Architekturentscheidungen hatten schon immer Konsequenzen. Aber die Art hat sich verändert. Im Agentic-Zeitalter trägt Data Architecture ein asymmetrisches finanzielles Gewicht, das die meisten Unternehmen noch nicht zu bewerten wissen. Unternehmen, die Agentic AI als reine Applikations-Initiative behandeln, investieren massiv ohne strukturell auf Wertschöpfung vorbereitet zu sein. Das ist ein teurer Irrtum. Dieser Artikel, der erste einer dreiteiligen Serie, zeigt warum.
Was bedeutet „Adressierbarkeit“? Und warum reicht „Clean Data“ nicht mehr aus?
Viele Beratungsansätze beginnen mit demselben Satz: „Sie brauchen saubere Daten für KI.“ Das klingt vernünftig. Greift aber zu kurz.
Datenqualität ist ein Attribut, das schnell an seine Grenzen stößt. Zwei Jahre lang die Qualität von 85 % auf 92 % zu verbessern, erzeugt einen immer geringeren Grenznutzen. Das eigentliche Problem: „Sauber“ bleibt im Agentic-Kontext undefiniert. Sauber wofür? Nach welchem Schema? Daten, die in einem Warehouse liegen, das Agenten nicht programmatisch adressieren können, sind sauber, aber wertlos.
Anforderungen an eine agentenfähige Data Architecture
Die entscheidende Verschiebung geht von Datenqualität zur Adressierbarkeit. Ein Agent muss in der Lage sein:
- die benötigten Daten zu finden,
- deren Bedeutung über ein semantisches Modell zu verstehen,
- innerhalb definierter Leitplanken zu handeln,
- nachvollziehbar zu sein, was er getan hat,
- und Kosten dem richtigen Business-Unit zuzuordnen.
Was kostet der Unterschied zwischen Datenqualität und Agent-Readiness?
Der Investitionsunterschied ist erheblich. Eine klassische Datenqualitäts-Initiative kostet rund 2 Millionen Euro und dauert 18 Monate. Eine echte Data-Architecture-Transformation für Agent-Readiness, einschließlich Semantic Layer, API-Governance und Kostenzuordnungsmechanismen, kostet bis zu 15 Millionen Euro und dauert drei Jahre.
Die erste Option fühlt sich sicherer an und zeigt Fortschritte in Dashboards. Die zweite ist das, was tatsächlich den Wert erschließt, den alle in ihren KI-Business-Cases prognostizieren. Organisationen, die diesen Unterschied nicht verstehen, kaufen sich mit Datenqualitätsprojekten eine falsche Sicherheit, während die Wettbewerbslücke wächst.
Wie misst man die Effizienz von Data Architecture als Finanzvariable?
Auf der Vienna Engineering Management Conference im Februar 2026 präsentierte Mathias Frey, Chief Engineering Technology Officer von Erste Digital bei der Erste Group, eine Formel, die das meiste von dem, was Data-Führungskräfte intuitiv wissen, in eine für CFOs lesbare Sprache übersetzt:
V ∼ D/p = C = logₐ(n)
Die Variablen: D steht für Demand (die zu erledigende Arbeit), p ist ein Produktfähigkeitsmultiplikator, C ist Kapazität (was tatsächlich geliefert werden kann), n ist die Anzahl der Mitarbeitenden und a ist der Architektureffizienz-Koeffizient, die Basis des Logarithmus.
Was lehrt diese Formel über KI-Investitionen?
KI wirkt auf n (die Personalvariable), verändert aber nicht grundlegend p oder a. Agenten gegen schlecht architektierte Daten einzusetzen, lässt diese schneller scheitern oder im schlimmsten Fall in großem Maßstab falsche Ergebnisse liefern. Der Architekturkoeffizient bleibt die bindende Restriktion.
Während Organisationen Headcount durch KI-Augmentierung reduzieren, wird a nicht weniger relevant, sondern wichtiger. In einer Welt, in der n aktiv komprimiert wird, ist a der primäre Hebel zur Wertschöpfung. Und a wird durch Data-Architecture-Entscheidungen bestimmt, die oft vor Jahren getroffen wurden. Für andere Anforderungen, unter anderen Rahmenbedingungen.
Was bedeutet das für Data-Architecture-Verantwortliche?
Der Architekturkoeffizient ist die bindende Restriktion. Nicht die Anzahl der Agenten. Nicht das Budget für Foundation Models. Wer a nicht aktiv gestaltet, überlässt den zentralen Werthebel der Vergangenheit.
Fazit: Das Fundament entscheidet
Agentenfähige Data Architecture ist kein Add-on zur bestehenden Datenstrategie. Sie ist die Voraussetzung dafür, dass KI-Investitionen überhaupt Wert erzeugen. Der erste Schritt ist die ehrliche Frage: Kann ein Agent unsere Daten heute finden, verstehen und darin handeln — oder haben wir lediglich saubere Daten in einem Warehouse, das für eine andere Ära gebaut wurde?
Im zweiten Teil dieser Serie analysieren wir, was PE-Ökonomie und das Marktereignis vom Februar 2026 über die strategische Werteverschiebung zur Datenschicht lehren.
Möchten Sie wissen, wo Ihre Data Architecture im Agentic-Zeitalter steht? Specific Group unterstützt Unternehmen dabei, Datenarchitekturen zu entwickeln, die nicht nur technisch, sondern auch wirtschaftlich tragfähig sind. Sprechen Sie mit unseren Experten für Data & AI und finden Sie heraus, wie Ihre Organisation von einem Finance-Layer-Ansatz profitieren kann.
Karl Ivo Sokolov ist Managing Director Data & AI bei der Specific Group Austria und leitet internationale Teams in acht europäischen Ländern. Er ist Mitglied des Global Board of Directors des U.S. Institute of Management Accountants (IMA).
Mario Meir-Huber ist ehemaliger Head of Data und Ex-Microsoftie. Er hat Datenprodukte für europäische Unternehmen entwickelt, lehrt an der WU Wien und TU Wien und ist Mitautor des Handbook Data Science & AI.
Karl Ivo Sokolov und Mario Meir-Huber sind Co-Autoren von „Finance-Grade Data & AI Products: The VANE Loop Framework“ (Jan. 2026).
Quellen
- Sokolov, K.I. & Meir-Huber, M. (2026). Finance-Grade Data & AI Products: The VANE Loop Framework. Vane Loop Research. vaneloop.com/book
- Frey, M. (2026). „Scaling Beyond Code: The Architecture of Leadership.“ Vienna Engineering Management Meetup.
- Inmon, W.H. & Linstedt, D. (2014). Data Architecture: A Primer for the Data Scientist. Morgan Kaufmann.
- Taleb, N.N. (2012). Antifragile: Things That Gain from Disorder. Random House.
- Gartner (2025). „40% of Enterprise Applications Will Feature Task-Specific AI Agents by 2026.“
- MuleSoft (2026). „2026 Connectivity Benchmark Report.“
By Christoph Frohner
By Dr. Andreas Muzik
By Franz Zahn
By Martin Juppe
