Datenqualität: Warum KI ohne saubere Daten scheitert

„Unsere Daten sind nicht ideal, aber für einen Piloten reicht das." Diesen Satz hören wir in fast jedem ersten Gespräch. Meistens stimmt er nicht. Datenqualität ist kein bürokratischer Vorbehalt vor dem eigentlichen KI-Projekt, sie ist die technische Voraussetzung, ohne die kein System das liefert, was Sie erwarten. Wer diesen Schritt überspringt, macht ihn später, mit mehr Aufwand und weniger Vertrauen in das System, das er gerade aufbauen will.

Was Datenqualität konkret bedeutet

Datenqualität ist nicht Datenmenge. Viele Unternehmen haben umfangreiche Datenbestände, die für KI trotzdem unbrauchbar sind. Die vier Probleme, die wir am häufigsten sehen:

Inkonsistente Formate. Dieselbe Information in zehn verschiedenen Schreibweisen: „München", „Muenchen", „MCH", „80331 München". Für Menschen lesbar, für ein KI-System eine Mehrdeutigkeit, die es nicht zuverlässig auflösen kann, vor allem wenn diese Einträge die Grundlage für automatisierte Entscheidungen bilden.

Fehlende Pflichtfelder. Produkte ohne Kategorie. Aufträge ohne Liefertermin. Kontakte ohne Firmenzuordnung. Das sind nicht nur Unannehmlichkeiten, das sind fehlende Eingabedimensionen für jedes Modell, das Muster erkennen oder Vorhersagen treffen soll. Ein Prognosemodell, das Liefertermine nicht kennt, kann keine sinnvollen Zeitreihen bilden.

Doppelte Einträge. Ein illustratives Beispiel: Im CRM eines Unternehmens mit 180 Mitarbeitern steht derselbe Kunde unter fünf verschiedenen Einträgen, je nach Ansprechpartner und Erfassungsjahr anders geschrieben, und niemand hat sie je zusammengeführt. Ein KI-System, das Kaufhistorie analysiert, zählt diesen Kunden dann als fünf verschiedene Unternehmen mit je einem Bruchteil der tatsächlichen Kaufhistorie.

Veraltete Stammdaten. Lieferanten, die seit drei Jahren nicht mehr aktiv sind. Produkte, die aus dem Sortiment genommen wurden, aber noch in der Datenbank stehen. Kategorien, die einmal sinnvoll waren und heute niemandem mehr etwas sagen. Für manuell arbeitende Mitarbeiter sind das bekannte Ausnahmen, die sie instinktiv ausblenden. Für KI-Systeme sind es Muster, die das Modell lernt und weiterpropagiert.

Keines dieser Probleme ist dramatisch, wenn ein Mensch die Daten interpretiert. Für KI-Systeme sind sie strukturell.

Warum Piloten funktionieren und die Produktion nicht

Das häufigste Missverständnis in KI-Projekten: Der Pilot läuft gut, die Einführung scheitert.

Der Grund ist fast immer derselbe. Für den Piloten wird ein sauberer Datensatz vorbereitet: ein Export aus dem ERP, bereinigt, auf den Anwendungsfall zugeschnitten. Das System wird auf diesen Daten konfiguriert und zeigt überzeugende Ergebnisse. Die Geschäftsführung ist zufrieden, der Rollout beginnt.

Dann arbeitet das System nicht mehr mit dem aufgeräumten Export, sondern mit dem tatsächlichen Datenstrom: inkonsistente Formate, fehlende Felder, Duplikate. Die Ergebnisse verschlechtern sich spürbar. Der Aufwand, dieses Problem nachträglich zu lösen, ist höher als eine Datenvorbereitung vor dem Piloten gewesen wäre. Und das Vertrauen der Belegschaft in das System ist bereits beschädigt, bevor es produktiv läuft.

Ein illustratives Beispiel: Ein Logistikdienstleister mit 90 Mitarbeitern führt ein KI-gestütztes Prognose-System ein. Pilotphase: aufgeräumter Datensatz aus einem System, die Prognosequalität überzeugt. Produktionsstart: Das System bekommt Live-Daten aus drei Systemen, von denen zwei die Datumsformate unterschiedlich codieren. Das Modell erkennt zeitliche Zusammenhänge nicht mehr zuverlässig. Die Korrekturen, die jetzt nötig sind, kosten drei- bis viermal so viel wie eine sorgfältige Datenvorbereitung vor dem Piloten gekostet hätte.

Das ist kein Ausreißer. Das ist das Standardmuster.

Was vor dem Start geklärt sein muss

Wer diese drei Fragen vor dem Piloten beantwortet, hat drei Monate später ein produktiv laufendes System, statt einen teuren Umweg hinter sich:

Welche Daten braucht dieser Prozess? Nicht abstrakt, sondern konkret: Welche Felder, welche Systeme, welche Aktualität? Ein Modell zur Angebotserstellung braucht andere Datenpunkte als eines zur Dokumentenklassifikation. Die Anforderungen entstehen aus dem Prozess, nicht aus der Technologie.

In welchem Zustand sind diese Daten heute? Wir ziehen eine Stichprobe, schauen uns 200 bis 500 Datensätze an und zählen: fehlende Pflichtfelder, Formatabweichungen, Duplikate. In 20 bis 30 Minuten entsteht ein belastbares Bild vom tatsächlichen Ausgangszustand. Diese Bestandsaufnahme ist keine Fleißarbeit, sie ist die Grundlage für jede realistische Einschätzung des Projekts.

Was ist der akzeptable Mindeststandard für diesen Anwendungsfall? Nicht alle Daten müssen perfekt sein. Ein Modell, das Rechnungen kategorisiert, braucht vollständige Betragsfelder und korrekte Kategorien, aber keine lückenlose Lieferantenadresse. Der Mindeststandard ergibt sich aus dem Prozess, nicht aus einem abstrakten Qualitätsanspruch.

Für eine Übersicht der organisatorischen Voraussetzungen, die neben der Datenbasis vor einem KI-Start geprüft werden sollten, lohnt sich ein Blick in Voraussetzungen vor dem KI-Start: die Checkliste.

Wie eine Datenvorbereitung in der Praxis aussieht

Datenvorbereitung ist keine IT-Großinitiative. Sie ist ein strukturierter Aufräumprozess, der in den meisten Fällen in Wochen statt Monaten machbar ist, wenn er auf den konkreten Anwendungsfall beschränkt bleibt.

Vier Schritte, die wir durchlaufen:

Bestandsaufnahme. Stichprobe aus dem relevanten Datenbestand, strukturierte Auswertung in vier Dimensionen: Vollständigkeit (sind Pflichtfelder gefüllt?), Konsistenz (sind Formate einheitlich?), Aktualität (sind Stammdaten auf dem Stand?), Eindeutigkeit (gibt es Duplikate?). Das Ergebnis ist eine Tabelle mit konkreten Fehlerzahlen pro Feld, keine Präsentation voller Pauschalaussagen.

Priorisierung. Nicht jedes Problem ist gleich relevant. Ein fehlendes Datumsfeld ist kritisch für ein Prognosemodell und irrelevant für ein Klassifikationssystem. Wir priorisieren nach Einfluss auf den konkreten Anwendungsfall, nicht nach abstrakt wahrgenommener Dringlichkeit.

Bereinigung mit Rückmeldeschleife. Die eigentliche Bereinigung geschieht entweder automatisiert über Regelwerke für Formatkorrekturen und Dublettenprüfung, oder manuell durch Mitarbeiter aus dem Fachbereich, die die Daten inhaltlich kennen. KI-Berater können den Prozess strukturieren, aber die Frage „Welcher der fünf Kundeneinträge ist der korrekte?" kann nur jemand beantworten, der das Kundenverhältnis kennt. Diese Arbeitsteilung ist kein Schwachpunkt, sie ist die sinnvolle Lösung.

Sicherung des Standards. Was nützt eine einmalige Bereinigung, wenn neue Daten sofort wieder ins Chaos gleiten? Wir legen Pflichtfelder und Formatregeln direkt in den Systemen fest, die die Daten erzeugen: Pflichtfeldvalidierung im CRM-Eingabeformular, Formatstandards in der Import-Schnittstelle, Duplikatwarnung beim Neuanlegen. Das ist kein großes Projekt, aber es schließt das Leck an der Quelle.

Illustratives Rechenbeispiel: Ein Hersteller mit 120 Mitarbeitern stellt fest, dass 35 % seiner 8.000 Produktdatensätze eine fehlende oder falsch zugeordnete Kategorie haben. Das Prognosemodell, das Lagerbestände optimieren soll, trifft für diese Produkte keine brauchbaren Voraussagen. Die Bereinigung mit einem automatisierten Regelwerk und einer zweitägigen Durchsicht durch zwei Fachbereichsmitarbeiter bringt den Anteil auf unter 4 %. Das Modell läuft danach ohne weitere Eingriffe produktiv. Aufwand gesamt: ca. 10 Arbeitstage.

Die ehrliche Einschätzung

Manchmal ist der Befund, dass ein Vorhaben sechs Monate warten sollte, bis die Datenbasis steht. Das ist keine schlechte Nachricht, das ist eine gute: Besser vor dem Projekt wissen als nach dem Piloten feststellen.

Manchmal reicht ein einzelner, sauber abgegrenzter Datenbereich, um sofort anzufangen. Nicht jedes KI-Vorhaben braucht einen bereinigten Gesamtdatenbestand. Wer mit einem eng begrenzten Prozess startet, dessen Datenbasis überschaubar ist, kann in wenigen Wochen produktiv sein.

Was wir in keinem Fall empfehlen: mit unbereinigten Daten in die Produktion zu gehen und das Problem nachher zu lösen. Nachträgliche Datenkorrekturen in laufenden Systemen sind aufwendiger als vorherige Bereinigungen, und sie erschüttern das Vertrauen in das System, das man gerade etablieren will.

Der erste Schritt ist die Bestandsaufnahme. Wer nicht weiß, in welchem Zustand seine Daten sind, kann nicht sinnvoll entscheiden, wann und wo er anfängt.

Unser KI Impact Audit (Report in 48 Stunden) bewertet im Bereich Technologie & Daten, ob Ihre Datenbasis für den geplanten Einsatz bereit ist. Sie wissen danach, ob Ihre Daten ausreichen und wie realistisch ein produktiver Einsatz in den nächsten Monaten ist.

Zum KI Impact Audit →