Unter jeder erfolgreichen AI liegt erfolgreiches BI.
Eine These für jede Organisation, die Entscheidungen mit AI trifft. Sie macht die Nahtstelle sichtbar, an der zwei Disziplinen einander berühren, ohne zu verschmelzen — und stellt die vier Artikel auf, sie zu schließen.
Auf dem Markt gibt es zwei Welten.
Auf der einen Seite die AI-Welt: Data Scientists mit fundierter Python- und Statistik-Kompetenz. Sie trainieren Modelle gut, diskutieren die Algorithmenwahl, gehen tief ins Hyperparameter-Tuning. Aber sobald es um Daten geht — „Woher kommt dieses Feature? Ist dieser Join korrekt? Wie messen wir Drift?" — beginnt das Unbekannte.
Auf der anderen Seite die BI / EIM-Welt: Analysten und Ingenieure mit jahrelang gereifter Disziplin in ETL, Datenqualität, semantischer Modellierung und KPI-Governance. Sie wissen, wie man die richtigen Daten aus der richtigen Quelle an die richtige Stelle bringt. Aber sobald es um das Modell geht — „Welcher Algorithmus? Welches Feature Engineering? Welche Retraining-Strategie?" — beginnt das Unbekannte.
Python, Statistik, Algorithmen, Hyperparameter, Modelltraining. Der Kern stimmt — aber die speisende Pipeline ist fremd.
ETL, Datenqualität, semantische Modellierung, Lineage, KPI-Governance. Tiefe Disziplin — aber die Sprache des Modells bleibt fremd.
Das Ergebnis liegt auf der Hand: Die Mehrheit der AI-Projekte scheitert nicht an der Modellkomplexität, sondern am Mangel an Feature-Enrichment, Datenqualität und Domain-Disziplin. Der Data Scientist trainiert ein Modell in Python; doch die Features, die es speisen, stammen aus falschen Joins, die Quelldaten sind ungeputzt, die KPI-Definition ist mit der Fachseite nicht abgestimmt. Das Modell läuft — die Ergebnisse stimmen nicht.
Die eigentliche Lücke liegt hier: Feature-Enrichment-Prozesse, die zu füllenden Tabellen, das Datenvolumen und die Query-Komplexität sind zu kompliziert, um sie allein durch Code zu beherrschen. Sie verlangen professionelles BI-Know-how — ETL-Patterns, Incremental Load, semantische Modellierung, Data Lineage. Die Expertise eines Data Scientists ist Statistik und Modelltraining; diese Expertise ist der Kern von AI. Doch ein AI-Projekt ist nicht das Modell allein; es sind die Pipelines, die dieses Modell speisen.
Der Name dafür, diese strukturelle Lücke zu schließen, lautet BI-Driven AI. AI mit BI-Methodik aufzubauen — anerkennen, dass unter jeder erfolgreichen AI ein erfolgreiches BI liegt.
Unter jeder erfolgreichen AI liegt erfolgreiches BI.
Dieses Manifest stellt die vier Artikel dieser Wahrheit auf.
Die Geschäftsfrage, das Akzeptanzkriterium, die Erfolgsmetrik — diese müssen unter der Hoheit von BI definiert werden, bevor AI-Arbeit beginnt. „Welche Frage stellen wir, welcher Entscheidung wollen wir dienen, was ist das Erfolgskriterium, welche Metrik verfolgen wir" — jede einzelne ist eine BI-Frage.
Die Form der Frage, die Wahl der Baseline, der Vergleichsmaßstab — sie hängen nicht von den Daten ab, sondern vom Geschäftskontext; und der Geschäftskontext lebt in der BI-Methodik.
Das Versagensmuster von AI-Projekten hat einen klaren Namen: der direkte Sprung ins Modelldesign unter Auslassung der Geschäftsfrage und des Akzeptanzkriteriums. Heraus kommt ein Modell, das keiner Entscheidung dient, sondern nur eine Vorhersage erzeugt. Solange die Vorhersage nicht zur Entscheidung wird, bleibt der Wert des Projekts unklar.
Das ist das Herzstück dieses Manifests.
Die Features, die ein Modell speisen, vorzubereiten — die zu befüllenden Tabellen, das Datenvolumen, die Join-Komplexität, Incremental-Load-Strategien, semantische Modellierung, Data Lineage, KPI-Standards, die Reflexe der Datenqualität — erfordert jahrelang aufgebautes BI-Know-how. ETL-Disziplin lernt man nicht aus einer Bibliothek; sie wird über Jahre im Data Warehouse erworben.
Ein AI-Projekt ist nicht das Modell allein; es sind die Pipelines, die dieses Modell speisen. Ist die Pipeline falsch aufgebaut, liefert selbst der fortschrittlichste Algorithmus falsche Ergebnisse. Die wahre Komplexität von Feature-Enrichment anzuerkennen und sie der professionellen BI-Disziplin zu übergeben — das ist die strukturelle Voraussetzung erfolgreicher AI.
Das Projekt endet nicht mit der Auslieferung des Modells. Training Data verschiebt sich über die Zeit, Features driften, die Modellgenauigkeit sinkt — Drift. Ein ernsthaftes AI-Projekt muss seine Pipeline kontinuierlich überwachen, speisen und neu trainieren.
Der Lebenszyklus der Pipeline — Feature Engineering, Validierung, Deployment, Drift Monitoring, Retraining — läuft nicht ohne BI-Methodik. Mit welchen Metriken Drift gemessen wird, bei welcher Schwelle ein Alarm auslöst, in welchem Takt Retraining angestoßen wird — all das ist BI-Methodik, in den AI-Lebenszyklus getragen.
In dieser Disziplin wird das AI-Projekt zu einer Investition, die mit der Zeit reift. Die Genauigkeit des Modells nimmt mit der Zeit nicht ab; sie wächst, weil sich das Modell ins Ökosystem einfügt.
Die übliche Form am Markt: das BI-Team unter einem Dach, das AI-Team unter einem anderen. Unterschiedliche Berichtslinien, unterschiedliche Sprache, unterschiedliche Prioritäten. Diese Struktur produziert falsche Features, gleicht KPIs nicht ab und macht das Drift-Monitoring zu niemandes Verantwortung.
BI-Delivery und AI-Entwicklung müssen unter derselben Struktur arbeiten, unter einer Leitung, auf einer Berichtslinie. Diese Einheit verändert die AI-Erfolgsrate strukturell. Eine einfache, aber seltene Entscheidung — weil beide Disziplinen historisch getrennt ausgebildet wurden und es immer noch werden.
Äußere Schicht: BI strukturiert die Daten → AI baut die Vorhersage → der AI-Output fließt als neue KPI zurück ins BI → das BI-Signal speist AI erneut.
Innere Schicht: der innere Lebenszyklus der AI-Pipeline — Training, Feature Engineering, Validierung, Deployment, Drift Monitoring, Retraining — wird mit BI-Methodik geführt.
In der äußeren Schicht sind BI und AI Partner; in der inneren Schicht ist BI das Skelett der AI.
Dieser zweischichtige Kreislauf ist die Architektur, in der die vier Artikel des Manifests Form annehmen.
Die Kreuzung hat sich gerade geöffnet.
Die Schwelle des logischen Schließens für Agenten wurde in den letzten zwei Jahren überschritten; Modelle, die wirklich planen, sind am Markt.
Spec-driven Build, agentische Entwicklungsumgebungen, reife APIs — Agenten entstehen nicht mehr durch Code-Schreiben, sondern durch Spec-Schreiben.
Über Jahre gereifte BI-Methodik wird nicht im Nachhinein gekauft, sie wird angehäuft. Einem Agenten Geschwindigkeit zu geben ist leicht; Disziplin zu geben braucht Zeit.
Unter jeder erfolgreichen AI liegt erfolgreiches BI. Treffen wir uns an dieser Kreuzung.
Zwei Welten am Markt, zwei Teams, die einander nicht sehen, eine Reihe gescheiterter AI-Projekte — alle münden in dieselbe Kreuzung. Dieses Manifest pflanzt dort eine Flagge. Das Manifest ist ein Anfang. Das Fenster ist jetzt offen. Der nächste Schritt ist, das Ökosystem wachsen zu lassen.