Warum gute Daten für KI-Projekte entscheidend sind

Ein Sprachmodell kann Texte zusammenfassen und Informationen zuordnen. Es weiß dadurch nicht automatisch, welcher von mehreren widersprüchlichen Datensätzen im Betrieb gilt. Drei unterschiedliche Kundenadressen werden nicht allein durch ein leistungsfähigeres Modell zu einer verlässlichen Adresse.

Fiktives Beispiel: Im CRM steht ein Kunde unter zwei Schreibweisen, eine Tabelle enthält seine neue Adresse, die Warenwirtschaft noch die alte. Die Lösung beginnt bei einem gemeinsamen Kundenschlüssel und einer festgelegten führenden Quelle – bevor eine KI die Informationen für ein Angebot verwendet.

Ein Fehler bei Erfassung oder Zuordnung kann später Suche, Antwort und Entscheidung beeinflussen. Die Forschung bezeichnet solche Folgewirkungen als Data Cascades. Eine qualitative Studie mit 53 KI-Fachleuten untersucht dieses Problem in Anwendungen mit hohen Risiken; daraus folgt keine pauschale Ausfallquote für deutsche Mittelstandsprojekte.

Fiktives Beispiel: Ein Handbuch ist einer falschen Produktgruppe zugeordnet. Die Suche findet eine ähnliche Maschine, die Antwort nennt ein unpassendes Ersatzteil und diese Antwort wandert anschließend in eine neue Arbeitsanweisung. Die sprachliche Sicherheit der Antwort schützt nicht vor einer falschen Datengrundlage.

Beginne mit dem tatsächlichen Prozess und benenne beobachtete Fehler, statt dem gesamten Datenbestand pauschal eine schlechte Qualität zuzuschreiben.

• Dubletten: Ein Kunde, Artikel oder Vorgang erscheint mehrfach ohne verlässlichen gemeinsamen Schlüssel.
• Uneinheitliche Begriffe: Abteilungen verwenden dieselbe Bezeichnung unterschiedlich oder verschiedene Bezeichnungen für dasselbe Objekt.
• Veraltete Fassungen: Abgelöste Preislisten und Arbeitsanweisungen bleiben als gültige Quellen auffindbar.
• Unklare Herkunft: Quellsystem, Version, Datum oder verantwortliche Rolle fehlen.
• Fehlende Verantwortung: Niemand kann die fachliche Bedeutung eines Feldes oder dessen Pflege entscheiden.
• Ungeeigneter Kontext: Eine Rechnungsliste enthält zwar Beträge, aber keine Hinweise auf Stornos, Gutschriften oder strittige Forderungen. Für eine Bewertung von Zahlungsvorgängen reicht sie dann nicht aus.

Das Government Data Quality Framework beschreibt Qualität als Eignung für den vorgesehenen Zweck. Seine Dimensionen helfen beim Formulieren eigener Prüfkriterien; sie sind kein automatischer Nachweis für die Güte eines KI-Systems.

Für ein internes Nachschlagewerk können andere Anforderungen gelten als für Entscheidungen über Menschen. Halte deshalb fest, welche Fehler tolerierbar sind und wann eine Quelle nicht verwendet werden darf.

• Vollständigkeit: Sind die für den Prozess benötigten Felder und Dokumente vorhanden?
• Eindeutigkeit: Lassen sich doppelte Datensätze erkennen und zuordnen?
• Konsistenz: Stimmen Werte und Begriffe zwischen führenden Quellen überein?
• Aktualität: Passt der Informationsstand zur jeweiligen Aufgabe?
• Gültigkeit: Entsprechen Formate und Werte den vereinbarten Regeln?
• Richtigkeit: Stimmen Angaben mit der überprüfbaren Wirklichkeit überein?
• Zusätzlich dokumentieren: Herkunft, Gültigkeitszeitraum und Zuständigkeit.

Ein konkretes Ziel ist hilfreicher als „Wir wollen KI einsetzen“. Ein möglicher Pilot wäre: Servicekräfte finden die passende freigegebene Arbeitsanweisung schneller und prüfen den Antwortentwurf vor dem Versand.

Dafür brauchst du nicht sofort alle Unternehmensdaten. Erfasse die benötigten Quellen mit Speicherort, Format, Zuständigkeit, Aktualisierungsrhythmus und Zugriff. Definiere für jede Informationsart, welches System führend ist.

• Anwendungsfall und zulässige Nutzung abgrenzen.
• Pflichtfelder, Begriffe, Versionen und Zugriffsregeln festlegen.
• Ausgangswert messen: etwa fehlende Pflichtfelder, erkannte Dubletten und veraltete Dokumente.
• Prüffragen aus dem Alltag sammeln, einschließlich unvollständiger und widersprüchlicher Fälle.
• Abnahme und Korrekturweg festlegen: Wer meldet Fehler, wer entscheidet über die richtige Fassung?

Eine einmalige Bereinigung reicht nicht, wenn Eingaben weiterhin neue Dubletten erzeugen. Prüfe daher den Erfassungsprozess, die gemeinsamen Schlüssel und die Verantwortlichkeiten. Eine Korrektur darf nicht unbeabsichtigt die Originalquelle oder notwendige historische Daten zerstören.

Lege Prüfintervalle und einen Rückmeldeweg fest. Vergleiche Datenqualität und Prozessqualität nach Änderungen erneut. Erst mit dieser Grundlage lässt sich unterscheiden, ob eine schlechte Antwort durch fehlende Daten, ungeeignete Suche, unklare Aufgaben oder das Modell verursacht wird.