Die Daten, die Sie bereits haben, sind mehr wert als das Modell, das Sie kaufen werden
Es gibt eine anhaltende Kluft zwischen dem, was Führungskräfte über ihre Daten sagen, und dem, was sie tatsächlich damit tun. Die meisten nutzen sie zur Überwachung der Vergangenheit: Verkaufsberichte, KPI-Dashboards, Kampagnenverfolgung. Einige setzen sie bereits ein, um Erlebnisse mithilfe künstlicher Intelligenz zu personalisieren. Doch kaum jemand geht den nächsten Schritt, der nicht technologischer, sondern konzeptueller Natur ist: Daten als ein Produkt zu behandeln, das für sich selbst Einnahmen generiert, unabhängig von dem Unternehmen, das sie produziert hat.
Das ist die zentrale These, die im strategischen Diskurs des Jahres 2026 zunehmend an Gewicht gewinnt, und dahinter stehen Zahlen, die es schwer machen, sie zu ignorieren. Die operativen Margen des traditionellen Einzelhandels bewegen sich zwischen 2 % und 5 %. Die Margen von Werbenetzwerken auf der Grundlage von First-Party-Daten – aufgebaut auf denselben Kunden und derselben Infrastruktur – können bis zu 90 % erreichen. Das ist keine Variante des ursprünglichen Geschäfts: Es ist ein anderes Geschäft, das auf demselben Vermögenswert aufgebaut wurde, der bereits existierte. Walmart Connect wuchs im Geschäftsjahr 2026 um 41 %. Die alternative Geschäftseinheit von Kroger, die Medien und Datenanalyse umfasst, erwirtschaftete in ihrem letzten Geschäftsjahr 1,5 Milliarden Dollar an operativem Gewinn. Beide Unternehmen haben diese Einnahmequellen aufgebaut, ohne neue Kunden zu gewinnen oder neue Märkte zu erschließen. Sie haben die Art und Weise verändert, wie sie verpackten, was sie bereits wussten.
Was in dieser Analyse fehlt – und was mich als Verhaltensanalytiker am meisten interessiert – ist die Frage, die kein Führungskraft laut stellt: Wenn der Vermögenswert schon immer da war, warum monetarisiert ihn die Mehrheit dann nicht?
Der unsichtbare Vermögenswert und die Verzerrung, die ihn schlafend hält
Die Antwort liegt weder in der Technologie noch im Talent. Sie liegt darin, wie Organisationen das wahrnehmen, was sie besitzen.
Es gibt einen gut dokumentierten kognitiven Bias namens Vertrautheit mit der eigenen Umgebung: Wir tendieren dazu, das zu entwerten, was wir produzieren oder kontrollieren, weil wiederholte Exposition die Wahrnehmung des Werts reduziert. Ein Marketingteam, das seit Jahren dieselben Verhaltensdaten seiner Kunden betrachtet, hört auf, diese als knappes Gut wahrzunehmen. Sie behandeln sie als operativen Input, weil das schon immer ihre Funktion war. Das menschliche Gehirn ist äußerst effizient darin, das Vertraute zu normalisieren und das zu entwerten, was keinen sichtbaren Marktpreis hat.
Dies verschlimmert sich in großen Organisationen, weil die Daten auf Bereiche verteilt sind, die keine Anreize teilen. Das Vertriebsteam weiß, wie viel jedes Segment kauft. Das Logistikteam weiß, wann und wo. Das Produktteam weiß, welche Funktionen Bindung erzeugen. Aber niemand zahlt dafür, diese Teile zu einem kohärenten Produkt zusammenzusetzen, das ein anderes Unternehmen kaufen würde, weil jeder Bereich seine Leistung an internen Zielen misst, nicht am externen Wert dessen, was er weiß.
Die praktische Konsequenz ist, dass der wertvollste Datensatz eines Unternehmens – sein angesammeltes Wissen über das Verhalten seiner Kunden – verstreut lebt, ohne Struktur, ohne Preis und ohne klaren Eigentümer. Nicht weil das Unternehmen unfähig wäre, es zu organisieren, sondern weil die Organisation auf diese Weise erfordert, mit der operativen Logik zu brechen, die den Alltag trägt. Und das Brechen dieser Logik erzeugt institutionelle Reibung, für deren Übernahme die meisten Teams keine Anreize haben.
Der Fall von 84.51°, der Analyse- und Medientochter von Kroger, ist besonders lehrreich, weil sein Ausgangspunkt nicht technologischer Natur war. Die Stratum-Plattform entstand nicht, weil Kroger neue Daten entdeckte. Sie entstand, weil jemand entschied, das bereits Bekannte rund um die Entscheidungen zu strukturieren, die Konsumgütermarken treffen mussten: wo sie ausgeben, was sie sortieren, wie sie Ergebnisse messen sollten. Der Vermögenswert war derselbe. Was sich änderte, war der interpretative Rahmen, aus dem heraus er angeboten wurde. Diese Verschiebung – vom internen Datum zum externen Produkt – ist eher ein Akt des organisatorischen Designs als ein technischer Akt.
Warum KI das Problem nicht löst und es dringlicher macht
In diesem Moment des Technologiezyklus gibt es eine verständliche Versuchung: zu glauben, dass die Implementierung von Sprachmodellen oder generativen KI-Tools ausreicht, um die Daten zu kapitalisieren, die ein Unternehmen besitzt. Das ist nicht der Fall, und das Verständnis dafür erfordert eine Unterscheidung zwischen zwei Arten von Vorteilen.
Der erste Typ ist der Vorteil des Werkzeugzugangs. Vor drei Jahren war der Zugang zu großen Sprachmodellen ein echter Vorteil, weil sich nur wenige ihre Entwicklung leisten konnten. Dieser Vorteil ist praktisch verschwunden. Die leistungsfähigsten Modelle sind für jedes Unternehmen mit vernünftigem Budget zugänglich. Der Markt für Basismodelle tendiert zur Parität, ähnlich wie der Zugang zu Cloud-Servern vor einem Jahrzehnt aufgehört hat, ein Differenzierungsmerkmal zu sein.
Der zweite Typ ist der Vorteil proprietärer Inputs. Was ein Unternehmen in das Modell einspeist, ist wichtiger als das Modell selbst. Die 62 Millionen Haushalte und 2 Milliarden jährlichen Transaktionen, die 84.51° verarbeitet, sind nicht replizierbar. Ein Logistikunternehmen mit fünf Jahren an Routen- und regionalen Nachfragedaten ist ebenfalls nicht replizierbar. Ein Gesundheitssystem mit klinischen Aufzeichnungen, die mit Ergebnissen verknüpft sind, ist es auch nicht. Der Vorteil liegt nicht im Algorithmus, sondern darin, was der Algorithmus verarbeitet, und genau das behandelt die Mehrheit der Unternehmen weiterhin als operativen Input statt als vermarktbaren Vermögenswert.
Das Paradoxe ist, dass die Massenverbreitung der künstlichen Intelligenz das Problem der Datenmonetarisierung dringlicher – nicht weniger dringlicher – macht. Wenn alle Zugang zu denselben Werkzeugen haben, verlagert sich der Unterschied vollständig darauf, wer die reichsten, saubersten und am besten strukturierten Daten hat, um Outputs zu produzieren, die andere nicht replizieren können. Unternehmen, die die Architektur ihrer proprietären Daten bis 2027 nicht gelöst haben, werden nicht im Nachteil sein, weil es ihnen an Technologie mangelt. Sie werden im Nachteil sein, weil sie ihren einzigen echten Wettbewerbsvorteil – das angesammelte Wissen über ihre Kunden – unmonetarisiert gelassen haben, während ihre Konkurrenten es in Marge verwandeln.
Dies gilt außerhalb des Einzelhandels mit derselben Logik. Ein Medienunternehmen, das weiß, welche Content-Formate für welche Segmente Conversion fördern, kann ein Planungswerkzeug für Werbetreibende aufbauen. Ein Logistikunternehmen, das weiß, wann und wo sich die Nachfrage konzentriert, kann seinen eigenen Kunden Benchmarks anbieten. Eine Versicherung, die Risikomuster mit geografischer Granularität versteht, kann dieses Wissen an Regierungen oder Immobilienentwickler verkaufen. Der gemeinsame Nenner ist nicht der Sektor: Es geht darum, Informationen zu besitzen, die andere benötigen, um bessere Entscheidungen zu treffen, und die sie kurzfristig nicht selbst aufbauen können.
Was die Bewegung blockiert, ist nicht technisch
Bis hierhin scheint die Analyse auf eine offensichtliche Gelegenheit hinzuweisen, die nur den Willen der Führungsebene erfordert. Die organisationale Realität ist erheblich komplizierter, und das menschliche Verhalten innerhalb von Institutionen erklärt, warum die meisten Unternehmen diesen Schritt nicht gehen, obwohl die Logik ihn rechtfertigt.
Das erste Hindernis ist die Geschäftsidentität. Organisationen konstruieren Narrative darüber, was sie sind. Eine Bank ist eine Bank. Eine Fluggesellschaft ist eine Fluggesellschaft. Eine Supermarktkette verkauft Lebensmittel. Wenn jemand intern vorschlägt, Kundendaten in ein Produkt zu verwandeln, das an Dritte verkauft wird, ist die instinktive Reaktion vieler Teams nicht analytisch, sondern identitär: „Das ist nicht das, was wir tun." Dieser Widerstand ist aus der Perspektive der Person, die ihn äußert, nicht irrational. Es ist ein Signal, dass die vorgeschlagene Änderung das mentale Modell bedroht, mit dem diese Person ihre berufliche Laufbahn aufgebaut hat. Die Bank, die sich entscheidet, Daten über Finanzverhalten zu monetarisieren, wird teilweise zu einem Datenzunternehmen. Und das impliziert, dass einige interne Profile an Relevanz verlieren, während andere, die bisher nicht existierten, zentral werden.
Das zweite Hindernis ist die Governance-Reibung. Kundendaten unterliegen Datenschutzvorschriften, die je nach Markt und Sektor variieren. Den Aufbau eines Datenprodukts, das vermarktbar, rechtlich verteidigbar und für Dritte vertrauenswürdig ist, erfordert eine Architektur aus Einwilligung, Anonymisierung und regulatorischer Compliance, die die meisten Unternehmen nicht parat haben. Nicht weil es unmöglich wäre, sie aufzubauen, sondern weil der Aufbau eine bereichsübergreifende Investition in Bereichen erfordert, die historisch nicht zusammengearbeitet haben: Technologie, Recht, Produkt und Vertrieb. Die Koordinierung dieser Investition, ohne dass ein Bereich sie als seinen Sieg zählen kann, erzeugt genau die Art von politischer Trägheit, die die vielversprechendsten strategischen Initiativen einfriert.
Das dritte Hindernis ist das Fehlen eines sichtbaren Preises. Finanzmärkte bewerten Geschäftseinheiten, wenn sie Einnahmen mit eigener Struktur generieren. Solange die Daten eines Unternehmens im Betrieb vergraben sind, ohne eine separate Einnahmequelle zu generieren, erscheint ihr Wert in keinem Finanzmodell. Das bedeutet, dass kein Analyst von außen Druck ausübt, kein Vergütungsanreiz für Führungskräfte es direkt belohnt und kein Verwaltungsrat es als Priorität fordert. Der Vermögenswert bleibt in der Bilanz unsichtbar, weil er keinen Preis hat, und er hat keinen Preis, weil niemand die Entscheidung getroffen hat, ihm einen zuzuweisen.
Die Überwindung dieser drei Hindernisse erfordert keine neue Technologie. Sie erfordert eine Änderung in der Art und Weise, wie Führungskräfte das Problem intern formulieren: von „Wie nutzen wir unsere Daten, um besser zu arbeiten?" zu „Für welche Entscheidung eines anderen Unternehmens sind wir die wertvollste und unersetzlichste Informationsquelle?" Diese zweite Frage zwingt dazu, nach außen zu schauen, bevor man nach innen schaut. Und das ist für die meisten Führungsteams eine psychologisch erheblich schwierigere Bewegung als die Implementierung einer beliebigen Analyseplattform.
Datenmonetarisierung ist ein Designproblem, bevor es ein technologisches ist
Die Lektion, die aus dem Fall Kroger hervorgeht, und die Muster, die sich in Logistik, Gesundheit und Medien wiederholen, lautet nicht, dass Unternehmen mehr Daten oder bessere Modelle benötigen. Es geht darum, dass der Wert in einer Designlücke gefangen ist – zwischen dem, was eine Organisation weiß, und der Art und Weise, wie sie dieses Wissen strukturiert, damit jemand anderes dafür bezahlen kann.
Diese Lücke hat eine spezifische Anatomie. Auf der einen Seite gibt es Informationen, die über Jahre des Betriebs angesammelt wurden: Transaktionen, Verhaltensweisen, Muster, Anomalien. Auf der anderen Seite gibt es Entscheidungen, die externe Akteure mit besseren Informationen treffen müssen, als sie sie haben: wie viel Budget welchem Kanal zuzuteilen ist, welches Inventario an welchem Punkt der Kette vorgehalten werden soll, welche Risikoprofile unterschiedliche Konditionen verdienen. Die Lücke zwischen beiden Seiten ist das Produkt. Die Designarbeit besteht darin, die Struktur aufzubauen, die das, was das Unternehmen weiß, mit der Entscheidung verbindet, die der externe Kunde treffen muss – klar und zuverlässig genug, damit dieser Kunde dafür zahlt, dauerhaft darauf zuzugreifen.
Was die Massenverbreitung der künstlichen Intelligenz in diesem Kontext tut, ist, die Aufbaukosten der Brücke zu senken. Das Organisieren, Bereinigen und Strukturieren von Daten, das früher monatelang Datentechnikteams erforderte, kann jetzt mit den richtigen Werkzeugen in Wochen erledigt werden. Das beseitigt weder das Designproblem noch löst es die organisatorische Reibung. Aber es reduziert die Einstiegshürde ausreichend, so dass Unternehmen, die sich diese Entwicklung früher nicht leisten konnten, nun die technische Kapazität dazu haben – vorausgesetzt, sie haben die strategische Klarheit, um zu entscheiden, was sie bauen und für wen.
Die Entscheidung bleibt menschlich. Und der Grund, warum die meisten Unternehmen sie nicht treffen, obwohl der Vermögenswert vorhanden ist, bleibt psychologisch, bevor er technisch ist. Die Geschäftsidentität, die interne politische Reibung und die buchhalterische Unsichtbarkeit von Datenvermögenswerten sind Kräfte, die kein Sprachmodell lösen kann. Es sind Kräfte, die erfordern, dass jemand an der Spitze entscheidet, das, was er bereits besitzt, mit anderen Augen zu betrachten, als er es beim Aufbau verwendet hat. Diese Wahrnehmungsverschiebung ist in diesem Moment des Technologiezyklus der knappste und am wenigsten kopierbare Wettbewerbsvorteil, der existiert.
