Data Governance für AI und mit AI

Data Governance ist bisher vor allem dort etabliert, wo Regulierung sie erzwingt: Finanzdienstleister und ähnlich stark regulierte Unternehmen haben Regeln, Rollen, Kataloge und Kontrollen oft gut im Griff. Anderswo bleibt sie ein zähes Thema – nicht aus Unwillen, sondern weil der Nutzen mit zeitlichem Versatz und an anderer Stelle entsteht als die Kosten und damit schwer erfahrbar und schwer zu erklären ist.

Data Governance for AI and with AI

Mit dem breiten Einsatz von AI ändert sich diese Ausgangslage. Ein AI-System ist nur so verlässlich wie die Daten, Metadaten und Kontrollen, auf denen es aufsetzt. Vor allem aber entscheidet Governance darüber, ob AI relevanten Nutzen stiftet: Wer einen Vorsprung gegenüber Wettbewerbern will, muss AI mit dem eigenen, unternehmensspezifischen Wissen arbeiten lassen – sonst bleiben es die generischen Modelle, die allen zur Verfügung stehen. Damit wird der Nutzen von Data Governance erstmals unmittelbar sichtbar. Gleichzeitig wird AI selbst zum Werkzeug, um Policies, Regeln und Kontrollen automatisiert zu prüfen und durchzusetzen, statt sie nur zu dokumentieren.

Data Governance konsequent aus der Perspektive von AI zu denken, liefert zudem einen Massstab, um das bestehende Instrumentarium zu sortieren:

• Abschaffen, was nie richtig funktioniert hat – etwa manuell gepflegte Glossare, die schon bei der Freigabe veraltet sind, oder Data-Owner-Rollen, die besetzt, aber wirkungslos sind.
• Reifen lassen, was für AI zentral ist – die fachlich-semantische Beschreibung von Daten, Lineage und Datenqualität, Berechtigungsmodelle sowie Data Products und Data Contracts.
• Ergänzen, was neu hinzukommt – welche Agents in welchem Kontext auf welche Daten zugreifen dürfen, die Nachvollziehbarkeit von AI-Outputs, der Umgang mit Prompt- und Trainingsdaten.

Damit stellt sich die Frage in beide Richtungen: Was verlangt AI von unserer Data Governance – und was kann AI für sie leisten?

Data Governance im Kontext AI ist für alle Neuland; gereiftes Wissen gibt es kaum. Entsprechend erwarten wir keine fertigen Konzepte und polierten Success Stories, sondern den offenen Austausch über das, was tatsächlich passiert: kleine Erfolge, Rückschläge, den neuen Anlauf und die Learnings entlang des Weges. Es geht nicht um «richtig» oder «falsch», sondern darum, voneinander zu lernen und Impulse für die eigene Organisation mitzunehmen.

Data Governance für AI

1. Was verlangt der Einsatz von AI von unserer Data Governance: Welche Elemente können wir getrost abschaffen, welche müssen organisatorisch, methodisch und technisch reifen, und was kommt neu hinzu?
2. Wie tragen Data Products und Data Contracts zu vertrauenswürdiger AI bei und wie können sie künftig auch AI Agents instruieren?
3. Welche Metadaten und welches semantische Wissen braucht AI, um mit unternehmensspezifischem Kontext sinnvoll arbeiten zu können?

Data Governance mit AI

4. Wie kann GenAI helfen, Governance-Regeln, Policies und Kontrollen zu operationalisieren statt sie nur zu dokumentieren?
5. Welche Governance-Aufgaben lassen sich mit AI automatisieren oder verbessern – und wo bleibt menschliche Verantwortung unverzichtbar?
6. Wie lassen sich Metadaten mit AI erheben und pflegen, gerade dort, wo die manuelle Pflege bisher gescheitert ist?

Umsetzung und Erfahrungen

7. Wie müssen Rollen, Verantwortlichkeiten und Kontrollen in einem Target Operating Model weiterentwickelt werden?
8. Wie machen wir den Zusammenhang zwischen Data Governance, der Qualität des AI-Einsatzes und den damit verbundenen Kosten sichtbar – und wie argumentieren wir ihn gegenüber Management und Fachbereichen?
9. Was hat in den ersten Anläufen funktioniert, was nicht – und was würden wir heute anders angehen?

Die Mobiliar
Hauptsitz, Bundesgasse 35, 3011 Bern

Willkommen sind Fach- und Führungskräfte aus Wirtschaft und Verwaltung, Stakeholder sowie IT-Expert:innen aus mittleren und großen IT/KI-Anwender-Organisationen – mit Verantwortung für Geschäftsentwicklung, digitale Transformation, KI-Anwendungen, Unternehmens- und IT-Architektur, Softwareentwicklung, Governance und Compliance sowie Geschäftsethik.

Stephan Aier, SITIC Vorstandsmitglied

12:30 – 13:00
Eintreffen der Teilnehmenden, Willkommenskaffee

13:00
Eröffnung und Einleitung
Andy Grütter, Die Mobiliar und Stefan Aier, SITIC

13:10
External Keynote
Von Data Governance zu AI Governance: Wie Data Products und Data Contracts vertrauenswürdige AI ermöglichen
Arif Wider

Die zunehmende Verbreitung von AI verändert die Anforderungen an Data Governance grundlegend. Daten dienen nicht mehr nur der Analyse, sondern werden zur Grundlage für AI-Anwendungen, LLMs und autonome AI Agents. Damit gewinnen Data Products, Data Contracts und standardisierte Metadaten an Bedeutung. Sie schaffen Transparenz, Nachvollziehbarkeit und Vertrauen und ermöglichen es, AI-Systeme gezielt zu steuern und zu kontrollieren.

14:00
Internal Keynote
Warum gerade jetzt wieder? Data Governance als Fundament einer AI-fähigen Organisation
Matthias Wegmüller, Die Mobiliar

Die zunehmende Nutzung von AI und intelligenten Agents erhöht die Anforderungen an Daten, Metadaten und Governance erheblich. Was bisher oft als Dokumentationsaufgabe betrachtet wurde, wird zunehmend zur strategischen Voraussetzung für Skalierbarkeit, Vertrauen und regulatorische Sicherheit.

Die Keynote zeigt auf, weshalb gerade jetzt der richtige Zeitpunkt ist, Datenverantwortung, Metadatenmanagement und Governance neu zu denken. Anhand des Target Operating Models der Mobiliar wird erläutert, wie Rollen, Verantwortlichkeiten und Governance-Strukturen geschaffen werden, um Daten und AI nachhaltig zu steuern.

14:30
Break

15:00
Internal Keynote
Data Products, Data Contracts und Metadaten für und mit KI
Andrea Alder & Michael Bok, Die Mobiliar

Data Products und Data Contracts bilden die Grundlage für vertrauenswürdige und skalierbare AI-Lösungen. Sie beschreiben Daten nicht nur für Menschen, sondern zunehmend auch für Maschinen, AI-Systeme und Agents.

Die Keynote zeigt anhand praktischer Erfahrungen der Mobiliar, wie Data Products, Data Contracts und Metadaten den Aufbau einer AI-fähigen Datenlandschaft unterstützen und wie sie künftig zur Steuerung und Instruktion von AI-Anwendungen eingesetzt werden können.

15:30
Member Contributions

Governance-Metadaten für vertrauenswürdige AI – Ein Prototyp mit LLM
Adrian Meyer, Enterprise Data Architekt & Philippe Goetschmann, Data Scientist, Schweizerische Post

In dieser Präsentation stellen wir eine Architektur vor, die LLMs neben Daten auch den erforderlichen fachlichen, regulatorischen und sicherheitsrelevanten Kontext zur Verfügung stellt. Anhand eines Prototyps zeigen wir den Weg einer Anfrage von der Auswahl geeigneter Datenquellen über Berechtigungs- und Compliance-Prüfungen bis zur Generierung der Antwort. Zudem teilen wir unsere wichtigsten Erkenntnisse zu benötigten Metadaten, organisatorischen Her-ausforderungen und der Rolle von Data Governance für den erfolgreichen Einsatz von AI in datengetriebenen Unternehmen.

Die Data & AI Governance-Lücke:
Warum Regeln allein nicht reichen und was GenAI daran ändern könnte
Amina Bužimkić, AXA Versicherungen

Zwischen der geschriebenen «Data & AI Governance» und der gelebten Praxis klafft eine Lücke. Nicht aus bösem Willen, sondern weil Regeln und Anforderungen abstrakt und end-to-end sind, und daher unter Zeitdruck und in der täglichen Arbeit nicht immer einfach anwendbar. In dieser Präsentation wird beleuchtet, wie GenAI diese Lücke schliessen könnte. Dabei lohnt sich auch ein Blick auf die inhärente Spannung: Als Data & AI Governance Team führen wir die Regeln ein, um den Einsatz von AI zu regulieren und wollen jetzt GenAI nutzen, um genau diese Governance zu automatisieren. Also ein System, dass sich selbst beaufsichtigen muss. Im Rahmen eines besuchten CAS zu Safe and Secure AI wurde dieses Szenario als Fallstudie durchgespielt: Was passiert, wenn man einen GenAI-Agenten baut, der AI-Governance-Anforderungen konsolidiert? Ergänzend durch Beispiele konkreter Handlungsfelder aus dem AI Governance Framework der AXA wird gezeigt, wohin die Reise gehen könnte und wo die Grenze bleibt: Verantwortung ist nicht an AI delegierbar.

16:30
Plenumsdiskussion

17:15
Abschluss & Farewell-Apéro

Eine Nachlese wird auf expliziten Wunsch der Teilnehmenden erstellt.

Verbindliche Anmeldung bitte via Email an kurt.wehrli@sitic.org

Für SITIC-Mitglieder ist die Teilnahme im Rahmen der Jahresmitgliedschaft unentgeltlich.
Nicht-Mitgliedern aus IT-Anwender-Organisationen werden 375 CHF in Rechnung gestellt.

Data governance is the set of principles, policies, and processes that guide the effective and responsible use of data within an organization. It creates a framework for decision making, accountability, and oversight across the data lifecycle, from creation and storage to sharing and disposal.

Data governance is closely linked with data management, which provides the practical methods to carry out governance objectives. These methods include data quality assurance, metadata management, master data management, security controls, and compliance monitoring.

Together, governance and management aim to maximize the value of data as a strategic asset, reduce risks from misuse or inaccuracy, and ensure compliance with regulatory, ethical, and business requirements. The importance of this discipline has grown with the rise of big data, cloud computing, and artificial intelligence, where consistent standards and stewardship are essential for privacy protection, interoperability, and informed decision making. [Wikipedia]

Data governance encompasses technical, policy, and regulatory frameworks to manage data along its value cycle — from creation to deletion — and across policy domains including health, research, public administration, and finance. It ranks as a top priority for governments aiming to maximise the benefits of data while addressing challenges such as privacy and intellectual property as well as competition and empowerment. [OECD]

EU Artificial Intelligence Act
Article 3: Definitions
(1) ‘AI system’ means a machine-based system that is designed to operate with varying levels of autonomy and that may exhibit adaptiveness after deployment, and that, for explicit or implicit objectives, infers, from the input it receives, how to generate outputs such as predictions, content, recommendations, or decisions that can influence physical or virtual environments;
Reference

Reimagining corporate governance in the AI era: Law, legitimacy and algorithmic power
April 2026
Corporations play a foundational role in the global economy, yet persistent gaps remain between corporate governance ideals, legal frameworks and organizational practice. The rapid integration of artificial intelligence (AI), particularly generative AI and large language models, intensifies these challenges by reshaping corporate decision-making, compliance and accountability. This paper examines how AI both promises to alleviate long-standing governance problems, such as information asymmetries and managerial opportunism, and generates new risks arising from opacity, automation bias and diminished human oversight ...

Forking paths of AI governance – how risk management frameworks shape the politics of AI
May 2026
‘Risk’ is omnipresent in the governance of artificial intelligence (AI). It structures the EU’s AI Act and stands central in US policy frameworks and AI governance initiatives of the OECD. We analyze how risk management frameworks, as dominant policy tools, shape the politics of AI ...

Governance of AI and by AI: Feedback Loops, Regime Variation and Reflexive Polycentric Control
June 2026
This article develops a conceptual framework that links the governance of and by artificial intelligence (AI) into a single continuum that varies across political regime types. Although existing scholarship typically treats governance of AI—oversight, regulation and ethical alignment—and governance by AI—the embedding of algorithms into decision-making—as separate domains, this article argues that such a dichotomy obscures their mutual dependence …

The Global AI Governance Landscape in 2026
August 2026
On August 2, 2026, the European Union's AI Act becomes fully enforceable — making the EU the first jurisdiction in history to impose comprehensive, binding regulations on artificial intelligence systems ...

AI Governance Framework: What You Need to Use AI Responsibly
March 2026
An AI governance framework is the policies, processes, and technical controls that ensure AI systems operate reliably, fairly, and in compliance with regulations such as the EU AI Act, NIST AI RMF, and ISO 42001. It covers the full lifecycle from use-case approval through deployment, monitoring, and retirement ...