Datenmodellierung ist das Fundament erfolgreicher KI-Systeme. Doch kann KI selbst Datenmodelle erstellen? Definitionen wie „Kunde" oder „Produkt" sind zu unternehmensspezifisch für vollautomatisierte Generierung. Der Vortrag zeigt einen praxisorientierten Ansatz: Durch Aufzeichnung und Transkription von Anforderungsgesprächen lassen sich zentrale Geschäftsobjekte schneller identifizieren und mit Templates effizient vorausfüllen. So verbindet sich KI-Geschwindigkeit mit unverzichtbarem Domänenwissen.

Zielpublikum: Datenarchitekten, Informationsmodellierer, Data Engineers, Head of Data Management, Head of Business Intelligence / Analytics, CDO, IT-Strategen
Voraussetzungen: Grundlegendes Verständnis von KI-Begriffen (z.B. Generative AI, Large Language Models, Prompting); Basiswissen in Datenmodellierung und Datenarchitektur
Level: Basic

Extended Abstract:
Künstliche Intelligenz verändert die Art, wie Unternehmen mit Daten arbeiten. Datenmodellierung bildet dabei das Fundament erfolgreicher KI-Implementierungen – sie stellt sicher, dass Daten qualitativ hochwertig, gut strukturiert und für das Training von KI-Modellen geeignet sind. Ohne solide Datenmodelle sind KI-Systeme anfälliger für Fehler, weniger effizient und schwerer zu skalieren.

Doch wie weit kann KI selbst bei der Erstellung dieser Modelle unterstützen? Die Erwartung, dass KI vollständige Datenmodelle automatisch generiert, stößt in der Praxis schnell an Grenzen. Definitionen zentraler Geschäftsobjekte wie „Kunde" oder „Produkt" sind hochgradig unternehmensspezifisch und lassen sich nicht durch generische Modelle abbilden. Eine direkte, automatisierte Erstellung von Informationsmodellen durch KI ist daher derzeit nicht realistisch.

Dennoch eröffnet KI vielversprechende Möglichkeiten zur Unterstützung des Modellierungsprozesses. Der Vortrag zeigt einen praxisorientierten Ansatz: Durch die Aufzeichnung und Transkription von Gesprächen während der Anforderungsanalyse können Datenmodellierer KI nutzen, um zentrale Geschäftsobjekte schneller zu identifizieren. In Kombination mit vordefinierten Templates lassen sich Definitionen effizient vorausfüllen und anschließend fachlich validieren.

Dieser hybride Ansatz verbindet die Geschwindigkeit moderner KI mit dem unverzichtbaren Domänenwissen der Fachexperten. Der Vortrag beleuchtet aktuelle Trends wie die zunehmende Automatisierung ohne Code, den Wandel von Big Data zu Small und Wide Data sowie die Rolle von Agentic AI – und ordnet diese Entwicklungen in den Kontext der praktischen Informationsmodellierung ein.