Datenqualität prüfen bevor KI eingeführt wird: Was wirklich zählt

Die häufigste Ursache für gescheiterte KI-Projekte sind nicht schlechte Algorithmen, sondern schlechte Daten. In der Praxis zeigt sich das erst spät: Das Modell ist trainiert, die ersten Ergebnisse kommen rein — und sie ergeben keinen Sinn. Dann beginnt die mühsame Rückwärtssuche durch Datenhistorie und Systeme. Dieser Aufwand ist vermeidbar, wenn vor dem Start eine ehrliche Bestandsaufnahme steht.

Ein strukturierter Daten-Audit vor der KI-Einführung dauert je nach Unternehmensgröße 2 bis 5 Arbeitstage. Er verhindert Monate an Fehlersuche und gibt außerdem Aufschluss darüber, welche KI-Anwendungen überhaupt realistisch sind — und welche besser warten.

Datenqualität ist kein einzelnes Merkmal, sondern ein Bündel aus fünf Dimensionen. Jede davon kann ein KI-Projekt zum Scheitern bringen:

• Vollständigkeit: Wie viele Datensätze haben fehlende Felder? Ein Kundendatensatz ohne Branche ist für ein Klassifikationsmodell wertlos.
• Richtigkeit: Stimmen die Werte mit der Realität überein? Falsch eingetragene Umsatzzahlen, Tippfehler in Adressen, veraltete Statusfelder.
• Aktualität: Wie alt sind die Daten? Ein Prognosemodell auf Basis von Daten aus 2019 liefert 2025 keine verlässlichen Ergebnisse.
• Konsistenz: Sind gleiche Sachverhalte überall gleich erfasst? GmbH vs. Ges. m. b. H. vs. gmbh — für ein Modell drei verschiedene Dinge.
• Zugänglichkeit: Können die Daten überhaupt genutzt werden? Papier, gesperrte Silos, fehlende API-Schnittstellen oder rechtliche Beschränkungen machen selbst gute Daten unbrauchbar.

In der Praxis tauchen dieselben Probleme immer wieder auf:

• Datensilos ohne API: Informationen liegen in Altsystemen, die keinen programmatischen Zugriff erlauben. Export nur manuell per Excel möglich — damit entfällt Automatisierung.
• Veraltete Stammdaten: Kundendaten, die seit Jahren nicht gepflegt wurden. Adressen stimmen nicht, Ansprechpartner sind längst gewechselt.
• Fehlende Labels: Für überwachtes Lernen braucht man gelabelte Beispiele. Oft existieren nur Rohdaten ohne Annotation.
• Inkonsistente Formate: Datumsfelder mal als 2024-01-15, mal als 15.01.2024, mal als Jan 2024. Vor jedem Training muss normalisiert werden.
• Rechtliche Einschränkungen: Personenbezogene Daten dürfen nicht ohne weiteres für KI-Training genutzt werden. DSGVO-Prüfung gehört zum Audit.

Was gute Daten bedeutet, hängt vom konkreten KI-Anwendungsfall ab:

• Klassifikation (z. B. Kundenanfragen kategorisieren): Mindestens 500 Beispiele pro Kategorie, konsistente Labels, max. 5 Prozent fehlende Werte.
• Prognose (z. B. Umsatz, Nachfrage): Vollständige Zeitreihen ohne Lücken, mindestens 2 Jahre Historie, keine Systemwechsel ohne Markierung.
• Chatbot / RAG (z. B. interner Wissens-Assistent): Aktuelle Dokumente in maschinenlesbarem Format, klare Struktur, keine widersprüchlichen Aussagen.

Diese Anforderungen sollten vor dem Audit bekannt sein — so weiß das Team, wonach es konkret sucht.

Nach dem Audit folgt eine ehrliche Entscheidung:

KI starten wenn: Vollständigkeit über 85 Prozent in Schlüsselfeldern, Daten jünger als 3 Jahre, Zugriff technisch möglich, keine offenen Rechtsfragen.

Daten zuerst bereinigen wenn: Mehr als 30 Prozent fehlende Werte in zentralen Feldern, Daten aus inkompatiblen Systemen ohne Migrationspfad, fehlende Labels für Trainingsbeispiele, DSGVO-Prüfung noch ausstehend.

Diese Entscheidung ist keine Niederlage — sie verhindert, dass ein KI-Projekt mit falschen Erwartungen startet und nach drei Monaten ohne Ergebnis beendet wird.