«Der KI-Vorsprung entsteht in der Fabrik - nicht im Labor»

42 Prozent der KI-Initiativen werden abgebrochen, bevor sie produktiv werden. Das Problem ist selten die Technologie, sondern die fehlende Industrialisierung dahinter.

Interview mit Hans Peter Gränicher, Gründer und CEO der D ONE Value Creation AG.

Die Zahlen sind ernüchternd: Laut S&P Global (Oktober 2025) ist der Anteil der Unternehmen, die ihre Kl-Initiativen vor dem produktiven Einsatz abbrechen, innerhalb eines Jahres von 17 auf 42 Prozent gestiegen. Gleichzeitig planen laut McKinsey 92 Prozent aller Unternehmen, ihre KI-Investitionen weiter zu erhöhen. Mehr Kapital, weniger Reife: Dieses Para-dox hat einen Namen – fehlende Industrialisierung. Industrialisierung bedeutet, Data & AI nicht als Projekt, sondern als unternehmerische Kernfähigkeit zu be-greifen. Nicht einzelne Use Cases, sondern ein reproduzierbares System, das kontinuierlich Wert schafft. Wer diesen Schritt nicht macht, wird feststellen, dass Investitionen wachsen – und die Wirkung ausbleibt. Vier Elemente entscheiden da-rüber, ob Data & AI skalieren oder im Innovationslabor stecken bleiben: Strategy, Foundation, Scale und Trust.

1. Strategy - Value First

AI ist keine Technologiefrage. Sie ist eine Entscheidung über künftige Wettbewerbsfähigkeit. Wer das versteht, stellt die richtige Eingangsfrage: Wo schafft AI messbaren Wert - in Umsatzwachstum, Kostenreduktion, Risikoreduktion oder neuen Geschäftsmodellen? Erfolgreiche Organisationen priorisieren Use Cases deshalb nicht nach technischer Machbarkeit, sondern nach dem Produkt aus Business Impact und Umsetzbarkeit. Sie verankern AI in der Unternehmensstrategie, definieren klare Ownership auf C-Level und behandeln AI-Investitionen mit derselben Disziplin wie jede andere strategische Ressourcenallokation.

2. Foundation - Daten-Architektur als Basis für skalierbare Innovation

Technologische Innovation scheitert heute selten an fehlenden Ideen. Das fehlende Fundament ist das eigentliche Problem: Daten in Silos, Governance-Lücken, Architekturen, die für das Experiment gebaut wurden, aber nicht für die Skalierung. Eine moderne Foundation begreift Daten-Architektur deshalb nicht als IT-Nebenprodukt, sondern als strategisches Business-Asset. Der entscheidende Übergang ist jener von der „Lab»-zur „Fab»-Architektur. Das Lab ist auf Geschwindigkeit ausgelegt – schnelles Testen, schnelles Scheitern, «up or out». Die Fab garantiert Stabilität, Wiederverwendbarkeit und industrielle Reproduzierbarkeit. Wer skalieren will, braucht beides: Innovation braucht Freiraum. Skalierung braucht Disziplin. Was dabei oft unterschätzt wird: Das Lab braucht Zugang zu realen, produktiven Daten, nicht zu bereinigten Sandbox-Kopien. Nur mit echten Daten lassen sich ech-te Muster erkennen. Diese notwendige Datendurchlässigkeit unter strikten Governance-Auflagen zu ermöglichen ist in der Praxis das grösste Hindernis, aber gleichzeitig der grösste Hebel.

Eine tragfähige Foundation steht auf drei Pfeilern:

• einer skalierbaren Infrastruktur - ob Cloud, On-Premise oder hybrid, je nach regulatorischem Kontext;

• klaren Data-Ownership-Strukturen in den Fachbereichen, kombiniert mit granularen Access-Control-Systemen, die Datenqualität und Compliance sicher-stellen – ohne Daten zu fragmentieren oder in Silos zu sperren;

• und modularen Datenprodukten, die über Use Cases hinweg wiederverwendbar sind, statt für jede Anwendung das Rad neu zu erfinden. KI darf dabei nicht als isolierte Lösung angebaut wer-den - sie muss integraler Bestandteil der Architektur sein.

3. Scale - Effizienz durch MLOps und Agentic AI

Strategie und Fundament sind Voraussetzungen. Skalierung ist der Moment, wo Wert tatsächlich entsteht. Es geht darum, die PS der Innovationsprojekte auf die Strasse des operativen Geschäfts zu bringen. Nicht ein Modell, sondern hunderte: reproduzierbar, überwachbar, kosteneffizient.

Das erfordert industrielle Prozesse. So wie DevOps die Softwareentwicklung transformiert hat, macht MLOps das Deployment und die Überwachung von KI-Modellen zur Routine - inklusive automatisierter Qualitätskontrollen wie Drift- und Bias-Detection. FinOps-Disziplin stellt sicher, dass Infrastruktur-kosten in einem gesunden Verhältnis zum messbaren Business Value stehen. Wer diese Disziplin nicht einführt, wird feststellen, dass KI-Kosten schneller wachsen als KI-Nutzen. Der nächste Reifegrad ist Agentic AI: Systeme, die komplexe Ziele eigenständig in Teilschritte zerlegen und direkt mit Unternehmens-software interagieren - ohne menschliche Intervention bei jedem Schritt. Das Potenzial ist erheblich. Die Risiken auch: Viele Agentic-Initiativen scheitern heute an unvorhersehbarem Verhalten und Governance-Lücken bei autonomen

Entscheidungen. Skalierung gelingt des-halb nur, wer Qualitätssicherung nicht als nachgelagerten Check begreift, sondern als integralen Bestandteil des gesamten Lifecycles. Und wer versteht: Kontrolle allein schafft kein Vertrauen. Vertrauen entsteht, wenn Technologie, Menschen und Verantwortung zusammenwirken.

4. Trust - Von der Black Box zu gelebter Verantwortung

Vertrauen ist das Ergebnis von Verant-wortung, nicht von Technologie. Und Verantwortung braucht technische Absicherung genauso wie organisationale Verankerung.

Die technische Seite ist anspruchs-voll, weil KI probabilistisch arbeitet: Antworten variieren, Entscheidungen sind nicht deterministisch reproduzierbar. Manuelle Stichproben reichen nicht aus. Automatisierte Evaluationen sind Pflicht, um statistisch belastbare Ergebnisse sicherzustellen. Red-Teaming stresst Mo-delle mit tausenden Szenarien, um Bias und Sicherheitslücken systematisch auf-zudecken. Explainable AI macht die Logik hinter Entscheidungen nachvollziehbar, mit sichtbaren Reasoning-Schritten und identifizierten Quellen. Echtzeit-Guardrails verhindern den Abfluss sensibler Daten. Und Konzepte wie LLM-as-a-Judge machen Performance objektiv mess-bar - statt auf subjektive Abnahmen an-gewiesen zu sein.

Bei agentischen Systemen verschärft sich die Anforderung: Autonomes Handeln er-fordert Traceability von Entscheidungsketten, automatisierte Policy-Violation-Detection und Revert-Mechanismen. Je mehr Autonomie, desto mehr Governance. Das ist keine Einschränkung, sondern die Voraussetzung für skalierbares Ver-rauen. Für Schweizer Unternehmen kommt eine zusätzliche Dimension hinzu: Das revidierte Datenschutzgesetz (nDSG), die FINMA-Erwartungen an algorithmische Entscheidungssysteme und - für Unternehmen mit EU-Exposure - der EU AI Act schaffen verbindliche Anforderungen an Transparenz, Nachvollziehbarkeit und menschliche Kontrolle. Was viele als Compliance-Last wahrnehmen, ist in Wahrheit ein strategischer Vorteil: Wer Trust als Pfeiler seiner AI-Industrialisierung verankert, erfüllt nicht nur regulatorische Anforderungen - er baut eine Fähigkeit auf, die Vertrauen bei Kunden, Partnern und Aufsichtsbehörden schafft. Gleichzeitig setzen Vorgaben wie Datenlokalisierung oder Cloud-Restriktionen reale operative Grenzen, die pragmatische Architekturentscheide erfordern.

Doch Technologie allein reicht nicht. Die inhaltliche Verantwortung für KI-Modelle muss bei den Fachbereichen liegen - nicht in der IT. Nur wenn Business-Verantwortliche die Leistung ihrer Algorithmen aktiv verantworten und über die Data Literacy verfügen, Ergebnisse kritisch zu hinterfragen, entsteht eine nachhaltige Vertrauenskultur. Vertrauen ist kein Projektergebnis. Es ist eine Organisationsentscheidung.

Fazit

Die Industrialisierung von Data & AI ist kein Projekt mit Abschlussdatum, sie ist ein kontinuierlicher Prozess der Professionalisierung. Die Unternehmen, die heute den Übergang vom Experiment zum reproduzierbaren System meistern, bauen einen nachhaltigen Vorsprung auf, den Nachzügler schwer aufholen werden. Der Weg ist bekannt: Strategy, Foundation, Scale und Trust sind keine abstrakten Konzepte, sie sind umsetzbare Hebel. Was fehlt, ist nicht das Wissen. Es ist die Entschlossenheit, den Schritt vom Experiment zur Industrialisierung konsequent zu gehen.

Die KI-Revolution gewinnen nicht die Innovativsten - sondern die Diszipliniertesten.