zuletzt aktualisiert 30. Dezember 2025
Die Studie „The 2025 Chief Data Officer Study: The AI Multiplier Effect“ wurde vom IBM Institute for Business Value (IBV) in Zusammenarbeit mit Oxford Economics durchgeführt. Befragt wurden 1.700 Senior Data- und Analytics-Verantwortliche (u. a. CDOs, Chief Data & Analytics Officers, Chief AI Officers) aus 19 Branchen und 27 Ländern weltweit. Die Erhebung fand im 3. Quartal 2025 statt und baut vergleichend auf der CDO-Studie von 2023 auf. Ziel war es, zu analysieren, wie sich die Rolle des CDO im Kontext von KI entwickelt und welche Datenpraktiken messbar zu höherem Business-Value führen.
Inhaltsverzeichnis
- Einleitung
- Die Logik der Studie – warum Daten über KI-Erfolg entscheiden
- Handlungsfeld 1 – Strategie: Outcome-Fokus mit normativem Zielbild
- Handlungsfeld 2 – Skalierung: „Bring AI to the data“ und die Realität der Silos
- Handlungsfeld 3 – Resilienz: Governance, Vertrauen und die Steuerung agentischer KI
- Handlungsfeld 4 – Innovation: Data Democratization zwischen Empowerment und Kontrolle
- Handlungsfeld 5 – Wachstum: Proprietäre und unstrukturierte Daten als Differenzierungsfaktor
- Methodische Grenzen – was die Studie nicht belegt
- HR als implizite Leerstelle – warum Personalarbeit zum Hebel wird
- Fazit: Was HR aus der CDO-Studie 2025 übernehmen sollte – und was nicht
- FAQs
Einleitung
Die 2025er Chief-Data-Officer-Studie des IBM Institute for Business Value (IBV) argumentiert, dass sich Wettbewerbsvorteile im KI-Zeitalter weniger über einzelne Anwendungen erklären lassen als über die Fähigkeit, entscheidungsreife Daten bereitzustellen. AI-first-Unternehmen gewinnen demnach mit hoher Geschwindigkeit Marktanteile, während andere trotz KI-Initiativen auf der Stelle treten – nicht primär wegen fehlender Modelle, sondern wegen fragmentierter Datenlandschaften und unklarer Zielbilder.
Für HR ist diese Perspektive aus zwei Gründen relevant. Erstens sind People-Daten, Kompetenzmodelle, Lern- und Leistungsdaten Teil der unternehmensweiten Datenbasis und damit indirekt Teil der KI-Wertschöpfung. Zweitens beschreibt die Studie einen Engpass, der unmittelbar in die Zuständigkeit von Personalbereichen fällt: Daten- und KI-Kompetenzen werden knapper, Rollenprofile verändern sich schneller, als Organisationen sie besetzen oder entwickeln können.
Gleichzeitig verlangt die Studie nach einer kritischen Lesart. Sie basiert auf Selbstauskünften von Datenverantwortlichen und setzt ein Zielbild („Leading CDOs“) als implizite Norm. Der folgende Beitrag nutzt die Studie deshalb als Orientierungsrahmen, ordnet ihre Kernaussagen aber systematisch ein mit Blick auf organisationale Realitäten und HR-relevante Folgethemen.
Die Logik der Studie – warum Daten über KI-Erfolg entscheiden
Die Studie beschreibt einen Strukturwandel: KI skaliert Ergebnisse – positive wie negative. Gute Daten erhöhen die Produktivität von KI-Systemen und insbesondere von AI Agents, schlechte Daten skalieren Fehler, Verzerrungen und Sicherheitsrisiken. Vor diesem Hintergrund verschiebt sich die Rolle des CDO von klassischer Governance hin zu einer Wertschöpfungsfunktion: Datenstrategie soll KI ermöglichen und Geschäftsergebnisse messbar unterstützen.
Empirisch unterstreicht die Studie dabei drei Spannungsfelder:
- Outcome-Orientierung vs. Messbarkeit: Eine sehr große Mehrheit der Befragten betont, dass der CDO-Erfolg an Geschäftsergebnissen hängt, gleichzeitig berichtet nur eine Minderheit über klare Messgrößen zur Bewertung datengetriebener Ergebnisse.
- Zugang vs. Kontrolle: Datenzugang gilt als Beschleuniger („Data Democratization“), soll aber durch Governance, Rollenmodelle und Sicherheitsarchitekturen begrenzt werden.
- Silos vs. Skalierung: Viele Initiativen scheitern an isolierten Datenbeständen; als Gegenmodell wird eine integrierte Architektur und „Bring AI to the data“ betont.
Kritisch ist hier anzumerken: Das Grundmodell ist plausibel, doch die Studie bleibt in Teilen programmatisch. Wo von höherem ROI und „führenden“ Organisationen die Rede ist, handelt es sich um berichtete Zusammenhänge, nicht um belastbare Wirkungsnachweise. Für HR und andere Funktionen ist deshalb entscheidend, die fünf Handlungsfelder nicht als Blaupause zu lesen, sondern als Checkliste für strukturelle Voraussetzungen – inklusive ihrer Zielkonflikte.
Handlungsfeld 1 – Strategie: Outcome-Fokus mit normativem Zielbild
Die Studie positioniert Strategie als Ausgangspunkt: Daten sollen nicht „gesammelt“, sondern entlang einer Mission eingesetzt werden. Ein Kernergebnis lautet, dass ein großer Teil der Befragten Investitionen priorisiert, die KI-Fähigkeiten beschleunigen; zugleich sei der Anteil des IT-Budgets für Datenstrategie im Vergleich zur Vorgängerstudie deutlich gestiegen.
Was die Studie überzeugend herausarbeitet
Stark ist die Betonung der Übersetzungsleistung: Datenverantwortliche müssen Datenprioritäten mit Geschäftszielen verbinden und diese Logik im C-Level anschlussfähig machen. Die Studie nennt explizit, dass fehlende Artikulation des Datenwerts aus Sicht vieler Befragter den Unternehmenserfolg gefährdet und verweist gleichzeitig auf eine Lücke bei klaren Metriken zur Wertbestimmung datengetriebener Outcomes.
Kritische Einordnung
Gerade im Strategieteil ist der Bias durch Selbstauskunft besonders relevant:
Wenn Befragte gleichzeitig Outcome-Fokus betonen und Messgrößen vermissen lassen, deutet das auf ein strukturelles Problem: Strategie wird behauptet, aber nicht operationalisiert. Die Studie benennt diese Diskrepanz, kann sie jedoch nicht auflösen – unter anderem, weil unklar bleibt, wie „Business Value“ in den Organisationen konkret gemessen wird (Finanzkennzahlen, Prozessmetriken, Risikoindikatoren, Qualitätsmaße).
HR-Implikationen
Für HR ergibt sich daraus eine sehr praktische Konsequenz: Sobald Unternehmen versuchen, den Wertbeitrag von Daten und KI stärker zu messen, werden Kompetenzen, Rollen und Steuerungsmodelle zum limitierenden Faktor.
- People Analytics und Workforce Planning profitieren nur dann, wenn die Organisation eine klare Outcome-Logik definiert (z. B. Fluktuationsrisiken reduzieren, Time-to-Productivity senken, Skill-Gaps schließen) und diese Logik in belastbare Metriken übersetzt.
- Gleichzeitig entsteht ein Governance-Thema: Wenn Datenstrategie „Geschäftsergebnisse“ liefern soll, geraten People-Daten schnell in ein Spannungsfeld aus Nutzenversprechen, Datenschutz, Fairness und Legitimation.
Damit wird Strategie nicht nur ein Data-/IT-Thema, sondern ein Querschnittsthema, das HR mindestens mitverhandeln muss . Alleine schon, weil Datenkompetenz, Change-Fähigkeit und Rollenklärung nicht „nebenbei“ entstehen.
Handlungsfeld 2 – Skalierung: „Bring AI to the data“ und die Realität der Silos
Die Studie beschreibt Skalierung als eine der zentralen Voraussetzungen für wirtschaftlich relevante KI-Nutzung. Während viele Organisationen in den vergangenen Jahren KI-Pilotprojekte realisiert haben, scheitert der Übergang in den produktiven, organisationsweiten Einsatz häufig an fragmentierten Datenlandschaften. Entsprechend betonen die befragten CDOs den Aufbau integrierter Datenplattformen, die Datenzugriff über System- und Funktionsgrenzen hinweg ermöglichen.
Ein zentrales Leitmotiv lautet dabei: „Bring AI to the data“. Anstatt Daten zu zentralisieren, sollen KI-Systeme dort eingesetzt werden, wo Daten bereits liegen. Diese Architekturentscheidung soll Kosten senken, Sicherheitsrisiken reduzieren und gleichzeitig die Geschwindigkeit der KI-Nutzung erhöhen. Ein Großteil der Befragten gibt an, hier in den letzten zwei Jahren deutliche Fortschritte gemacht zu haben.
Was die Studie überzeugend herausarbeitet
Stichhaltig ist die Diagnose, dass Skalierung weniger an Algorithmen als an Zugänglichkeit, Interoperabilität und Automatisierung scheitert. Die Studie zeigt nachvollziehbar, dass Organisationen mit höherem ROI stärker in gemeinsame Datenhierarchien, Automatisierung der Datenerfassung (inklusive unstrukturierter Daten) und flexible Architekturen investieren. Skalierung wird damit nicht als einmaliges IT-Projekt verstanden, sondern als kontinuierlicher Umbau des Datenökosystems.
Positiv ist zudem, dass die Studie kulturelle Barrieren zumindest benennt. Kurzfristige Performance-Orientierung und Widerstände gegen Veränderung werden als zentrale Innovationshemmnisse identifiziert – ein Hinweis darauf, dass technologische Reife allein nicht ausreicht, um KI wirksam zu skalieren.
Kritische Einordnung
Trotz dieser Hinweise bleibt die Skalierungslogik der Studie stark technikzentriert. Der Fokus liegt auf Plattformen, Architekturen und Datenflüssen; organisationale Anschlussfragen werden zwar erwähnt, aber nicht systematisch analysiert.
Insbesondere zwei Aspekte bleiben unterbelichtet:
Erstens wird Adoption implizit vorausgesetzt. Die Studie geht davon aus, dass besserer Datenzugang automatisch zu höherer Nutzung und besseren Entscheidungen führt. Empirisch ist dieser Zusammenhang jedoch nicht gesichert. In vielen Organisationen scheitert Skalierung weniger am Zugang als an fehlender Einbettung in Arbeitsprozesse, an Unsicherheit im Umgang mit Daten oder an widersprüchlichen Steuerungslogiken.
Zweitens wird Skalierung primär als Effizienz- und Beschleunigungsproblem dargestellt. Die damit einhergehenden Koordinationskosten – etwa neue Abstimmungsbedarfe, Verantwortungsdiffusion oder Konflikte zwischen zentralen und dezentralen Einheiten – bleiben weitgehend ausgeblendet. Dass zentrale Datenarchitekturen neue Abhängigkeiten schaffen, wird nicht reflektiert.
Damit reproduziert die Studie ein bekanntes Muster: Organisationale Komplexität wird erkannt, aber letztlich als Begleitproblem technischer Transformation behandelt.
HR-Implikationen
Für HR ist Skalierung kein abstraktes Architekturthema, sondern ein Umsetzungs- und Akzeptanzproblem. Sobald KI-Anwendungen breiter ausgerollt werden, verändern sich Rollen, Erwartungen und Kompetenzanforderungen:
- Mitarbeitende sollen datenbasierter entscheiden, verfügen aber oft nicht über die notwendige Datenkompetenz oder Zeit, sich diese im Arbeitsalltag anzueignen.
- Führungskräfte stehen vor der Frage, wie sie Entscheidungen legitimieren, wenn KI-Systeme zunehmend Empfehlungen liefern, deren Funktionsweise nicht transparent ist.
- HR selbst wird zum Skalierungsfaktor, wenn Qualifizierungsprogramme, Rollenmodelle und Anreizsysteme nicht mit der technologischen Entwicklung Schritt halten.
Hinzu kommt ein strukturelles Spannungsfeld: Skalierung verlangt Standardisierung, HR-Arbeit ist jedoch häufig kontext- und einzelfallbezogen. Ob KI-gestützte Systeme in Recruiting, Performance Management oder Workforce Planning akzeptiert werden, hängt deshalb weniger von der Plattformqualität als von der arbeitspraktischen Passung ab.
Aus HR-Sicht lässt sich Skalierung daher nur dann erfolgreich gestalten, wenn sie explizit mit Enablement, Qualifizierung und Rollenklarheit verbunden wird. Die Studie liefert hierfür wichtige Impulse, bleibt aber die Antwort schuldig, wie dieser Übersetzungsschritt konkret gelingen kann.
Handlungsfeld 3 – Resilienz: Governance, Vertrauen und die Steuerung agentischer KI
Mit zunehmender Skalierung von KI verschiebt sich der Fokus der Studie deutlich von Innovationspotenzialen hin zu Risiken und Kontrollfragen. Der zentrale Befund lautet: KI verstärkt nicht nur Produktivität, sondern auch die Auswirkungen mangelhafter Datenqualität, fehlender Governance und unklarer Verantwortlichkeiten. Während menschliche Analysten Inkonsistenzen oft kompensieren können, reproduzieren KI-Systeme – insbesondere autonome Agenten – systematisch Fehler, Verzerrungen und Lücken in den zugrunde liegenden Daten.
Vor diesem Hintergrund argumentiert die Studie, dass Resilienz nicht als Verlangsamung von Innovation zu verstehen ist, sondern als Voraussetzung für skalierbare KI-Nutzung. Die Mehrheit der befragten CDOs gibt an, dass der Nutzen von AI Agents die Risiken überwiege und dass ihre Organisationen bereit seien, sich auf KI-generierte Ergebnisse zu verlassen. Gleichzeitig räumt ein erheblicher Teil ein, dass Governance-Modelle, Skalierungsregeln und Kontrollmechanismen für agentische KI noch am Anfang stehen.
Was die Studie überzeugend herausarbeitet
Stark ist die klare Verknüpfung von Datenqualität, Governance und Vertrauen. Die Studie macht deutlich, dass Vertrauen in KI-Ergebnisse nicht primär eine kommunikative Aufgabe ist, sondern aus belastbaren Datenpipelines, klaren Zugriffsregeln und nachvollziehbaren Verantwortlichkeiten entsteht. Besonders plausibel ist die Argumentation, dass der ungezügelte Einsatz von AI Agents ohne zentrale Steuerung zu Redundanzen, Sicherheitsrisiken und Governance-Verletzungen führen kann.
In diesem Zusammenhang führt die Studie das Konzept eines zentral gemanagten Agent-Marktplatzes ein. AI Agents sollen vor dem unternehmensweiten Einsatz geprüft, klassifiziert und freigegeben werden. Organisationen mit stärker zentralisierten oder hub-and-spoke-orientierten AI-Betriebsmodellen berichten laut Studie von höheren ROI-Werten als solche mit dezentralen Ansätzen.
Positiv hervorzuheben ist zudem, dass rechtliche und geopolitische Aspekte – etwa Daten- und KI-Souveränität – explizit adressiert werden. Resilienz wird damit nicht auf IT-Sicherheit reduziert, sondern als umfassendes Risikomanagement verstanden.
Kritische Einordnung
Trotz dieser Stärken folgt die Studie einer implizit normativen Governance-Logik. Zentralisierung erscheint als bevorzugtes Zielmodell, alternative Steuerungsansätze werden kaum diskutiert. Dass zentrale Modelle höhere ROI-Werte berichten, wird als Bestätigung gelesen – ohne zu hinterfragen, ob diese Modelle auch höhere organisatorische Reife, stärkere Ressourcen oder günstigere Rahmenbedingungen voraussetzen.
Zudem bleibt unklar, wie Verantwortung verteilt wird, wenn AI Agents operative Entscheidungen vorbereiten oder automatisiert treffen. Die Studie spricht von Vertrauen, Governance und Kontrolle, vermeidet jedoch eine tiefergehende Auseinandersetzung mit Haftung, Entscheidungslegitimation und Eskalationsmechanismen. Gerade bei funktionsübergreifenden KI-Anwendungen entsteht hier ein Graubereich, der nicht allein durch technische Prüfprozesse aufzulösen ist.
Schließlich bleibt die Perspektive stark funktionszentriert. Resilienz wird primär aus Sicht von CDOs und CAIOs diskutiert, während die Sicht derjenigen, die mit KI-Entscheidungen arbeiten oder von ihnen betroffen sind, kaum vorkommt. Vertrauen erscheint damit als Steuerungsvariable, nicht als sozialer Aushandlungsprozess.
HR-Implikationen
Für HR ist Resilienz ein besonders sensibles Feld, weil hier Governance, Vertrauen und Arbeitspraxis unmittelbar aufeinandertreffen. Sobald KI-Systeme Empfehlungen für Personalauswahl, Einsatzplanung, Leistungsbeurteilung oder Qualifizierungsentscheidungen liefern, reicht eine technische Freigabe nicht aus.
Drei Implikationen sind zentral:
Erstens wird HR selbst Teil der Governance-Architektur. Wenn AI Agents auf People-Daten zugreifen oder HR-Prozesse automatisieren, muss HR klären, wer Entscheidungen verantwortet, wie Einspruchsrechte ausgestaltet sind und welche Transparenz gegenüber Mitarbeitenden erforderlich ist.
Zweitens berührt Resilienz Fragen der Mitbestimmung und Legitimation. Die Studie erwähnt Vertrauen, blendet jedoch institutionelle Arrangements wie Betriebsräte oder Arbeitnehmervertretungen vollständig aus. In vielen europäischen Kontexten ist Resilienz ohne diese Perspektive praktisch nicht herstellbar.
Drittens verschiebt sich die Rolle von HR von der reinen Prozessverantwortung hin zur Übersetzungsinstanz zwischen Technik, Recht und Organisation. HR muss vermitteln, was KI leisten darf, wo ihre Grenzen liegen und wie mit Unsicherheit umzugehen ist – insbesondere dann, wenn Entscheidungen nicht mehr ausschließlich menschlich getroffen werden.
Damit zeigt sich: Das Handlungsfeld Resilienz ist weniger ein Kontrollproblem als ein Gestaltungsproblem organisationaler Verantwortung. Die Studie liefert hierfür wichtige Bausteine, bleibt aber bei der arbeits- und organisationsbezogenen Ausbuchstabierung auffällig zurückhaltend.
Handlungsfeld 4 – Innovation: Data Democratization zwischen Empowerment und Kontrolle
Innovation wird in der Studie eng mit dem Zugang zu Daten verknüpft. Die zentrale These lautet: Daten entfalten nur dann Wert, wenn sie dort verfügbar sind, wo Entscheidungen getroffen werden. Entsprechend betonen die befragten CDOs, dass fehlender Datenzugang eine Verschwendung organisationaler Ressourcen darstelle und dass Data Democratization ein entscheidender Beschleuniger für KI-Initiativen sei.
Die Studie beschreibt Innovation dabei weniger als kreativen Akt, sondern als organisationsweite Fähigkeit, Daten systematisch zu nutzen. Mitarbeitende sollen über Plattformen, Self-Service-Analytics und AI Agents in die Lage versetzt werden, tiefergehende Analysen durchzuführen und Entscheidungen in Echtzeit zu unterstützen. Unterstützt wird diese Perspektive durch Verweise auf zukünftige Szenarien, in denen KI-Agenten als analytische „Co-Piloten“ fungieren.
Was die Studie überzeugend herausarbeitet
Plausibel ist die Abkehr vom exklusiven Expertenmodell. Die Studie macht deutlich, dass Innovation nicht skalierbar ist, wenn Daten und Analytik in spezialisierten Einheiten verbleiben. Besonders überzeugend ist die Betonung von Self-Service mit Leitplanken: Rollenbasierte Zugriffe, mehrschichtige Sicherheitsarchitekturen und einheitliche Interfaces sollen breiten Zugang ermöglichen, ohne Governance aufzugeben.
Auch der Hinweis auf den kulturellen Wandel ist relevant. Die Studie zeigt, dass sich der Fokus vieler CDOs von der Verhinderung von Missbrauch hin zur Ermöglichung von Nutzung verschiebt. Diese Perspektive markiert einen wichtigen Bruch mit traditionellen, restriktiven Datenmodellen.
Kritische Einordnung
Trotz dieser Stärken bleibt der Innovationsbegriff der Studie funktional verengt. Innovation wird primär als Beschleunigung bestehender Entscheidungs- und Analyseprozesse verstanden. Was kaum thematisiert wird, sind die Macht- und Verantwortungsverschiebungen, die mit breitem Datenzugang einhergehen.
Zwei Spannungsfelder bleiben unbeantwortet:
Erstens setzt Data Democratization ein hohes Maß an Datenkompetenz und Urteilsfähigkeit voraus. Die Studie benennt zwar Talentknappheit und steigenden Qualifikationsbedarf, diskutiert aber nicht, wie Organisationen mit heterogenen Kompetenzniveaus umgehen sollen. Der implizite Optimismus – mehr Zugang führe automatisch zu besseren Entscheidungen – ist empirisch nicht abgesichert.
Zweitens bleibt offen, wie Verantwortung neu verteilt wird. Wenn Mitarbeitende mit Unterstützung von KI-Agenten Analysen erstellen, stellt sich die Frage, wer für Entscheidungen haftet, wie Fehlinterpretationen erkannt werden und wie Führung mit widersprüchlichen datenbasierten Einschätzungen umgeht. Die Studie spricht von Empowerment, blendet jedoch die damit verbundenen Steuerungs- und Konfliktfragen aus.
Damit bleibt Innovation ein technisch und prozessual gerahmtes Konzept, während die sozialen Dynamiken datengetriebener Organisationen weitgehend unberücksichtigt bleiben.
HR-Implikationen
Für HR ist Data Democratization ein ambivalentes Versprechen. Einerseits eröffnet breiter Datenzugang neue Spielräume für evidenzbasierte Entscheidungen, andererseits verschiebt er Anforderungen an Rollen, Führung und Qualifikation erheblich.
Zentral sind drei Punkte:
Erstens wird Data Literacy zur Kernkompetenz – nicht nur für Spezialisten, sondern für breite Teile der Organisation. HR steht vor der Aufgabe, realistische Entwicklungsmodelle zu entwerfen, die zwischen „Daten verstehen“, „Daten nutzen“ und „Daten verantworten“ unterscheiden.
Zweitens verändert sich Führung. Wenn Entscheidungen zunehmend daten- und KI-gestützt vorbereitet werden, verlieren hierarchische Erfahrungsargumente an Gewicht. Führungskräfte müssen lernen, Entscheidungen zu moderieren, statt sie allein zu legitimieren. Diese Rolle wird in der Studie nicht adressiert, ist aber entscheidend für Akzeptanz.
Drittens betrifft Innovation auch Leistungs- und Bewertungssysteme. Wenn Mitarbeitende Daten selbst interpretieren und Handlungsempfehlungen ableiten sollen, stellt sich die Frage, wie Qualität, Verantwortung und Lernprozesse bewertet werden. Ohne Anpassung bestehender HR-Instrumente droht Data Democratization zum zusätzlichen Belastungsfaktor zu werden.
Damit zeigt sich: Innovation durch Datenzugang ist kein rein technisches Enablement-Projekt. Sie erfordert einen bewussten Umbau von Kompetenzmodellen, Führungsverständnis und Leistungslogiken – ein Feld, in dem HR nicht unterstützend, sondern gestaltend wirken muss.
Handlungsfeld 5 – Wachstum: Proprietäre und unstrukturierte Daten als Differenzierungsfaktor
Im letzten Handlungsfeld verschiebt die Studie den Blick von interner Effizienz hin zu Wettbewerbs- und Wachstumsfragen. Die zentrale These lautet, dass sich KI-Fähigkeiten zunehmend angleichen, während proprietäre Daten – also organisationsspezifische, nicht frei verfügbare Datenbestände – zum entscheidenden Differenzierungsmerkmal werden. Besonders hervorgehoben wird das Potenzial von Datenprodukten wie Customer-360-Analysen, operativen Echtzeit-Dashboards oder Prognosemodellen, die bereits heute messbare Wettbewerbsvorteile erzeugen.
Gleichzeitig verweist die Studie auf ein ungelöstes Problem: unstrukturierte Daten. Obwohl diese einen Großteil der potenziell wertvollen Informationen enthalten, zeigt sich nur eine Minderheit der befragten CDOs zuversichtlich, daraus tatsächlich Geschäftswert generieren zu können. Der Umgang mit Texten, Kommunikation, Dokumenten oder multimedialen Inhalten bleibt damit ein strategischer Engpass.
Was die Studie überzeugend herausarbeitet
Überzeugend ist die Abkehr von der Vorstellung, Wachstum entstehe primär durch mehr Daten. Stattdessen betont die Studie die Transformation von Daten in nutzbare Produkte mit klar definiertem Anwendungszweck. Diese Produktlogik – inklusive Ownership, Qualitätskriterien und Nutzungsszenarien – schafft eine Brücke zwischen Datenstrategie und Geschäftsentwicklung.
Ebenfalls plausibel ist die Betonung von Ökosystemen und Partnerschaften. Die Studie zeigt, dass viele Organisationen Wertschöpfung zunehmend über geteilte Datenräume realisieren und dass Kooperationen den Zugang zu ergänzenden Daten und neuen Analyseperspektiven eröffnen. Wachstum wird damit als vernetztes, datengetriebenes Phänomen beschrieben.
Kritische Einordnung
Gleichzeitig bleibt das Wachstumsnarrativ der Studie ambitioniert, aber abstrakt. Zwar wird wiederholt auf Wettbewerbsvorteile und ROI verwiesen, doch konkrete Mechanismen der Wertrealisierung bleiben unscharf. Insbesondere bei unstrukturierten Daten wird das Potenzial betont, ohne die hohen Aufwände für Aufbereitung, Governance und ethische Klärung systematisch zu problematisieren.
Hinzu kommt, dass Wachstum implizit als positive Zielgröße gesetzt wird. Mögliche Zielkonflikte – etwa zwischen Monetarisierung und Datenschutz, zwischen Analysefähigkeit und Akzeptanz oder zwischen Innovation und Reputation – werden kaum thematisiert. Die Studie betrachtet Wachstum primär aus Sicht der Unternehmenssteuerung, nicht aus Sicht der Betroffenen.
HR-Implikationen
Für HR ist dieses Handlungsfeld besonders sensibel. Unstrukturierte Daten entstehen häufig im Kontext von Arbeit: Kommunikation, Feedback, Lernaktivitäten, Kollaboration. Ihre Nutzung für KI-gestützte Analysen berührt unmittelbar Fragen von Vertrauen, Fairness und Zweckbindung.
Drei Aspekte sind zentral:
Erstens wird HR mitentscheiden müssen, welche People- und Kommunikationsdaten überhaupt als „wertschöpfend“ gelten dürfen. Wachstumsperspektiven allein reichen hier nicht aus, um Nutzung zu legitimieren.
Zweitens verändern datengetriebene Wachstumsstrategien die Erwartung an Mitarbeitende. Wenn Datenprodukte und KI-Insights zur Grundlage strategischer Entscheidungen werden, steigt der Druck auf Datenqualität, Dokumentation und Standardisierung – mit direkten Auswirkungen auf Arbeitsorganisation.
Drittens verschärft sich der Talentkonflikt. Die Studie zeigt, dass neue daten- und KI-bezogene Rollen schneller entstehen, als Organisationen sie besetzen können. Wachstum durch Daten ist damit unmittelbar an HR-Fähigkeiten gekoppelt – nicht nur im Recruiting, sondern auch in Entwicklung, Bindung und Rollenarchitektur.
Methodische Grenzen – was die Studie nicht belegt
So anschlussfähig die Studie ist, so klar sind ihre methodischen Begrenzungen:
- Sie basiert ausschließlich auf Selbstauskünften von CDOs. Wahrnehmungen anderer Funktionen, insbesondere HR, Operations oder Mitarbeitende, fehlen vollständig.
- Die berichteten Zusammenhänge zwischen Reifegrad, Governance und ROI sind korrelativ, nicht kausal belegt.
- Abweichende Organisationsmodelle oder bewusst risikoaverse Strategien werden kaum reflektiert.
Die Studie eignet sich damit als strategischer Orientierungsrahmen, nicht als empirischer Beweis für bestimmte Zielbilder oder Operating Models.
HR als implizite Leerstelle – warum Personalarbeit zum Hebel wird
Auffällig ist, dass HR in der Studie vor allem indirekt vorkommt: als Datenquelle, als Talentproblem, als Kulturfaktor. Was fehlt, ist eine systematische Betrachtung von HR als Mitgestalter datengetriebener Organisationen.
Dabei liegt hier ein zentraler Hebel:
- Datenkompetenz entsteht nicht durch Plattformen, sondern durch Lern- und Entwicklungssysteme.
- Vertrauen in KI entsteht nicht durch Governance-Dokumente allein, sondern durch nachvollziehbare Regeln, Beteiligung und Legitimation.
- Skalierung scheitert nicht selten an fehlender Akzeptanz – einem klassischen HR-Thema.
Ohne eine aktive HR-Perspektive droht der „AI Multiplier Effect“ daher einseitig technisch interpretiert zu werden.
Fazit: Was HR aus der CDO-Studie 2025 übernehmen sollte – und was nicht
Die CDO-Studie 2025 liefert ein konsistentes und strategisch relevantes Bild davon, wie Daten KI-Wertschöpfung beschleunigen können. Ihre fünf Handlungsfelder bieten eine hilfreiche Struktur, um Reifegrade und Zielkonflikte sichtbar zu machen.
Für HR ergibt sich daraus jedoch kein Umsetzungsleitfaden, sondern ein Arbeitsauftrag: Die technologische Logik der Studie muss um arbeits-, kompetenz- und organisationsbezogene Perspektiven ergänzt werden. Erst wenn Datenstrategie, Governance und KI-Nutzung mit Qualifikation, Führung und Mitbestimmung zusammengedacht werden, entfaltet der „AI Multiplier Effect“ tatsächlich Wirkung.
FAQs
Warum ist die CDO-Studie 2025 für HR relevant?
Weil der wirtschaftliche Nutzen von KI laut Studie maßgeblich von Datenkompetenzen, Governance, klaren Rollen und Akzeptanz abhängt – alles Themen, die ohne HR nicht umsetzbar sind.
Worum geht es in der CDO-Studie 2025 „The AI Multiplier Effect“?
Die Studie analysiert, wie Unternehmen durch gezielte Nutzung entscheidungsreifer Daten den Nutzen von KI steigern. Befragt wurden 1.700 Senior Data- und Analytics-Verantwortliche aus 19 Branchen und 27 Ländern.
Was bedeutet der „AI Multiplier Effect“ konkret für Organisationen?
KI wirkt als Verstärker bestehender Strukturen: Gute Datenstrategien führen zu überproportionalem Nutzen, fragmentierte Datenlandschaften hingegen skalieren Fehler, Risiken und Ineffizienzen.
Welche fünf Handlungsfelder identifiziert die Studie – und warum sind sie für HR relevant?
Die Studie nennt Strategie, Skalierung, Resilienz, Innovation und Wachstum. In allen fünf Feldern spielen HR-nahe Faktoren wie Kompetenzen, Führung, Governance und Organisationsdesign eine zentrale Rolle.
Welche Rolle spielt Data Governance aus HR-Sicht?
Data Governance ist Voraussetzung für Vertrauen in KI. Für HR bedeutet das die Mitgestaltung von Transparenz, Verantwortlichkeiten, Mitbestimmung sowie einer fairen Nutzung von People- und Kommunikationsdaten.
Warum wird Talent laut Studie zum Engpass für KI- und Datenstrategien?
82 Prozent der Befragten rekrutieren für daten- und KI-bezogene Rollen, die es zuvor nicht gab. Gleichzeitig fällt es vielen Organisationen schwer, diese Profile zu finden oder intern zu entwickeln.
Wo stößt die CDO-Studie 2025 aus HR-Sicht an ihre Grenzen?
Die Studie basiert auf Selbstauskünften von CDOs, zeigt überwiegend Korrelationen statt Kausalitäten und blendet arbeitsorganisatorische, kulturelle und mitbestimmungsrelevante Aspekte weitgehend aus.
Was ist die wichtigste Erkenntnis für HR?
Der AI Multiplier Effect ist kein Technologieprojekt. Ohne Datenkompetenz, Akzeptanz, klare Rollen und Vertrauen – alles klassische HR-Themen – bleibt der wirtschaftliche Nutzen von KI begrenzt.
