Es gibt zwei verbreitete Irrtümer über Daten und KI, und sie sind beide teuer. Der erste lautet, moderne Modelle seien so gut, dass die Datenlage keine Rolle mehr spiele. Der zweite lautet, man müsse erst die gesamte Datenlandschaft in Ordnung bringen, bevor man mit KI überhaupt beginnen könne.
Der erste Irrtum führt zu Assistenten, die falsche Auskünfte geben. Der zweite führt zu Programmen, die nach achtzehn Monaten eingestellt werden, ohne je einen Nutzen gezeigt zu haben. Die Wahrheit liegt unbequem in der Mitte.
Was KI mit schlechten Daten tatsächlich macht
Ein Sprachmodell prüft nicht, ob eine Information stimmt. Es beurteilt, ob eine Formulierung plausibel ist. Liegen in Ihrer Ablage drei Fassungen derselben Preisliste, wird der Assistent eine davon verwenden – flüssig formuliert, überzeugend vorgetragen und möglicherweise zwei Jahre alt. Der Nutzer sieht keinen Unterschied.
Das ist gefährlicher als eine leere Antwort. Eine leere Antwort führt zur Nachfrage. Eine falsche, gut formulierte Antwort führt zu einer Entscheidung.
Ein Assistent macht Ihre Datenqualität sichtbar. Er verbessert sie nicht.
Die drei Probleme, die in der Praxis wirklich zählen
Nach vielen Bestandsaufnahmen fällt auf, dass immer dieselben drei Punkte den Ausschlag geben – und keiner davon ist ein klassisches Datenqualitätsthema im engeren Sinn.
- Berechtigungen: Wenn Ablagen zu weit geöffnet sind, zeigt ein Assistent Mitarbeitenden Inhalte, die sie zwar technisch sehen dürfen, aber nie gesehen hätten. Gehaltslisten und Kündigungsentwürfe sind die üblichen Verdächtigen.
- Doppelte und veraltete Fassungen: Wo dasselbe Dokument in fünf Versionen liegt, gibt es keine belastbare Antwort – nur eine zufällige.
- Fehlender Kontext: Eine Tabelle ohne Beschreibung, ein Feld ohne Definition, eine Kennzahl ohne Berechnungsgrundlage. Menschen ergänzen das aus Erfahrung, Systeme nicht.
Der pragmatische Weg
Statt eines Datenprogramms empfehle ich einen Use-Case-bezogenen Zuschnitt. Sie wählen einen konkreten Use Case, klären die Datenlage genau für diesen Fall und bringen sie dort in Ordnung. Das ist in Wochen machbar statt in Jahren, und es erzeugt sichtbaren Nutzen, der die nächste Etappe finanziert.
Konkret bedeutet das: Welche Quellen braucht dieser eine Use Case? Wer verantwortet sie? Sind die Berechtigungen für diese Quellen sauber? Gibt es eine gültige Fassung, und ist erkennbar, welche das ist? Erst wenn diese vier Fragen für den ersten Fall beantwortet sind, kommt der zweite.
Über fünf bis sechs Use Cases entsteht auf diesem Weg genau die Ordnung, die ein grosses Datenprogramm anstrebt – nur bezahlt aus laufendem Nutzen und ohne dass jemand das Interesse verliert.
Wo sich eine Plattform lohnt
Ab einer gewissen Grösse führt kein Weg an einer gemeinsamen Datengrundlage vorbei. Microsoft Fabric etwa bündelt Speicherung, Aufbereitung und Auswertung an einem Ort und macht Herkunft und Zuständigkeit nachvollziehbar. Das ist ein sinnvoller Schritt – aber als Folge der ersten erfolgreichen Use Cases, nicht als deren Voraussetzung.
Die Reihenfolge entscheidet über den Erfolg. Wer mit der Plattform beginnt, diskutiert zwei Jahre über Architektur. Wer mit einem Use Case beginnt, hat nach zwölf Wochen ein Ergebnis und weiss dann sehr genau, welche Plattform er braucht.
Der erste Schritt für Sie
Nehmen Sie den Use Case, den Ihr Führungsteam ohnehin am dringendsten will. Stellen Sie die vier Fragen oben. Wenn die Antworten unangenehm ausfallen, haben Sie in einer Woche mehr über Ihre Datenlage gelernt als in jedem Auditbericht – und Sie wissen, wo Sie anfangen.