Zum Inhalt
KI-BlogBriefing zu künstlicher Intelligenz

Unternehmen

Datenqualität entscheidet

Kurzantwort

Eine KI-Anwendung kann nur so gut arbeiten wie die Daten, die sie bekommt: Lücken, Dubletten, veraltete Einträge und einseitige Beispiele übernimmt sie in ihre Ergebnisse. Vor jedem Projekt gehört deshalb eine Prüfung auf Vollständigkeit, Aktualität, Einheitlichkeit und Repräsentativität. Der Aufwand dafür wird regelmäßig unterschätzt und ist oft größer als die Einrichtung des Werkzeugs.

Autor
Veröffentlicht
Geprüft
Lesezeit
7 Minuten
Ein hölzerner Karteikasten, in dem einige Karten schief herausragen, daneben liegt eine Pinzette
Schon wenige falsch einsortierte Karten verfälschen das Ergebnis. Bild: KI-generiert

Ein Chatbot, der Kunden die Lieferzeiten aus einer Preisliste von vor zwei Jahren nennt, gibt nur wieder, was in seinen Unterlagen steht. Genau hier entscheiden sich die meisten KI-Vorhaben im Betrieb: Was hineinkommt, bestimmt, was herauskommt, und schlechte Daten lassen sich durch ein besseres Modell kaum ausgleichen.

Von den Unternehmen, die 2024 keine KI einsetzten, gaben laut Statistischem Bundesamt 45 Prozent Probleme mit Verfügbarkeit oder Qualität ihrer Daten als Grund an⁠1. Die KfW sieht im Aufbau einer Datenkultur, von der Erfassung und Verwaltung über die Sicherheit bis zur Auswertung, eine Voraussetzung dafür, dass der Mittelstand KI breiter einsetzt⁠2.

Woran schlechte Daten Projekte scheitern lassen

Fehler in Daten wirken bei KI auf drei Wegen. Der erste ist der offensichtliche: Falsche oder veraltete Angaben landen in Antworten und Auswertungen. Ein Assistent, der in alten Arbeitsanweisungen sucht, empfiehlt ein Verfahren, das längst geändert wurde.

Der zweite Weg sind Lücken, die nicht zufällig sind. Fehlen in einer Kundendatei vor allem die Angaben von Neukunden, weil ein Feld erst seit einem Jahr gepflegt wird, dann zeichnet jede Auswertung ein schiefes Bild. Systematische Lücken sind gefährlicher als zufällige, weil sie das Ergebnis in eine Richtung verschieben, ohne aufzufallen.

Der dritte Weg ist die Vergangenheit selbst. Wer ein System mit früheren Entscheidungen trainiert, etwa mit vergangenen Personalauswahlen, bringt ihm die Muster dieser Entscheidungen bei, auch die unbeabsichtigten. Zwei KI-Trainer aus Kaiserslautern warnen im Gespräch mit der KfW, dass eine KI fehlerhafte oder verzerrte Daten reproduziert⁠3. Fachleute sprechen von KI-Bias; welche Folgen das für Menschen haben kann, zeigt KI und Diskriminierung.

Welche Daten gemeint sind

Je nach Vorhaben geht es um ganz unterschiedliche Bestände. Für einen Chat-Assistenten, der in eigenen Unterlagen sucht, sind es Handbücher, Arbeitsanweisungen, Angebote und Mails; hier zählen Aktualität, eine klare Ablage und Zugriffsrechte. Wie solche Systeme die Unterlagen nutzen, erklärt RAG-System. Für Auswertungen und Vorhersagen sind es strukturierte Tabellen aus Warenwirtschaft, Buchhaltung oder Kundenverwaltung, bei denen Einheitlichkeit und Vollständigkeit zählen. Wer ein Modell selbst trainiert oder anpasst, braucht Trainingsdaten mit genug Beispielen für alle Fälle, die später vorkommen.

Auch Dokumente haben mehr Inhalt, als man sieht. Das BSI weist darauf hin, dass beim Verarbeiten von Dokumenten neben dem sichtbaren Text auch Metadaten, Anmerkungen und Kommentare ausgelesen werden⁠6. Ein vergessener Kommentar in einer alten Angebotsvorlage kann so in einer Antwort auftauchen.

Sechs Fragen für die Prüfung

Bevor du über Werkzeuge oder Modelle sprichst, beantworte für den geplanten Bestand diese Fragen. Am besten nimmst du dafür eine Stichprobe von hundert Datensätzen oder zwanzig Dokumenten und gehst sie von Hand durch.

  1. Vollständigkeit: Fehlen Werte, und wenn ja, zufällig oder in bestimmten Gruppen?
  2. Aktualität: Bilden die Daten die heutige Lage ab, oder stammen Preise, Abläufe und Ansprechpartner aus früheren Jahren?
  3. Einheitlichkeit: Sind Namen, Einheiten, Datumsformate und Kategorien gleich geschrieben? Vier Schreibweisen desselben Kunden zählen als vier Kunden, solange niemand sie zusammenführt.
  4. Richtigkeit: Stimmen Stichproben mit der Wirklichkeit überein, etwa Adressen, Artikelnummern oder Lagerbestände?
  5. Repräsentativität: Kommen alle Fälle vor, die das System später bearbeiten soll, auch die seltenen?
  6. Herkunft und Rechte: Woher stammen die Daten, dürfen sie für diesen Zweck verwendet werden, und wer darf sie sehen?

Die Antworten gehören in ein kurzes Protokoll. Es zeigt später, warum ein Bestand verwendet oder ausgeschlossen wurde, und es ist die Grundlage für die Aufwandsschätzung.

Eine Lupe liegt auf einem ordentlichen Stapel Karteikarten, eine Karte ist leicht herausgezogen
Eine Stichprobe von Hand zeigt, wie es um den Bestand steht. Bild: KI-generiert

Bereinigen, ohne Neues zu erfinden

Die Bereinigung folgt meist denselben Schritten: Dubletten zusammenführen, Schreibweisen vereinheitlichen, offensichtliche Fehler korrigieren, veraltete Einträge archivieren und Lücken kennzeichnen. Technische Verfahren dafür fasst der Begriff Datenvorverarbeitung zusammen.

Zwei Regeln schützen dabei vor neuen Fehlern. Erstens wird nichts gelöscht, was später gebraucht werden könnte; veraltete Unterlagen wandern in ein Archiv, das die KI nicht durchsucht. Zweitens wird nichts erfunden. Fehlende Werte mit Schätzungen oder synthetischen Daten aufzufüllen, bringt Annahmen ins System, die später in den Ergebnissen wieder auftauchen. Als Notlösung kann das helfen, als Grundlage ist es riskant.

Bei Dokumenten heißt Bereinigung vor allem Aufräumen: eine gültige Fassung je Thema, klare Dateinamen mit Datum, Entwürfe und Dubletten aus dem Suchbereich, Zuständige für jede Unterlage. Das ist unspektakuläre Arbeit, die sich aber auch ohne KI auszahlt.

Zwei Häufchen grauer Kiesel, eines ungeordnet mit einzelnen Ausreißern, eines nach Größe sortiert
Bereinigen heißt ordnen und kennzeichnen, nichts dazuerfinden. Bild: KI-generiert

Ein Beispiel aus dem Großhandel

Ein Elektrogroßhändler will eingehende Bestellungen per Mail automatisch den richtigen Kunden und Artikeln zuordnen lassen. Die Stichprobe von hundert Kundendatensätzen zeigt: Elf Kunden stehen doppelt im System, einmal mit und einmal ohne Rechtsform im Namen. Bei 23 Datensätzen fehlt die Mailadresse des Einkaufs, fast alle davon sind Kunden aus der Zeit vor der Umstellung der Warenwirtschaft. Die Artikelnummern sind einheitlich, die Bezeichnungen aber nicht, weil drei Lieferanten unterschiedliche Namen für dasselbe Produkt verwenden.

Daraus ergibt sich eine klare Reihenfolge. Zuerst führt der Vertriebsinnendienst die Dubletten zusammen und ergänzt die fehlenden Adressen bei den aktiven Kunden. Die Zuordnung stützt sich auf Artikelnummern, weil die Bezeichnungen uneinheitlich sind. Erst danach startet ein Pilotprojekt, das zunächst nur Vorschläge macht, die ein Mitarbeiter bestätigt. Die Zahlen aus der Stichprobe sind dabei ein angenommenes Beispiel, die Reihenfolge lässt sich auf die meisten Bestände übertragen.

Wer verantwortlich ist

Datenqualität ist keine Aufgabe, die die IT allein lösen kann. Ob eine Preisliste aktuell ist, weiß der Vertrieb, ob eine Arbeitsanweisung noch gilt, die Werkstatt. Bewährt hat sich, für jeden Bestand eine verantwortliche Person aus dem Fachbereich zu benennen, die entscheidet, was gilt, und Änderungen freigibt. Die IT sorgt für Ablage, Rechte und Sicherung.

Nach dem Start bleibt die Aufgabe. Daten veralten, neue Dokumente kommen hinzu, Abläufe ändern sich. Eine feste Routine, etwa eine monatliche Prüfung der zuletzt geänderten Unterlagen und ein Blick auf die Fragen, bei denen ein Chatbot keine gute Antwort fand, hält die Qualität auf dem Stand.

Mit welchem Aufwand du rechnest

Pauschal lässt sich der Aufwand nicht beziffern, weil er vom Zustand des Bestands abhängt. Gepflegte, digitale und einheitliche Daten brauchen wenig Vorarbeit. Über Jahre gewachsene Bestände mit mehreren Systemen, Papierresten und unterschiedlichen Schreibweisen können mehr Zeit kosten als das gesamte übrige Projekt. Die Prüfung mit den sechs Fragen liefert die Grundlage für eine ehrliche Schätzung.

Ein einfacher Weg zur Schätzung: Miss, wie lange die Bereinigung der Stichprobe gedauert hat, und rechne auf den ganzen Bestand hoch. Wer für hundert Datensätze zwei Stunden gebraucht hat, weiß ungefähr, was bei zehntausend auf ihn zukommt, und kann entscheiden, ob er alles bereinigt oder nur die aktiven Kunden und die gültigen Dokumente. Oft reicht der aktuelle Teil eines Bestands für den ersten Einsatz völlig aus.

Plane die Datenarbeit deshalb als eigenen Schritt vor der Auswahl des Werkzeugs ein und lass sie mit offenem Ergebnis laufen. Eine Prüfung muss auch zu dem Schluss kommen dürfen, dass ein Vorhaben mit den vorhandenen Daten so nicht trägt. Holst du dir dafür Hilfe von außen, verdient ein Anbieter, der zuerst die Daten sehen will, mehr Vertrauen als einer, der sofort eine fertige Lösung anbietet. Diesen Maßstab kannst du auch an SEO NW anlegen, den Betreiber dieser Website, der selbst KI-Dienstleistungen verkauft. Wie die Datenarbeit in die Gesamtkosten eingeht, zeigt KI-Kosten für Betriebe.

Was das Recht verlangt

Für Hochrisiko-Systeme schreibt die KI-Verordnung Qualitätsanforderungen an Daten ausdrücklich vor. Trainings-, Validierungs- und Testdaten müssen im Hinblick auf den Zweck relevant, hinreichend repräsentativ und so weit wie möglich fehlerfrei und vollständig sein⁠4. Die Datenverwaltung umfasst unter anderem die Herkunft der Daten, Schritte wie Annotation und Bereinigung, eine Prüfung auf mögliche Verzerrungen und das Erkennen von Datenlücken⁠4. Betreiber solcher Systeme müssen dafür sorgen, dass die Eingabedaten, soweit sie diese kontrollieren, dem Zweck entsprechen⁠4. Welche Systeme als hochriskant gelten, erklärt Risikoklassen im AI Act.

Für personenbezogene Daten gilt außerdem die Datenschutz-Grundverordnung. Sie verlangt, dass solche Daten sachlich richtig und erforderlichenfalls auf dem neuesten Stand sind und unrichtige Daten ohne Verzögerung gelöscht oder berichtigt werden⁠5. Mehr dazu unter KI und Datenschutz.

Was das für dich heißt

Bevor du ein Werkzeug auswählst, lohnt ein ehrlicher Blick auf die eigenen Daten.

  1. Nimm eine Stichprobe aus dem Bestand, den die KI nutzen soll, und geh die sechs Prüffragen durch.
  2. Benenne für jeden Bestand eine Person, die entscheidet, was gilt.
  3. Verschieb veraltete Unterlagen in ein Archiv, das die KI nicht durchsucht, statt sie zu löschen.
  4. Plane die Datenarbeit als eigenen Schritt mit offenem Ergebnis ein.

Häufige Fragen

Wie bereite ich Daten für KI vor?

Prüf zuerst eine Stichprobe auf Vollständigkeit, Aktualität, Einheitlichkeit und Richtigkeit. Führe dann Dubletten zusammen, vereinheitliche Schreibweisen, archiviere veraltete Unterlagen und kennzeichne Lücken. Für jeden Bestand sollte eine Person aus dem Fachbereich festlegen, was gilt.

Wie viele Daten braucht eine KI?

Das hängt vom Verfahren ab. Ein Chat-Assistent, der in eigenen Unterlagen sucht, braucht keine großen Mengen, aber aktuelle und eindeutige Dokumente. Wer ein Modell trainiert, braucht genug Beispiele für alle Fälle, die später vorkommen; ein kleiner Versuch mit den echten Daten zeigt, ob es reicht.

Kann man fehlende Daten mit synthetischen Daten ersetzen?

Teilweise, etwa um seltene Fälle für Tests nachzubilden. Jeder erzeugte Datensatz beruht aber auf Annahmen, und diese Annahmen finden sich später in den Ergebnissen wieder. Kennzeichne solche Daten deshalb und prüf die Ergebnisse an echten Fällen.

Wer ist im Betrieb für die Datenqualität zuständig?

Am besten die Fachbereiche, denen die Daten gehören, mit einer benannten Person je Bestand. Die IT sorgt für Ablage, Rechte und Sicherung, kann aber nicht beurteilen, ob eine Preisliste oder Anweisung noch gilt.

Quellen

Stand:

  1. Statistisches Bundesamt: Jedes fünfte Unternehmen nutzt künstliche Intelligenz (Pressemitteilung Nr. 444), Stand 25.11.2024, abgerufen am 22.11.2026. zurück
  2. KfW Research: Künstliche Intelligenz im Mittelstand (Fokus Volkswirtschaft Nr. 554), Stand 29.07.2026, abgerufen am 22.11.2026. zurück
  3. KfW: Interview mit KI-Trainern des Mittelstand-Digital Zentrums Kaiserslautern, abgerufen am 22.11.2026. zurück
  4. EUR-Lex: Verordnung (EU) 2024/1689, konsolidierte Fassung vom 27.07.2026 (Artikel 10 und 26), Stand 27.07.2026, abgerufen am 22.11.2026. zurück
  5. EUR-Lex: Verordnung (EU) 2016/679 (Datenschutz-Grundverordnung), Artikel 5, Stand 04.05.2016, abgerufen am 22.11.2026. zurück
  6. Bundesamt für Sicherheit in der Informationstechnik: Basisschutz gegen Indirect Prompt Injections in dokumentbasierten LLM-Chats, Version 1.0, Stand 14.09.2026, abgerufen am 22.11.2026. zurück

Weiterlesen

Bilder: KI-generiert

Aus dem Lexikon

Bilder: KI-generiert