Zuletzt aktualisiert: 07. September 2026
Data First bedeutet nicht, erst zwei Jahre alle Daten aufzuräumen und dann KI zu machen. Der Lean-Loop führt Datenprojekte in kleinen Schleifen zum Erfolg: Use Case als Ziel, Umfeld analysieren, Lücke schließen, bauen und messen. Laut MIT Project NANDA liefern 95 Prozent der GenAI-Piloten keinen messbaren Gewinnbeitrag, oft weil der große Daten-Wasserfall davor scheitert. Dieser Artikel zeigt das schlankere Vorgehen.
Das Wichtigste in Kürze
Der Reflex, vor jedem KI-Vorhaben erst alle Daten aufzuräumen, führt in die Wasserfall-Falle: Ein Großprojekt ohne sichtbaren Zwischennutzen stirbt oft beim ersten Budget-Review. Der Lean-Loop ist die Alternative: Einen Use Case als Ziel definieren, das Datenumfeld analysieren, genau die eine Lücke schließen (mit Eigentümer und Pflege-Regel), dann bauen, messen, lernen und mit dem Ertrag in die nächste Schleife gehen.
Anwendungsfälle werden nach gemeinsamer Datengrundlage zu Batches gebündelt, sodass eine Grundlage mehrere Use Cases freischaltet. Laut Gartner werden 60 Prozent aller KI-Projekte ohne KI-fähige Datenbasis bis Ende 2026 abgebrochen.
Daten sind kein Projekt mit Enddatum, sondern eine Fähigkeit, die mit jedem Loop wächst. Stand: Juli 2026.
Inhaltsverzeichnis
- Warum scheitert der Daten-Wasserfall?
- Was ist der Lean-Loop für Datenprojekte?
- Wie bündeln Sie Use Cases zu Batches?
- Warum sind Daten eine Fähigkeit und kein Projekt?
- Wie sieht der erste Loop konkret aus?
- FAQ: Häufige Fragen zum Lean-Loop für Datenprojekte
Warum scheitert der Daten-Wasserfall?
Der Reflex ist verständlich und fast immer der falsche Weg: „Dann räumen wir eben erst alle Daten auf, und danach machen wir KI.“ Das klingt gründlich und vernünftig. In der Praxis ist es die zuverlässigste Art, ein Datenprojekt scheitern zu lassen.
Ein solcher Daten-Wasserfall hat zwei eingebaute Sollbruchstellen. Erstens produziert er über Monate keinen sichtbaren Nutzen. Ein Projekt, das im Monat eins startet und frühestens im Monat vierundzwanzig etwas liefert, stirbt meist im Monat sechs, wenn das erste Budget-Review kommt und niemand ein Ergebnis vorzeigen kann.
Zweitens beruht er auf einer falschen Annahme über Wissen. Der Wasserfall unterstellt, man könne am Anfang vollständig planen, welche Daten in welcher Qualität gebraucht werden. Tatsächlich kommen die entscheidenden Erkenntnisse über den echten Datenbedarf erst auf dem Weg, wenn ein konkreter Anwendungsfall die Daten tatsächlich benutzt. Wer alles vorab plant, plant an der Realität vorbei.
In den Projekten, die ich begleite, scheitert das große Aufräumen selten an der Datenmenge. Es scheitert daran, dass die Fachbereiche über Monate keinen spürbaren Nutzen sehen und der Rückhalt kippt. Wer alle Datenschulden auf einmal tilgen will, tilgt am Ende gar keine.
Hajo Hajo
Head of Customer Success & Consulting, onacy GmbH
Was hinter diesen Datenschulden steckt und warum sie sich verzinsen, beschreibt der Pillar-Artikel zu Datenschulden.
Was ist der Lean-Loop für Datenprojekte?
Der Lean-Loop ist die Alternative zum Wasserfall: Statt alles auf einmal zu planen, arbeiten Sie in kleinen Schleifen, von denen jede einen sichtbaren Nutzen liefert. Vier Schritte bilden eine Schleife.
| Schritt | Leitfrage | Ergebnis |
|---|---|---|
| 1. Use Case als Ziel | Was soll herauskommen, woran messen wir es? | Ein konkretes, messbares Ziel statt „bessere Daten“ |
| 2. Umfeld analysieren | Welche Prozess- und Kontextdaten hängen dran, wo sind die Lücken? | Klarer, begrenzter Datenbedarf |
| 3. Lücke schließen | Welche Daten müssen auf eine Wahrheit, mit welchem Eigentümer? | Genau diese Grundlage sauber, nicht mehr |
| 4. Bauen, messen, lernen | Liefert der Use Case den erwarteten Nutzen? | Ergebnis plus Erkenntnis für die nächste Schleife |
Stand: Juli 2026.
Der entscheidende Unterschied zum Wasserfall steckt in Schritt drei: Die Datenlücke wird vom Use Case gezogen, nicht auf Vorrat geschlossen. Sie bereinigen genau die Daten, die dieser eine Anwendungsfall braucht, mit einem Eigentümer und einer Pflege-Regel, damit die Schuld nicht sofort wieder aufläuft. Und der Ertrag jeder Schleife, sei es Zeitersparnis, Umsatz oder Qualität, finanziert die nächste.
Wie bündeln Sie Use Cases zu Batches?
Damit aus vielen kleinen Schleifen kein Zickzack wird, kommt ein zweites Prinzip hinzu: Bündeln Sie Anwendungsfälle nach gemeinsamer Datengrundlage zu Batches.
Das geht so: Sammeln Sie Ihre Use-Case-Ideen, stellen Sie zu jeder genau eine Frage (Welche Daten braucht sie?) und gruppieren Sie sie nach der Antwort. Erfahrungsgemäß landen fast alle Ideen in zwei bis drei Clustern, typischerweise Produktdaten, Kundendaten und Dokumente. Die Datengrundlage hinter dem größten Cluster wird Ihre erste Batch.
Ein Beispiel: Bringen Sie Ihre Produktattribute in Ordnung, und Sie schalten in einem Zug bessere Shop-Filter, KI-Produkttexte, dynamische Vergleiche und einen verlässlichen Produktassistenten frei. Eine Grundlage, vier Anwendungsfälle. Die Schleifen der einzelnen Use Cases laufen dann parallel auf derselben, gemeinsam genutzten Datengrundlage. Wie Sie diese Cluster systematisch bilden und priorisieren, beschreibt der Leitfaden KI-Use-Cases priorisieren.
Warum sind Daten eine Fähigkeit und kein Projekt?
Ein Projekt hat ein Ende. Daten haben keins. Genau hier liegt der tiefere Grund, warum der Wasserfall scheitern muss: Er behandelt als einmaliges Projekt, was in Wahrheit eine dauerhafte Fähigkeit ist.
Daten wollen fortlaufend bewirtschaftet werden, durch Erweitern, Aggregieren und Pflegen. Der Lean-Loop institutionalisiert genau das. Jede Schleife baut nicht nur einen Use Case, sondern auch die organisatorische Muskulatur, Daten sauber zu halten: Eigentümer, Pflege-Regeln, Routine. Warum diese Datenschicht wertvoller ist als jede Modellwahl, vertieft der Artikel Modelle wechseln, Daten bleiben.
Ein Datenprojekt ist nichts, das man in einem Zwei-Jahres-Plan abschließt. In der Umsetzung schneiden wir die Arbeit in kurze Iterationen, jede mit einem lieferbaren Ergebnis nach wenigen Wochen. So bleibt jeder Loop machbar, planbar und zeigt, dass die Richtung stimmt, bevor der nächste startet.
Béla Yannik Hahne
Project Management & Operations, onacy GmbH
Diese Haltung löst auch die Lähmung auf, in der viele Unternehmen zwischen der Angst, etwas zu verpassen, und der Überforderung durch tausend Möglichkeiten feststecken. Der Loop gibt eine Reihenfolge vor, in der jeder Schritt machbar ist und sich der nächste aus dem Ertrag des vorigen ergibt.
Wie sieht der erste Loop konkret aus?
Machen wir es greifbar an einem durchgespielten Beispiel, der Datengrundlage Produktattribute.
Schritt eins, Use Case als Ziel: KI-generierte Produkttexte für die umsatzstärkste Warengruppe, gemessen an eingesparter Redaktionszeit und Time-to-Market neuer Artikel. Schritt zwei, Umfeld analysieren: Welche Attribute braucht der Text, und bei wie vielen Artikeln der Warengruppe fehlen oder widersprechen sie sich? Schritt drei, Lücke schließen: Genau diese Attribute auf eine Wahrheit bringen, mit einem Eigentümer in der Produktdatenpflege und einer Regel, wie neue Artikel künftig sauber angelegt werden. Das ist eine Sache von Wochen, nicht von Jahren, weil es nur diese Warengruppe betrifft. Schritt vier, bauen, messen, lernen: KI daraufsetzen, Ergebnisqualität und Zeitersparnis messen und mit dem Ertrag den nächsten Cluster angehen.
Nach diesem ersten Loop haben Sie zweierlei: Einen produktiven Use Case und eine saubere, gepflegte Datengrundlage, auf der die nächsten Anwendungsfälle derselben Batch aufsetzen. Wie die dazugehörige Datenarbeit dauerhaft organisiert wird, ist Kern unseres Bereichs Data Management, die produktive KI-Nutzung Thema unseres Hubs zur KI-Automation. Woher die zu tilgenden Datensilos ursprünglich stammen, erklärt der Artikel zu Datensilos im Mittelstand.
Wenn Sie Ihren ersten Loop planen wollen, ohne sich in einem Großprojekt zu verlieren, buchen Sie ein unverbindliches Erstgespräch.
FAQ: Häufige Fragen zum Lean-Loop für Datenprojekte
Muss man erst alle Daten bereinigen, bevor man KI einsetzt?
Nein. Ein vollständiges Aufräumen aller Daten vor dem ersten KI-Einsatz ist der Daten-Wasserfall, der meist scheitert, bevor er Nutzen liefert. Sinnvoller ist der Lean-Loop: Nur die Daten bereinigen, die der erste konkrete Use Case braucht, und dann in Schleifen weiterarbeiten. So entsteht Nutzen von Anfang an, und die Datenqualität wächst use-case-getrieben mit.
Was ist der Lean-Loop für Datenprojekte?
Der Lean-Loop ist ein iteratives Vorgehen in vier Schritten: Einen Use Case als messbares Ziel definieren, das Datenumfeld analysieren, genau die benötigte Datenlücke schließen (mit Eigentümer und Pflege-Regel) und dann bauen, messen und lernen. Der Ertrag jeder Schleife finanziert die nächste. Anders als der Wasserfall liefert jede Schleife einen sichtbaren Nutzen.
Wie lange dauert ein Datenprojekt nach der Loop-Methode?
Eine einzelne Schleife dauert typischerweise Wochen, nicht Jahre, weil sie nur die Datengrundlage eines konkreten Use Cases betrifft und nicht den gesamten Datenbestand. Das Datenprojekt als Ganzes hat kein festes Enddatum, weil Datenpflege eine dauerhafte Fähigkeit ist. Aber der erste messbare Nutzen entsteht schon nach der ersten Schleife.
Was ist eine Daten-Batch?
Eine Daten-Batch ist ein Bündel von Anwendungsfällen, die auf derselben Datengrundlage aufsetzen. Beispiel: Saubere Produktattribute schalten Shop-Filter, KI-Produkttexte, Vergleiche und einen Produktassistenten gleichzeitig frei. Statt jeden Use Case einzeln zu bearbeiten, priorisiert man die gemeinsame Grundlage und bearbeitet die zugehörigen Anwendungsfälle parallel.
Warum scheitern große Datenkonsolidierungs-Projekte?
Weil sie über lange Zeit keinen sichtbaren Nutzen liefern und deshalb den ersten Budget- oder Prioritätenwechsel selten überstehen. Zudem beruhen sie auf der falschen Annahme, man könne den Datenbedarf vollständig vorab planen. Tatsächlich zeigt sich der echte Bedarf erst, wenn ein konkreter Use Case die Daten benutzt. Der Lean-Loop vermeidet beide Fallen.
Autor
Philipp Foreman
Geschäftsführer, onacy GmbH
Philipp Foreman ist Geschäftsführer der onacy GmbH in Münster und begleitet seit über 15 Jahren Commerce-, Produkt- und Datenprojekte im Mittelstand. Er hat genügend gescheiterte Daten-Großprojekte gesehen, um überzeugt dafür zu werben, Datenarbeit in kleinen, nutzenstiftenden Schleifen zu organisieren statt in Zwei-Jahres-Wasserfällen.
Ihren ersten Lean-Loop planen
Wir schauen uns Ihre Use-Case-Ideen und Ihre Datengrundlage an und identifizieren gemeinsam die erste Batch, die in Wochen statt Jahren messbaren Nutzen liefert.
