„Unsere Daten sind nicht perfekt. Können wir dann trotzdem mit KI starten?“ Das ist die häufigste Frage, die wir im ersten Gespräch hören. Die beruhigende Antwort: Ihre Daten müssen nicht perfekt sein. Die weniger einfache Antwort: Sie müssen aber gut genug für die konkrete Anwendung sein. Die Qualitätsanforderungen an einen internen Suchassistenten unterscheiden sich grundlegend von den Anforderungen an die Beurteilung von Finanztransaktionen. Die richtige Frage lautet also nicht, ob Ihre Daten perfekt sind, sondern ob die relevanten Daten zuverlässig genug für diese Aufgabe sind, bei akzeptablem Risiko.
Beginnen Sie mit einem konkreten Anwendungsfall
Eine allgemeine Beurteilung Ihrer Datenqualität zieht sich endlos hin und liefert selten eine brauchbare Schlussfolgerung. Sie starten besser mit einem klar abgegrenzten Use-Case: technische Dokumentation durchsuchen, Einkaufsrechnungen automatisch auslesen, Verkaufsprognosen erstellen, Beschwerden klassifizieren, Angebote vorbereiten oder Produktionsabweichungen erkennen. Erst wenn diese Anwendung scharf umrissen ist, bestimmen Sie, welche Daten Sie benötigen und welche Qualitätsanforderungen dazu gehören. So verknüpfen Sie Datenfragen mit einem konkreten Geschäftsergebnis statt mit einer abstrakten Ambition.
Sieben Fragen zur Beurteilung Ihrer Daten
Sobald Sie eine Anwendung gewählt haben, helfen Ihnen die folgenden sieben Fragen, schnell einzuschätzen, ob Ihre Daten diese Anwendung tragen können. Wir stellen dieselben Fragen in jedem ersten Analysegespräch bei einem Kunden.
Sind die nötigen Daten verfügbar?
In vielen Unternehmen liegen die relevanten Informationen verstreut über Postfächer, geteilte Ordner, Excel-Dateien und veraltete Software. Erst wenn diese Informationen kontrolliert zugänglich sind, kann eine KI-Anwendung tatsächlich damit arbeiten. Verfügbarkeit bedeutet also nicht nur Vorhandensein, sondern auch Erreichbarkeit.
Ist die Information ausreichend vollständig?
Fehlende Felder sind nicht immer ein Problem. Sie werden erst problematisch, wenn genau diese Felder für die Anwendung benötigt werden. Eine Zahlungsprognose mit fehlenden Fälligkeitsdaten hat große Auswirkungen auf das Ergebnis. Eine Zusammenfassung interner Verfahren übersteht kleinere Lücken ohne größeren Schaden.
Sind die Daten korrekt?
Falsche Produktcodes, doppelte Kundendatensätze und veraltete Preise führen unweigerlich zu falschen Ergebnissen. KI macht schlechte Daten nicht plötzlich zuverlässig. Was KI aber tut: Fehler schneller und in größerem Umfang verarbeiten. Genau deshalb schauen Sie sich die Quelldaten vorher an.
Nutzen alle dieselben Begriffe?
Was genau ist ein „aktiver Kunde“? Wann heißt eine Bestellung „verspätet“? Welche Kosten gehören in welche Kategorie? Sobald Abteilungen unterschiedliche Definitionen verwenden, produziert ein KI-System widersprüchliche Schlussfolgerungen aus denselben zugrunde liegenden Daten. Definitionen zu klären ist meist günstiger, als die Folgen später auszubügeln.
Sind die Daten ausreichend aktuell?
Ein KI-Assistent, der Ihnen Handbücher von vor drei Jahren vorlegt, gibt technisch korrekte, aber operativ veraltete Anweisungen. Legen Sie deshalb fest, wie neue, geänderte und zurückgezogene Informationen ins System gelangen, und wie schnell.
Ist die Herkunft nachvollziehbar?
Bei wichtigen Entscheidungen muss klar sein, woher die Information stammt. Kann der Nutzer mit einem Klick zurück zur Quelle, oder bleibt die Ausgabe eine Blackbox, die Sie glauben müssen? Nachvollziehbarkeit ist kein Luxus, sie entscheidet, ob Menschen das System zu nutzen wagen.
Dürfen Sie diese Daten für diesen Zweck verwenden?
Nicht alle Informationen dürfen einfach auf jede KI-Plattform. Prüfen Sie Vertraulichkeit, personenbezogene Daten, vertragliche Vereinbarungen, geistiges Eigentum, Zugriffsrechte, Aufbewahrungsfristen und Sicherheitsanforderungen, bevor Sie einen Datensatz in einen externen Dienst hochladen. Diese Frage gehört in die ersten Auswahlgespräche, nicht in die letzte Woche vor dem Go-live.
Nicht jede Anwendung verlangt dieselbe Datenqualität
Die Qualitätsanforderung hängt davon ab, was die Anwendung mit der Ausgabe macht. Grob fallen KI-Anwendungen in drei Kategorien, jede mit einer eigenen Messlatte.
Unterstützende Anwendungen
Denken Sie an Suchen, Zusammenfassen oder das Erstellen einer ersten Dokumentversion. Ein Mitarbeiter liest das Ergebnis und korrigiert, wo nötig. Eine gewisse Unvollständigkeit ist akzeptabel, solange die Quellen sichtbar bleiben und der Nutzer schnell prüfen kann.
Operative Anwendungen
Hier laufen Prozesse mit: Ticket-Klassifizierung, Planung, Buchungen. Die Daten müssen konsistenter sein und das System muss Ausnahmen klar behandeln, denn zwischen Eingabe und Aktion sitzt weniger menschliche Kontrolle.
Entscheidende Anwendungen
Finanz-, Vertriebs-, Personal- oder Sicherheitsentscheidungen auf Basis von KI-Ausgaben stellen hohe Anforderungen: Korrektheit, Erklärbarkeit, Kontrolle, Sicherheit und ein lückenloser Audit-Trail. Hier starten Sie nicht ohne gründliche Risikoanalyse und einen klaren Plan für menschliches Eingreifen.
Wie erkennen Sie unzureichende Datenqualität?
Es gibt klare Signale dafür, dass Ihre Datenhaltung für bestimmte Anwendungen noch nicht bereit ist. Denken Sie an Schattenlisten in Excel neben den offiziellen Systemen, Berichte, die für dieselbe Frage unterschiedliche KPI-Zahlen liefern, manuelle Korrekturen an Produkt- oder Kundendaten, fehlende Klarheit darüber, welche Version aktuell ist, dieselbe Information parallel in mehreren Systemen, wichtige Felder, die Mitarbeiter frei ausfüllen, Ausnahmen, die nur in E-Mail-Verläufen leben, und Historie, die Sie kaum wiederfinden. Diese Signale bedeuten nicht, dass KI unmöglich ist. Sie bedeuten aber, dass das Risiko steigt und dass Sie zusätzlichen Aufwand einplanen müssen, bevor Sie einen Use-Case starten.
Sie müssen nicht erst alle Daten aufräumen
Der klassische Fallstrick besteht darin, zu warten, bis alles perfekt ist. Dieser Moment kommt selten, und in der Zwischenzeit fallen Sie hinter Unternehmen zurück, die sich bewegen. Wählen Sie deshalb einen gezielten Ansatz: bestimmen Sie, welche Daten der Use-Case wirklich benötigt, messen Sie die aktuelle Qualität genau dieser Daten, identifizieren Sie die Fehler mit der größten Auswirkung, verbessern Sie nur, was für diese Anwendung nötig ist, testen Sie mit realistischen Beispielen und überwachen Sie die Qualität während der Nutzung. So koppeln Sie die Bereinigung an ein konkretes Geschäftsergebnis statt an eine endlose Aufräumaktion, die niemand jemals abschließt.
Testen Sie mit schwierigen Beispielen
Eine KI-Anwendung dürfen Sie nicht nur mit sauberen, vollständigen und sorgfältig gewählten Daten testen. Verwenden Sie auch unvollständige Dokumente, abweichende Formate, Duplikate, alte und neue Versionen nebeneinander, seltene Ausnahmen, fehlerhafte Eingaben und widersprüchliche Informationen aus verschiedenen Quellen. Erst dann sehen Sie, wie sich die Anwendung im täglichen Betrieb Ihres Unternehmens hält, wo nichts so sauber ist wie in einer Demo.
Messen Sie Datenqualität in Geschäftswirkung
Technische Prozentsätze zu Vollständigkeit und Korrektheit sind nützlich, aber die Auswirkung auf Ihr Unternehmen zählt mehr. Ein Fehler in einem internen Suchergebnis ist eine andere Gewichtsklasse als ein Fehler in einem Zahlungsvorschlag oder einer Produktionsanweisung. Beurteilen Sie also, wie oft Fehler auftreten, wie schnell Sie sie erkennen, wie viel Korrekturaufwand sie verursachen, welchen finanziellen oder operativen Schaden sie anrichten und ob ein Mitarbeiter rechtzeitig eingreifen kann, bevor der Fehler sich im Prozess fortsetzt.
Fazit
Ihre Daten müssen nicht perfekt sein, aber geeignet für die Anwendung und das damit verbundene Risiko. Wählen Sie einen konkreten Use-Case, bestimmen Sie, welche Daten für das Ergebnis kritisch sind, und prüfen Sie, ob diese Daten verfügbar, korrekt, aktuell und nachvollziehbar sind. Gute Daten sind kein Selbstzweck. Sie sind die Voraussetzung für ein zuverlässiges Geschäftsergebnis mit KI.
Möchten Sie wissen, ob Ihre Daten für die erste KI-Anwendung bereit sind?
Die SEMANU-Analyse prüft einen konkreten KI-Use-Case gegen Ihre tatsächlichen Daten: Verfügbarkeit, Qualität, Definitionen und Herkunft. Keine allgemeine Note, sondern ein Go/No-Go pro Anwendung. Einmalige Investition ab 4.400 Euro.
Häufig gestellte Fragen
Müssen meine Unternehmensdaten perfekt sein, bevor ich mit KI starten kann?
Nein, aber sie müssen gut genug für die konkrete Anwendung sein. Ein Suchassistent verträgt unvollständige Informationen, solange die Quelle sichtbar bleibt. Eine KI, die Finanztransaktionen beurteilt, verlangt Korrektheit, Erklärbarkeit und einen Audit-Trail.
Wie testet man, ob KI mit schlechten Daten funktioniert?
Geben Sie dem System nicht nur saubere Beispiele. Testen Sie mit unvollständigen Dokumenten, abweichenden Formaten, Duplikaten, alten Versionen, seltenen Ausnahmen und widersprüchlichen Informationen. Erst dann sehen Sie, ob die Anwendung im täglichen Betrieb standhält.
Welche Datenfragen sollten Sie für einen KI-Use-Case stellen?
Sind die Daten verfügbar und zugänglich, sind sie ausreichend vollständig für diesen Zweck, sind sie korrekt, verwenden die Abteilungen konsistente Definitionen, sind sie aktuell, können Sie die Herkunft prüfen, und dürfen Sie sie vertraglich und rechtlich für diesen Zweck verwenden.
Muss man zuerst alle Unternehmensdaten aufräumen, bevor man ein KI-Projekt startet?
Das ist der klassische Fallstrick, denn dieser Moment kommt selten. Wählen Sie einen konkreten Use-Case, messen Sie die Qualität genau dieser Daten, verbessern Sie nur, was den größten Einfluss hat, und testen Sie während der Nutzung. So koppeln Sie die Bereinigung an ein konkretes Geschäftsergebnis.