Warum selbst die “beste KI” ohne solide Daten versagt

KI-Projekte scheitern weniger an der Leistungsfähigkeit der Modelle als an unvollständigen Daten, unklaren Prozessen und fehlenden Verantwortlichkeiten. Messbarer ROI entsteht erst, wenn Unternehmen ihre Datenqualität sichern, wirtschaftliche Ziele definieren und KI kontrolliert in klar abgegrenzte Prozesse integrieren.

Das Modell ist selten der richtige Ausgangspunkt

Die KI-Demo funktioniert. Dokumente werden erkannt, Inhalte zusammengefasst und Ergebnisse innerhalb weniger Sekunden ausgegeben. Sobald die Anwendung jedoch in einen echten Unternehmensprozess eingebunden werden soll, beginnt die mühsame Arbeit: Kundendaten sind unvollständig, Produktbezeichnungen unterscheiden sich zwischen den Systemen und für wichtige Informationen gibt es mehrere vermeintlich verbindliche Quellen. An diesem Punkt wird häufig nach einem besseren Modell gesucht. Dabei liegt die Ursache meist an anderer Stelle. Die KI kann nur mit den Prozessen, Daten und Regeln arbeiten, die ein Unternehmen ihr zur Verfügung stellt. Deshalb beginnt ein sinnvolles KI-Projekt für uns nicht mit einer Technologieauswahl. Am Anfang steht eine klare wirtschaftliche Aufgabe: Welche Kosten sollen sinken, welcher Engpass soll kleiner werden oder welcher Prozess soll mit dem vorhandenen Team schneller laufen?

Künftig wird nicht entscheidend sein, wie viele KI-Anwendungen ein Unternehmen eingeführt hat. Entscheidend wird sein, welche davon im Arbeitsalltag stabil funktionieren und einen messbaren Beitrag leisten. Viele Unternehmen starten mit der Frage, welches KI-Werkzeug sie einsetzen könnten. Erst danach suchen sie nach Aufgaben, die dazu passen. So entstehen schnell gute Demonstrationen, aber nicht automatisch tragfähige Lösungen. Der sinnvollere Startpunkt ist ein konkreter Prozess. Prüfe, wo heute unnötig Zeit und Geld verloren gehen. Gute Kandidaten erkennst du beispielsweise an:

• vielen wiederkehrenden Vorgängen,
• manueller Übertragung zwischen E-Mail, Excel, ERP oder CRM,
• langen Bearbeitungs- und Freigabezeiten,
• häufigen Rückfragen oder Korrekturen,
• wiederkehrenden Prüfungen nach ähnlichen Kriterien,
• einem Aufwand, der sich mit Kennzahlen beschreiben lässt.

Danach folgt die Frage, welche Form der Automatisierung tatsächlich benötigt wird. Läuft ein Prozess immer gleich ab und sind alle Eingaben strukturiert, genügt häufig ein klassischer Workflow. KI ist vor allem dann sinnvoll, wenn Dokumente und Nachrichten unterschiedlich aufgebaut sind, Informationen eingeordnet werden müssen oder Ausnahmen zum normalen Ablauf gehören.

Vom E-Mail-Postfach direkt zum Angebotsentwurf

Ein Beispiel aus unserer Praxis bei IT-P zeigt, wo der wirtschaftliche Hebel liegen kann. Eine Kundenanfrage erreicht das Unternehmen per E-Mail. Bisher liest ein Sachbearbeiter die Nachricht, sucht den Kunden im ERP-System, übernimmt Produktinformationen und erstellt manuell ein Angebot. Eine KI-gestützte Lösung hingegen kann die relevanten Angaben aus der Anfrage erfassen und mit den vorhandenen Kunden-, Produkt- und Preisdaten abgleichen. Anschließend überträgt sie die Informationen in einen Angebotsentwurf im ERP-System. Der Sachbearbeiter kontrolliert das Ergebnis und gibt es frei. Der Mehrwert liegt nicht darin, dass die KI einen besonders eleganten Text schreibt. Entscheidend ist, dass die manuelle Erfassung entfällt, weniger Informationen zwischen Systemen übertragen werden müssen und der Vorgang schneller zur Prüfung bereitsteht.

Schlechte Daten werden durch KI nicht besser

Solange eine KI nur einen Textvorschlag erstellt, lassen sich Fehler in der Regel schnell erkennen und korrigieren. Anders sieht es aus, wenn die KI Angebote vorbereitet, Rechnungen zuordnet, Bestellungen auslöst oder Produktionsfehler erkennen soll. Dann können unvollständige oder falsche Informationen unmittelbar Kosten und Risiken verursachen. KI arbeitet mit Wahrscheinlichkeiten. Sie erkennt Muster, bewertet Zusammenhänge und erzeugt daraus ein Ergebnis. Sie kann jedoch nicht zuverlässig erkennen, welche von zwei widersprüchlichen Kundennummern richtig ist oder ob ein veralteter Preis noch verwendet werden darf. Fehlende Datenqualität führt deshalb nicht nur zu schlechteren Antworten. Sie kann den gesamten automatisierten Prozess unzuverlässig machen. Damit Daten produktiv genutzt werden können, müssen fünf Voraussetzungen erfüllt sein.

• Vollständig: Alle für den jeweiligen Arbeitsschritt notwendigen Informationen sind vorhanden.
• Einheitlich: Bezeichnungen, Formate und Werte stimmen über die beteiligten Systeme hinweg überein.
• Aktuell: Es ist erkennbar, welcher Datenstand gültig ist.
• Erreichbar: Die Anwendung kann innerhalb ihrer Berechtigungen auf die benötigten Informationen zugreifen.
• Verantwortet: Für Pflege, Prüfung und Korrektur gibt es klare Zuständigkeiten.

Merksatz: Eine leistungsfähige KI kann fehlende Datenqualität nicht ausgleichen. Sie verarbeitet die vorhandene Grundlage lediglich schneller.

Warum der Vergleich mit ChatGPT in die Irre führt

„Das kann ChatGPT doch auch.“ Diesen Satz hören wir in Gesprächen häufig. Dahinter steckt die Erwartung, dass eine unternehmensinterne KI ähnlich schnell und souverän Ergebnisse liefern müsste wie ein frei verfügbarer KI-Dienst. Die Anforderungen sind jedoch unterschiedlich. Ein allgemein zugänglicher Dienst soll vor allem eine sprachlich passende Antwort erzeugen. Eine Unternehmensanwendung muss dagegen mit konkreten Stamm-, Kunden- und Prozessdaten arbeiten. Sie soll die richtigen Informationen aus den verbindlichen Quellen verwenden und innerhalb der festgelegten Berechtigungen handeln. Bei einem Textentwurf kann ein plausibles Ergebnis ausreichen. Bei einer Buchung, einem Angebot oder einer Bestellung hingegen nicht. Die Anwendung muss nachvollziehbar auf den richtigen Datenbestand zugreifen und bei Unsicherheit eine Prüfung anfordern.

Ein KI-Projekt braucht vor dem Start einen Business Case

Ohne messbare Ausgangslage lässt sich später nicht beurteilen, ob eine Anwendung wirtschaftlich erfolgreich ist. Aussagen wie „Wir wollen effizienter werden“ sind dafür zu ungenau. Vor einem Pilotprojekt solltest du deshalb den heutigen Prozess erfassen:

• Wie viele Vorgänge werden monatlich bearbeitet?
• Wie viel Arbeitszeit benötigt ein Vorgang?
• Wie viele manuelle Eingriffe und Übergaben gibt es?
• Wie häufig entstehen Rückfragen, Fehler oder Nacharbeiten?
• Wie lang ist die gesamte Durchlaufzeit?
• Welche Kosten entstehen pro Vorgang?

Aus diesen Werten lässt sich ein konkretes Ziel ableiten. Das kann eine kürzere Durchlaufzeit, eine niedrigere Fehlerquote oder eine höhere Prozesskapazität ohne zusätzliche Stellen sein. Zur wirtschaftlichen Betrachtung gehören allerdings auch die Aufwände. Daten müssen möglicherweise bereinigt, Schnittstellen entwickelt und Berechtigungen eingerichtet werden. Hinzu kommen laufende Kosten für Betrieb, KI-Nutzung, Überwachung und Anpassungen. Eine funktionierende Anwendung ist deshalb noch kein wirtschaftlicher Erfolg. Erst wenn der messbare Nutzen die notwendigen Investitionen und Betriebskosten rechtfertigt, entsteht ein belastbarer Business Case.

Daten brauchen Eigentümer, nicht nur Speicherorte

Datenqualität wird häufig als Aufgabe der IT betrachtet. Das greift zu kurz. Die IT kann Systeme verbinden, technische Prüfungen einrichten und Zugriffe absichern. Ob eine Preisangabe fachlich korrekt oder eine Prozessregel noch gültig ist, kann jedoch nur der verantwortliche Fachbereich entscheiden. Für jeden produktiven KI-Prozess sollte daher geklärt sein:

• Wer verantwortet den zugrunde liegenden Geschäftsprozess?
• Welche Datenquelle ist im Konfliktfall verbindlich?
• Wer korrigiert unvollständige oder fehlerhafte Informationen?
• Wer kontrolliert Ergebnisse, Berechtigungen und Nutzungskosten?
• Wer prüft die Anwendung nach Änderungen an Prozessen oder Systemen?

Fehlen diese Zuständigkeiten, übernimmt die KI bestehende Unklarheiten. Sie macht sie möglicherweise schneller sichtbar, kann sie aber nicht selbst organisatorisch lösen.

Klein beginnen, sauber messen, gezielt erweitern

Eine gute Datengrundlage bedeutet nicht, dass ein Unternehmen zuerst sämtliche Datenbestände bereinigen muss. Dieser Anspruch würde viele Projekte bereits vor dem Start blockieren. Sinnvoller ist ein begrenzter Anwendungsfall mit einem klar definierten Prozess. Dafür bietet sich folgendes Vorgehen an:

1. Nutzen festlegen: Bestimme, welche Kosten, Zeiten oder Fehler reduziert werden sollen.
2. Ablauf dokumentieren: Erfasse Prozessschritte, Ausnahmen, Übergaben und Verantwortlichkeiten.
3. Benötigte Daten prüfen: Konzentriere dich auf die Informationen, die dieser konkrete Anwendungsfall wirklich braucht.
4. Kontrollierten Piloten umsetzen: Begrenze Zugriffe und lege fest, wann ein Mensch prüfen oder freigeben muss.
5. Ergebnisse vergleichen: Stelle die Resultate den vorher erfassten Ausgangswerten gegenüber.
6. Erst danach skalieren: Erweitere die Lösung nur, wenn Nutzen, Datenqualität und Betrieb belastbar sind.

Auf diese Weise entsteht eine realistische Roadmap. Das Unternehmen sammelt praktische Erfahrung, ohne sofort ein großes KI-Programm mit unklaren Kosten und Abhängigkeiten zu starten.

Fachwissen wird durch Automatisierung wichtiger

Durch den Einsatz von KI verändern sich auch die Aufgaben der Mitarbeitenden. Einfache Übertragungs- und Prüftätigkeiten werden weniger wichtig. Dafür gewinnen die Bearbeitung von Ausnahmen, die Kontrolle von Ergebnissen und die Weiterentwicklung von Prozessen an Bedeutung. Das notwendige Fachwissen ist also weiterhin gefragt. Unternehmen brauchen Mitarbeitende, die Regeln verständlich formulieren, Ergebnisse einordnen und erkennen, wann ein Vorgang vom Standard abweicht. Deshalb gehört zu einer nachhaltigen KI-Strategie auch die Frage, wie dieses Wissen dokumentiert, weitergegeben und gezielt in automatisierte Prozesse eingebunden werden kann.

Der KI-Erfolg wird vor dem eigentlichen Projekt entschieden

KI wird nicht daran scheitern, dass Modelle grundsätzlich zu wenig können. Viele Projekte werden daran scheitern, dass Prozesse unklar, Daten widersprüchlich oder Ziele nicht messbar definiert sind. Warte deshalb nicht auf die nächste Modellgeneration. Wähle einen konkreten Prozess, erfasse den heutigen Aufwand und prüfe die Daten, die für eine Automatisierung tatsächlich benötigt werden. Dort entscheidet sich, ob KI ein teures Experiment bleibt oder einen nachweisbaren wirtschaftlichen Beitrag leistet.

Häufig gestellte Fragen zu KI und Datenqualität