Unsere Daten sind nicht perfekt – können wir trotzdem mit KI starten?

Die beliebteste Ausrede gegen KI

“Unsere Daten sind noch nicht bereit.” Diesen Satz höre ich in fast jedem Erstgespräch. Er klingt vernünftig – ist aber meistens eine Ausrede, kein Argument.

Natürlich: Manche KI-Anwendungen brauchen gute Daten. Aber die Vorstellung, dass zuerst ein unternehmensweites Datenprojekt abgeschlossen sein muss, bevor überhaupt an KI gedacht werden kann, ist falsch. Sie führt dazu, dass Unternehmen jahrelang an der Datengrundlage arbeiten und nie zum eigentlichen Projekt kommen.

Perfekte Daten sind das Ergebnis, nicht die Voraussetzung

Einer der besten Einstiegspunkte für KI ist die Datenbereinigung selbst. Klingt paradox? Ist es nicht.

Ein konkretes Beispiel: Ein Dienstleistungsunternehmen hatte 30% fehlerhafte CRM-Daten – Dubletten, veraltete Adressen, inkonsistente Felder. Statt monatelang manuell zu bereinigen, wurde KI eingesetzt, um:

• Dubletten zu erkennen, auch bei unterschiedlicher Schreibweise
• Fehlende Felder zu ergänzen auf Basis vorhandener Daten
• Veraltete Einträge zu identifizieren und zur Prüfung vorzuschlagen

Ergebnis: Datenqualität von 68% auf 96%, 12.000 Dubletten bereinigt, Kampagnen-Response um 40% gestiegen. Die KI hat die Datenqualität geschaffen, nicht vorausgesetzt.

Welche Datenqualität brauchen Sie wirklich?

Die Anforderungen hängen vom Projekt ab:

Niedrige Anforderungen (sofort starten)

• Reporting-Automatisierung – Daten aus bestehenden Systemen (SAP, Excel, CRM) zusammenführen. Die Daten müssen nur zugänglich sein, nicht perfekt
• Prozessautomatisierung – Regeln definieren, Daten weiterleiten. Keine KI-spezifischen Datenanforderungen
• Datenbereinigung – Gerade der Zustand “chaotische Daten” ist hier der Ausgangspunkt

Mittlere Anforderungen (mit Vorbereitung machbar)

• Dokumentenklassifikation – Einige hundert Beispieldokumente zum Training
• Anomalie-Erkennung – Historische Daten über 3–6 Monate
• Empfehlungssysteme – Transaktionsdaten als Grundlage

Hohe Anforderungen (Vorbereitung nötig)

• Prognosemodelle – Historische Daten über 12+ Monate, konsistent erfasst
• Computer Vision – Große Mengen gelabelter Bilddaten
• NLP auf Fachdaten – Domänenspezifisches Trainingsmaterial

Die gute Nachricht: Die meisten Mittelstandsprojekte fallen in die erste oder zweite Kategorie. Und selbst Projekte mit höheren Anforderungen lassen sich mit einem Piloten testen, bevor große Datenaufbereitungen nötig werden.

Die typischen Datenprobleme – und ihre Lösungen

”Unsere Daten liegen in verschiedenen Systemen”

Das ist normal, nicht problematisch. ETL-Prozesse (Extract, Transform, Load) führen Daten aus SAP, Excel, CRM und anderen Quellen zusammen. Das ist klassische Prozessautomatisierung – kein KI-Problem.

”Wir haben Dubletten und Inkonsistenzen”

Genau dafür gibt es KI-basierte Datenbereinigung. Fuzzy Matching, regelbasierte Validierung und ML-gestützte Deduplizierung lösen das Problem systematisch.

”Wir wissen nicht, welche Daten wir haben”

Ein KI-Potenzial-Audit beginnt genau hier: Bestandsaufnahme der verfügbaren Daten, Bewertung der Qualität und Identifikation der vielversprechendsten Anwendungsfälle.

”Unsere Daten sind zu wenig”

Oft eine Fehleinschätzung. Manchmal reicht regelbasierte Automatisierung, die gar keine KI braucht. Und für einfache Klassifikation genügen oft wenige hundert Beispiele.

Der pragmatische Startpunkt

Statt auf perfekte Daten zu warten:

1. Einen konkreten Prozess wählen – Wo anfangen?
2. Daten für diesen Prozess prüfen – Nicht alle Daten, nur die relevanten
3. Mit einem Piloten starten – So planen Sie ihn
4. Datenqualität als Nebeneffekt verbessern – Das Projekt selbst macht die Daten besser

Fazit

Die Frage ist nicht “Sind unsere Daten gut genug?” – sondern “Für welchen konkreten Prozess haben wir genug brauchbare Daten?” Die Antwort ist fast immer: für mindestens einen.

Und wenn die Datenbereinigung selbst der größte Schmerzpunkt ist? Dann ist das Ihr erster KI-Anwendungsfall.

Sie möchten wissen, ob Ihre Datengrundlage für ein KI-Projekt ausreicht? Im KI-Potenzial-Audit bewerten wir das konkret – für Ihre Prozesse, mit Ihren Daten.