu ihrer Lösung. ↩ ↩² ↩³

4. Können ist die an eine Person gebundene und nicht übertragbare Fähigkeit, in einer konkreten, oft unverstandenen Situation problemlösende Gefühle zu erzeugen. Es basiert auf Talent sowie Übung und ist die entscheidende Ressource zur Bewältigung von Überraschungen, da für diese per Definition noch kein Wissen existiert. ↩ ↩²

5. Exploration ist die Tätigkeit, einen unbekannten Lösungsweg durch Ideen und Experimente erst zu entdecken. Sie ist das Gegenstück zur Planung, die einen bekannten Lösungsweg vorab in Schritte zerlegt. Beide sind Seiten derselben Unterscheidung: Vorgehen — die Art, wie eine Organisation Probleme bearbeitet. Welche Seite angemessen ist, bestimmt der Charakter des Problems: Planung für komplizierte, Exploration für komplexe Anteile. ↩ ↩² ↩³

6. Eine Funktion ist ein Bündel bestimmter Leistungen, die ein permanent wiederkehrendes Problem lösen. Wichtig: mit Funktion ist nicht die organisatorische Einheit gemeint, welche die Leistungen produziert. ↩ ↩²