Wer KI auf schlechte Daten loslässt, bekommt schlechte Antworten in Rekordzeit

KI kann viel. Aber sie kann nicht erraten, dass Ihre Kundennummer in drei Systemen unterschiedlich geschrieben wird. Sie kann nicht zuverlässig wissen, welche von fünf Excel-Dateien die aktuelle ist. Sie kann nicht sauber entscheiden, wenn Pflichtfelder fehlen, Dubletten herumliegen oder Statuswerte seit Jahren frei erfunden werden.

Und trotzdem passiert genau das gerade in vielen Unternehmen. Man nimmt ein Datenproblem. Packt KI darauf. Und wundert sich, dass das Ergebnis irgendwie beeindruckend aussieht, aber nicht wirklich belastbar ist.

Das Gefährliche daran: KI klingt oft plausibel. Ein falscher Wert in einer Excel-Datei sieht falsch aus, wenn man genau hinschaut. Eine falsche KI-Zusammenfassung liest sich manchmal erstaunlich professionell. Und genau deshalb ist schlechte Datenqualität im KI-Kontext noch gefährlicher als vorher.

Früher hat ein Mitarbeiter vielleicht gemerkt: „Moment, da stimmt etwas nicht.“ Heute liefert ein System eine sauber formulierte Antwort. Mit Selbstbewusstsein. Mit Struktur.

Mit einem Tonfall, der nach Kompetenz klingt. Aber was ist diese Kompetenz wert, wenn die Grundlage falsch ist? Die unbequeme Wahrheit: KI repariert keine Datenbasis. Sie verarbeitet sie. Wenn Ihre Prozesse heute darauf beruhen, dass jemand vor dem Versand noch einmal „mit gesundem Menschenverstand drüberschaut“, dann ist KI nicht automatisch die Lösung. Vielleicht macht sie den gefährlichen Teil sogar unsichtbarer.

Denn plötzlich sieht alles automatisiert aus. Dabei wurde nur der Fehler schneller gemacht. Was bedeutet das praktisch? Bevor KI sinnvoll eingesetzt wird, müssen oft langweilige Fragen beantwortet werden:

Welche Datenquelle ist führend? Welche Felder sind Pflicht? Welche Werte sind erlaubt? Wie werden Dubletten erkannt?

Welche Fälle darf ein System automatisch bearbeiten? Welche Fälle müssen bewusst beim Menschen landen? Wie wird dokumentiert, warum etwas entschieden wurde? Das ist nicht so sexy wie „KI-Transformation“.

Aber es ist der Unterschied zwischen produktivem Einsatz und teurem Spielzeug. Ein Beispiel aus der Praxislogik: Wenn jeden Monat Lieferantendaten aus mehreren Dateien zusammengeführt werden, kann KI helfen, Freitexte zu interpretieren oder Dokumente zu lesen. Aber zuerst muss klar sein, wie die Dateien aussehen dürfen, welche Spalten erwartet werden, welche Nummern eindeutig sind und was passiert, wenn etwas fehlt. Sonst analysiert KI nicht den Prozess.

Sie rät. Und Raten ist kein Geschäftsprozess. Die provokante These: Viele KI-Projekte scheitern nicht an der KI. Sie scheitern an Daten, die schon vor der KI niemand richtig im Griff hatte. Das klingt hart.

Aber es ist eine gute Nachricht. Denn Datenqualität ist beeinflussbar. Man kann Prüfregeln bauen. Man kann Importe standardisieren.

Man kann Excel-Dateien absichern. Man kann Fehler sichtbar machen. Man kann Freigaben definieren. Man kann automatische Verarbeitung und manuelle Kontrolle sauber trennen.

Und wenn diese Basis steht, wird KI plötzlich viel nützlicher. Nicht als Magie. Sondern als Werkzeug in einem stabilen Ablauf. Vielleicht sollten Unternehmen deshalb weniger fragen: „Welche KI brauchen wir?“

Und zuerst fragen: Welche Daten würden wir der KI überhaupt anvertrauen? Die Antwort darauf ist oft ehrlicher als jede Strategiepräsentation.