Der Praxisleitfaden von ML zur Produktion: wer prägt, was scheitert und warum

Die folgende Auswahl ist nach dem Einfluss auf die Praktiker-Community sortiert, also danach, wie stark jeder Eintrag verändert hat, wie Datenteams tatsächlich über den Weg vom Experiment zur Produktion denken. Umsatzzahlen spielen hier keine Rolle; entscheidend ist, ob Teams in echten Unternehmen ihr Verhalten wegen dieser Arbeit geändert haben. Fünf Einträge, kein Füllmaterial.

Der Praxisleitfaden

DuckDB und das DuckLake-Projekt

DuckDB begann als akademisches Projekt am CWI Amsterdam und ist zur Laufzeitumgebung der Wahl für Engineers geworden, die analytisches SQLSQLSales Qualified Lead: ein Prospect, den das Sales-Team als bereit für direkte Ansprache und ein Angebot validiert hat, weil er klare Qualifizierungskriterien erfüllt.Vollständige Definition ansehen → brauchen, ohne ein Cluster hochzufahren. Die jüngste DuckLake-Arbeit, beschrieben in Towards Data Science, erweitert die Idee: Man startet mit einer lokalen Parquet-Datei, verbindet sie mit Daten in der Cloud und hat in Minuten ein funktionsfähiges LakehouseLakehouseEine hybride Architektur, die die Flexibilität eines Data Lake mit den analytischen Fähigkeiten eines Data Warehouse auf einer einzigen Storage-Schicht verbindet.Vollständige Definition ansehen →. Bemerkenswert für Produktions-ML ist die Reibung, die dabei auf der Datenebene wegfällt. Die meisten Piloten scheitern nicht, weil das Modell falsch ist, sondern weil die Data PipelineData PipelineETL (Extract, Transform, Load) ist ein Datenintegrationsprozess, der Daten aus Quellsystemen extrahiert, in ein konsistentes Format bringt und in ein Zielsystem schreibt.Vollständige Definition ansehen → ein Gewirr undokumentierter Abhängigkeiten ist. DuckLake gibt kleinen Teams einen Weg zu einer, einheitlichen analytischen und ML-Datenebene ohne vorgeschaltetes Infrastrukturprojekt über sechs Monate. Das verändert die Rechnung vom Piloten zur Produktion spürbar.

dbt Labs und der Schwenk zum offenen Lakehouse

Auf dem dbt Summit 2026 kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →ündigte dbt Labs (ein kommerzieller Anbieter von Data-Tooling, die Darstellung also mit angemessener Skepsis lesen) dbt v2, dbt State und eine erklärte „open lakehouse vision“ zusammen mit Fivetran an. dbt State ist inzwischen allgemein verfügbar, und die Beschreibung des Unternehmens lautet, es sei gebaut worden, um das Neuaufbauen dessen zu stoppen, was sich nicht geändert hat: Das System verfolgt den Transformationsstatus, sodass nur geänderte Modelle erneut laufen. Für Produktions-ML ist das relevant, weil Retraining-Pipelines routinemäßig alles neu aufbauen, unabhängig davon, was sich geändert hat, Compute verbrennen und unnötige Varianz einführen. Der Ansatz von dbt State ist, auf Feature-Pipelines angewandt, eine praktische Antwort auf diese Verschwendung. Die kommerzielle Beziehung zwischen dbt Labs und Fivetran bedeutet, dass die vollständige Vision vor einer Festlegung an unabhängigen Benchmarks gemessen werden sollte, aber der zugrunde liegende Mechanismus ist solide.

Das Team hinter dem Zed-Editor und das Neudenken des Developer-Workflows

Zeds Delta-Projekt, im September 2026 von The New Stack beschrieben, startete mit der Prämisse, dass KI-Agenten das Pull-Request-Modell obsolet gemacht haben und alle darum wettlaufen, GitHubs Collaboration-Layer zu ersetzen. Für Produktions-ML ist das aus einem weniger offensichtlichen Grund relevant: Der Engpass in den meisten MLOpsMLOpsMachine Learning Operations: die Verbindung von ML- und DevOps-Praktiken, um Modelle zu industrialisieren, auszurollen, zu überwachen und in der Produktion zuverlässig neu zu trainieren.Vollständige Definition ansehen →-Pipelines ist nicht die Modellqualität, sondern Code Review und Deployment-Zeremonie. Wenn Agenten Code schneller erzeugen, testen und mergen, als menschliche Review-Zyklen zulassen, wird der organisatorische Prozess zur Beschränkung. Zeds Wette ist, dass die Tooling-Ebene sich um agentennative Workflows herum neu bauen muss. Ob Delta kommerziell erfolgreich ist, ist eine andere Frage; die Diagnose, wo Produktions-ML ausgebremst wird, stimmt.

Die O'Reilly-Radar-Analysten, die Enterprise Analytics beobachten

O'Reillys laufende Radar-Arbeit zu intelligenter Datenorchestrierung mit LLMs dokumentiert ein Muster, das jeder wiedererkennt, der schon einmal versucht hat, ein Modell in Produktion zu bringen: Organisationen bauen jahrelang Dashboards, die die Fragen des letzten Quartals beantworten, und stellen dann fest, dass das trainierte Modell Antworten auf die Fragen dieser Woche braucht. Die Beobachtung der O'Reilly-Analysten, gestützt auf 17 Jahre Arbeit an Enterprise-Plattformen, lautet, dass die Frage „Kann ich eine Sache fragen und eine Antwort über alles bekommen, was mein Unternehmen weiß?“ jede ernsthafte Datenarchitektur-Entscheidung getrieben hat. Der Produktions-ML-Fehlermodus, den das benennt, ist die Query-Lücke: Die Trainingsverteilung passt nicht zur operativen Verteilung, und, diesen Drift zu erkennen, bevor ererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → Ihre Nutzer erreicht, erfordert Infrastruktur, die die meisten Teams nicht gebaut haben.

MIT Sloan Management Review zum Skills-Rückstand

Die Untersuchung von MIT Sloan aus dem Jahr 2026 zu Skills für neue Technologien ergab, dass Reskilling-Programme typischerweise um prognostizierte statt um beobachtete Skill-Bedarfe herum gebaut werden, was zu einer vorhersehbaren Diskrepanz führt. Für CDOs, die Piloten in Produktion bringen wollen, zeigt sich das als Problem von Hiring und Teamzusammensetzung: Die Person, die den Piloten im Notebook gebaut hat, hat oft nicht den Software-Engineering-Hintergrund, um das Produktivsystem zu verantworten, und der Software Engineer, der das Modell produktionsreif machen soll, versteht oft nicht, was das Modell tut. Die Daten von MIT Sloan legen nahe, dass die Lücke strukturell ist und kein Trainingsproblem, das ein Wochenendkurs behebt. Das ist ein unbequemer Befund, und er ist gerade deshalb ernst zu nehmen, weil er aus unabhängiger Forschung stammt und nicht von einem Anbieter mit einer Plattform im Angebot.

Das Muster, was diese Beispiele verbindet

Jeder Eintrag auf dieser Liste reagiert aus einem anderen Blickwinkel auf dasselbe Grundproblem. DuckDB und DuckLake gehen die Lücke in der Dateninfrastruktur an. dbt State geht die Lücke bei Compute und Reproduzierbarkeit an. Zed geht die Lücke im Deployment-Workflow an. O'Reilly benennt die Lücke in der Query-Verteilung. MIT Sloan benennt die Skills-Lücke. Keiner von ihnen löst „ML“. Jeder löst einen spezifischen Fehlermodus auf dem Weg von einem funktionierenden Modell zu einem funktionierenden System.

Für CDOs heißt das: „ML in Produktion“ ist kein einzelnes Problem mit einer einzelnen Lösung. Es sind fünf oder sechs verschiedene Fehlermodi, die zufällig aufeinanderfolgen. Organisationen, die es als ein Problem behandeln, beheben meist das sichtbarste, in der Regel die Modellgenauigkeit, und entdecken dann das nächste, das schon wartet. Die Teams, die 2026 wirklich vorankommen, sind die, die jeden Fehlermodus einzeln benannt und die Verantwortung entsprechend verteilt haben.

Die ehrliche Lehre aus dieser Auswahl: Die wertvollste Fähigkeit in der ML-Produktion ist nicht, bessere Modelle zu bauen, sondern zu wissen, welche Ebene tatsächlich kaputt ist.

Wen man beobachten sollte: die kleinen Engineering-Teams, die DuckDB-native Datenebenen mit agentengestützten Deployment-Pipelines kombinieren, weil sie drei dieser Fehlermodi gleichzeitig zusammenfalten, und das ohne Enterprise-Budgets.