Le Havre, 1872. Claude Monet steht am Fenster seines Hotelzimmers und malt den Sonnenaufgang über dem Hafen. Was er auf die Leinwand bringt, ist ein Skandal: verschwommene Kräne, ein diffuses Orange im Dunst, ein paar Schemen, die Boote sein könnten. Ein Kritiker spottet, das Bild sei ja nicht mal fertig, bloß eine „Impression“. Der Name bleibt hängen: „Impression, soleil levant“ gibt dem Impressionismus seinen Namen.
Es gibt eine unterhaltsame Theorie, warum Monet so malte. Er war, so wird gern erzählt, kurzsichtig. Das Bild zeigt den Hafen nicht, wie er war. Es zeigt ihn, wie Monet ihn sah.
Und damit hatte Monet, mit der Brille von heute betrachtet 😉, ein klassisches Datenpipeline-Problem.
Die defekte Pipeline des Claude Monet
Monets „Geschäftsprozess“ war Malen. Sein Input: die Realität vor dem Fenster. Seine Sensorik: die Augen. Sein Output: das Bild. Zwischen Realität und Leinwand lag also eine Verarbeitungsstrecke, eine Pipeline, wie sie heute im Data Engineering gebaut wird. Und irgendwo darin saß ein Defekt: Die Rohdaten kamen unscharf, verrauscht und farbverschoben an. Monet hat daraus das Beste gemacht: Kunstgeschichte eben.
Ob Monet wirklich kurzsichtig war, ist allerdings umstritten. Gesichert ist etwas anderes: Im Alter entwickelte er Grauen Star. Seine Bilder wurden über Jahre immer rötlicher, weil seine Linse Blautöne zunehmend herausfilterte, bis er sich 1923 operieren ließ und entsetzt feststellte, was er da gemalt hatte. Manche späten Werke hat er übermalt oder zerstört.
Das ist schleichende Sensor-Degradation ohne Monitoring. Der Fehler kam nicht über Nacht, sondern in kleinen Schritten, und niemand hat Alarm geschlagen. Jeder Data Engineer bekommt hier Gänsehaut.
Genau so passiert es in Unternehmen: Kein System fällt mit einem Knall aus. Ein Feld wird umgewidmet, eine Schnittstelle ändert still ihr Format, ein Report rechnet seit Monaten mit veralteten Kosten, und niemand schlägt Alarm. Schlechte Datenqualität fühlt sich nicht schlecht an. Sie fühlt sich normal an.
Warum dich das als Entscheider angehen sollte
Die Pointe ist nicht, dass Monet einen Data Engineer gebraucht hätte. Sie steckt in einem Gedankenexperiment: Monet malte immerhin Frankreichs zweitgrößten Handelshafen. Was wäre, wenn er Händler gewesen wäre? Seine Konkurrenten lasen das Panorama schon bei der Einfahrt wie ein Dashboard: Welche Schiffe liegen am Kai, wer löscht welche Ladung, wo stehen die Kunden. Nur Monet hätte mühsam suchen müssen, was alle längst wussten. In der Kunst macht Unschärfe berühmt. Im Handel macht sie arm.
Genau deshalb gilt:
Daten sind das Sinnessystem deines Unternehmens.
So wie Monets Augen zwischen Hafen und Leinwand saßen, sitzen deine Daten zwischen Realität und Entscheidung. Markt, Kunden, Wettbewerber, eigene Prozesse: Nichts davon nimmst du direkt wahr, sondern nur das, was Berichte, Dashboards und Excel-Listen dir durchreichen.
Und AI macht dieses Sinnessystem nicht überflüssig, sondern kritischer. Sie sieht ausschließlich das, was ihr durchgereicht wird, nur schneller und in größerem Maßstab. Ein geschärftes Sinnessystem multipliziert sich dadurch. Ein unscharfes leider auch. Datenqualität ist damit keine IT-Kennzahl mehr, sondern die Grenze dessen, was deine AI überhaupt sehen kann.
Viele Unternehmen malen so ihre eigene „Impression, soleil levant“, jeden Monat aufs Neue. Ein paar Symptome, die du vielleicht kennst: Der Vertrieb hat andere Umsatzzahlen als das Controlling, und die Monatsrunde diskutiert, welche Zahl stimmt, statt welche Entscheidung folgt. Die Marge pro Projekt kennt niemand genau, weil Kalkulation und Ist-Kosten in verschiedenen Systemen leben. Und die Frage „Wie lief eigentlich Q2?“ beantworten drei Abteilungen mit drei Wahrheiten.
Das ERP kennt den Auftrag. Das CRM kennt den Kunden. Das Ticketsystem kennt den Ärger. Nur die ganze Geschichte kennt niemand. Sie liegt verstreut über Datensilos, die intern nie jemand so genannt hat. Unternehmen verlieren keine Daten. Sie verlieren Zusammenhänge.
Das ist der Hafen von Le Havre im Morgennebel. Es sieht aus wie ein Bild der Realität. Es ist eine Impression.
Das Gefährliche an unscharfer Wahrnehmung: Sie fühlt sich scharf an
Monet wusste lange nicht, dass er die Welt anders sah als andere. Genau das macht Wahrnehmungsprobleme so tückisch, bei Menschen wie bei Unternehmen. Niemand entscheidet bewusst „auf Verdacht“: Man hat ja Zahlen und Reports.
Erst im Vergleich merkt man den Unterschied, im Markt leider durch den Wettbewerber: den, der Nachfrage früher erkennt, Preise schneller anpasst, Engpässe kommen sieht. Er sieht denselben Hafen – nur eben scharf. Und mit AI wird dieser Unterschied dramatisch größer: Wer einer AI unscharfe Daten gibt, bekommt selbstbewusst formulierte Unschärfe zurück.
Was eine Data & AI Strategie damit zu tun hat
Eine Data & AI Strategie ist kein 200-Seiten-Dokument und kein Technologie-Einkaufszettel. Im Kern ist sie eine Sehhilfe. Sie beantwortet drei Fragen:
Was wollen wir sehen? Welche Entscheidungen, Prozesse und Geschäftsmodelle sollen durch Daten und AI besser werden, und welche Potenziale liegen heute im Nebel?
Wie scharf müssen wir sehen? Nicht jedes Unternehmen braucht Echtzeit-Vision auf allem. Manchmal reicht eine verlässliche, gemeinsame Monatssicht, aber die dann wirklich.
Womit stellen wir scharf? Welche Fähigkeiten, welche Plattform, welche Data Governance braucht es, damit aus verstreuten Rohdaten über saubere Datenintegration eine Version der Wahrheit wird statt fünf Impressionen davon? Denn ein Datensatz ohne Herkunft ist wie ein Gemälde ohne Provenienz.
Das Schöne daran: Anders als bei Monet ist die Korrektur kein riskanter Eingriff. Man muss nur dort anfangen hinzuschauen, wo schärferes Sehen sofort Geld wert ist.
Was du aus Le Havre mitnehmen kannst
Monets Geschichte endet versöhnlich: Nach der Augen-OP sah er wieder Blau und schuf mit über 80 noch einige seiner größten Werke. Sein Sinnessystem wurde geschärft, und der Output veränderte sich sofort.
Für die Kunst war die Unschärfe ein Geschenk. Für dein Unternehmen ist sie es nicht. Die unbequeme Frage lautet: Woher weißt du, dass du den Hafen scharf siehst? Monet war sich sicher. Sicher fühlen sich alle.
Der ehrlichste erste Schritt ist deshalb kein Tool-Kauf, sondern ein Sehtest: einmal strukturiert prüfen, wo dein Unternehmen scharf sieht, wo es Impressionen für Fakten hält und welches Potenzial dahinter liegt. Genau dafür gibt es Formate wie einen Data & AI Potentials Workshop: ein halber Tag, in dem Fach- und Führungsperspektiven gemeinsam kartieren, wo schärferes Sehen den größten Unterschied macht.
Monet hat aus seinem Pipeline-Problem eine Kunstrevolution gemacht. Respekt dafür. Aber sei ehrlich: In deinem Quartalsbericht willst du keinen Impressionismus.
Bleibt eine Frage für deine nächste Monatsrunde: Welche Entscheidung triffst du gerade auf Basis einer Geschichte, die nur zur Hälfte erzählt wird?
Warum dieser Beitrag den Anfang macht
Zum Schluss in eigener Sache: Dies ist der erste Beitrag dieses Blogs, und die Geschichte aus Le Havre steht nicht zufällig am Anfang. Genau dieses Scharfstellen der Unternehmenssinne ist es, was mich antreibt: der Moment, in dem aus fünf Impressionen eine gemeinsame Sicht wird und ein Unternehmen zum ersten Mal scharf sieht, welche Potenziale in seinen Daten stecken. Aus dieser Motivation heraus ist dieser Blog entstanden.
Und so geht es hier auch weiter: In den nächsten Beiträgen folgen wir der Data & AI Journey. Wie wird aus einer Ideenwolke ein belastbarer Proof of Value? Warum scheitern AI-Projekte so oft am Fachbereich? Und was hat eine Data & AI Strategie mit deiner Marge zu tun? Keine Buzzwords, keine Tool-Listen, sondern immer dieselbe Frage: Wo macht schärferes Sehen den größten Unterschied? Bleib dran, der Hafen wird von Beitrag zu Beitrag klarer.