Wie baut man eine Daten- und KI-Organisation auf? Der Anti-Hype Blueprint

Intro

Felix Schlenther spricht mit Claudia Pohlink, Director Data & AI bei FIEGE, über ihren pragmatischen Blueprint zum Aufbau einer Daten- und KI-Organisation. Claudia bringt Erfahrungen aus beeindruckenden Stationen bei der Deutschen Telekom, der Deutschen Bahn und dem Logistikunternehmen FIEGE mit — und spricht offen darüber, dass es kein Patentrezept gibt. Stattdessen liefert sie ein konkretes Drei-Häuser-Modell, erklärt, warum man mit Stammdaten statt mit Strategien beginnen sollte, und plädiert für Pragmatismus statt Perfektion. Ein Anti-Hype-Gespräch für alle, die eine Daten- und KI-Organisation aufbauen wollen, ohne sich in Theorie zu verlieren.

Inhaltsübersicht

Die Grundthemen im Daten- und KI-Bereich haben sich in 15 Jahren kaum verändert — Governance, Architektur und Kultur waren 2011 dieselben wie heute.
Stammdaten sind der stabilste Ausgangspunkt, weil sich IT-Landschaften und Prozesse schnell ändern, Datenstrukturen aber nicht.
Das Drei-Häuser-Modell aus der Deutschen Bahn bildet den organisatorischen Blueprint: House of Data, House of AI und House of 3C (Change, Communication, Community).
Die drei Häuser sollten zu gleichen Teilen aufgebaut werden — nicht 80 Prozent Use Cases und je 10 Prozent für Grundlagen und Change.
Statt einer Fünf-Jahres-Datenstrategie empfiehlt Claudia, mit konkreten Cases zu starten und Erfahrungen zu dokumentieren.
Das Controlling ist der ideale Startpunkt: datenaffin, ergebnisorientiert und als Geldgeber einflussreich bei Budgetentscheidungen.
Interne Schlüsselrollen, die Business und Technik übersetzen können, sind nicht extern einkaufbar — sie müssen im Unternehmen aufgebaut werden.
Das Hub-and-Spoke-Modell balanciert zentrale Standards mit dezentraler Befähigung — ohne die dezentralen Initiativen zu bremsen.
Multiplikatoren-Initiativen wie Hackathons, KI-Awards und Prompting-Challenges schaffen Aha-Momente und treiben die Adoption.
Data Governance sollte nie als abstrakter Begriff kommuniziert werden — stattdessen konkrete Aufgaben wie Data Ownership und Business Glossary benennen.
Use Cases werden über klassische Innovation Funnels bewertet: Aufwand-Nutzen-Matrix, Gremien mit Business- und Finance-Beteiligung, Reifegrade von Machbarkeit bis MVP.

Über den Gast

Claudia Pohlink ist Director Data & AI (Chief Data Officer) bei FIEGE, einem der größten Logistikunternehmen Europas. Ihre Karriere im Daten- und KI-Bereich erstreckt sich über mehr als 15 Jahre. Bei der Deutschen Telekom arbeitete sie im Innovationsbereich und war Co-Founderin der Langen Nacht der Startups, einem Berliner Vernetzungsevent für Startups und Konzerne. Anschließend verantwortete sie bei der Deutschen Bahn den zentralen Daten- und KI-Bereich. Claudia kommt ursprünglich aus dem Marketing und Sales — ein Hintergrund, der ihr bis heute hilft, komplexe Datenthemen für unterschiedliche Zielgruppen verständlich zu übersetzen.

Detaillierte Zusammenfassung

Vom Marketing zur Datenwelt — und warum sich seit 15 Jahren wenig geändert hat

Claudia Pohlink beschreibt ihren ungewöhnlichen Weg: Tochter einer Programmiererin und eines Mathematikers, wollte sie eigentlich etwas ganz anderes machen. Über ein BWL-Studium und Marketing-Rollen — unter anderem bei MTV, wo sie sich mit CRM-Systemen beschäftigte — führte der Weg in die zunehmend performance-orientierte und analytische Marketingwelt. Schon in ihrer Diplomarbeit arbeitete sie mit SPSS für Datenanalysen.

Bei der Deutschen Telekom im Innovationsbereich gründete sie 2013 das Startup Motion Logic mit und baute die Lange Nacht der Startups auf — ein Event, das Konzerne mit der Startup-Szene vernetzte. Bereits 2016 entstand bei der Telekom ein Chief Data Office mit Governance, Architektur und allen Themen, die heute noch aktuell sind. „Das Lustige ist, ich habe heute Morgen noch eine Studie rausgesucht, die wir 2013 bei der Telekom mit Handelsblatt Research gemacht haben. Es ging darum, was Daten wert sind. Und das Privacy-Paradoxon. Das hast du heute immer noch.“

Die technologische Entwicklung folgt dem ABC-Prinzip: Algorithms (frei verfügbar), Big Data (exponentiell wachsend) und Computational Power (stetig steigend). GenAI hat einen extremen Push gegeben, aber die Grundlagenthemen sind dieselben geblieben.

Stammdaten als stabiler Ausgangspunkt

Claudias erste Empfehlung überrascht durch ihre Einfachheit: Mit Stammdaten anfangen. Die Begründung ist pragmatisch — IT-Landschaften ändern sich rasant, Prozesse verändern sich ständig, aber Datenstrukturen bleiben relativ stabil. Kundendaten, Personaldaten, Finanzdaten, Standortdaten — die Domänen und ihre Strukturen halten über Jahre.

Der konkrete Ansatz: Domänen identifizieren, Stammdaten definieren, führende Systeme bestimmen. „Wenn du bei der IT anfängst, bei einem bestimmten Tool, kommt ein zweites Tool, ein drittes Tool und dann hast du ganz schnell Dubletten und ein Problem mit der Datenqualität.“ Die Empfehlung ist, Prozesse und IT-Systeme an die Daten zu koppeln — nicht umgekehrt.

Die IT-Landschaft ändert sich rasant schnell, die Prozesse verändern sich wahnsinnig schnell. Aber was ändert sich nicht? Daten. Die Struktur bleibt ziemlich gleich.

Statt sofort einen Datenkatalog als Tool aufzusetzen, reicht zunächst eine einfache Liste. „Manchmal ist es wichtiger, hands-on zu sein, als jetzt ewig lange nach einem System zu suchen.“ Der erste Success Case sollte mit dem Controlling erarbeitet werden — dort sitzen datenaffine Menschen, die täglich mit Zahlen arbeiten, empfänglich für Effizienzgewinne sind und als Geldgeber einflussreich bei Budgetentscheidungen.

Das Drei-Häuser-Modell: Der organisatorische Blueprint

Das Herzstück des Blueprints ist das Drei-Häuser-Modell, das Claudia bei der Deutschen Bahn vorfand und als ideal bezeichnet:

Das House of Data kümmert sich um Grundlagen: Governance, Referenzarchitektur, Plattformen, Datenqualität, Datenkatalog, Gremien und Data Ownership. Das House of AI fokussiert auf Use Cases und besteht aus Data Scientists, Engineers, Projektmanagern, Product Ownern und Scrum Mastern. Das House of 3C steht für Change Management, Communication (Übersetzungsarbeit zwischen Datenwelt und Business) und Community Building.

Entscheidend ist die Gleichverteilung: „Nicht irgendwie 10 Prozent Grundlagen, 10 Prozent Change und 80 Prozent Use Cases, sondern wirklich zu Dritteln verteilt.“ Ohne diese Balance funktionieren die Zusammenhänge nicht — Change-Experten müssen in Projekte eingebunden werden, Learnings aus Projekten müssen in die Grundlagen zurückfließen.

Die Frage, an wen dieses Team berichtet, beantwortet Claudia bewusst ohne Patentrezept. Es gibt drei Optionen — IT, Finance oder Business — und die richtige Wahl hängt davon ab, wer am datenaffinsten ist und den Purpose erkannt hat. „Wenn du einen Finanzer hast, der in der alten Welt feststeckt, hilft es nicht, das dort zu platzieren.“ Sie plädiert auch für eine KI-Quote im Vorstand statt nur einer Frauenquote.

Strategie: Pläne statt Fünfjahresvisionen

Claudias Haltung zu Datenstrategien ist ungewöhnlich deutlich: „Muss ich, bevor ich losstarte, erst eine Strategie bauen? Da sage ich: Nein.“ Strategien, die fünf Jahre in die Zukunft blicken, ergeben in der sich rasant verändernden KI-Welt wenig Sinn. Stattdessen empfiehlt sie, in Plänen zu denken — ähnlich wie Nils Janus, Chief AI Officer von Covestro, der in Sechs-Monats-Zyklen plant.

Wichtiger als eine ausformulierte Strategie ist das Dokumentieren von Erfahrungen: Welche Cases haben funktioniert, welche nicht? Lag es an der Datenqualität, der Datenverfügbarkeit oder an einem Kulturclash? Diese Erkenntnisse fließen direkt in den Plan für die nächsten Wochen und Monate — und zeigen, ob mehr Governance, mehr Change-Arbeit oder mehr technische Kapazität gebraucht wird. „Das Data-und-AI-Team ist ein super flexibles System. Ich habe das Bild eines Chamäleons verwendet, das sich seiner Umgebung anpasst.“

Dezentral befähigen ohne zentral zu bremsen

Die Balance zwischen zentraler Steuerung und dezentraler Eigeninitiative beschreibt Claudia als das Hub-and-Spoke-Modell — ein Konzept, das in den 1950er Jahren bei Delta Airlines in der Luftfracht entstand. Ein zentrales Team schiebt Themen an, setzt Standards und schafft Plattformen für den Austausch. Dezentrale Teams werden befähigt, eigenständig Use Cases umzusetzen und zu experimentieren.

Für die Multiplikation setzt Claudia auf kreative Instrumente: Prompting-Challenges mit dem Vorstand, bei denen echte Unternehmens-Use-Cases bearbeitet werden statt AI-Action-Figuren. Hackathons als Community-Building-Instrument. Und die Idee eines KI-Awards im Unternehmen — „dann melden sich die ganzen KI-Initiativen von selbst. Du packst sie bei ihren Egos.“

Die technische Infrastruktur sollte auf bestehenden Ökosystemen aufbauen — ob AWS, SAP, Microsoft oder andere. „Ich glaube, es ist gut, da jetzt nicht die Welt komplett neu zu erfinden, nur weil du jetzt mit Daten und KI beginnst.“ Vorhandene Tools wie SAP Datasphere, AWS Glue oder Microsoft Purview sind vielleicht nicht perfekt, aber schneller einsatzbereit als Eigenentwicklungen.

Use Cases finden und bewerten

Use Cases werden über klassische Innovation Funnels identifiziert und bewertet — mit Aufwand-Nutzen-Matrizen, gemischten Gremien aus Data & AI, Business und Finance sowie Reifegraden von Machbarkeitsanalyse über POC bis MVP. Nach jeder Phase geht das Team zurück ins Gremium. Claudia betont, dass es nicht immer harte Zahlen braucht: „Man hat auch ein Gefühl, wo ein Hebel groß ist.“ Aber Hypothesen sollten formuliert werden — etwa: „Wir verbessern die Produktivität um 10 Prozent.“

Data Governance wird bewusst entmystifiziert: Den Begriff selbst hält Claudia für hinderlich, weil die meisten ihn mit etwas Schrecklichem assoziieren — „wie eine Steuererklärung“. Stattdessen spricht sie von konkreten Aufgaben: Data Ownership organisieren, ein Business Glossary aufbauen, Begriffe definieren. Ihr Beispiel von der Deutschen Bahn: „Was ist ein Bahnhof? Für den einen ist der Bahnhof der, wo der Zug reinfährt. Für den anderen ist der Bahnhof die Fläche, auf der noch Verkaufsshops stehen.“

Kernaussagen

Stabilität der Datenstrukturen — „Die IT-Landschaft ändert sich rasant schnell, die Prozesse verändern sich wahnsinnig schnell. Aber was ändert sich nicht? Daten. Die Struktur bleibt ziemlich gleich.“ Stammdaten, Ausgangspunkt
Pragmatismus vor Strategie — „Muss ich, bevor ich losstarte, erst eine Strategie bauen? Da sage ich: Nein. Losstarten, Erfahrungen sammeln und dokumentieren.“ Pläne, Sechs-Monats-Zyklen
Gleichverteilung der drei Häuser — „Nicht 10 Prozent Grundlagen, 10 Prozent Change und 80 Prozent Use Cases, sondern wirklich zu Dritteln verteilt — sonst funktionieren die Zusammenhänge nicht.“ Drei-Häuser-Modell, Balance
Übersetzer als Schlüsselrolle — „Man muss wirklich Übersetzer haben, die das der Zielgruppe so transportieren, dass es ankommt — egal ob Aufsichtsrat, Management oder Fachbereich.“ Change, Communication
Daten und KI als Verantwortung — „Daten und KI, damit möchten sich gerade sehr viele schmücken. Aber das ist eine Regenjacke und kein Armband.“ Pragmatismus, Anti-Hype

Fazit und Takeaways

Für den organisatorischen Aufbau

Drei Häuser zu gleichen Teilen: Data (Grundlagen), AI (Use Cases) und 3C (Change, Communication, Community) bilden den Blueprint. Kein Bereich darf vernachlässigt werden, sonst brechen die Zusammenhänge.
Interne Schlüsselrollen zuerst besetzen: Menschen, die Business und Technik übersetzen können, sind nicht extern einkaufbar. In jedem der drei Häuser braucht es mindestens eine Person, die den Hut aufhat und externe Unterstützung steuern kann.
Berichtsweg am Menschen, nicht an der Struktur festmachen: Ob das Team an IT, Finance oder Business berichtet, hängt davon ab, wer den Purpose erkannt hat und das Thema aktiv vorantreibt.

Für den pragmatischen Einstieg

Mit Stammdaten beginnen, nicht mit Tools: Domänen identifizieren, Stammdaten definieren, führende Systeme bestimmen. Das ist gut investierte Zeit, weil sich Datenstrukturen kaum verändern.
Controlling als ersten Partner wählen: Datenaffin, ergebnisorientiert und einflussreich bei Budgets. Ein erster Erfolg dort öffnet Türen für größere Initiativen.
Pläne statt Strategien: In Sechs-Monats-Zyklen denken, Erfahrungen dokumentieren, Learnings sofort in die nächste Planung einfließen lassen. Keine Fünfjahresstrategien für einen Bereich, der sich wöchentlich verändert.
Bestehende Ökosysteme nutzen: Ob AWS, SAP oder Microsoft — die vorhandene IT-Landschaft bietet oft schon Data-und-KI-Werkzeuge, die nicht perfekt, aber sofort einsatzbereit sind.

Für die dezentrale Skalierung

Hub-and-Spoke statt Command-and-Control: Zentral Standards setzen und Plattformen schaffen, dezentral befähigen und Eigeninitiative zulassen.
Multiplikatoren kreativ gewinnen: Prompting-Challenges mit dem Vorstand, KI-Awards zur Erfassung dezentraler Initiativen, Hackathons für Community Building.
Data Governance entmystifizieren: Den Begriff vermeiden, stattdessen konkret über Data Ownership, Business Glossary und Begriffsdefinitionen sprechen.

Claudias Blueprint ist bewusst anti-dogmatisch: Es gibt kein Patentrezept, jedes Unternehmen ist anders, und die wichtigste Eigenschaft eines Daten- und KI-Teams ist die Anpassungsfähigkeit eines Chamäleons. Wer pragmatisch startet, früh dokumentiert und die Balance zwischen Grundlagen, Use Cases und Change hält, schafft die Basis für eine nachhaltige Daten- und KI-Organisation.