Wie im Marketing beginnt auch hier alles mit dem Ziel. Was will ich bewirken? Welche Routinen möchte ich beschleunigen, welche repetitiven Arbeiten will ich durch KI ersetzen? Die Antwort darauf ist unbequem, aber unausweichlich: In Summe steht ein Umbruch der Arbeitswelt bevor. Einfache, klar strukturierte Tätigkeiten werden zuerst ersetzt, das zeigt sich in nahezu jeder aktuellen Analyse zur KI-Nutzung in Unternehmen. Weiterbildung ist die wirksamste Antwort darauf, aber das ist ein eigenes Thema.
Bleiben wir beim Weg dorthin. Wenn ich weiß, wo ich hinwill, lässt sich eine Route skizzieren, und bei dieser Skizze kann ich mich bereits von KI-Anwendungen unterstützen lassen. Roadmaps, Priorisierung, Aufwandsschätzung, das geht heute erstaunlich gut mit Tool-Unterstützung. Die eigentlichen Hausaufgaben folgen aber unmittelbar danach, und die kann mir keine KI abnehmen.
Habe ich Daten?
Ja. Fast immer. Das ist selten das Problem. Das Problem ist, dass niemand genau weiß, wo diese Daten liegen, in welcher Form sie vorliegen und ob sie überhaupt brauchbar sind. Der durchschnittliche Betrieb im DACH-Raum arbeitet mit gut einem Dutzend isolierter Datensysteme, CRM hier, Buchhaltung dort, eine Exceltabelle für das, was durch alle Raster fällt. Genau diese Fragmentierung ist der eigentliche Bremsklotz für KI-Projekte, nicht die Technologie selbst.
Die erste ehrliche Bestandsaufnahme lautet also: Welche Daten existieren, wo liegen sie, wer pflegt sie, und in welchem Zustand sind sie? Das klingt banal, wird aber in den meisten Projekten übersprungen, weil man lieber gleich mit dem Tool anfangen will.
Struktur schlägt Menge
Ein verbreiteter Irrtum ist, dass viele Daten automatisch gute Daten bedeuten. Entscheidend ist Struktur und Qualität, nicht Volumen. Für viele Anwendungsfälle, etwa einfache Prognosemodelle auf Basis von Umsätzen, Rechnungen oder CRM-Interaktionen, reichen bereits zwölf bis vierundzwanzig Monate sauber strukturierter Daten. Wichtiger als die Menge ist die Antwort auf drei Fragen: Sind die Daten vollständig? Sind sie aktuell? Liegen sie in einheitlichem Format vor?
Lücken in den Daten lassen sich nicht mit KI auffüllen. Eine KI erfindet an dieser Stelle keine Wahrheit, sie pflanzt die Lücke bestenfalls fort, schlimmstenfalls kaschiert sie sie überzeugend klingend. Wer mit lückenhaften oder inkonsistenten Daten startet, bekommt keine bessere KI-Anwendung, sondern nur schneller produzierte Fehler.
Vom Rohzustand zur Nutzbarkeit
Zwischen „wir haben Daten“ und „wir können sinnvoll mit KI arbeiten“ liegt ein Aufbereitungsschritt, der in den meisten Projekten unterschätzt wird:
Sichten und klassifizieren. Was ist strukturiert (Tabellen, Datenbanken), was ist unstrukturiert (E-Mails, Dokumente, Notizen)? Beides lässt sich nutzen, aber mit unterschiedlichem Aufwand und unterschiedlichen Werkzeugen.
Konsolidieren statt vervielfachen. Statt einen weiteren Datentopf neben die bestehenden vierzehn Systeme zu stellen, sollten Domänen ihre eigenen, gepflegten Datensätze verantworten, klar zugeordnet und nachvollziehbar, anstatt alles ungeordnet in einen zentralen Topf zu kippen.
Format vereinheitlichen. Uneinheitliche Formate sind der stille Produktivitätskiller jedes KI-Projekts. Wer hier nicht aufräumt, zahlt die Rechnung später in Form von fehlerhaften Ergebnissen, die niemand mehr nachvollziehen kann.
Provenienz dokumentieren. Woher stammen die Daten, wie wurden sie bereinigt, wer hat wann darauf zugegriffen. Das ist keine Bürokratie um der Bürokratie willen, sondern spätestens bei personenbezogenen oder sensiblen Daten eine Voraussetzung, um überhaupt rechtssicher zu arbeiten.
Datenschutzrechtliche Relevanz prüfen. Sobald ein Anwendungsfall personenbezogene Daten berührt, etwa bei Bewerberauswahl, Leistungsbeurteilung oder Kundenscoring, ist eine Datenschutz-Folgenabschätzung nach Artikel 35 DSGVO nicht optional, sondern Pflicht. Das gehört in die Vorarbeit, nicht in die Nachbetrachtung, wenn es schon brennt.
Der eigentliche Punkt
Datenstrategie ist keine IT-Fleißaufgabe, die man outsourct und dann vergisst. Sie ist die Vorarbeit, die entscheidet, ob eine KI-Anwendung im Unternehmen tatsächlich etwas bewirkt oder nur ein weiteres Pilotprojekt bleibt, das nach drei Monaten leise einschläft. Wer sein Ziel kennt, seine Daten kennt und seine Daten aufbereitet hat, kann die passende KI-Anwendung gezielt programmieren lassen, statt sie zu erhoffen.
Teil 4 der Serie „KI – jo eh“. Im nächsten Beitrag: geschlossene Systeme im Detail, warum Datensouveränität für bestimmte Branchen keine Option, sondern Voraussetzung ist.