Warum Datenqualität über KI-Erfolg entscheidet

Das unterschätzte Fundament jeder KI-Einführung

Unternehmen diskutieren über das richtige Modell, den besten Anbieter, die passende Strategie. Über ihre Daten diskutieren sie selten. Dabei ist Datenqualität der häufigste Grund, warum KI-Projekte im Mittelstand nicht halten, was sie versprechen. Das Prinzip ist alt: Garbage in, garbage out. Ein Sprachmodell, das auf inkonsistenten, unvollständigen oder falschen Daten arbeitet, liefert inkonsistente, unvollständige oder falsche Ergebnisse - zuverlässig und in hohem Tempo.

Was mit „schlechten Daten" gemeint ist

Schlechte Daten sind selten offensichtlich falsch. Häufiger sind sie unvollständig (Felder leer, weil im Alltag nie gebraucht), inkonsistent (dasselbe Datum in drei Formaten), veraltet (Stammdaten seit zwei Jahren nicht gepflegt) oder isoliert (die wichtige Information steckt in E-Mails und PDFs, nicht in strukturierten Feldern). Gerade die letzte Kategorie ist kritisch: Wenn relevante Daten in Freitext, Notizen oder Scans liegen, ist der erste Schritt nicht KI, sondern Strukturierung.

Drei typische Datenprobleme im Mittelstand

Silos: Vertrieb hat CRM-Daten, Buchhaltung hat ERP-Daten, Projektmanagement hat Excel. Alle drei enthalten Kundendaten, keine ist vollständig. Ein System, das übergreifend arbeiten soll, scheitert an den Silogrenzen.

Historische Inkonsistenz: Vor drei Jahren wurde das CRM gewechselt, die Migration war unvollständig, Alt- und Neuformate sind vermischt. Wer heute darauf aufsetzt, baut auf wackeligem Grund.

Fehlende Eingabedisziplin: Pflichtfelder werden umgangen, Freitext steht, wo strukturierte Felder wären, Abkürzungen sind nicht standardisiert. Das ist kein Versagen der Mitarbeitenden, sondern ein strukturelles Problem, das Werkzeuge und Prozesse gemeinsam lösen müssen.

Wie viel Datenqualität braucht KI wirklich?

Nicht perfekte Daten, sondern passende. Ein verbreiteter Irrtum lautet, man brauche erst ein makelloses Data-Warehouse, bevor man mit KI anfangen darf. Das stimmt nicht. Entscheidend ist nicht der Zustand aller Daten, sondern die Qualität genau der Daten, die der geplante Anwendungsfall braucht. 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. Die Frage ist also nie „Sind unsere Daten gut?", sondern „Sind sie gut genug für diesen einen Fall?".

Was das für KI-Projekte bedeutet

Ein realistischer Blick schaut zuerst auf die Daten - nicht um zu bremsen, sondern um den ersten sinnvollen Schritt einzuschätzen. Manchmal ist das die Umsetzung. Manchmal ist es zuerst ein kleines Datenbereinigungs-Projekt, das die Grundlage für eine deutlich wirkungsvollere KI legt. Genau das ist der Job eines KI-Audits: einschätzen, was vorliegt und was der nächste Schritt ist. Wer direkt in Technologie investiert, ohne die eigenen Daten zu kennen, kauft ein starkes Werkzeug für ein schlecht vorbereitetes Handwerk.

Datenqualität verbessern - wo anfangen?

Der pragmatische Einstieg: einen einzigen Prozess wählen, der für KI-Automatisierung vorgesehen ist, und nur dessen Datenlage analysieren. Welche Eingabedaten braucht das geplante System? Liegen sie vor? In welchem Format, in welcher Qualität? Aus der Antwort ergibt sich, ob bereinigt werden muss, ob Erfassungsprozesse anzupassen sind oder ob es bereits für einen Piloten reicht. Dieser fokussierte Weg ist deutlich effizienter als eine unternehmensweite Datenbereinigung ohne konkreten Anlass.

Häufige Fragen

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

Nein. Für die meisten ersten Anwendungsfälle reicht die vorhandene Datenlage. Ein Data-Warehouse lohnt sich, wenn viele Quellen dauerhaft zusammengeführt werden sollen - das ist ein späterer Schritt, keine Startvoraussetzung.

Kann KI die Daten nicht selbst bereinigen?

Teilweise. KI hilft beim Vereinheitlichen von Formaten, beim Extrahieren aus Freitext und beim Aufspüren von Ausreißern. Sie ersetzt aber nicht die Entscheidung, was richtig ist - fehlende oder falsche Werte kann sie nicht erfinden, nur kennzeichnen.

Was kostet Datenbereinigung?

Das hängt am Umfang. Auf einen einzelnen Anwendungsfall begrenzt, ist es meist überschaubar. Teuer wird die unternehmensweite Bereinigung ohne konkretes Ziel - deshalb besser pro Anwendungsfall vorgehen.

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

Erst die Daten, dann die KI - aber nicht perfekt, sondern passend. Fast jedes Unternehmen hat bessere Daten, als es denkt; sie liegen nur nicht dort, wo sie gebraucht werden. Ein strukturierter Blick auf die Datenlage vor dem KI-Einsatz ist der Unterschied zwischen einem Piloten, der läuft, und einem, der nach sechs Wochen in der Schublade verschwindet.