Die unbequeme Wahrheit über Datenprojekte in der Industrie

Intro

In dieser Episode spricht Felix Schlenther mit Christian Krug, Host des „UNF#CK YOUR DATA“-Podcasts und Global Data Architect bei Frauscher Sensortechnik. Christian gibt tiefe Einblicke in die Realität der Datenarbeit im Mittelstand: Wie baut man eine moderne Datenarchitektur auf, wie bringt man Fachbereiche und Data-Teams zusammen, und wie navigiert man das Spannungsfeld zwischen digitalen Produkten und interner Prozessoptimierung? Nach über zehn Jahren im Consulting und drei Jahren Podcast-Erfahrung mit Data-Experten liefert er einen ehrlichen, praxisnahen Blick auf die Herausforderungen und Lösungsansätze eines Data Architects im Jahr 2026.

Inhaltsübersicht

Vom Consulting in die operative Rolle: Warum Christian nach zehn Jahren die Seite gewechselt hat
Die Rolle des Global Data Architects bei einem 700-Personen-Unternehmen
Teamaufbau im Innovations-Department: Acht Personen zwischen digitalen Produkten und Operational Excellence
Gen-AI als Katalysator: Warum Fachbereiche sich massiv in KI einarbeiten müssen
Schatten-AI als unterschätztes Risiko für Unternehmen
Moderne Datenarchitektur: Das zentrale Knotenpunkt-Konzept mit akzeptierter Heterogenität
Customer-360 als konkretes Beispiel für den Wert zentraler Datensicht
Change Management: Wie man Vertrauen in KI-Modelle aufbaut, ohne Menschen zu ersetzen
Priorisierung und Erfolgsmessung mit begrenzten Ressourcen
Frauscher Insights Diagnostics: Ein datengestütztes Produkt für die Eisenbahnindustrie
Ausblick 2026: Spezialisierung zwischen B2C- und Enterprise-AI-Lösungen

Über den Gast

Christian Krug ist Global Data Architect bei Frauscher Sensortechnik, einem österreichischen Eisenbahn-Zulieferer mit 700 Mitarbeitern weltweit. Neben seiner operativen Rolle hostet er seit drei Jahren den „UNF#CK YOUR DATA“-Podcast, in dem er mit Experten über Daten- und KI-Themen spricht. Christian kommt ursprünglich aus der Beratung und hat über zehn Jahre Consulting-Erfahrung gesammelt, bevor er den Wechsel in eine operative Rolle wagte. Sein Team von acht bis neun Personen verantwortet sowohl digitale Produkte als auch interne Datenoptimierung. Privat nutzt er Gen-AI intensiv für Textarbeit, Bildbearbeitung, Proposal-Strukturierung und Deep Research.

Detaillierte Zusammenfassung

Vom Consulting zur operativen Rolle

Christian erklärt seine Motivation für den Wechsel aus dem Consulting: Nach zehn Jahren war er es leid, ständig Projekte und Kunden zu wechseln. Als Berater baut man Systeme auf, ist aber meist weg, wenn diese in die Skalierung und den echten Mehrwert kommen. Mit einem treffenden Vergleich beschreibt er die Frustration: „Als Berater bist du immer an der Seitenlinie wie der Trainer und denkst, ich könnte den Elfmeter besser schießen. Wenn der Spieler nicht nach links passt, denkst du dir, ich hätte es viel besser gemacht.“ Jetzt muss er zeigen, dass er es tatsächlich besser macht — mit echtem Skin in the Game.

Sein Rat an Einsteiger bleibt dennoch klar: „Wenn irgendjemand den Einstieg machen will in den Data-Bereich, geht ins Consulting. Da habt ihr eine Lernkurve, das ist echt stark.“ Die breite Erfahrung aus verschiedenen Branchen und Projekten sei ein unschätzbarer Vorteil für die spätere operative Karriere.

Was sich in drei Jahren Podcast verändert hat: Das Thema ist deutlich KI-lastiger geworden. Christian hat mit klassischen Business-Intelligence-Themen angefangen, dann kamen unstrukturierte Daten dazu, und heute muss man bei jedem Datenprojekt AI mitdenken. Die Grundlagen bleiben jedoch dieselben — es braucht saubere Daten, klare Prozesse und Menschen, die zusammenarbeiten.

Die Rolle des Global Data Architects und das Team

Die Position „Data Architect“ ist bei Frauscher bewusst breit angelegt — Christian selbst nennt sich scherzhaft das „Data-Mädchen für alles“. In größeren Unternehmen wäre die Rolle klar auf Datenstrukturen, Datenflüsse und Systemarchitektur fokussiert. Bei einem 700-Personen-Unternehmen umfasst sie Anforderungsaufnahme mit Fachbereichen, initiales Assessment der Ist-Situation, Lösungsdesign und Architektur, strategische Ausrichtung bis zum C-Level sowie Projektleitung — allerdings ohne selbst zu coden.

Das Team ist im Innovations-Department angesiedelt, nicht in der klassischen IT, und besteht aus Christian (Daten-Fokus), Minzen (AI-Fokus), einem Data Scientist, einem Platform Engineer, drei Data Engineers und einem AI Engineer. Interessanterweise startete das Team mit digitalen Produkten und arbeitet sich jetzt in die Operational Excellence ein — der umgekehrte Weg zu vielen anderen Unternehmen, die typischerweise bei internen Prozessen beginnen.

Ein konkretes Produktbeispiel ist Frauscher Insights Diagnostics: Sensoren am Gleis zählen Züge und liefern Diagnosemeldungen. Das digitale Produkt stellt diese Informationen Kunden bereit, angereichert mit KI-basierten Vorhersagen. Der Business Value ist klar: höhere Uptime, bessere Verfügbarkeit des Gleises, weniger ungeplante Ausfälle — bei Sensoren, die unter extremen Bedingungen arbeiten, von 50 bis 60 Grad Wüstenhitze bis hin zu monatelangem Unterwasserbetrieb bei Monsun.

Gen-AI als Gamechanger und die unbequeme Wahrheit über Daten

Christian sieht Gen-AI als entscheidenden Wendepunkt für die Zusammenarbeit zwischen Fachbereichen und Data-Teams: „Bei Gen-AI ist es allerspätestens vorbei, dass das Data-Team und das Business-Team getrennt arbeiten können.“ Die Fachbereiche müssen sich massiv in KI einarbeiten — weit über einfache Prompts hinaus. Ansonsten entsteht nur „Slop“, also minderwertige Ergebnisse ohne echten Mehrwert.

Die unbequeme Wahrheit: Man kann nicht warten, bis die Daten perfekt sind. „Bis ihr die Daten perfekt hingezogen habt, ist es vorbei.“ Stattdessen plädiert Christian für schnelles Experimentieren mit Tools wie Claude, um Wert zu demonstrieren, bevor man in die volle Integration geht. Gleichzeitig warnt er vor dem Risiko der Schatten-AI: „Schatten-AI ist so viel zugänglicher als Schatten-IT. Wenn ihr den Leuten nicht schnell Möglichkeiten gebt, haben sie es in ihrem privaten OpenAI-Account — dann seid ihr raus aus dem Spiel.“

Schatten-AI ist so viel zugänglicher als Schatten-IT. Wenn ihr den Leuten nicht schnell Möglichkeiten gebt, haben sie es in ihrem privaten OpenAI-Account — dann seid ihr raus aus dem Spiel.

Zu Tools wie Gemini Data Analyst oder ChatGPT Code Interpreter differenziert Christian nach dem Prinzip „Game of Stakes“: Für grobe Insights sind sie durchaus brauchbar, für kritische Entscheidungen ist Vorsicht geboten — besonders wenn man den generierten Code nicht selbst beurteilen kann. Als Enterprise-Lösung nennt er Databricks Genie-Space: qualitätsgesicherte Tabellen mit natürlichsprachlichen Abfragen und eingebauten Constraints.

Moderne Datenarchitektur: Das zentrale Knotenpunkt-Konzept

Christians Architektur-Philosophie basiert auf einem zentralen, einheitlichen Datenmodell — ein „Data Hive“, technisch ein Lake House. Die Kernidee: Es braucht eine zentrale Schicht, in der alle Kunden, Produkte und Ansprechpartner sinnvoll verknüpfbar sind. Ohne diese zentrale Schnittstelle bleiben Unternehmen in Datensilos gefangen.

Gleichzeitig muss Heterogenität an den Rändern akzeptiert werden. Marketing nutzt vielleicht HubSpot, Sales ein anderes CRM, Finance SAP Joule. „Das tut weh und das nervt. Das wirst du aber in einer gewissen Organisation akzeptieren müssen.“ Das ist die unbequeme Wahrheit, der sich Data-Verantwortliche stellen müssen.

Als Beispiel dient der Customer-360-Ansatz: Ohne zentrale Datenverknüpfung sieht Sales nur Angebote, Produktion nur Abrufe, Finance nur Zahlungsverzögerungen. Ein vermeintlicher Top-Kunde kann sich in der Gesamtbetrachtung als problematisch erweisen — aber das wird nur mit zentraler Datensicht sichtbar.

Change Management: Vertrauen in KI-Modelle aufbauen

Eine zentrale Herausforderung: Wie überzeugt man jemanden, der seit Jahrzehnten eine Aufgabe macht, auf KI-Predictions zu hören? Christians Ansatz ist systematisch und menschenzentriert.

Zuerst geht es darum, Schmerzpunkte zu verstehen: „Wann kriegt die Person Ärger?“ — Das Modell wird auf echte Business-Probleme optimiert, nicht auf technische Perfektion. Dabei spielt die Unterscheidung zwischen False Positives und False Negatives eine entscheidende Rolle: Was ist schlimmer — ein vorhergesagter Ausfall, der nicht eintritt, oder ein nicht vorhergesagter Ausfall, der eintritt?

Der Schlüssel liegt in Augmentation statt Replacement. Das Modell wird als Vorschlagswert präsentiert: Was sagt dein Bauchgefühl dazu? Abweichungen zwischen Mensch und Modell werden genutzt, um das Modell zu verbessern und der Person das Gefühl zu geben, wertvolle Expertise beizutragen. Durch schleichende Adoption übernehmen Menschen die Vorschlagswerte irgendwann von selbst.

Ein 80%-Modell für 1.000 Euro kann besser sein als ein 97%-Modell für 50.000 Euro, wenn der Fachbereich mit 50% schon zufrieden ist.

„Ein 80%-Modell für 1.000 Euro kann besser sein als ein 97%-Modell für 50.000 Euro, wenn der Fachbereich mit 50% schon zufrieden ist.“ Business-Verständnis muss vor technischer Optimierung stehen.

Priorisierung, Erfolgsmessung und der Blick nach vorne

Mit acht bis neun Personen im Team sind Ressourcen knapp. Christians Ansatz ist pragmatisch: Aufwand gegen Ertrag bewerten, Erfolg an Use-Case-spezifischen Fachbereichs-KPIs messen, Plattform-Grundkosten als notwendigen Overhead akzeptieren. „Wenn du irgendeine Company findest, die Infinite Fundings hat und jedes Projekt gleichzeitig machen kann — ich habe es noch nicht gesehen, auch nicht in Großkonzernen.“

Aktuell laufen bei Frauscher zwei große Gen-AI-Projekte, dazu traditionellere KI wie Predictive Maintenance und verstärkt Operational-Excellence-Themen. Christian betont dabei eine oft unterschätzte Wahrheit: „Du musst akzeptieren, dass du eine Support-Function bist. Du musst die Fachbereiche als Leverage nehmen.“

Für 2026 prognostiziert Christian eine stärkere Spezialisierung zwischen B2C- und Enterprise-AI-Lösungen. Tools wie Claude positionieren sich als Enterprise-Lösung mit Fokus auf Zuverlässigkeit und Sicherheit, während andere Anbieter Richtung Consumer-Markt gehen. Sein Wunsch für die Branche: mehr Realismus und eine realistischere Erwartungshaltung, was KI tatsächlich kann.

Kernaussagen

Consulting als Sprungbrett — „Als Berater bist du immer an der Seitenlinie wie der Trainer und denkst, ich könnte den Elfmeter besser schießen. Wenn du im Unternehmen drin bist, musst du jetzt zeigen, dass du es tatsächlich besser machen würdest.“ Skin in the Game, operative Verantwortung
Fachbereiche müssen AI lernen — „Der Fachbereich muss sich massiv in das Thema AI einarbeiten. Ansonsten generierst du mit Gen-AI ganz viel Slop. Das ist bei Gen-AI allerspätestens vorbei, dass Data-Team und Business-Team getrennt arbeiten.“ Kollaboration, Qualitätssicherung
Schatten-AI als akute Gefahr — „Schatten-AI ist so viel zugänglicher als Schatten-IT. Wenn ihr als Datenbereich den Leuten nicht einfach schnelle Möglichkeiten gebt, dann haben die es in ihrem privaten OpenAI-Account drin — dann seid ihr raus aus dem Spiel.“ Governance, Geschwindigkeit
Zentrales Datenmodell mit akzeptierter Heterogenität — „Du brauchst irgendwo ein einheitliches Datenmodell, einen zentralen Knotenpunkt. Du musst aber diese Heterogenität, gerade mit KI, akzeptieren. Das ist die unbequeme Wahrheit, die du dich als Data-Mensch jetzt stellen musst.“ Datenarchitektur, Pragmatismus
Business-Verständnis vor technischer Perfektion — „Ein 80%-Modell für 1.000 Euro kann besser sein als ein 97%-Modell für 50.000 Euro, wenn der Fachbereich mit 50% schon zufrieden ist. Das ist der Unterschied zwischen technischer und inhaltlicher Optimierung.“ ROI, Priorisierung

Fazit und Takeaways

Für Data-Verantwortliche

Zentrale Datenarchitektur ist Pflicht: Ohne einheitliches Datenmodell bleiben Silos bestehen — aber Heterogenität bei Tools an den Rändern muss akzeptiert werden.
Gen-AI ernst nehmen, aber nicht überschätzen: Schnell Experimentierräume schaffen und Wert demonstrieren, bevor die perfekte Datenbasis steht.
Business-Verständnis vor technischer Perfektion: Schmerzpunkte der Fachbereiche verstehen und lösen, nicht das perfekteste Modell bauen.
Change Management ist entscheidend: Menschen durch Augmentation überzeugen, nicht durch Replacement-Rhetorik verschrecken.
Fachbereiche müssen AI lernen: Es reicht nicht mehr, dass nur das Data-Team KI versteht — ohne tiefe Einarbeitung entsteht nur Slop.

Für Führungskräfte

Data-Teams sind Enabler, keine Kostenstelle: Erfolg an Business-KPIs messen, nicht an technischen Metriken.
Schatten-AI aktiv verhindern: Schnelle, konforme Lösungen bereitstellen, bevor Mitarbeiter eigene Wege über private Accounts gehen.
Ressourcen realistisch einschätzen: Auch mit kleinem Team lässt sich viel erreichen — mit klarer Priorisierung und akzeptiertem Plattform-Overhead.
C-Level-Verständnis aufbauen: Workshops mit externer Hilfe können echte Augenöffner sein und strategische Weichenstellungen ermöglichen.

Für Einsteiger im Data-Bereich

Consulting als Sprungbrett nutzen: Die steile Lernkurve und breite Erfahrung aus verschiedenen Branchen sind ein unschätzbarer Vorteil.
Breite Skillsets entwickeln: Data Architects brauchen sowohl technisches als auch Business-Verständnis — reine Coding-Kompetenz reicht nicht.
Kommunikation ist entscheidend: Technische Exzellenz allein reicht nicht — man muss Menschen mitnehmen und überzeugen können.

Christian Krugs zentrale Botschaft: KI kann verdammt viel, aber es ist immer noch keine Magie. Wer im Data-Bereich erfolgreich sein will, braucht ein solides Fundament aus zentraler Datenarchitektur, enger Zusammenarbeit mit Fachbereichen und realistischen Erwartungen — gepaart mit der Bereitschaft, schnell zu experimentieren und aus Fehlern zu lernen.