Proprietäre Daten könnten zum wertvollsten KI‑Schutzwall werden

Künstliche Intelligenz wird für Unternehmen immer leichter zugänglich. Führende Modelle können über Cloud‑Plattformen lizenziert werden, Open‑Source‑Systeme können angepasst werden, und KI‑Assistenten tauchen in gängiger Business‑Software auf. Diese wachsende Verfügbarkeit wirft für Investoren eine wichtige Frage auf: Wenn Wettbewerber auf ähnliche Modelle zugreifen können, woher werden dauerhafte KI‑Vorteile stammen?

Eine neue Studie, veröffentlicht in Research Policy¹, legt nahe, dass die Antwort darin liegen könnte, wie effektiv Unternehmen Künstliche Intelligenz mit proprietären Daten, institutionellem Wissen und menschlicher Expertise kombinieren. Das zentrale Argument ist, dass KI nicht länger als konventionelles Software‑Tool behandelt werden sollte. Sie wird zu einem weiteren Lernagenten innerhalb der Organisation.

Diese Unterscheidung ist wichtig, weil der Kauf von KI nicht automatisch ein Unternehmen beim Lernen besser macht. Unternehmen benötigen weiterhin relevante Daten, Mitarbeitende, die das operative Umfeld verstehen, technische Teams, die Modelle konfigurieren können, und Prozesse, die KI‑generierte Erkenntnisse in Handlungen umsetzen. Unternehmen, die diese Fähigkeiten früh zusammenstellen, können Vorteile entwickeln, die mit der Zeit immer schwerer zu reproduzieren sind.

KI verändert, wie Unternehmen Wissen aufnehmen

Management‑Forscher verwenden den Begriff Absorptionsfähigkeit, um die Fähigkeit eines Unternehmens zu beschreiben, wertvolles externes Wissen zu erkennen, zu verstehen und kommerziell anzuwenden. Traditionell wurde dieser Prozess als menschliche Tätigkeit angesehen, unterstützt durch Forschung, Kommunikation, Schulung und Erfahrung.

Das neue Papier argumentiert, dass dieses Rahmenwerk nicht mehr ausreicht. Moderne KI‑Systeme können Informationen durchsuchen, Muster erkennen, Daten aus unzusammenhängenden Bereichen kombinieren und mögliche Erklärungen oder Lösungen generieren. Anstatt Informationen lediglich zu speichern, damit Mitarbeitende sie abrufen, kann KI beeinflussen, wonach die Organisation sucht und wie sie das Gefundene interpretiert.

Dies schafft, was der Forscher als duale Lernarchitektur bezeichnet. Menschliches Lernen bleibt durch Erfahrung, Kontext, Assoziation und Urteil geleitet. Maschinelles Lernen arbeitet über statistische Zusammenhänge, die in Daten gefunden werden. Jeder Ansatz hat unterschiedliche Stärken und Schwächen, und keiner ist allein ausreichend.

Dies unterstützt eine breitere Lehre, die sich in der gesamten Wirtschaft abzeichnet: Informationen schaffen keinen Wert, bis eine Organisation sie interpretieren und nutzen kann. Aktuelle Berichterstattung von Securities.io darüber, wie KI neue Chancen für kleine Unternehmen eröffnet, stellte ebenfalls fest, dass KI‑Fähigkeit und unternehmerische Fähigkeit komplementär statt austauschbar sind.

Datenheritage könnte zu einem kumulativen Unternehmensvermögen werden

Eines der nützlichsten Konzepte des Papiers ist das Datenheritage. Es bezieht sich auf das Volumen, die Vielfalt, die Qualität und die Historie der von einem Unternehmen angesammelten Daten.

Traditionelle Datenbanken sind größtenteils passiv. Sie bewahren Informationen, bis eine Person oder ein vordefiniertes Programm sie abruft und analysiert. KI macht angesammelte Daten aktiver, weil neue Informationen beeinflussen können, wie das System Muster erkennt und zukünftiges Wissen generiert.

Ein Hersteller kann beispielsweise über jahrelange Wartungsprotokolle, Produktionsmessungen, Fehlermeldungen, Geräte‑Logs und Technikerbeobachtungen verfügen. Ein Wettbewerber könnte vergleichbare KI‑Software erwerben, aber er kann diese Betriebsgeschichte nicht sofort reproduzieren. Die Daten des etablierten Unternehmens können seinen Modellen helfen, Ausfälle zu diagnostizieren, die Produktion zu optimieren und Zusammenhänge zu erkennen, die zum Zeitpunkt der Erstellung der Aufzeichnungen nicht ersichtlich waren.

Der Prozess kann sich selbst verstärken. Bessere Daten helfen einem KI‑System zu erkennen, welche zusätzlichen Informationen wertvoll wären. Das Unternehmen sammelt dann bessere Informationen, verbessert die nachfolgende Analyse und steuert weitere Datenerhebungen. Das Papier beschreibt diese gezielte Investition in Beschaffung, Kuratierung, Integration und Verwaltung von Daten als Datenabsorptionsaufwand.

Der daraus resultierende Vorteil besteht nicht nur darin, mehr Daten zu haben. Schlecht strukturierte, irrelevante oder voreingenommene Daten können ein System schwächen. Der Schutzwall entsteht durch die Kombination von:

• Proprietäre und relevante Informationen
• Zuverlässige Erfassungs‑ und Governance‑Prozesse
• Mitarbeitende, die den betrieblichen Kontext verstehen
• Technische Expertise, die die KI anpassen kann

Dies stimmt mit dem breiteren Trend zu hybriden Datenstrategien überein, die proprietäre Unternehmensinformationen mit umfangreicheren externen Datensätzen kombinieren. Der Zugang zu einem leistungsstarken Modell könnte gängig werden, doch der Zugang zum richtigen internen Kontext wird weiterhin ungleich bleiben.

Wie KI institutionelles Wissen bewahren kann

Die Studie führt zudem das Konzept der Wissensvirtualisierung ein. Mitarbeitende sammeln häufig Fachwissen, das schwer zu dokumentieren ist. Ein erfahrener Techniker kann ein mechanisches Problem anhand einer ungewöhnlichen Vibration erkennen, während ein Risikoanalyst eine verdächtige Anwendung erkennt, ohne das Urteil in eine einfache Regel fassen zu können.

Unternehmen bewahren dieses implizite Wissen traditionell durch Schulungen, Mentoring, Routinen und geteilte Erfahrung. Diese Methoden sind wertvoll, aber teuer, schwer skalierbar und anfällig für Mitarbeitendenfluktuation.

KI schafft einen weiteren möglichen Kanal. Modelle, die auf Entscheidungen, Ergebnissen, Dokumenten, Sensordaten und historischen Fällen trainiert wurden, können Teile des Erfahrungswissens in mathematische Darstellungen kodieren. Das bedeutet nicht, dass ein Modell wörtlich alles versteht, was ein erfahrener Mitarbeitender weiß. Es bedeutet, dass die Organisation Muster, die aus diesem Fachwissen abgeleitet wurden, bewahren und erneut einsetzen kann.

Damit könnte Wissen, das zuvor einem einzelnen Mitarbeitenden oder Team zugeordnet war, zu einem wiederverwendbaren Unternehmensvermögen werden. Neue Mitarbeitende könnten mit einem KI‑System interagieren, das Teile der historischen Entscheidungsfindung der Organisation widerspiegelt, während erfahrene Mitarbeitende dessen Ausgabe nutzen könnten, um übersehene Evidenz zu identifizieren.

Allerdings besteht ein strategischer Spannungsbogen. Implizites Wissen kann gerade deshalb wertvoll sein, weil Wettbewerber es nicht leicht kopieren können. Die Virtualisierung dieses Wissens macht es intern skalierbarer, wirft jedoch Sicherheits‑, Governance‑ und Eigentumsfragen auf. Werden sensible Trainingsdaten, Modellgewichte oder Workflows offengelegt, könnte das Unternehmen unbeabsichtigt einen Teil seines operativen Vorteils übertragen.

Menschliches und maschinelles Urteil müssen verbunden bleiben

Das Papier bezeichnet die effektive Koordination von Domänenwissen und KI‑Wissen als kognitive Dualität. Diese Fähigkeit erfordert mehr als die Beschäftigung von Datenwissenschaftlern neben erfahrenen Managern. Die beiden Gruppen müssen in der Lage sein, einander zu verstehen und herauszufordern.

Domänenexpert*innen benötigen ausreichende KI‑Kompetenz, um zu erkennen, wann ein Modell unzuverlässig ist, außerhalb seines Trainingsumfelds operiert oder Korrelation mit Kausalität verwechselt. Technische Teams benötigen ausreichende Domänenkenntnisse, um zu verstehen, welche Ergebnisse wichtig sind und welche Einschränkungen nicht allein aus Daten abgeleitet werden können.

Ohne diese Brücke stehen Unternehmen vor zwei gegensätzlichen Risiken. Mitarbeitende könnten KI‑Empfehlungen zu leicht vertrauen, wodurch Fehler oder historische Verzerrungen in großem Maßstab verbreitet werden. Alternativ könnten sie nützliche Erkenntnisse ablehnen, weil die Argumentation des Systems ungewohnt oder unzureichend erklärbar ist.

Das erklärt, warum Unternehmens‑KI‑Projekte sehr unterschiedliche Ergebnisse liefern können, selbst wenn Organisationen ähnliche zugrunde liegende Modelle verwenden. Die Leistung hängt vom umgebenden Lernsystem ab. Das World Economic Forum hat ebenfalls KI‑bereite Daten, Mitarbeitenden‑Fähigkeiten, geeignete Modelle und verantwortungsvolle Governance als verbundene Voraussetzungen für die Skalierung von KI in einem Unternehmen identifiziert.

Was die Studie über KI‑gesteuertes Lernen ergab

Die Forschung kombinierte einen konzeptuellen Überblick mit 40 Interviews, die in acht kleinen und mittleren KI‑First‑Unternehmen in Italien durchgeführt wurden. Die Teilnehmenden hatten technische und leitende Positionen im Gesundheitswesen, Finanzwesen, kreativen Content, Datenmanagement, Prognosen und Risikoanalyse.

Das Rahmenwerk ist wertvoll, aber seine Einschränkungen sind wichtig. Es handelt sich um eine theorie‑bildende qualitative Studie und nicht um quantitative Evidenz dafür, dass diese Fähigkeiten Gewinne oder Aktionärsrenditen steigern. Keine der teilnehmenden Firmen hatte 250 oder mehr Mitarbeitende, und alle waren in einem einzigen Land ansässig. Weitere Forschung ist nötig, um das Modell in großen Unternehmen, niedrigtechnologischen Branchen und unterschiedlichen wirtschaftlichen Umfeldern zu testen.

ServiceNow bietet Zugang zu KI‑Workflows im Unternehmen

Für Investoren, die an dieser Entwicklung partizipieren möchten, liefert ServiceNow ein relevantes Beispiel. Die Plattform verbindet Unternehmensdaten, Workflows, Mitarbeitende und zunehmend autonome KI‑Agenten. Diese Positionierung spiegelt das Argument des Papiers wider, dass der Wert von KI aus ihrer Integration in organisatorische Prozesse entsteht und nicht allein aus dem Modell.

ServiceNow erweitert seine Workflow‑Data‑Fabric, den AI Control Tower und autonome Analyse‑Funktionen. Das Unternehmen beschreibt seine Echtzeit‑Enterprise‑Datenbasis als Mittel, um KI‑Systemen einen gesteuerten operativen Kontext zu bieten. Securities.io hat ebenfalls die angrenzende Chance in seiner Berichterstattung über UiPath und den agentischen Automatisierungsmarkt untersucht.

Der Investment‑Case ist nicht risikofrei. Der Wettbewerb im Enterprise‑Software‑Bereich ist intensiv, KI‑Funktionen könnten zu gebündelten Standardprodukten werden, und Kunden könnten den Aufwand oder die Komplexität breiter Plattform‑Rollouts ablehnen. ServiceNow muss zudem nachweisen, dass seine KI‑Produkte messbaren Kundennutzen erzeugen und nicht nur die Produktbreite erhöhen.

Dennoch veranschaulicht seine Position die zentrale Investment‑Erkenntnis des Papiers. Während Grundmodelle zugänglicher werden, könnte nachhaltiger Wert zu Unternehmen wandern, die den Workflow‑Kontext, den gesteuerten Datenzugriff und die Systeme kontrollieren, über die menschliche und maschinelle Entscheidungen zu operativen Handlungen werden.

Die reale KI‑Spaltung könnte im Laufe der Zeit zunehmen

Die entstehende Kluft könnte nicht zwischen Unternehmen liegen, die KI nutzen, und solchen, die es nicht tun. Sie könnte zwischen Unternehmen bestehen, die KI als isoliertes Werkzeug betrachten, und solchen, die ein organisatorisches Lernsystem rund um KI aufbauen.

Proprietäre Daten, angesammelte Expertise, Modell‑Governance und funktionsübergreifende Koordination sind alle pfadabhängig. Sie benötigen Zeit, um sich zu entwickeln und durch wiederholte Nutzung zu verbessern. Unternehmen, die früh mit dem Aufbau beginnen, können einen kumulativen Vorteil erlangen, während Spätadopter die Lücke nicht unbedingt allein durch den Kauf des neuesten Modells schließen können.

Für Investoren ändert das die Bewertung der KI‑Bereitschaft. Ausgaben für Software und Infrastruktur sind wichtig, geben jedoch wenig Aufschluss darüber, ob ein Unternehmen KI in verteidigbaren Wert umwandeln kann. Die aufschlussreicheren Fragen betreffen, welche proprietären Informationen das Unternehmen kontrolliert, ob es Mitarbeitenden‑Expertise bewahren kann, wie eng technische Teams mit Domänenspezialisten zusammenarbeiten und ob KI‑Erkenntnisse reale Workflows erreichen.

Die nächste Generation von KI‑Gewinnern könnte daher weniger davon abhängen, wer Zugang zu Intelligenz hat, sondern vielmehr davon, wer weiß, wie man sie absorbiert.

Referenzen:

¹ Pedota, M. (2026). Geister und Maschinen: Die Absorptionsfähigkeit im Zeitalter der künstlichen Intelligenz. Research Policy, 55, 105600. https://doi.org/10.1016/j.respol.2026.105600