München, 3. Februar 2026 – Künstliche Intelligenz lernt nicht von selbst, sondern benötigt Daten, Struktur und Wiederholung. Genau dafür steht das Konzept des „AI Data Flywheel“. Daten fließen in das Modell ein, erzeugen neue Erkenntnisse, liefern Feedback und verbessern damit wiederum die Datenbasis. NTT DATA, ein weltweit führender Anbieter von KI-, digitalen Business- und Technologie-Services, schaut sich die Fakten genauer an.
Der Begriff „Flywheel“ stammt ursprünglich aus der Mechanik und beschreibt ein Schwungrad, das Bewegungsenergie aufnimmt, speichert und bei Bedarf wieder abgibt, um eine gleichmäßige Rotation aufrechtzuerhalten. Übertragen auf das Marketing steht das Flywheel-Modell für ein dynamisches Kreislaufprinzip, das den klassischen Sales-Funnel weiterdenkt. Anstatt den Weg von der ersten Aufmerksamkeit bis zum Kauf als lineare Abfolge zu betrachten, rückt das Flywheel-Modell die Kundenerfahrung ins Zentrum. Jeder positive Kontakt, jedes gelöste Problem und jede gelungene Interaktion setzen neue Energie frei, die das System weiter antreibt. Funktionieren im Rahmen einer Kampagne beispielsweise bestimmte Inhalte wie kurze Produktclips besonders gut, wird sofort nachjustiert. Es werden automatisch neue Varianten mit alternativen Botschaften erstellt, das Budget in die erfolgreichsten Zielgruppen verschoben und so quasi in Echtzeit Reichweite und Resonanz gesteigert. Von dieser Logik profitiert auch die KI: Die Technologie wird mit jedem Datenpunkt besser, präziser und reaktionsfähiger.
NTT DATA überprüft die Versprechen des AI Data Flywheel auf ihren Wahrheitsgehalt:
- Versprechen Nr. 1: Ein AI Data Flywheel macht die KI besser. Ja, das stimmt. Ein AI Data Flywheel ist eine kontinuierliche Rückkopplungsschleife zwischen Daten, Modellen und Ergebnissen. Im Gegensatz zu klassischen Daten-Pipelines endet der Prozess nicht mit der Bereitstellung eines Modells, sondern startet immer wieder neu. Während die KI Ergebnisse erzeugt, werden Feedback, Nutzungsdaten und neue Eingaben gesammelt, gefiltert und zur Verbesserung der Datenbasis herangezogen. Diese verfeinerten Informationen fließen in den nächsten Trainingszyklus ein – das Modell lernt, korrigiert und wird präziser. Über die Zeit entsteht so ein System, das mit jedem weiteren Durchlauf leistungsfähiger wird. Ein gutes Beispiel hierfür ist ein KI-gestütztes Qualitätssystem in der Fertigung. Es verknüpft jede erkannte Abweichung mit den Produktionsdaten, markiert falsch-positive Meldungen als solche und lässt diese Korrekturen automatisch in das Modell einfließen.
- Versprechen Nr. 2: Je mehr Daten das AI Data Flywheel hat, desto aussagekräftiger sind die Ergebnisse. Ja und nein. KI ist zwar auf große Datenmengen angewiesen, um zu lernen. Schlechte Daten führen jedoch zu schlechten Rückkopplungsschleifen. Im Rahmen des AI Data Flywheel werden zunächst alle Rohdaten gesammelt, bereinigt und nach Relevanz, Qualität und Sicherheit gefiltert. Dadurch werden Dokumente von geringer Qualität und fehlerhafte Inhalte weitestgehend aussortiert, was die Genauigkeit der späteren Anwendung erhöht. Im nächsten Schritt erfolgt die Modellanpassung: Die vortrainierten Modelle werden mithilfe von LLM (Large Language Model)-Techniken wie Domain Adaptive Pretraining (DAPT) und Supervised Fine-Tuning (SFT) schnell und ohne großen Ressourcenaufwand auf domänenspezifisches Wissen und aufgabenrelevante Fähigkeiten abgestimmt. Abschließend werden die Antworten des KI-Modells mithilfe von Benchmarks und Human-in-the-Loop-Verfahren überprüft.
- Versprechen Nr. 3: Das AI Data Flywheel „schwingt“ von allein. Nein. Unternehmen sollten so viel wie möglich automatisieren, da jeder manuelle Schritte den Flywheel-Effekt unterbricht. Die Geschwindigkeit des KI-Schwungrades hängt von der Automatisierung der einzelnen Komponenten und Workflows ab. DataOps und MLOps spielen dabei eine zentrale Rolle, indem sie Datenflüsse, Modelltraining und Bereitstellung standardisieren und versionieren. Automatisierte MLOps-Pipelines sorgen dafür, dass Modelle regelmäßig neu trainiert und zusätzliche Daten inkrementell integriert werden. Dadurch sinkt der manuelle Aufwand, während die Agilität steigt.
- Versprechen Nr. 4: Das AI Data Flywheel sorgt für Sicherheit, Governance und Compliance. Nein, darum müssen sich Unternehmen schon selbst kümmern. Ein lernendes System braucht immer Kontrolle. Moderne Data Flywheels binden Governance direkt in ihre Prozesse ein, damit jede Datenänderung, jedes Modell-Update und jede Entscheidung transparent und nachvollziehbar bleibt. Observability-Tools, automatisierte Datenvalidierung und regelmäßige Drift-Analysen verhindern, dass sich Fehler oder Bias im System verstärken. Sogenannte Data Governance Policies stellen die Einhaltung aller regulatorischen Anforderungen sicher. Ergänzend sind organisatorische Rollen wie Data Stewards oder AI Governance Boards notwendig, die diese Richtlinien über den gesamten Lebenszyklus hinweg kontrollieren.
- Versprechen Nr. 5: Das AI Data Flywheel verleiht Agentic AI einen echten Push. Ja, der Gedanke dahinter ist sogar unabdingbar für den Erfolg von KI-Agenten. Agentic-AI-Systeme leben von Kontext, Qualität und stetiger Anpassung. Ein Data Flywheel ermöglicht genau das: Es speist Rückmeldungen aus der Interaktion zwischen Mensch und Maschine wieder ins Modell ein, sodass dieses mit der Zeit immer präziser wird. In agentenbasierten Szenarien, in denen viele KI-Instanzen parallel agieren, sorgt das Flywheel zudem für Synchronisation und Wissenstransfer zwischen den Agenten. Das Ergebnis sind robustere Entscheidungen und eine schnellere Reaktion auf sich ändernde Anforderungen. Das heißt, die KI-Agenten werden kontextsensitiver, bearbeiten selbst ungewöhnliche Anfragen, liefern personalisierte Antworten basierend auf Benutzermustern und identifizieren proaktiv Wissenslücken.
„In modernen KI-Systemen sind Interaktionen mit Nutzern ebenso wertvoll wie historische Daten. Jede Eingabe, jede Bewertung und jeder Output liefert Hinweise, wie Modelle angepasst werden müssen. Diese Rückkopplung ist der Treibstoff für eine bessere KI“, betont Oliver Köth, Managing Director Technology & Innovation DACH bei NTT DATA. „Das AI Data Flywheel ist deshalb nicht irgendein theoretisches Konzept, sondern der Schlüssel zur Skalierung von KI-Systemen. Es schafft einen Kreislauf aus Datenveredelung, Modelloptimierung und Wissensakkumulation, der Agentic AI erst wirklich produktiv macht. Unternehmen, die diesen Mechanismus beherrschen, verwandeln jede Interaktion in Erkenntnis und jede Erkenntnis in Fortschritt.“