Viele KI-Projekte im Mittelstand scheitern nicht an der Technik, sondern an den Daten. Ein Assistent, der Angebote schreibt, Anfragen beantwortet oder Berichte erstellt, ist immer nur so gut wie das Firmenwissen, auf das er zugreift. Steckt darin Chaos, produziert die KI Chaos – nur schneller. Wer Daten für KI aufbereiten will, sollte deshalb früh damit beginnen, nicht erst wenn das Tool schon steht.
Warum Datenqualität über den KI-Erfolg entscheidet
Der Grundsatz „garbage in, garbage out“ gilt für KI besonders. Ein Sprachmodell erkennt nicht, ob eine Preisliste veraltet oder eine Kundenadresse doppelt vorhanden ist – es verarbeitet, was es bekommt. Sind die Grunddaten unsauber, entstehen falsche Antworten, die auf den ersten Blick professionell klingen. Genau das untergräbt das Vertrauen der Mitarbeitenden in ein neues System.
Umgekehrt ist saubere, gut strukturierte Datenbasis oft der größte Hebel für ein erfolgreiches Projekt. Sie senkt den Aufwand für Nachkorrekturen, reduziert Fehlerrisiken und macht die KI überhaupt erst zuverlässig genug für den produktiven Einsatz. Datenaufbereitung ist damit keine lästige Vorstufe, sondern ein Kernbaustein.
Welche Daten KI im Mittelstand braucht
Welche Daten relevant sind, hängt vom Anwendungsfall ab. Grob lassen sich zwei Arten unterscheiden:
- Strukturierte Daten – Tabellen, Datenbanken, Stammdaten in ERP, CRM oder Warenwirtschaft: Kunden, Artikel, Preise, Aufträge.
- Unstrukturierte Daten – Dokumente, E-Mails, Handbücher, PDFs, Verträge, Notizen. Hier liegt oft das eigentliche Firmenwissen, aber verstreut und schwer durchsuchbar.
Entscheidend ist, vom Ziel her zu denken: Ein KI-Assistent für den Kundenservice braucht andere Daten (FAQ, frühere Tickets, Produktinfos) als ein Tool für die Angebotserstellung (Leistungskatalog, Preise, Textbausteine). Nicht alle Daten müssen aufbereitet werden – nur die, die der konkrete Anwendungsfall tatsächlich nutzt.
Die häufigsten Datenprobleme
Dubletten und Widersprüche
Derselbe Kunde in drei Schreibweisen, zwei Preislisten mit unterschiedlichen Zahlen: Solche Doppelungen führen dazu, dass die KI nicht weiß, welche Version stimmt – und im Zweifel die falsche wählt.
Veraltete und inkonsistente Daten
Alte Ansprechpartner, ausgelaufene Konditionen, überholte Prozessbeschreibungen. Ohne klaren Stand liefert die KI Antworten, die schlicht nicht mehr gelten.
Verstreute Datensilos
Wissen liegt auf Netzlaufwerken, in Postfächern, in Köpfen und in verschiedenen Programmen. Was nirgends dokumentiert ist, kann auch keine KI nutzen.
Fehlende Struktur
Ein 80-seitiges PDF ohne Überschriften oder ein Sammelordner „Diverses“ sind für Menschen schon schwer, für Maschinen erst recht. Klare Gliederung und aussagekräftige Dateinamen helfen enorm.
Ungeklärte Zugriffsrechte
Nicht jede Information darf jeder sehen – Gehälter, Personalakten, vertrauliche Verträge. Wer Daten für KI aufbereitet, muss von Anfang an mitdenken, wer worauf zugreifen darf.
Daten für KI aufbereiten – in sechs Schritten
- 1. Use-Case zuerst festlegen. Klären Sie, welche Aufgabe die KI übernehmen soll. Erst dann wissen Sie, welche Daten überhaupt gebraucht werden. Alles andere ist verschwendete Mühe.
- 2. Bestand sichten. Verschaffen Sie sich einen Überblick: Wo liegen die relevanten Daten, in welchem Format, wie aktuell sind sie, wer pflegt sie?
- 3. Bereinigen. Dubletten zusammenführen, veraltete Einträge aussortieren, Formate vereinheitlichen, offensichtliche Fehler korrigieren. Lieber weniger, dafür verlässliche Daten.
- 4. Strukturieren und anreichern. Dokumente sinnvoll gliedern, Überschriften und Metadaten ergänzen (z. B. Gültigkeitsdatum, Abteilung, Kategorie). Das verbessert, wie gut die KI passende Inhalte findet.
- 5. Rechte und Datenschutz klären. Legen Sie fest, welche Daten überhaupt verwendet werden dürfen und welche Zugriffsrechte gelten. Diese müssen sich später im KI-System widerspiegeln.
- 6. Laufend pflegen. Datenqualität ist kein Einmalprojekt. Bestimmen Sie Verantwortliche (Data Ownership) und einen Rhythmus, in dem Daten aktualisiert werden.
Datenschutz und Rechte nicht vergessen
Sobald personenbezogene Daten im Spiel sind – Kunden, Mitarbeitende, Bewerber – gilt die DSGVO. Wichtige Leitplanken: nur Daten verwenden, die für den Zweck wirklich nötig sind (Datensparsamkeit), den Verarbeitungszweck festlegen und die vorhandenen Zugriffsrechte auch in der KI-Lösung abbilden. Wer einen externen Dienst nutzt, sollte auf einen Auftragsverarbeitungsvertrag (AVV) und möglichst ein Hosting in der EU achten. Sensible Informationen gehören nur dann in die Datenbasis, wenn der Anwendungsfall sie zwingend braucht. Dies ersetzt keine Rechtsberatung – im Zweifel den Datenschutzbeauftragten einbinden.
Typische Fehler
- Alles auf einmal aufräumen wollen. Starten Sie mit den Daten für einen konkreten Anwendungsfall statt mit dem gesamten Datenbestand.
- Datenqualität als Einmalprojekt sehen. Ohne laufende Pflege verfällt jede saubere Basis wieder.
- Zugriffsrechte ignorieren. Eine KI, die vertrauliche Inhalte an Unbefugte ausspielt, wird schnell zum Problem.
- Erwarten, dass die KI das Datenchaos repariert. Sie kann strukturieren und zusammenfassen helfen, ersetzt aber keine grundlegende Aufräumarbeit und keine fachliche Prüfung.
Fazit: erst die Daten, dann die KI
Gute Datenqualität ist die unspektakuläre, aber entscheidende Grundlage jedes KI-Projekts. Der beste erste Schritt ist selten der Kauf eines Tools, sondern eine ehrliche Bestandsaufnahme: Welchen Anwendungsfall wollen wir lösen, und wie gut sind die Daten dafür wirklich? Wer klein anfängt, gezielt aufräumt und Verantwortlichkeiten festlegt, schafft die Basis, auf der KI im Mittelstand zuverlässig funktioniert. Gern klären wir in einem Erstgespräch, welche Daten Ihr Wunsch-Anwendungsfall braucht und wie der Weg dahin aussieht.