Welche Daten braucht KI? Fünf Fragen vor dem Start

Die Frage kommt in fast jedem Erstgespräch, meist etwas verlegen: Sind unsere Daten überhaupt gut genug für KI? Dahinter steckt oft die Sorge, erst ein jahrelanges Datenprojekt stemmen zu müssen, bevor irgendetwas mit KI passieren darf. Diese Sorge ist verständlich und in den meisten Fällen unbegründet. Sie beruht auf einem Missverständnis darüber, was KI von Daten wirklich verlangt.

Der Beitrag räumt mit diesem Missverständnis auf. Er zeigt, was KI-tauglich konkret bedeutet, warum die eigene Einschätzung dabei regelmäßig danebenliegt und mit welchen fünf Fragen Sie den Zustand Ihrer Daten selbst prüfen können. An einem Nachmittag, mit Bordmitteln.

Was heißt KI-tauglich bei Daten überhaupt?

Gut genug für einen konkreten Anwendungsfall. Mehr steckt hinter dem Begriff nicht, und weniger auch nicht. KI-tauglich ist keine Eigenschaft, die Daten allgemein haben oder nicht haben. Dieselbe Datenlandschaft kann für einen Chatbot im Kundenservice locker ausreichen und für einen Bestell-Agenten viel zu löchrig sein.

Diese Sicht ist keine Wortklauberei, sie verändert die Aufgabe. Gartner warnt, dass fehlende KI-taugliche Daten Projekte grundsätzlich gefährden, und stellt zugleich fest, dass ein erheblicher Teil der Organisationen die nötigen Datenfundamente nicht hat. Die Analysten betonen dabei einen Punkt, der oft überlesen wird: Ob Daten KI-tauglich sind, entscheidet sich am Einsatzzweck. Wer pauschal fragt, ob die eigenen Daten gut genug sind, stellt eine Frage, die niemand beantworten kann. Wer fragt, ob die Daten für diesen einen Anwendungsfall ausreichen, bekommt eine prüfbare Antwort.

Für Handelsunternehmen ist das eine gute Nachricht. Niemand muss die gesamte Datenlandschaft sanieren, bevor der erste KI-Anwendungsfall startet. Es reicht, die Datenbereiche in Ordnung zu bringen, die der Fall wirklich benötigt. Alles andere darf so unfertig bleiben, wie es ist.

Warum reicht die eigene Einschätzung nicht?

Menschen gleichen schlechte Daten unbewusst aus und halten sie deshalb für besser, als sie sind. Das ist der Kern des Problems. Eine Mitarbeiterin im Einkauf, die seit Jahren mit dem Artikelstamm arbeitet, kennt seine Macken. Sie weiß, dass die Lieferzeiten bei Lieferant X nie stimmen, und rechnet das im Kopf um. Für sie sind die Daten in Ordnung, weil sie mit ihnen arbeiten kann. Eine KI kann das nicht. Sie nimmt jeden Wert wörtlich.

Die Zahlen zum Selbstbild sind entsprechend. In einer Gartner-Befragung geben 63 Prozent der Datenmanagement-Verantwortlichen an, keine passenden Datenmanagement-Praktiken für KI zu haben oder sich nicht sicher zu sein, ob sie sie haben. Im AI Readiness Index von Cisco, einer weltweiten Befragung von fast 8.000 Führungskräften, melden 80 Prozent der Unternehmen Lücken bei der Aufbereitung und Bereinigung ihrer Daten für KI-Projekte. Nur 32 Prozent attestieren sich eine hohe Daten-Readiness. Alle diese Erhebungen beruhen auf Selbstauskünften. Der tatsächliche Zustand liegt erfahrungsgemäß noch darunter, aus dem oben genannten Grund: Wer kompensiert, unterschätzt die Lücke.

Aus demselben Grund helfen die kostenlosen Readiness-Checks per Fragebogen wenig weiter, die der Markt derzeit im Wochentakt anbietet. Sie sammeln die Selbsteinschätzungen mehrerer Abteilungen ein und rechnen daraus einen Score. Jede Abteilung bewertet dabei die eigene Arbeit, und die fällt im eigenen Urteil verlässlich zu gut aus. Ein Score ohne Belege ist eine Meinung mit Nachkommastelle. Er fühlt sich präzise an und misst doch nur, wie die Beteiligten sich fühlen. Belastbar wird ein Bild erst, wenn Aussagen gegen Nachweise aus den Systemen geprüft werden: einen Datenqualitätsbericht, eine Schnittstellendokumentation, ein Betriebsprotokoll.

Welche Eigenschaften müssen die Daten mitbringen?

Fünf, und sie sind alle messbar. Vollständigkeit: Die Felder, aus denen die KI entscheidet, sind gefüllt. Gemeint sind die entscheidungsrelevanten Felder, keine Vollpflege über alles. Richtigkeit und Eindeutigkeit: Die Werte stimmen, und jeder Artikel, Kunde oder Lieferant existiert nur einmal. Doppelt angelegte Datensätze, sogenannte Dubletten, verwirren jede Auswertung. Aktualität: Die Daten sind so frisch, wie der Anwendungsfall es verlangt. Ein Bestand von gestern Nacht reicht für Langsamdreher, für ein schnelldrehendes Sortiment nicht.

Die vierte Eigenschaft wird am häufigsten vergessen: Zugänglichkeit. Eine KI, und erst recht ein Agent, arbeitet über Schnittstellen. Daten, die nur in Excel-Ablagen oder in den Köpfen erfahrener Mitarbeiter liegen, existieren für das System nicht, ganz gleich wie gut sie sind. Zur Zugänglichkeit gehört auch, dass Datenmodelle maschinenlesbar dokumentiert sind, damit ein System versteht, was ein Feld bedeutet.

Und schließlich die Verantwortung. Streng genommen keine Eigenschaft der Daten, sondern ihrer Umgebung, aber sie entscheidet über alles andere. Ohne eine benannte Person, die für einen Datenbereich zuständig ist, verfällt jede Bereinigung nach wenigen Monaten wieder. Wir haben Datenlandschaften gesehen, die dreimal saniert wurden und dreimal in den alten Zustand zurückgefallen sind. Der Grund war nie die Technik.

Wie hängt der Datenbedarf vom Anwendungsfall ab?

Jeder Anwendungsfall braucht eine andere Kombination aus Datenbereichen, und nur diese Kombination muss in Ordnung sein. Wir arbeiten dafür mit einer Matrix: sechs Datenbereiche des Handels (Produktstammdaten, Kunde, Transaktion, Bestand, Lieferanten, Online-Verhalten) und vier Stufen, vom Fundament bis zur Autonomie. Ein Anwendungsfall benötigt typischerweise drei bis fünf Zellen dieser Matrix.

Ein Beispiel macht den Unterschied greifbar. Ein Nachbestell-Agent lebt von Produktstammdaten und Beständen. Die Online-Verhaltensdaten interessieren ihn nicht. Eine KI, die Produkttexte für den Shop schreibt, braucht dagegen reiche Produktattribute und keine Bestandsdaten. Dynamisches Pricing wiederum verlangt Transaktionen, Konditionen und aktuelle Bestände zugleich und stellt damit die höchsten Ansprüche. Was das für die Nachbestellung im Detail heißt, haben wir im Beitrag zum agentischen Replenishment durchgerechnet.

Aus dieser Logik folgt die wichtigste Konsequenz dieses Beitrags: Die Frage nach den Daten lässt sich nur zusammen mit der Frage nach dem Anwendungsfall beantworten. Erst der Fall, dann die Prüfung. Wer die Reihenfolge umdreht und erst einmal pauschal Daten aufräumt, räumt mit hoher Wahrscheinlichkeit an den falschen Stellen.

Mit welchen fünf Fragen prüfen Sie das selbst?

Nehmen Sie sich Ihren wichtigsten KI-Anwendungsfall vor und beantworten Sie diese fünf Fragen. Sie brauchen dafür keinen Dienstleister, nur die Menschen, die mit den Systemen arbeiten.

1. Welche Felder braucht die Entscheidung, die die KI treffen soll, und wie vollständig sind sie gepflegt? Die Abfrage dauert eine Stunde. Wer die Zahl nicht kennt, kennt sein Risiko nicht.
2. Gibt es für jeden benötigten Datenbereich ein einziges führendes System? Pflegen zwei Systeme parallel, wandern ihre Widersprüche in jede KI-Entscheidung.
3. Wie alt sind die Daten, wenn die KI sie liest, und reicht das für den Fall? Fragen Sie nach dem Zeitstempel, nicht nach dem Gefühl.
4. Kommt ein System über Schnittstellen an die Daten heran, oder leben sie in Excel und Köpfen? Was nicht zugänglich ist, existiert für die KI nicht.
5. Wer ist für jeden benötigten Datenbereich verantwortlich, mit Namen? Wenn die Antwort ein Achselzucken ist, haben Sie die wichtigste Lücke schon gefunden.

Ehrlich beantwortet, ergeben die fünf Fragen ein belastbares Vorab-Bild. Sie ersetzen keine Messung mit Belegen aus den Systemen, aber sie zeigen, ob sich der nächste Schritt lohnt und wo er ansetzen müsste. Ein Tipp aus der Praxis: Lassen Sie die Fragen von zwei Personen unabhängig beantworten, einmal aus dem Fachbereich und einmal aus der IT. Die Abweichungen zwischen beiden Antworten sind oft aufschlussreicher als die Antworten selbst.

Was tun, wenn die Antworten ernüchtern?

Gezielt schließen statt großflächig sanieren. Ernüchternde Antworten sind kein Urteil über Ihr Unternehmen, sie sind der Normalfall. Entscheidend ist, was daraus folgt. Der teure Reflex ist das unternehmensweite Datenqualitätsprojekt, das alle Bereiche gleichzeitig anfasst und nach 18 Monaten von der nächsten Reorganisation überrollt wird. Der günstige Weg ist der über den Anwendungsfall: die drei bis fünf benötigten Zellen messen, die schwächste benennen, diese eine Lücke schließen und dann starten.

Für den ersten Teil dieses Wegs gibt es einen offenen Standard. Wie aus Belegen ein Zuverlässigkeits-Wert von 0 bis 100 entsteht, welche Kriterien gelten und wie der Engpass bestimmt wird, steht auf der Methode-Seite. Die Prüfung selbst dauert drei Wochen und ist ergebnisoffen. Im besten Fall bestätigt sie, dass Ihre Daten für den Fall ausreichen, und Sie starten mit Rückendeckung. Im anderen Fall wissen Sie, was zuerst zu tun ist. Beides ist mehr wert als ein weiteres Jahr mit der Frage, ob die eigenen Daten wohl gut genug sind.

Quellen

Quelle	Einordnung
Gartner · Lack of AI-ready data puts AI projects at risk, Februar 2025
Cisco · AI Readiness Index 2024
prodct · Beispiel-Report ACME Inc. (fiktive Daten)