Datenqualität: Das unterschätzte Fundament jeder KI-Einführung

Das Nadelöhr, über das niemand spricht

Wenn ein KI-Projekt hinter den Erwartungen zurückbleibt, liegt es selten am Modell. Sehr oft liegt es an den Daten. Eine KI, die auf veraltete Preislisten, widersprüchliche Dokumente oder lückenhafte Stammdaten zugreift, liefert eben genau das zurück: veraltete, widersprüchliche, lückenhafte Ergebnisse. Garbage in, garbage out — das alte IT-Gesetz gilt für KI härter als für jede Software davor.

Das Tückische daran: Datenqualität ist unsichtbar, bis sie zum Problem wird. In der Demo läuft alles glatt, weil mit sauberen Beispielen gearbeitet wird. Im echten Betrieb stößt die KI dann auf die Realität — und die ist im Mittelstand oft ein gewachsenes Durcheinander aus ERP, Excel-Listen, E-Mail-Verläufen und dem Wissen in den Köpfen erfahrener Mitarbeiter.

Die gute Nachricht: Sie brauchen keine perfekten Daten, um mit KI zu starten. Sie brauchen ausreichend gute Daten für genau den Anwendungsfall, den Sie zuerst angehen. Das macht das Thema beherrschbar — vorausgesetzt, man nimmt es überhaupt ernst.

Was Datenqualität für KI konkret bedeutet

Datenqualität ist ein abstrakter Begriff, der für KI sehr konkret wird. Es geht nicht um Big Data oder um Datenmengen, sondern um vier handfeste Eigenschaften:

• Auffindbar: Liegen die nötigen Informationen an einem Ort, auf den ein Assistent zugreifen kann — oder verstreut über Laufwerke, Postfächer und Köpfe?
• Aktuell: Sind Preislisten, Verträge und Stammdaten auf dem neuesten Stand, oder kursieren mehrere Versionen nebeneinander?
• Konsistent: Heißt derselbe Artikel überall gleich, oder gibt es drei Schreibweisen für dasselbe Bauteil? Widersprüche bringen jede KI durcheinander.
• Strukturiert: Stehen die Informationen in einer Form, die sich auslesen lässt — oder nur in gescannten Faxen und handschriftlichen Notizen?

Der pragmatische Weg: am Use Case entlang

Der größte Fehler an dieser Stelle wäre, jetzt ein unternehmensweites Datenqualitäts-Projekt aufzusetzen. Das dauert Jahre, kostet ein Vermögen und liefert lange keinen Nutzen — der sichere Weg, jede KI-Initiative im Keim zu ersticken. Wir gehen genau umgekehrt vor: Datenarbeit folgt dem konkreten Use Case, nicht der Vollständigkeit.

„Sie brauchen keine perfekten Daten — Sie brauchen gute Daten für genau den Use Case, den Sie zuerst angehen.“

Wenn Sie mit dem Angebotsprozess starten, bringen Sie die Produktdaten und Preislisten in Form, die dafür gebraucht werden — und sonst erstmal nichts. Das ist in Tagen statt Jahren machbar und liefert sofort Nutzen. In unserer Case Study zur Rechnungsprüfung waren die ersten zwei Wochen reine Datenarbeit: Preisvereinbarungen, die nur in E-Mail-Verläufen existierten, mussten erst sauber hinterlegt werden. Unbequem — aber dieser begrenzte Aufwand zahlt sich seitdem jeden Tag aus.

So entsteht Datenqualität dort, wo sie unmittelbar Wert schafft. Und mit jedem weiteren Use Case wächst die saubere Datenbasis ganz nebenbei — entlang echter Bedarfe statt entlang eines theoretischen Idealbilds.

Der unterschätzte Nebeneffekt

Hier kommt der Teil, den viele Geschäftsführer übersehen: Die Datenarbeit für ein KI-Projekt zahlt sich weit über die KI hinaus aus. Wenn Sie Ihre Preisvereinbarungen, Produktdaten oder Vertragsstandards für einen Assistenten in Form bringen, profitiert davon das gesamte Unternehmen — auch jeder Mensch, der diese Daten künftig sucht.

Wir erleben regelmäßig, dass das KI-Projekt zum willkommenen Anlass wird, ein lange aufgeschobenes Datenchaos endlich aufzuräumen. Der Aufwand wäre ohnehin irgendwann fällig gewesen; die KI gibt ihm nur einen konkreten, messbaren Zweck. Aus einer lästigen Pflicht wird so eine Investition mit doppeltem Ertrag.

Fazit: Erst das Fundament, aber nur so viel wie nötig

Datenqualität ist das Fundament jeder KI-Einführung — aber Sie müssen nicht das ganze Grundstück betonieren, bevor Sie loslegen. Klären Sie für Ihren ersten Use Case ehrlich, ob die nötigen Daten auffindbar, aktuell, konsistent und strukturiert sind. Wo Lücken sind, schließen Sie genau diese — nicht mehr.

Unser Rat: Behandeln Sie die ersten Wochen eines KI-Projekts bewusst als Datenarbeit und planen Sie sie ein, statt sich von ihr überraschen zu lassen. Wer das tut, baut auf Fels statt auf Sand — und bekommt obendrein ein aufgeräumtes Datenfundament, von dem das ganze Unternehmen profitiert.