CFOs, CIOs und CTOs: Erkenntnisse zu KI und Data Governance

Governance ist ein Führungsmodell – kein Technologieproblem

Starke Data Governance entsteht dort, wo Finance und IT bei Verantwortlichkeiten, Definitionen und Standards eng zusammenarbeiten.

Die meisten Unternehmen sind sich einig, dass Finance und IT eng abgestimmt sein müssen. In der Praxis scheitert dies jedoch häufig an der Umsetzung. Während Finance in geschäftlicher Relevanz und Auswirkungen denkt, konzentriert sich die IT auf Systeme, Datenherkunft und Kontrollmechanismen. Fehlt ein gemeinsames Betriebsmodell, das beide Perspektiven verbindet, verlieren Governance-Initiativen schnell an Dynamik. Gleichzeitig bleibt oft unklar, wer die Entscheidungen trifft, wer die Datenhoheit besitzt und wer haftet, wenn KI-Ergebnisse Prozesse im großen Stil beeinflussen.

Erfolgreiche Unternehmen bringen Finance und Technologie über ein gemeinsames Governance-Modell zusammen, das folgendes ermöglicht:

• Die Brücke zwischen geschäftlichem Mehrwert und technologischer Kontrolle
• Klare Definition von Verantwortlichkeiten
• Direkte Verankerung von Standards in Datenplattformen und KI-Workflows

Wie Abstimmung in der Praxis aussieht

• 5,5x

  Unternehmen, bei denen Finance und IT nahtlos aufeinander abgestimmt sind, berichten 5,5-mal häufiger von uneingeschränktem Vertrauen in ihre Daten als Unternehmen ohne diese Abstimmung.

Datenqualität im Reality-Check: Wunsch und Wirklichkeit

Das Vertrauen der Führungskräfte in ihre Daten eilt der gelebten Data Governance noch voraus.

Unternehmen haben über Jahre hinweg in Plattformen, Integration und Modernisierung investiert. Entsprechend groß ist das Vertrauen vieler Führungskräfte in die Qualität und Verlässlichkeit ihrer Daten. Manchmal ist dieses Vertrauen berechtigt, manchmal nicht.

Was häufig fehlt, ist Konsistenz. Governance-Strukturen existieren zwar oft, werden jedoch nicht einheitlich umgesetzt. Definitionen unterscheiden sich von Team zu Team. Verantwortlichkeiten sind implizit statt klar dokumentiert. Zudem geht Kontext verloren, sobald Daten in Analysen und KI-Modelle einfließen. Zusammengenommen erklären diese Faktoren eine zentrale Diskrepanz: Viele Führungskräfte geben an, dass Governance-Programme bereits existieren oder aufgebaut werden, deutlich weniger Unternehmen verfügen jedoch über formalisierte und konsequent durchgesetzte Governance-Strukturen, die fest in tägliche Entscheidungen und KI-Workflows integriert sind.

Das Ergebnis ist eine wachsende Lücke zwischen Vertrauen und tatsächlicher Governance-Disziplin. Informelle Abstimmung funktionierte, solange Analysen überschaubar blieben. Mit KI lässt sich dieser Ansatz jedoch nicht skalieren.

Wie Abstimmung in der Praxis aussieht

Die wirtschaftlichen Folgen schlechter Datenqualität

Da KI zunehmend in zentrale Finance- und Geschäftsprozesse integriert wird, rücken die geschäftskritische Bedeutung und die konkreten Folgen mangelhafter Datenqualität immer stärker in den Fokus.

Sobald KI in Finance-Workflows eingebunden ist, werden Datenprobleme schneller sichtbar, häufig mit erheblichen Auswirkungen. Fehler, die früher manuell erkannt wurden, wirken sich heute direkt auf Prognosen, Abschlussprozesse und Entscheidungszyklen aus.

Ohne eine formalisierte Governance agieren Teams notgedrungen reaktiv: Sie korrigieren lediglich fehlerhafte Ergebnisse, statt Risiken proaktiv zu minimieren. Mit der zunehmenden Integration von KI in zentrale Finance- und Geschäftsprozesse verlangsamt dieser reaktive Ansatz nicht nur Entscheidungen, sondern erhöht zugleich finanzielle, regulatorische und Reporting-Risiken in großem Maßstab. Gleichzeitig wächst der Druck, da Vorstände zunehmend messbare Ergebnisse aus KI-Investitionen erwarten.

Wie Abstimmung in der Praxis aussieht

Das KI-Paradoxon: Mehr Tools, höhere Risiken

Der Druck auf Unternehmen, KI zügig zu implementieren, wächst. Dies führt häufig zu einer unkontrollierten Tool-Landschaft – oft ohne adäquate Governance und mit drastisch steigenden Risiken.

KI begeistert und genau deshalb versuchen viele Unternehmen, ihre KI-Initiativen möglichst schnell auszuweiten. In der Folge wächst die Zahl der eingesetzten KI-Tools kontinuierlich. Das Paradox ist einfach: Mit zunehmender Skalierung werden bestehende Schwächen verstärkt. Ob Unternehmen sechs oder mehr als zehn KI-Tools einsetzen, das Muster bleibt gleich.

Werden neue Tools schneller eingeführt als Governance-Strukturen aufgebaut werden, steigt nicht der Erkenntnisgewinn, sondern das Risiko. Jedes zusätzliche Tool bringt neue Datenflüsse, neue Annahmen und neue potenzielle Fehlerquellen mit sich. Fehlt Governance auf Datenebene, verstärkt KI bestehende Unsicherheiten.

Wie Abstimmung in der Praxis aussieht

• 4x

  Führungskräfte, die Entscheidungen auf Basis schlechter Daten getroffen haben, nutzen viermal häufiger zehn oder mehr KI-Tools als ihre Vergleichsgruppen.

Generationenwechsel im Management – höhere KI-Risiken

Die nachrückenden Verantwortlichen in Finance und IT treiben die KI-Einführung rasant voran – häufig jedoch ohne die nötigen Governance-Strukturen und Erfahrungswerte, um Risiken wirksam zu begrenzen.

Diese neue Generation von Führungskräften ist im Umgang mit KI geschult und agiert hochdynamisch. Das ist grundsätzlich ein Vorteil. Das Risiko verschärft sich jedoch genau dort, wo die Implementierungsgeschwindigkeit die erforderlichen Kontrollstrukturen überholt. Die Folgen sind dabei keineswegs theoretisch: Sie zeigen sich in finanziellen Verlusten, regulatorischen Risiken und sinkendem Vertrauen in KI-gestützte Ergebnisse. KI-unterstützte Entscheidungen ohne klare Leitplanken für Datenqualität, Verantwortlichkeiten und Governance können finanzielle und regulatorische Risiken verursachen, die sich im Nachhinein nur schwer korrigieren lassen.

Wie Abstimmung in der Praxis aussieht