Gartner hat im Februar 2025 vorhergesagt, dass Unternehmen bis Ende 2026 60 Prozent der KI-Projekte aufgeben werden, denen KI-taugliche Daten fehlen. In einer Befragung derselben Untersuchung gaben 63 Prozent der Organisationen an, nicht die richtigen Praktiken im Datenmanagement für KI zu haben, oder sie waren sich nicht sicher (Gartner, 26.02.2025).

In den mittelständischen Häusern, die ich begleite, wird die Frage nach den Daten oft erst gestellt, wenn ein Pilot enttäuscht hat. Wie man dann die Ursache sucht, beschreibt der Beitrag Das Problem ist selten das Modell. Günstiger ist es, die Daten vorher zu prüfen, bevor ein Anbieter beauftragt und ein Team zusammengestellt ist.

Sauber heißt nicht tauglich

Viele Unternehmen haben in den letzten Jahren Stammdaten bereinigt, Dubletten entfernt und Pflichtfelder eingeführt. Das ist nützlich, beantwortet aber eine andere Frage. Ob Daten für KI taugen, hängt an der Aufgabe, die sie erfüllen sollen.

Ho Bae, Gründer des Softwareanbieters CUBIG, hat das in einem Gespräch im Oktober an einem Beispiel gezeigt: Dieselben Serviceberichte können völlig ausreichen, um die Auslastung des letzten Monats zusammenzufassen. Soll ein Modell dagegen einen ungewöhnlichen Ausfall vorhersagen, braucht es Beispiele aus der Zeit vor früheren Ausfällen, und die entstehen durch keine Bereinigung. Eine Datenqualität im Allgemeinen gibt es für diesen Zweck nicht, nur eine für die jeweilige Aufgabe.

Was vor dem Pilot geprüft wird

Die Prüfung beginnt mit der Aufgabe, nicht mit dem Datenbestand. Wer festgelegt hat, was die Anwendung leisten soll, kann daraus ableiten, welche Angaben sie dafür braucht, und dann nachsehen, ob es sie gibt.

Zuerst wird geprüft, ob die nötigen Felder in den Fällen gefüllt sind, auf die es ankommt. Wer Reklamationen nach Ursachen sortieren lassen will, braucht Reklamationen, bei denen die Ursache eingetragen ist. Ein Feld, das im Durchschnitt zu neunzig Prozent gefüllt ist, kann bei genau den schwierigen Fällen leer sein.

Dann wird gezählt, wie oft die seltenen Fälle vorkommen. Sollen Ausfälle, Betrugsversuche oder Sonderanfertigungen erkannt werden, müssen davon genug Beispiele vorliegen. Eine feste Mindestzahl gibt es dafür nicht, es hängt an der Aufgabe und daran, wie gut sich die Fälle voneinander unterscheiden lassen. Wenn aber in zehn Jahren nur eine Handvoll Ausfälle dokumentiert ist, sollte das vor dem Pilot bekannt sein. Für eine Auswertung der Ursachen können auch wenige Fälle genügen.

Die dritte Frage betrifft die Bedeutung der Felder über die Zeit. Wurden Kategorien umgestellt, Artikelnummern geändert oder Standorte zusammengelegt, ist ein Teil der Historie nur mit Übersetzung verwendbar, und das weiß meist nur die Sachbearbeitung.

Zuletzt geht es um die Erreichbarkeit: In welchem System liegen die Daten, wer darf sie herausgeben, und sind personenbezogene Angaben darunter? Dann gehört der geplante Verarbeitungsvorgang vor dem Pilot auf den datenschutzrechtlichen Prüfstand, und bei Beschäftigtendaten ist die Arbeitnehmervertretung früh einzubeziehen. Warum das Zeit spart, steht im Beitrag zur Mitbestimmung.

Für all das braucht es kein Modell. Nach meiner Erfahrung genügt eine Stichprobe von einigen hundert Datensätzen, die jemand aus dem Fachbereich gemeinsam mit jemandem aus der IT durchsieht, und das Ergebnis passt auf eine Seite: welcher Anteil der Datensätze für die Aufgabe brauchbar ist, welche Fälle fehlen und was es kosten würde, die Lücke zu schließen.

Was das Ergebnis für die Freigabe bedeutet

Reichen die Daten, kann der Pilot mit echten Daten aus dem laufenden Betrieb arbeiten, statt mit ausgesuchten Beispielen. Das ist die Voraussetzung dafür, dass sein Ergebnis später ein Betriebsbudget begründen kann, wie im Beitrag zum KI-Budget beschrieben.

Reichen sie mit Nacharbeit, gehört diese Nacharbeit in den Plan und in das Pilotbudget. Wird sie dort nicht eingeplant, erledigt sie der Fachbereich nebenher, und das Vorhaben verzögert sich, ohne dass jemand den Grund im Zeitplan findet.

Reichen sie nicht, ist dies das günstigste Ergebnis der ganzen Prüfung, weil es vor jeder Beauftragung feststeht. Das Vorhaben lässt sich dann kleiner schneiden, zurückstellen oder mit einem ersten Schritt beginnen, der die fehlenden Daten erst erzeugt. In der Instandhaltung heißt das zum Beispiel, Störungen systematisch zu erfassen, bevor jemand sie vorhersagen will, wie im Beitrag zur Entsorgungswirtschaft beschrieben.

Wer prüft

Die Prüfung sollte nicht allein beim Anbieter liegen. Er kann sie technisch unterstützen, hat aber ein Interesse daran, dass das Vorhaben beginnt. Die Beurteilung, ob ein Feld fachlich das bedeutet, was sein Name sagt, kann ohnehin nur das eigene Haus leisten.

Verantwortlich ist sinnvollerweise derselbe Fachbereich, der später den Nutzen haben soll. Er kennt die Fälle, auf die es ankommt, und er hat den stärksten Grund, eine ehrliche Antwort zu wollen.

Die Frage für die nächste Freigabe

Liegt für das KI-Vorhaben, das Sie als nächstes freigeben, eine Prüfung vor, ob die Daten für genau diese Aufgabe reichen? Wenn nicht, kostet sie wenige Tage und ist günstiger als jeder Pilot, der an den Daten scheitert. Welche Vorhaben zuerst kommen sollten, hängt auch davon ab, für welche die Daten schon reichen, und gehört in die KI-Roadmap.