Kaum ein Governance-Thema hat sich in den letzten zwei Jahren so schnell bewegt wie die Steuerung von künstlicher Intelligenz. Während Data Governance in vielen Unternehmen seit Jahren etabliert ist – mit Datenkatalogen, Data Ownern und Qualitätsregeln –, wurde AI Governance oft als separates Projekt aufgesetzt: eigene Inventare, eigene Risikobewertungen, eigene Tools.

Diese Trennung ist zunehmend schwer zu rechtfertigen. Auch der Markt hat reagiert: Mit dem ersten Magic Quadrant für AI Governance Platforms vom 16. Juni 2026 hat Gartner die Kategorie offiziell als eigenen Markt definiert – und mit globalen Softwareherstellern wie IBM, ServiceNow etc. analysiert.

Dieser Artikel ordnet ein, warum AI und Data Governance zusammengehören, und gibt einen Überblick über die wichtigsten Kategorien von Anbietern.

Warum AI Governance und Data Governance zusammenführen?

Daten sind der Rohstoff jedes KI-Systems

Ein Modell ist nur so vertrauenswürdig wie die Daten, mit denen es trainiert, feinjustiert oder per Retrieval (RAG) gespeist wird.

Fragen wie «Woher stammen diese Daten?», «Wer darf sie nutzen?» und «Sind Personendaten enthalten?» sind klassische Data-Governance-Fragen – sie werden bei KI jedoch geschäftskritisch. Ohne durchgängige Lineage von der Quelle bis zum Modell-Output lässt sich weder Bias erklären noch ein fehlerhaftes Ergebnis zurückverfolgen.

Die Regulierung denkt beides zusammen

Der EU AI Act verlangt in Art. 10 für Hochrisiko-Systeme explizit Daten-Governance-Praktiken: Repräsentativität, Fehlerfreiheit, Bias-Prüfung. Die FINMA-Aufsichtsmitteilung 08/2024 zu Governance und Risikomanagement beim Einsatz von KI adressiert Datenqualität, Inventarisierung und Erklärbarkeit im selben Atemzug. Hinzu kommen das DSG, die DSGVO und – für Finanzinstitute im EU-Kontext – DORA mit seinen Anforderungen an IKT-Drittparteien. Wer diese Pflichten in getrennten Silos bearbeitet, dokumentiert dieselben Sachverhalte doppelt.

Rollen und Kontrollen überschneiden sich

Data Owner, Data Stewards und Model Owner arbeiten an denselben Assets. Ein gemeinsames Rollenmodell und ein gemeinsamer Kontrollkatalog reduzieren Reibung, schaffen klare Verantwortlichkeiten und vereinfachen die Prüfung durch Revision und Aufsicht.

Ein Inventar statt zwei

Datenkatalog und KI-Inventar folgen derselben Logik: Assets erfassen, klassifizieren, Verantwortliche zuweisen, Risiken bewerten. Führt man beides zusammen, entsteht eine durchgängige Sicht, welche Datenprodukte welche Modelle, Agenten und Anwendungen speisen.

Agentic AI verschärft das Thema

KI-Agenten greifen eigenständig auf Datenbestände zu. Zugriffsrechte, Sensitivitätslabels und Nutzungszwecke müssen deshalb dort durchgesetzt werden, wo die Daten liegen – nicht erst auf Modellebene.

Eine wichtige Einschränkung gehört allerdings zur ehrlichen Einordnung: Datenzentrierte Plattformen decken vor allem die Inputs von KI-Systemen ab, weniger deren Outputs, Risiken und die tatsächliche Nutzung in der Organisation. Die Zusammenführung ist also ein Architekturprinzip, kein Versprechen, dass ein einziges Tool alles löst.

Ausgewählte Tools am Markt

Die folgenden drei Listen gruppieren relevante Anbieter nach ihrem Schwerpunkt. Die Einordnung ist bewusst pragmatisch; viele Hersteller erweitern ihr Portfolio laufend, die Grenzen verschwimmen.

(a) Kombinierte AI- und Data-Governance-Tools

• Collibra – Data-Intelligence-Plattform mit Katalog, Lineage und eigenem AI-Governance-Modul. Die Stärke liegt in komplexen Datenlandschaften, in denen nachvollziehbar sein muss, welche Daten welches Modell speisen.
• Microsoft Purview – Data Map, Sensitivitätslabels, DLP und Data Security Posture Management für KI (u. a. Copilot); besonders naheliegend für Microsoft-365-zentrierte Banken.
• IBM watsonx.governance + watsonx.data intelligence – Kombination aus Modellrisiko-Management, GRC-Anbindung (OpenPages) und Datenkatalog; stark bei Institutionen mit Model-Risk-Tradition.
• Atlan – Active-Metadata-Plattform, die Datenassets, Modelle und KI-Anwendungen in einem Katalog zusammenführt.
• OneTrust – ursprünglich Privacy-Management, heute mit Data-Use-Governance und AI-Governance-Modul. Im März 2026 wurden zudem Echtzeit-Monitoring- und Durchsetzungsfunktionen angekündigt.
• Databricks Unity Catalog – einheitliche Governance für Tabellen, Files, Features und Modelle innerhalb der Lakehouse-Plattform.
• Informatica (Salesforce) – Intelligent Data Management Cloud mit Katalog, Qualität und zunehmenden KI-Governance-Funktionen.

(b) Beispiele reine Data-Governance-Tools

• Alation – etablierter Datenkatalog mit starkem Fokus auf Datenverständnis und -nutzung; KI-Funktionen werden ergänzt, der Kern bleibt Data Governance.
• DataHub / OpenMetadata – Open-Source-Kataloge für Organisationen, die Governance selbst betreiben und versionieren möchten.

(c) Reine AI-Governance-Tools

• Credo AI – Policy-getriebene Governance mit Regelwerks-Mappings (EU AI Act, ISO/IEC 42001, NIST AI RMF) und Agent Registry.
• Holistic AI – KI-Inventar, Risikoeinstufung, Audits und Bias-Tests.
• Modulos – Zürcher Anbieter mit Fokus auf AI-Act- und ISO-42001-Konformität; für Schweizer Institute interessant.
• Trustible – schlanke, zweckgebaute Workflows für KI-Inventar, Risiko und Dokumentation.
• ModelOp – Lifecycle-Steuerung für grosse, heterogene Modelllandschaften.
• Monitaur – Model-Governance mit Schwerpunkt Versicherungen und Finanzdienstleister.
• Saidot – Inventar und Transparenzdokumentation, stark im europäischen Regulierungsumfeld.
• ServiceNow AI Control Tower – KI-Governance aufgesetzt auf ITSM-/GRC-Prozesse der Now-Plattform.
• Fiddler AI – Observability, Drift-Erkennung und Guardrails zur Laufzeit.

(d) Eigenentwicklung

Viele Unternehmen wollen nicht an hochpreisige Tools gebunden sein, sondern gehen den Weg ein eigenes Inventar aufzubauen. Mit Hilfe von u.a. Graphdatenbanken und semantischen Technologien lassen sich so „massgeschneiderte Lösungen“ bauen.  Die Vorteile- und Nachteile einer Eigenentwicklung müssen aber gut analysiert werden.

Einsatz in der Praxis

Schweizer KMUs und öffentliche Verwaltungen haben typischer Budgetrestriktionen. Die Tools der globalen IT-Anbieter bewegen sich meist im oberen Preisegement und sind nur sinnvoll, falls auch die operative Datenplattform vom Hersteller stammt.

Für Pharmaunternehmen, Banken und Versicherungen ergibt sich weniger eine Tool- als eine Architekturfrage. Wer bereits einen reifen Datenkatalog betreibt, erweitert diesen sinnvollerweise um KI-Assets und ergänzt bei Bedarf ein spezialisiertes AI-Governance-Tool für Risikoeinstufung und Regelwerks-Mapping.

Wer tief im Microsoft-Ökosystem arbeitet, sollte Purview als Fundament prüfen. Entscheidend sind die Anbindung an das bestehende IKS, klare Schnittstellen zwischen Katalog und KI-Inventar, Datenresidenz sowie die saubere Einordnung als wesentliches Outsourcing.

Fazit: AI Governance ohne Data Governance bleibt Papier. Data Governance ohne KI-Blick verpasst das grösste Risiko- und Wertschöpfungsfeld der kommenden Jahre. Die Zukunft gehört integrierten Ansätzen – idealerweise mit einem gemeinsamen Inventar, einem gemeinsamen Rollenmodell und einem gemeinsamen Kontrollkatalog.