STRATEGIE16. November 2026

Data Mesh als Basis für die KI‑Readiness von Banken

Schwerpunkt: Daten & Analytics
. . Vor wenigen Jahren versprach Data Mesh, das Datenmanagement großer Organisationen neu zu ordnen. In Banken hat sich das Konzept nicht flächendeckend durchgesetzt. Jetzt bringt die Ka I seine Bausteine zurück. Die meisten Häuser haben die Grundlage dafür längst, allerdings ungesteuert. von Doktor Selvam Dhamotharan, Partner, PPI & Doktor Michael Herbst, Senior Manager, PPI.. Als Zhamak Dehghani im März 2022 ihr Buch „Data Mesh: Delivering Data Driven Value at Scale“ veröffentlichte, traf sie einen Nerv. Zentrale Datenplattformen, so ihre Diagnose, kommen mit der Komplexität großer Organisationen nicht mehr mit, erst recht nicht mit dem Anspruch, per „AI and analytics“ Wert aus Daten zu ziehen. Ihre Antwort war radikal, die Fachbereiche verantworten ihre Daten selbst und stellen sie als Produkte bereit. In Banken ist von diesem Anspruch wenig übrig. Wir kennen kein Institut, in dem Data Mesh vollständig operativ ausgerollt ist. Die Gründe liegen in der Organisation. Banken lassen sich nicht in trennscharfe Domänen schneiden; Kunde und Exposure gehören niemandem allein. Fachverantwortliche mit echtem Mandat fehlen, und finanziert werden Projekte mit Enddatum statt Datenprodukte mit Lebenszyklus.Die Idee selbst hat das überlebt. Neu war sie ohnehin nicht; dass Fachbereich und Ai Tieh gemeinsam für ihre Risikodaten einstehen, verlangt BCBS 239 seit 2013.“. . Seither hat sich die Welt weitergedreht; Ka I ist vom Versprechen zum Werkzeug geworden. Die Prozesse, über die Daten in Berichte und Modelle gelangen, sind dieselben geblieben. Das Schatten Mesh!. . Das Datenmanagement der meisten Banken ist zentral organisiert, umgeben von lokalen Umgehungslösungen und manuellen Korrekturen. Zum Monatsultimo kommt die Treasury Datei per E Mail, manuelle Overrides liegen in einer SharePoint Liste, und ein BI Export wird in Excel nachbearbeitet. Das ist Dezentralität ohne Produkte und ohne Verantwortliche, ein Schatten Mesh. Die EZB hält Banken für „too reliant on weakly controlled manual workarounds“. Kein Lineage Werkzeug sieht ein E Mail Postfach. Mit Ka I wird aus dem Ärgernis ein Risiko. Ein Assistent mit Zugriff auf SharePoint und Postfächer findet irgendeine Version der Treasury Datei und präsentiert sie mit großer Selbstsicherheit. Auch die Aufsicht arbeitet inzwischen mit KI; die EZB analysiert Bankdokumente mit generativer Ka I und warnt selbst davor, dass am Ende Ka I über Ka I urteilt. Ihre Gegenmaßnahme sind Stichproben auf Rohdaten. Kann eine Bank dann die Herkunft einer Kennzahl nicht belegen, hat sie ein Problem. Mesh nach Maß!. . . Die Organisation muss dafür nicht neu geschnitten werden. Der pragmatische Weg beginnt bei den Lieferungen, die es schon gibt. Jede wiederkehrende manuelle Lieferung wird ein registriertes Datenprodukt mit benanntem Owner, einem Eintrag im internen Datenmarktplatz und einem Datenvertrag. Der Vertrag beschreibt Schema und fachliche Bedeutung, legt Qualitätsregeln fest und sagt zu, wann in welcher Güte geliefert wird. Das funktioniert auch für eine Excel Datei, maschinenlesbar etwa im Open Data Contract Standard. Den Marktplatz muss niemand neu bauen, denn die Katalog Werkzeuge, die viele Banken schon einsetzen, bringen die Funktion mit. Genutzt wird sie bisher kaum. Erst danach entscheidet die Kritikalität über den weiteren Weg, kritische Lieferungen werden engmaschig kontrolliert, triviale automatisiert. Federated Governance heißt dabei: wenige globale Regeln, zentral definiert und als Code geprüft, etwa die Taxonomie kritischer Datenelemente, Klassifikation, Toleranzschwellen und Lineage Pflicht. Berechnungslogik und Lieferform bleiben in der Domäne. . Wirksam wird das erst durch eine klare Regel: In Risikoberichte und Ka I Anwendungen fließen nur registrierte Datenprodukte. Verbindlich wird sie, wenn der Vorstand sie beschließt, sonst laufen Dateien weiter am Register vorbei. Damit erfüllt die Bank mit überschaubarem Aufwand zwei Kernforderungen des RDARR Leitfadens der EZB, nämlich klar zugeordnete Data Ownership und kontrollierte Endanwender Lösungen. Dem Vorstand genügt zur Steuerung eine Zahl, der Anteil kritischer Kennzahlen, deren Lieferkette vollständig über registrierte Datenprodukte läuft. Derselbe Wert zeigt, wie Ka I fähig ein Haus tatsächlich ist. Dieser Wert kann sich auch bald zu einem Wettbewerbsvorteil entwickeln. Kunden erkennen den Wert ihrer Daten, und ein künftiger europäischer Rahmen für den Finanzdatenzugang soll den Austausch zwischen Anbietern öffnen. Wer Daten teilen oder gar monetarisieren will, muss zuerst wissen, welche er hat und wer für sie einsteht. Data Mesh hat sein Versprechen nicht gehalten. Als Bauplan für Datenprodukte kommt es gerade zurück. Sie hörten einen Beitrag von “ Doktor Selvam Dhamotharan & Doktor Michael Herbst, PPI/dk“

Schwerpunkt: Daten & Analytics
Selvam Dhamotharan trägt Brille, dunklen Anzug und rosafarbene Krawatte; sein Beitrag behandelt Data Mesh als Grundlage für KI-Readiness in Banken.
Dr. Selvam Dhamotharan, Partner, PPI PPI

Vor wenigen Jahren versprach Data Mesh, das Datenmanagement großer Organisationen neu zu ordnen. In Banken hat sich das Konzept nicht flächendeckend durchgesetzt. Jetzt bringt die KI seine Bausteine zurück. Die meisten Häuser haben die Grundlage dafür längst, allerdings ungesteuert.

von Dr. Selvam Dhamotharan, Partner, PPI & Dr. Michael Herbst, Senior Manager, PPI

Als Zhamak Dehghani im März 2022 ihr Buch „Data Mesh: Delivering Data-Driven Value at Scale“ veröffentlichte, traf sie einen Nerv. Zentrale Datenplattformen, so ihre Diagnose, kommen mit der Komplexität großer Organisationen nicht mehr mit, erst recht nicht mit dem Anspruch, per „AI and analytics“ Wert aus Daten zu ziehen. Ihre Antwort war radikal – die Fachbereiche verantworten ihre Daten selbst und stellen sie als Produkte bereit.

In Banken ist von diesem Anspruch wenig übrig. Wir kennen kein Institut, in dem Data Mesh vollständig operativ ausgerollt ist. Die Gründe liegen in der Organisation. Banken lassen sich nicht in trennscharfe Domänen schneiden; Kunde und Exposure gehören niemandem allein. Fachverantwortliche mit echtem Mandat fehlen, und finanziert werden Projekte mit Enddatum statt Datenprodukte mit Lebenszyklus.

Die Idee selbst hat das überlebt. Neu war sie ohnehin nicht; dass Fachbereich und IT gemeinsam für ihre Risikodaten einstehen, verlangt BCBS 239 seit 2013.“

Dr. Michael Herbst, Senior Manager bei PPI, lächelt im dunklen Sakko und hellblauen Hemd vor einem Bürogebäude; er erläutert Data Mesh als Grundlage für KI-Readiness in Banken.
Dr. Michael Herbst, Senior Manager, PPI PPI

Seither hat sich die Welt weitergedreht; KI ist vom Versprechen zum Werkzeug geworden. Die Prozesse, über die Daten in Berichte und Modelle gelangen, sind dieselben geblieben.

Das Schatten-Mesh

Das Datenmanagement der meisten Banken ist zentral organisiert, umgeben von lokalen Umgehungslösungen und manuellen Korrekturen. Zum Monatsultimo kommt die Treasury-Datei per E-Mail, manuelle Overrides liegen in einer SharePoint-Liste, und ein BI-Export wird in Excel nachbearbeitet.

Das ist Dezentralität ohne Produkte und ohne Verantwortliche, ein Schatten-Mesh. Die EZB hält Banken für „too reliant on weakly controlled manual workarounds“. Kein Lineage-Werkzeug sieht ein E-Mail-Postfach.

Mit KI wird aus dem Ärgernis ein Risiko. Ein Assistent mit Zugriff auf SharePoint und Postfächer findet irgendeine Version der Treasury-Datei und präsentiert sie mit großer Selbstsicherheit. Auch die Aufsicht arbeitet inzwischen mit KI; die EZB analysiert Bankdokumente mit generativer KI und warnt selbst davor, dass am Ende KI über KI urteilt. Ihre Gegenmaßnahme sind Stichproben auf Rohdaten. Kann eine Bank dann die Herkunft einer Kennzahl nicht belegen, hat sie ein Problem.

Mesh nach Maß

Autor Dr. Selvam Dhamotharan, PPI
Dr. Selvam Dhamotharan über Data Mesh
PPI

Dr. Selvam Dhamotharan ist Partner bei PPI (Webseite) mit den Schwerpunkten IT-Advisory, Datenstrategie und Bankenaufsicht. Der promovierte Physiker ist seit 25 Jahren in der Finanzbranche tätig und hat unter anderem leitende Positionen bei Roland Berger und der BNP Paribas bekleidet.

Die Organisation muss dafür nicht neu geschnitten werden. Der pragmatische Weg beginnt bei den Lieferungen, die es schon gibt. Jede wiederkehrende manuelle Lieferung wird ein registriertes Datenprodukt mit benanntem Owner, einem Eintrag im internen Datenmarktplatz und einem Datenvertrag. Der Vertrag beschreibt Schema und fachliche Bedeutung, legt Qualitätsregeln fest und sagt zu, wann in welcher Güte geliefert wird.

Das funktioniert auch für eine Excel-Datei, maschinenlesbar etwa im Open-Data-Contract-Standard. Den Marktplatz muss niemand neu bauen, denn die Katalog-Werkzeuge, die viele Banken schon einsetzen, bringen die Funktion mit. Genutzt wird sie bisher kaum. Erst danach entscheidet die Kritikalität über den weiteren Weg – kritische Lieferungen werden engmaschig kontrolliert, triviale automatisiert.

Federated Governance heißt dabei: wenige globale Regeln, zentral definiert und als Code geprüft, etwa die Taxonomie kritischer Datenelemente, Klassifikation, Toleranzschwellen und Lineage-Pflicht. Berechnungslogik und Lieferform bleiben in der Domäne.

Autor Dr. Michael Herbst, PPI
Dr. Michael Herbst, Senior Manager bei PPI, lächelt mit schwarzer Brille im dunklen Sakko und hellblauen Hemd vor einem Bürogebäude. Er berät Banken zu Data Mesh und Datenqualität für KI. Dr. Michael Herbst ist Senior Manager bei PPI (Webseite) im Bereich Banksteuerung und Regulatorik. Der promovierte Physiker berät Banken seit 2013 zu BCBS 239, Datenstrategie und Datenmanagement für KI. Datenqualität versteht er dabei als strategischen Erfolgsfaktor.

Wirksam wird das erst durch eine klare Regel: In Risikoberichte und KI-Anwendungen fließen nur registrierte Datenprodukte. Verbindlich wird sie, wenn der Vorstand sie beschließt, sonst laufen Dateien weiter am Register vorbei. Damit erfüllt die Bank mit überschaubarem Aufwand zwei Kernforderungen des RDARR-Leitfadens der EZB, nämlich klar zugeordnete Data Ownership und kontrollierte Endanwender-Lösungen.

Dem Vorstand genügt zur Steuerung eine Zahl – der Anteil kritischer Kennzahlen, deren Lieferkette vollständig über registrierte Datenprodukte läuft. Derselbe Wert zeigt, wie KI-fähig ein Haus tatsächlich ist.

Dieser Wert kann sich auch bald zu einem Wettbewerbsvorteil entwickeln. Kunden erkennen den Wert ihrer Daten, und ein künftiger europäischer Rahmen für den Finanzdatenzugang soll den Austausch zwischen Anbietern öffnen. Wer Daten teilen oder gar monetarisieren will, muss zuerst wissen, welche er hat und wer für sie einsteht. Data Mesh hat sein Versprechen nicht gehalten. Als Bauplan für Datenprodukte kommt es gerade zurück. Dr. Selvam Dhamotharan & Dr. Michael Herbst , PPI/dk

Schreiben Sie einen Kommentar

Ihre E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert