Die besten KI-Tools für Datenkataloge und Governance 2026: Ein ehrlicher Käufervergleich

Irgendwo in eurem Unternehmen berichten gerade drei Teams den Umsatz auf drei leicht unterschiedliche Weisen, ein Dashboard, dem alle vertrauen, baut still auf einer Tabelle, die niemand mehr aktualisiert hat, seit die Analystin ging, die sie verantwortete, und ein neuer Kollege fragt in einem Chat-Kanal, wo er die Kundenliste findet, schon wieder. Nichts davon ist Nachlässigkeit. Es sind einfach Daten, die sich schneller stapeln, als jemand sie beschriften kann.

Rund 55 Prozent aller Unternehmensdaten sind dunkel: gesammelt, gespeichert und bezahlt, aber nie für eine Analyse oder Entscheidung genutzt¹. Schlechte Datenqualität kostet das durchschnittliche Unternehmen etwa 12,9 Millionen US-Dollar pro Jahr³. Und Gartner sagt voraus, dass Unternehmen bis 2026 60 Prozent der KI-Projekte abbrechen werden, die nicht durch KI-taugliche Daten gestützt sind⁴. Die Daten sind da. Das Problem ist, dass niemand sie findet, ihnen vertraut oder sie erklären kann.

Dies ist ein ehrlicher Überblick über die echten Tools, die 2026 dagegen ankämpfen - Datenkataloge und Data-and-Analytics-Governance-Plattformen, was jedes wirklich gut kann, was es ungefähr kostet und wo es aufhört. Kein Anbieter gewinnt jede Zeile. Und es gibt eine Sache, die fast keines von ihnen bewahrt, nämlich den Unterschied zwischen einem Tool, das indexiert, wo eure Daten liegen, und einem System, das sich erinnert, wie euer Unternehmen sie tatsächlich versteht.

Die Daten, die niemand findet, versteht oder erklären kann

Die meisten Unternehmen haben keinen Datenmangel. Sie haben ein Auffindbarkeits- und Vertrauensproblem. Die Tabellen existieren, die Reports existieren, die Zahlen existieren, aber das Wissen darüber, was sie bedeuten, woher sie stammen und ob man ihnen glauben darf, ist über Menschen, Wikis und Chat-Threads verstreut.

• Die meisten Daten sind dunkel - Branchenschätzungen ordnen rund 55 Prozent der Unternehmensdaten der Kategorie Dark Data zu, gespeichert, aber nie genutzt, und fast eines von drei Unternehmen sagt, 75 Prozent oder mehr seiner Daten seien dunkel oder veraltet¹.
• Schlechte Daten sind teuer - Gartner beziffert die Kosten schlechter Datenqualität auf rund 12,9 Millionen US-Dollar pro Unternehmen und Jahr, in verschwendeter Arbeit, falschen Entscheidungen und Nacharbeit³.
• KI stirbt an den Daten, nicht am Modell - Gartner sagt voraus, dass Unternehmen bis 2026 60 Prozent der KI-Projekte mangels KI-tauglicher Daten abbrechen, und dass erfolgreiche KI-Initiativen bis zu viermal mehr in Daten- und Analytics-Grundlagen investieren als die, die scheitern^4,5.
• Der Governance-Anspruch überholt die Fähigkeit - 88 Prozent der Organisationen nutzten 2025 KI in mindestens einer Funktion, aber nur ein kleiner Teil hat ein umfassendes Governance-Rahmenwerk dahinter⁶.
• Vergessene Daten sind ein Sicherheitsloch - ein beachtlicher Anteil der Datenpannen geht auf vergessenen oder unklassifizierten Speicher zurück, denn man kann nicht schützen, was man nie inventarisiert hat².
• Die Bedeutung lebt in Menschen - die Begründung hinter jeder Kennzahl, die Vorbehalte zu jedem Datensatz und der Grund, warum ein Report einem anderen vorgezogen wird, sitzen meist bei ein oder zwei langjährigen Analysten und in verstreuten Notizen, die niemand sonst liest.

Die Frage ist also nicht, ob man einen Katalog auf das Problem setzt. Sie lautet, welche Kategorie zu eurem Stack passt und ob das Tool eure Daten indexiert oder sie tatsächlich nutzbar macht.

Warum 2026 anders ist

Datenwörterbücher und Metadaten-Repositorien sind nicht neu. Was sich geändert hat: Der Bestand wurde zu groß und zu schnelllebig, um ihn von Hand zu dokumentieren, der Markt konsolidierte hart, und KI machte Data Governance von einer Compliance-Pflicht zur Voraussetzung für jedes KI-Projekt, das ihr ausliefern wollt.

1. Governance wurde zur Gartner-Kategorie - Gartner veröffentlichte seinen ersten Magic Quadrant for Data and Analytics Governance Platforms für den 2025er-Zyklus und bewertete Anbieter wie Alation, Collibra, Atlan, Informatica, IBM, Ataccama und data.world, ein Zeichen, dass der Markt zu einer klaren Kaufentscheidung gereift ist⁷.
2. Die großen Anbieter konsolidierten - Salesforce übernahm Informatica für rund 8 Milliarden US-Dollar und schloss den Deal im November 2025 ab, ausdrücklich, um das Datenfundament für agentische KI zu besitzen^13,14. Die Spitze des Markts ist jetzt stärker konzentriert.
3. Kataloge gingen vom Wiki zu Active Metadata - moderne Plattformen speichern kein statisches Wörterbuch mehr; sie ernten Lineage, Nutzung und Qualität automatisch und schieben Kontext zurück in die BI-Tools und Query-Editoren, die Menschen tatsächlich nutzen¹⁰.
4. Plattform-native Governance wurde ernst - Snowflake Horizon und Databricks Unity Catalog bieten inzwischen echte Discovery, Lineage und Zugriffskontrolle innerhalb ihrer Plattformen, und Databricks stellte Unity Catalog unter Open Source, um es zum plattformübergreifenden Standard zu machen^16,17.
5. KI-taugliche Daten wurden zum Nadelöhr - da Gartner 60 Prozent abgebrochene KI-Projekte mangels geregelter Daten vorhersagt, ist der Katalog für alle, die KI ernst meinen, nicht mehr optional⁴.
6. Regulierung erhöhte den Einsatz - der EU AI Act bindet Hochrisiko-KI an dokumentierte, geregelte Trainingsdaten, und die DSGVO verlangt ohnehin, dass ihr wisst, welche personenbezogenen Daten ihr wo habt, was den Katalog zum Teil eures Compliance-Nachweises macht^25,26.

Mit dieser Brille auf der Nase folgt hier die ehrliche Einschätzung der Tools, die zählen.

Was Datenkatalog- und Governance-Tools wirklich tun

Vor der Tool-Liste hilft es, präzise zu sein, welche Aufgaben diese Tools erledigen und wo Katalog und Governance sich überlappen, damit ihr jeden Anbieter am selben Maßstab messt statt an einem Feature-Raster.

Die überlappenden Disziplinen

• Datenkatalog - das Inventar: Tabellen, Spalten, Reports und Pipelines entdecken und technische wie fachliche Metadaten erfassen, damit Menschen finden und verstehen, welche Daten existieren.
• Metadatenmanagement - die Schicht unter dem Katalog: Lineage, Glossare und die Beziehungen zwischen Beständen, zunehmend als Active Metadata geliefert, die sich selbst aktualisiert.
• Data Governance - die Regeln: Verantwortlichkeiten, Richtlinien, Qualitätsstandards, Klassifizierungen und Zugriffskontrollen, die entscheiden, wie Daten genutzt werden dürfen, von wem und wofür.

Die sechs Dinge, die die Tools gut können

• Entdecken und inventarisieren - mit euren Warehouses, Lakes, BI-Tools und Pipelines verbinden, um ein vollständiges, durchsuchbares Inventar der Datenbestände zu bauen.
• Dokumentieren und Glossar - Beschreibungen, Fachbegriffe und Verantwortlichkeiten anhängen, damit eine Tabelle für alle dasselbe bedeutet.
• Lineage nachvollziehen - zeigen, woher eine Zahl kommt, welche Pipeline sie erzeugt hat und was stromabwärts bricht, wenn sie sich ändert.
• Zugriff und Richtlinien regeln - sensible Daten klassifizieren, durchsetzen, wer was sehen darf, und Masking- und Aufbewahrungsregeln anwenden.
• Qualität überwachen - Daten profilieren, Anomalien erkennen und Aktualitäts- und Vollständigkeitsprobleme markieren, bevor sie ein Dashboard erreichen.
• Zertifizieren und berichten - vertrauenswürdige Datensätze markieren, Compliance nachweisen und Fachanwendern einen Ort geben, an dem sie verlässliche Daten finden.

Die besten KI-Datenkatalog- und Governance-Tools 2026

Hier ist die ehrliche Einschätzung der Plattformen, die zählen, gruppiert danach, wem jede am besten dient, was sie wirklich gut kann und wo sie aufhört. Die Preise sind Richtwerte, weil die meisten nur auf Anfrage und nach Quellen, Nutzern oder verwalteten Beständen bepreist sind.

Cloud-agnostische Unternehmenskataloge und Governance-Suiten

1. Collibra

• Was es ist - Eine in Brüssel gegründete Data-Intelligence-Plattform, die Katalog, Governance-Workflow, Datenqualität und Richtlinienmanagement kombiniert, mit tiefer Unterstützung für die Verantwortungs-, Stewardship- und Regulierungsprozesse großer Organisationen¹¹.
• Am besten für - regulierte Unternehmen, besonders in Finanzwesen, Gesundheit und öffentlichem Sektor, wo Governance-Strenge, Richtliniendurchsetzung und Prüfbarkeit Vorrang haben.
• Preis - Enterprise, nur auf Anfrage.
• Wo es aufhört - mächtig, aber schwer: Es belohnt Organisationen mit der Reife und dem Personal, formale Governance zu betreiben, und die Begründung hinter Entscheidungen lebt weiter in euren Stewards.

2. Alation

• Was es ist - Einer der ursprünglichen Datenkataloge, gebaut um Suche, Zusammenarbeit und Akzeptanz, und als Leader in Gartners 2025er-Bewertung für Data and Analytics Governance anerkannt⁹.
• Am besten für - Organisationen, die einen Katalog wollen, den Analysten und Fachanwender wirklich nutzen, mit starker Discovery und Datenkultur-Fokus.
• Preis - Enterprise, nur auf Anfrage.
• Wo es aufhört - das akzeptanzorientierte Design ist eine Stärke, aber es bleibt ein System-of-Record; Pflege und die Bedeutung hinter den Daten bleiben menschliche Arbeit.

3. Atlan

• Was es ist - Eine moderne Active-Metadata-Plattform mit über 120 nativen Konnektoren, automatischer Lineage auf Spaltenebene und tiefer Integration mit Snowflake, Databricks, dbt und Tableau, gestützt durch eine Finanzierungsrunde über 105 Millionen Dollar¹⁰.
• Am besten für - moderne, cloud-native Datenteams, die einen schnellen, kollaborativen Katalog wollen, verdrahtet mit den Tools, die sie ohnehin nutzen.
• Preis - auf Anfrage.
• Wo es aufhört - hervorragende Metadaten-Verkabelung, aber es legt Kontext offen; es erinnert sich nicht, warum euer Unternehmen entschieden hat, was es entschied.

4. Informatica (jetzt Teil von Salesforce)

• Was es ist - Der Enterprise-Datenmanagement-Platzhirsch, der Cloud-Data-Governance und -Katalog, Integration, Qualität und Stammdatenmanagement unter der CLAIRE-KI-Engine umspannt, nach einer Übernahme über 8 Milliarden Dollar jetzt im Besitz von Salesforce^12,13.
• Am besten für - große Unternehmen, die einen Anbieter über Integration, Governance, Qualität und MDM wollen, und Salesforce-investierte Organisationen nach der Übernahme.
• Preis - Enterprise-Plattform, nur auf Anfrage.
• Wo es aufhört - Breite und Tiefe kommen mit Gewicht, Kosten und Dienstleistungen; es ist mehr Plattform, als ein mittelständisches Unternehmen braucht, und die Übernahme fügt Integrations-Unsicherheit hinzu.

5. IBM (Knowledge Catalog)

• Was es ist - IBMs Katalog- und Governance-Angebot innerhalb von Cloud Pak for Data und der watsonx.data-Welt, als Leader im 2025 Gartner Magic Quadrant for Data and Analytics Governance Platforms anerkannt⁸.
• Am besten für - große IBM-investierte Unternehmen, die Governance nahe an ihrer bestehenden Daten-und-KI-Plattform und Hybrid-Cloud-Landschaft wollen.
• Preis - Enterprise, nur auf Anfrage.
• Wo es aufhört - am stärksten innerhalb des IBM-Stacks; eigenständig konkurriert es mit fokussierteren, leichteren Katalogen.

6. Ataccama ONE

• Was es ist - Eine einheitliche Plattform, die mit Datenqualität und Observability neben Katalog und Governance führt, mit starkem europäischem Fußabdruck und KI-getriebener Qualitätsautomatisierung⁷.
• Am besten für - datenqualitätsgetriebene Organisationen, besonders in Europa, die Governance und Qualität in einem Produkt statt in zweien wollen.
• Preis - auf Anfrage.
• Wo es aufhört - qualitäts- statt akzeptanzgeführt; das fachanwenderorientierte Discovery-Erlebnis ist leichter als bei den Katalog-Spezialisten.

Plattform-native Kataloge

7. Microsoft Purview

• Was es ist - Microsofts einheitliche Suite aus Datenkatalog, Qualität, Lineage und Compliance und die native Governance-Schicht für Microsoft Fabric und OneLake¹⁵.
• Am besten für - Microsoft-zentrierte Organisationen auf Microsoft 365, Azure und Fabric, die Governance bereits integriert und oft schon lizenziert wollen.
• Preis - verbrauchs- und funktionsbasiert, gebündelt in den Microsoft-Bestand.
• Wo es aufhört - am stärksten in der Microsoft-Welt; heterogene Landschaften mit vielen Nicht-Microsoft-Quellen können seine Reichweite übersteigen.

8. Databricks Unity Catalog

• Was es ist - Einheitliche Governance für Daten und KI über das Databricks-Lakehouse, mit Echtzeit-Lineage auf Spaltenebene über Tabellen, Notebooks, Dashboards und ML-Modelle, jetzt unter Apache 2.0 als Open Source¹⁶.
• Am besten für - Databricks-zentrierte Teams, die Governance für Daten- und KI-Bestände an einem Ort wollen, und alle, die einen offenen Katalog-Standard suchen.
• Preis - in der Databricks-Plattform enthalten; Open-Source-Kern kostenlos.
• Wo es aufhört - am tiefsten innerhalb von Databricks; die plattformübergreifende Abdeckung von Nicht-Databricks-Beständen reift noch.

9. Snowflake Horizon Catalog

• Was es ist - Snowflakes eingebaute Governance-Schicht, mit rollenbasierter Zugriffskontrolle, dynamischem Masking, Row-Access-Policies, Tag-basierter Governance und Zero-Copy-Datenteilung, nativ in Snowflake-Abfragen¹⁷.
• Am besten für - Snowflake-zentrierte Organisationen, die Governance und Discovery ohne ein separates Tool wollen.
• Preis - gebündelt mit dem Snowflake-Verbrauch.
• Wo es aufhört - gebaut für den Snowflake-Bestand; ein Multi-Plattform-Unternehmen braucht weiterhin tool-übergreifende Governance obendrauf.

10. Google Dataplex Universal Catalog

• Was es ist - Google Clouds Datenkatalog- und Governance-Dienst, der Discovery, Metadaten, Qualität und Richtlinien über BigQuery und den weiteren Google-Cloud-Datenbestand vereint¹⁸.
• Am besten für - Google-Cloud- und BigQuery-zentrierte Organisationen, die native Governance in ihrer eigenen Plattform wollen.
• Preis - nutzungsbasiert innerhalb von Google Cloud.
• Wo es aufhört - am stärksten innerhalb von Google Cloud; als cloud-übergreifender Unternehmenskatalog weniger überzeugend.

Open-Source- und Knowledge-Graph-Optionen

11. DataHub (Acryl Data)

• Was es ist - Die führende Open-Source-Metadaten- und Kontextplattform, ursprünglich bei LinkedIn gebaut und 2020 als Open Source freigegeben, mit über 13.000 Community-Mitgliedern und einer verwalteten DataHub-Cloud-Stufe, gestützt durch eine Series B über 35 Millionen Dollar^19,20.
• Am besten für - engineering-geführte Datenteams, die eine skalierbare, erweiterbare Active-Metadata-Plattform wollen und mit dem Betrieb von Open Source oder der bezahlten Managed Cloud zurechtkommen.
• Preis - Open-Source-Kern kostenlos selbst zu hosten; DataHub Cloud auf Anfrage.
• Wo es aufhört - mächtig, aber engineering-lastig im guten Betrieb; der Feinschliff für Fachanwender liegt hinter den kommerziellen Katalogen, und es bleibt eine Metadaten-Schicht, kein Gedächtnis.

12. OpenMetadata

• Was es ist - Ein Open-Source-Katalog- und Metadatenmanagement-Projekt mit einheitlichem Metadatenspeicher, Konnektoren, Qualität und Lineage, das offene Standards für Metadaten vorantreibt²¹.
• Am besten für - Teams, die einen offenen, standardbasierten Katalog wollen, den sie ohne Lizenzgebühren selbst hosten und erweitern können.
• Preis - kostenloses Open Source; Managed-Optionen über den fördernden Anbieter.
• Wo es aufhört - Hosting und Wartung liegen bei euch, und die Enterprise-Governance-Workflows sind leichter als bei Collibra oder Informatica.

13. data.world

• Was es ist - Ein cloud-nativer Katalog auf Knowledge-Graph-Architektur, stark darin, Daten, Kontext und fachliche Bedeutung über Bestände zu verbinden, und in Gartners Governance-Quadrant bewertet²².
• Am besten für - Organisationen, die einen Knowledge-Graph-Ansatz zur Verknüpfung von Daten und Fachkontext und agile Katalog-Einführungen wollen.
• Preis - auf Anfrage.
• Wo es aufhört - der Knowledge Graph ist mächtige Grundlage, aber der Graph modelliert weiterhin Datenbestände, nicht das stille Wissen eurer Menschen.

14. Allgemeine Assistenten (ChatGPT, Microsoft Copilot) als Basislinie

• Was sie sind - Allzweck-Assistenten, die helfen, eine Tabellenbeschreibung zu schreiben, eine Datenrichtlinie zu entwerfen oder eine Definitionsfrage durchzudenken.
• Am besten für - einmalige Dokumentations- und Analyseaufgaben neben einem echten Katalog.
• Preis - Abos pro Platz.
• Wo sie aufhören - sie sind kein Katalog. Sie halten euer Inventar nicht, können euer Warehouse nicht crawlen und haben keinen geregelten Blick auf Lineage, Verantwortung oder Qualität. Nutzt sie als Co-Pilot, nicht als das System.

Was jeder Katalog verpasst

Stellt die Tools oben nebeneinander, und ein Muster erscheint. Sie unterscheiden sich im Preis, in der Breite und darin, wie viel sie automatisieren. Sie sind sich in einem blinden Fleck einig: Jedes von ihnen ist ein System-of-Record für Metadaten, und keines bewahrt die Begründung, die den Datensatz nützlich macht, wenn die Person geht, die sie hielt.

• Sie speichern Metadaten, nicht Bedeutung - ein Katalog weiß, dass eine Spalte net_revenue heißt. Er weiß nicht, dass net_revenue Intercompany-Umsätze aus guten Gründen ausschließt, die die Finanzleitung erklären kann und niemand aufschrieb.
• Der Kontext geht zur Tür hinaus - wenn ein langjähriger Data Steward oder eine leitende Analystin geht, behält der Katalog die Tabellennamen, verliert aber, warum jede Kennzahl so definiert ist und welchen Datensätzen man misstrauen sollte. Der nächste Neuzugang lernt eure Daten von Grund auf neu.
• Dokumentieren ist nicht Entscheiden - ein Katalog voller Beschreibungen ist eine Referenz, keine Antwort. Jemand muss ihn trotzdem pflegen, widersprüchliche Definitionen auflösen und die eigentliche Datenfrage beantworten, jeden Tag, für immer.
• Kataloge verrotten ohne Pflege - die größte Schwachstelle ist Veralterung. Ein Katalog, den niemand pflegt, bringt Menschen bei, ihm zu misstrauen, und dann fragen sie wieder im Chat.
• Die Reichweite endet am Rand der Datenplattform - die meisten Kataloge sind stark innerhalb des Datenstacks, berühren aber nicht die E-Mail-Threads, Teams-Nachrichten, Tickets und Dokumente, wo der fachliche Kontext um die Daten tatsächlich lebt.
• Der Bestand wächst über das Datenteam hinaus - mit Zehntausenden Beständen und steigend wächst die Menge an Pflege und Datenfragen schneller als das Datenteam, sodass der Rückstand wächst und der Katalog veraltet.

Genau diese Lücke ist ein Company Brain, plus KI-Mitarbeiter, gebaut zu schließen.

Der Company-Brain-Ansatz

Ein Company Brain ist Unternehmensgedächtnis: das Menschen-Wissen, die Prozesse und die Entscheidungen, die eure Daten nutzbar machen, so erfasst, dass sie Personalwechsel überleben und darauf gehandelt werden kann. Es ist die Schicht über dem Katalog, und es ist das, was ein Tool, das Daten indexiert, in einen KI-Mitarbeiter verwandelt, der die Arbeit erledigt und die Fragen beantwortet.

Was es bewahrt

• Wie jede Kennzahl definiert ist und warum - die Begründung hinter Nettoumsatz, aktivem Kunden oder Churn, damit eine Zahl im ganzen Unternehmen dasselbe bedeutet und die Definition nicht driftet.
• Die Vorbehalte zu den Daten - welcher Datensatz sauber aussieht, aber nicht ist, welche Pipeline fragil ist und welchen Zahlen man für welche Entscheidung trauen darf.
• Entscheidungskontext - welchen Report der Vorstand tatsächlich nutzt, welche Analyse eine vergangene Debatte beendete und wen man fragt, bevor man einen sensiblen Datensatz anfasst.
• Verantwortung und stilles Wissen - die Dinge, die die langjährige Analystin im Kopf trägt, erfasst, bevor sie geht, statt verloren, wenn sie geht.
• Feedback im Moment - das Company Brain lernt jeden Tag aus den Korrekturen eures Teams, sodass es akkurat bleibt, während sich Definitionen, Quellen und Bedürfnisse ändern, statt wie ein statischer Katalog zu verrotten.

Die KI-Mitarbeiter obendrauf

Verankert in diesem Gedächtnis erledigen KI-Mitarbeiter die Routinearbeit durchgängig und bleiben mit den Systemen verbunden, wo eure Daten und ihr Kontext tatsächlich leben.

• Den Katalog pflegen - Beschreibungen entwerfen, Glossarbegriffe und Klassifizierungen vorschlagen und Bestände markieren, deren Verantwortlicher gegangen ist, während ein Steward alles freigibt, was eine Definition oder Richtlinie ändert.
• Datenfragen beantworten - einem Kollegen sagen, wo die vertrauenswürdige Kundenliste liegt, welche Umsatzzahl zu nutzen ist und welche Vorbehalte gelten, in Teams oder E-Mail, statt in einem Wiki, das niemand öffnet.
• Definitionen konsistent halten - erkennen, wenn zwei Teams dieselbe Kennzahl unterschiedlich definieren, und es zur Klärung an den Verantwortlichen routen, damit die Drift früh gefangen wird.
• Auf Audits vorbereiten - die Lineage-, Verantwortungs- und Governance-Nachweise zusammenstellen, die eine EU-AI-Act- oder DSGVO-Prüfung braucht, aus dem Katalog und der Begründung darum herum.
• Täglich besser werden - jede Korrektur und jede beantwortete Frage fließt zurück ins Company Brain, sodass ihr mehr Output ohne mehr Personal bekommt.

Ein Company Brain ersetzt euren Datenkatalog nicht. Es sitzt darüber und bewahrt das, was der Katalog nie erfasst hat: wie euer Unternehmen seine Daten tatsächlich versteht und wer die Umsetzung betreibt.

Build vs Buy vs Layer: Das Urteil

Der Instinkt bei Data Governance ist, sie als Build gegen Buy zu rahmen. Das ist die falsche Frage. Der richtige Rahmen hat drei Teile, und für die meisten Unternehmen lautet die Antwort alle drei, in dieser Reihenfolge.

1. Kauft den Katalog - Discovery, Lineage und Governance sind gelöste Probleme. Den eigenen Katalog in einer Tabelle oder einem selbstgebauten Wiki zu bauen ist eine Milchmädchenrechnung; nehmt ein Tool aus dem Überblick, das zu eurem Stack passt, und bindet es an.
2. Baut den Katalog nicht - eine eigene Metadaten-Plattform konkurriert mit Anbietern, die Hunderte Konnektoren, automatische Lineage und Jahre an Governance-Workflow haben. Ihr gebt mehr aus und seht weniger.
3. Legt Gedächtnis und Handeln obendrauf - der Teil, den kein Katalog liefert, die bewahrte Datenlogik und die KI-Mitarbeiter, die Pflege betreiben und Fragen beantworten, ist dort, wo eine eigene Schicht ihren Platz verdient, weil sie spezifisch dafür ist, wie euer Unternehmen seine Daten definiert, ihnen vertraut und sie nutzt.

Der 90-Tage-Plan für die Einführung

Die meisten Katalog-Projekte stocken, weil sie alles auf einmal dokumentieren wollen und dann niemand pflegt. Ein fokussierter 90-Tage-Plan nimmt eine wertvolle Datendomäne von der Basislinie zu einem lebendigen, vertrauenswürdigen Katalog und weitet dann aus. Hier ist die Form.

Phase 1: Entdecken und Basislinie (Wochen 1-4)

1. Woche 1: Discovery anbinden - einen Katalog aufsetzen und mit eurem Warehouse, euren BI-Tools und Pipelines verbinden, damit ihr das echte Inventar und die Lineage seht, inklusive der Bestände, die niemand dokumentiert hat.
2. Woche 2: Zahlen als Basislinie - Pflegeabdeckung, die Zahl undokumentierter kritischer Bestände und die Zeit bis zum Finden für eine typische Datenfrage messen. Das ist euer Vorher-Bild.
3. Woche 3: Die Begründung erfassen - mit eurer Datenleitung und den besten Analysten dokumentieren, wie die wichtigsten Kennzahlen definiert sind und welchen Datensätzen zu trauen oder zu misstrauen ist. Das sät das Company Brain.
4. Woche 4: Leitplanken setzen - festlegen, was ein KI-Mitarbeiter automatisch pflegen darf, was Steward-Freigabe braucht und was immer an einen Menschen geht, plus den KI-Offenlegungshinweis.

Phase 2: Bauen und testen (Wochen 5-8)

5. Woche 5-6: Anbinden und verankern - einen KI-Mitarbeiter mit eurem Katalog und eurer Datenplattform verdrahten und in der erfassten Begründung verankern. Er läuft neben eurem Team, noch nicht vor dem Fachbereich.
6. Woche 7: Schattenbetrieb - die KI schlägt Beschreibungen, Klassifizierungen und Antworten auf Datenfragen an echten Beständen vor, und eure Stewards geben frei oder korrigieren. Jede Korrektur füttert das Company Brain.
7. Woche 8: Verfeinern - die Grenzfälle justieren, die Freigabe-Checkpoints finalisieren und den Go-live-Umfang für die erste Datendomäne festlegen.

Phase 3: Betreiben und messen (Wochen 9-12)

9. Woche 9: Soft Launch - die KI für eine Domäne pflegen und Datenfragen beantworten lassen, mit einem Steward auf Abruf für alles, was eine Definition ändert.
10. Woche 10-11: Voller Rollout - auf die ganze Domäne ausweiten, den Datenfragen-Kanal für den Fachbereich öffnen und Konsistenzprüfungen über Teams hinweg ergänzen.
11. Woche 12: Messen und ausweiten - Pflegeabdeckung, Zeit bis zum Finden und die Zahl vertrauenswürdiger Datensätze mit der Basislinie aus Woche 1 vergleichen, dann die nächste Domäne wählen.

Wie Superkind passt

Superkind baut KI-Mitarbeiter, verankert in einem Company Brain. In Datenkatalog und Governance heißt das: KI-Mitarbeiter, die die Routine-Pflege, -Dokumentation, Konsistenzprüfungen und Datenfragen durchgängig erledigen, verbunden mit den Systemen, die ihr ohnehin nutzt, und ein Unternehmensgedächtnis, das bewahrt, wie euer Unternehmen seine Daten definiert und ihnen vertraut, auch wenn Menschen gehen.

• Arbeitet auf eurem Katalog - er sitzt neben eurem Datenkatalog und eurer Datenplattform, kein Rip-and-Replace des System-of-Record, das ihr schon betreibt.
• Verankert in eurem Company Brain - Antworten und Aktionen spiegeln, wie euer Unternehmen seine Kennzahlen definiert und welchen Daten es vertraut, kein generisches Modell und kein veraltetes Wiki.
• Verbunden mit euren echten Systemen - er handelt über euer Warehouse, eure BI-Tools, den Katalog, SharePoint, Teams und E-Mail per API-Verbindungen.
• Betreibt die Arbeit, nicht nur die Referenz - er entwirft Dokumentation, schlägt Klassifizierungen vor, löst Definitions-Drift auf und beantwortet Datenfragen, mit Steward-Freigabe für alles, was eine Definition oder Richtlinie ändert.
• Teams- und E-Mail-nativ - Kollegen bekommen die vertrauenswürdige Antwort dort, wo sie ohnehin arbeiten, nicht in einem Katalog, den sie nie öffnen.
• Bewahrt das Wissen - die Definitionslogik, die eure Datenleitung hält, wird erfasst, während die Arbeit passiert, sodass sie Personalwechsel und Ruhestände überlebt.
• Wird jeden Tag besser - das Feedback eures Teams und jede beantwortete Frage machen ihn über die Zeit akkurater, sodass ihr mehr Output ohne mehr Personal bekommt.
• Live in Wochen - eine erste Pflege-und-Antwort-Schleife erreicht in der Regel in 8 bis 12 Wochen den Produktivbetrieb, mit einer Domäne, bevor sie ausweitet.

EU AI Act, DSGVO und Datenresidenz

Für einen deutschen oder europäischen Käufer gehört Compliance auf die Shortlist, nicht auf den Nachgedanken-Stapel. Die gute Nachricht: Der Katalog selbst ist unter dem EU AI Act meist geringes Risiko, aber die Daten darunter sind genau das, worum sich der Act und die DSGVO sorgen, und der Katalog ist euer Nachweis.

EU AI Act

• Artikel 10 Data Governance - Hochrisiko-KI-Systeme müssen auf Daten aufbauen, die relevant, repräsentativ und angemessen geregelt sind, sodass dokumentierte Lineage, Qualität und Verantwortung aus eurem Katalog zum Teil eures Compliance-Nachweises werden²⁵.
• Artikel 50 Transparenz - wenn ein KI-System mit Menschen interagiert, müssen sie es erfahren. Wenn ein KI-Assistent Datenfragen für Mitarbeitende beantwortet, sollte das klar sein²⁶.
• Im Betrieb meist geringes Risiko - KI, die Metadaten pflegt, Beschreibungen vorschlägt und interne Datenfragen beantwortet, liegt in der Regel außerhalb der Hochrisiko-Kategorien, sodass die schweren Konformitätspflichten meist nicht greifen.
• Der Katalog ist der Prüfpfad - der schnellste Weg, zu belegen, dass eure KI auf geregelten Daten läuft, ist ein Katalog, der zeigt, woher jeder Datensatz kommt, wer ihn verantwortet und wie er klassifiziert ist.

DSGVO und Datenresidenz

• Wissen, welche personenbezogenen Daten ihr habt - die DSGVO verlangt, dass ihr wisst, welche personenbezogenen Daten existieren und wo, genau die Discovery und Klassifizierung, die ein Katalog liefert.
• Daten dort lassen, wo sie hingehören - bevorzugt Tools, die innerhalb eurer Infrastruktur oder einer konformen EU-Grenze verarbeiten, mit verschlüsselten Verbindungen und ohne unnötigen Datentransfer.
• Residenz und Souveränität zählen - für viele DACH-Organisationen ist es eine eigene Beschaffungsfrage, wo der Katalog und jede KI-Verarbeitung laufen, keine Fußnote.
• Betriebsrat einbeziehen - wo KI mitarbeiterbezogene Daten berührt, ist in deutschen Unternehmen typischerweise der Betriebsrat beteiligt. Holt ihn früh dazu, nicht nach dem Pilot.
• Audit und Zugriffskontrolle - jede KI-Aktion, die eine Definition, Klassifizierung oder einen Zugriff ändert, sollte protokolliert werden, und Zugriff sollte dem Least-Privilege-Prinzip folgen.

Häufige Fragen

Verwandte Artikel

• Der KI-Mitarbeiter für das Stammdatenmanagement
• Die besten KI-Tools für Compliance und Audit-Management
• Die besten KI-Tools für Process Mining
• RAG vs. Fine-Tuning vs. Company Brain
• Glean vs Company Brain: Enterprise Search vs Unternehmensgedächtnis
• KI-Agenten für den Mittelstand

Henri Jung

Co-Gründer von Superkind, wo er SMEs und Unternehmen hilft, maßgeschneiderte KI-Mitarbeiter einzuführen, die wirklich zu der Art passen, wie ihre Teams arbeiten. Henri brennt dafür, die Lücke zwischen dem, was KI kann, und dem Wert, den sie in echten Unternehmen schafft, zu schließen. Er glaubt, der Mittelstand hat alles, was er braucht, um bei KI vorne zu sein - er braucht nur den richtigen Ansatz.