Warum Datenqualität über KI-Erfolg entscheidet

Ob ein KI-Projekt trägt, hängt meist von den Daten dahinter ab. Wir zeigen, welche Datenprobleme im Mittelstand typisch sind und wo Sie anfangen.

Scrollen
Datenqualität
Das beste KI-Modell der Welt
arbeitet nur mit guten Daten gut.
Das galt für jede Software
seit Jahrzehnten.

Daten werden bei der KI-Einführung unterschätzt

Unternehmen diskutieren über das richtige Modell und den besten Anbieter, über ihre Daten diskutieren sie selten. Dabei ist Datenqualität der häufigste Grund, warum KI-Projekte im Mittelstand nicht halten, was sie versprechen. Das Prinzip heißt seit Jahrzehnten Garbage in, garbage out. Ein Sprachmodell, das auf inkonsistenten, unvollständigen oder falschen Daten arbeitet, liefert entsprechende Ergebnisse, und das zuverlässig und in hohem Tempo.

Was mit „schlechten Daten" gemeint ist

Schlechte Daten sind selten offensichtlich falsch. Häufiger sind sie unvollständig, weil Felder im Alltag nie gebraucht und deshalb leer gelassen werden. Oft steht dasselbe Datum in drei Formaten, Stammdaten wurden seit zwei Jahren nicht gepflegt, oder die wichtige Information steckt in E-Mails und PDFs statt in strukturierten Feldern. Liegen relevante Daten in Freitext, Notizen oder Scans, müssen sie zuerst strukturiert werden, bevor KI damit arbeiten kann.

Drei typische Datenprobleme im Mittelstand

Datensilos

Der Vertrieb pflegt CRM-Daten, die Buchhaltung ERP-Daten, das Projektmanagement Excel-Listen. Alle drei Quellen enthalten Kundendaten, und keine ist vollständig. Ein System, das übergreifend arbeiten soll, scheitert an den Silogrenzen.

Altlasten aus früheren Systemwechseln

Vor drei Jahren wurde das CRM gewechselt, die Migration blieb unvollständig, und Alt- und Neuformate sind vermischt. Ein KI-System, das heute darauf aufsetzt, übernimmt diese Fehler.

Uneinheitliche Eingaben

Pflichtfelder werden umgangen, Freitext steht dort, wo strukturierte Felder vorgesehen sind, und Abkürzungen folgen keinem Standard. Die Ursache liegt meist in Werkzeugen und Prozessen, die solche Eingaben zulassen, und dort setzt auch die Abhilfe an.

Wie viel Datenqualität braucht KI wirklich?

KI braucht Daten, die zum Anwendungsfall passen, perfekt müssen sie nicht sein. Viele glauben, sie bräuchten erst ein makelloses Data-Warehouse, bevor sie mit KI anfangen dürfen. Es reicht, wenn die Daten für den geplanten Anwendungsfall gut genug sind. Für eine E-Mail-Zusammenfassung ist die Lage fast immer gut genug. Für eine automatische Angebotskalkulation aus Stammdaten muss die Basis sauber sein. Sprachmodelle kommen mit unstrukturiertem Text erstaunlich gut zurecht, bei strukturierten Aufgaben rächt sich jede Lücke. Fragen Sie deshalb immer, ob Ihre Daten für diesen einen Fall gut genug sind.

Was das für KI-Projekte bedeutet

Wer den ersten Schritt planen will, schaut zuerst auf die Daten. Manchmal kann die Umsetzung sofort beginnen, manchmal kommt vorher ein kleines Projekt zur Datenbereinigung, nach dem die KI deutlich mehr leistet. Ein KI-Audit klärt, welche Daten vorliegen und welcher Schritt als Nächstes kommt. Wer in Technologie investiert, ohne die eigenen Daten zu kennen, kauft ein starkes Werkzeug für eine schlecht vorbereitete Werkstatt.

Datenqualität verbessern: Wo anfangen?

Wählen Sie für den Einstieg einen einzigen Prozess, der für KI-Automatisierung vorgesehen ist, und analysieren Sie nur dessen Datenlage. Prüfen Sie, welche Eingabedaten das geplante System braucht und in welchem Format und welcher Qualität sie vorliegen. Daraus ergibt sich, ob bereinigt werden muss, ob Erfassungsprozesse anzupassen sind oder ob es bereits für einen Piloten reicht. So kommen Sie deutlich schneller voran als mit einer unternehmensweiten Datenbereinigung ohne konkreten Anlass.

Häufige Fragen

Brauche ich erst ein Data-Warehouse, bevor ich KI nutzen kann?

Für die meisten ersten Anwendungsfälle reicht die vorhandene Datenlage. Ein Data-Warehouse lohnt sich, wenn viele Quellen dauerhaft zusammengeführt werden sollen. Das kommt meist später und muss vor dem Start nicht stehen.

Kann KI die Daten nicht selbst bereinigen?

KI kann einen Teil der Bereinigung übernehmen. Sie vereinheitlicht Formate, zieht Angaben aus Freitext und spürt Ausreißer auf. Was richtig ist, entscheidet weiter ein Mensch, denn fehlende oder falsche Werte kann die KI nur kennzeichnen.

Was kostet Datenbereinigung?

Die Kosten hängen vom Umfang ab. Auf einen einzelnen Anwendungsfall begrenzt, bleiben sie meist überschaubar. Teuer wird die unternehmensweite Bereinigung ohne konkretes Ziel. Deshalb lohnt es sich, pro Anwendungsfall vorzugehen.

Woran erkenne ich, ob meine Daten KI-bereit sind?

Stellen Sie eine Testfrage, die das geplante System beantworten soll, und prüfen Sie, ob die nötigen Daten vollständig, aktuell und auffindbar sind. Müssen Sie lange suchen oder in mehreren Systemen nachsehen, ist Strukturierung der erste Schritt.

Fazit

Prüfen Sie die Daten, bevor Sie KI einführen. Sie müssen zum Anwendungsfall passen, perfekt müssen sie nicht sein. Das gilt auch nach außen, denn Damit KI-Suchmaschinen Ihr Angebot richtig wiedergeben, braucht es strukturierte Daten auf der Website. Fast jedes Unternehmen hat bessere Daten, als es denkt, sie liegen nur nicht dort, wo sie gebraucht werden. Wer die Datenlage vor dem KI-Einsatz prüft, bringt seinen Piloten in den Alltag.

Sie wollen wissen, ob Ihre Daten KI-bereit sind?

Im KI-Audit schauen wir uns zuerst Ihre Datenlage an und sagen Ihnen, wofür sie reicht.

Gespräch vereinbaren
mindmelt Frankfurt
hallo@mindmelt.de