Datenqualität für KI-Vorbereitung im Unternehmen: So gelingt der Start

Datenqualität für die KI-Vorbereitung bezeichnet den systematischen Prozess, mit dem Unternehmen ihre Datenbasis auf Korrektheit, Vollständigkeit, Konsistenz, Aktualität, Eindeutigkeit und Relevanz prüfen – bevor künstliche Intelligenz auf diese Daten angesetzt wird. Ohne diese Grundlage liefern KI-Modelle unzuverlässige Ergebnisse.

---

Datenqualität für KI-Vorbereitung: Warum Ihr Unternehmen hier ansetzen muss

Datenqualität in KI-Projekten lässt sich sicherstellen, indem Unternehmen vor der Implementierung eine strukturierte Dateninventur durchführen, die sieben zentralen Qualitätsdimensionen bewerten und einen klaren Governance-Rahmen etablieren. Ohne diese Grundlage produzieren selbst leistungsfähige Modelle der künstlichen Intelligenz fehlerhafte Ergebnisse – weil das Prinzip „Garbage In, Garbage Out“ unerbittlich gilt.

Der Erfolg eines KI-Projekts hängt nicht primär vom gewählten Modell ab. Er hängt davon ab, ob die Daten, auf denen das Modell basiert, gut genug sind. Wer diesen Schritt überspringt, riskiert nicht nur schlechte Ergebnisse – sondern verschwendet Budget, Zeit und Vertrauen in die Technologie.

In Gesprächen mit Digitalisierungsverantwortlichen hören wir immer wieder denselben Satz: „Unsere Datenqualitäten sind noch zu niedrig, um KI wirklich anzuwenden.“ Das ist kein Einzelproblem – das ist der häufigste Grund, warum KI-Initiativen im Mittelstand ins Stocken geraten. Neu ist dabei nicht das Problem selbst, sondern die Dringlichkeit: Wer jetzt nicht in die Qualität seiner Datenbasis investiert, verliert gegenüber Wettbewerbern, die es tun.

Jetzt Erstgespräch vereinbaren

Die 7 Datenqualitätsdimensionen im KI-Kontext

Verschiedene Frameworks nennen 6 bis 7 Dimensionen der Datenqualität. Für den Einsatz künstlicher Intelligenz sind die folgenden sieben besonders relevant – weil KI-Modelle Fehler in diesen Dimensionen nicht korrigieren, sondern verstärken:

1. Korrektheit – Entsprechen die Daten der Realität? Falsche Stammdaten führen zu falschen Vorhersagen. Ein Machine-Learning-Modell, das auf fehlerhaften Produktpreisen trainiert wird, empfiehlt falsche Preisstrategien.

2. Vollständigkeit – Sind alle relevanten Informationen vorhanden? Fehlende Felder in Kundendatensätzen bedeuten, dass das KI-System Entscheidungen auf unvollständiger Grundlage trifft.

3. Konsistenz – Stimmen Daten aus verschiedenen Quellen überein? Wenn CRM und ERP denselben Kunden unterschiedlich benennen, entstehen Dubletten und widersprüchliche Analyseergebnisse.

4. Aktualität – Sind die Daten noch zeitgemäß? Veraltete Informationen in einem Firmen-GPT führen dazu, dass Mitarbeitende auf Basis überholter Richtlinien oder Produktversionen arbeiten.

5. Eindeutigkeit – Gibt es klare, eindeutige Identifikatoren? Ohne eindeutige Schlüssel entstehen Dubletten, die KI-Modelle verwirren und die Qualität der Ergebnisse senken.

6. Relevanz – Sind die Daten für den jeweiligen KI-Anwendungsfall geeignet? Nicht jede vorhandene Information ist für ein KI-Modell nützlich – irrelevante Daten erhöhen Rauschen und Trainingsaufwand.

7. Zugänglichkeit – Können die Daten technisch und rechtlich genutzt werden? Daten, die in Silos liegen, nicht exportierbar sind oder datenschutzrechtliche Fragen aufwerfen, sind für den KI-Einsatz faktisch wertlos – unabhängig von ihrer inhaltlichen Qualität.

Typische Datenqualitätsprobleme im Mittelstand

Datenqualitätsprobleme sind in mittelständischen Unternehmen keine Ausnahme – sie sind die Regel. Die häufigsten Probleme, die wir in Projekten beobachten:

Datensilos – Vertrieb, Produktion, Einkauf und HR pflegen eigene Systeme, die nicht miteinander kommunizieren. Informationen aus verschiedenen Abteilungen lassen sich nicht zusammenführen, ohne manuelle Aufwände.

Dubletten – Derselbe Kunde erscheint dreifach im CRM, weil unterschiedliche Mitarbeitende ihn zu verschiedenen Zeitpunkten angelegt haben. Machine Learning kann diese Inkonsistenz nicht eigenständig auflösen.

Fehlende Labels – Für überwachtes Lernen brauchen KI-Modelle gelabelte Trainingsdaten. In vielen Unternehmen existieren Rohdaten, aber keine strukturierten Kategorisierungen – die Grundlage für Training fehlt.

Inkonsistente Schreibweisen – „GmbH“, „Gesellschaft mbH“, „GmbH.“ – drei Schreibweisen für dasselbe Unternehmensformat. Für Menschen trivial, für KI-Systeme ein ernstes Konsistenzproblem.

Veraltete Stammdaten – Produktkataloge, die seit Jahren nicht bereinigt wurden. Kundenadressen, die niemand aktualisiert hat. Preislisten mit historischen Einträgen ohne Gültigkeitsdatum.

Fehlende Datenschutz-Dokumentation – Personenbezogene Daten ohne klare Rechtsgrundlage oder Löschfristen. Für den KI-Einsatz ist das nicht nur ein Compliance-Problem – es blockiert den gesamten Trainingsprozess.

Das Ergebnis: Unternehmen investieren in KI-Technologie und stellen fest, dass ihre Daten den neuen Anforderungen nicht gewachsen sind. Die Nutzung der KI wird verschoben – oder scheitert ganz.

Warum schlechte Datenqualität KI-Projekte zum Scheitern bringt

Das Prinzip „Garbage In, Garbage Out“ ist keine Metapher – es ist eine technische Realität. Konkrete Fehlerszenarien aus der Praxis:

Szenario 1: Fehlgeleitete Prognosen – Ein Unternehmen trainiert ein Nachfrageprognose-Modell auf historischen Verkaufsdaten. Die Daten enthalten jedoch Sondereffekte (Pandemie, Lieferengpässe), die nicht als solche markiert sind. Das Modell lernt falsche Muster und prognostiziert systematisch zu hoch oder zu niedrig.

Szenario 2: Halluzinierende Firmen-GPTs – Ein Firmen-GPT wird auf interne Dokumente trainiert, die veraltet, widersprüchlich oder unvollständig sind. Das System gibt Mitarbeitenden selbstsicher falsche Antworten – weil es keine Möglichkeit hat, zwischen aktuellen und veralteten Informationen zu unterscheiden.

Szenario 3: Diskriminierendes Machine Learning – Ein Recruiting-Tool wird auf historischen Einstellungsdaten trainiert, die strukturelle Benachteiligungen widerspiegeln. Das Modell reproduziert diese Muster – mit rechtlichen und reputationsbezogenen Konsequenzen.

Szenario 4: Compliance-Verstoß – Ein KI-System verarbeitet personenbezogene Daten, für die keine ausreichende Rechtsgrundlage dokumentiert ist. Das Projekt muss gestoppt werden – nach monatelanger Vorbereitung.

Der gemeinsame Nenner: In keinem dieser Szenarien ist das KI-Modell das Problem. Das Problem sind die Daten, auf denen es basiert.

Datenqualität als Voraussetzung für RAG-Systeme und Firmen-GPTs

Generative KI-Anwendungen wie Firmen-GPTs oder RAG-Systeme (Retrieval-Augmented Generation) stellen besonders hohe Anforderungen an die Datenqualität – und zwar aus einem spezifischen Grund: Sie antworten auf Basis der Dokumente, die Sie ihnen zur Verfügung stellen. Die Qualität Ihrer Trainingsdaten bestimmt direkt die Qualität der Antworten.

Bevor ein Firmen-GPT produktiv eingesetzt werden kann, müssen folgende Voraussetzungen erfüllt sein:

• Aktuelle Dokumente: Veraltete Handbücher, überholte Richtlinien oder abgelaufene Produktbeschreibungen dürfen nicht in die Wissensbasis einfließen. Das System kann nicht eigenständig zwischen aktuell und veraltet unterscheiden.
• Konsistente Formatierung: Dokumente in unterschiedlichen Formaten, Strukturen und Qualitätsstufen erschweren die Indexierung und verschlechtern die Retrievalqualität.
• Klare Zugriffsrechte: Welche Mitarbeitenden dürfen auf welche Informationen zugreifen? RAG-Systeme müssen diese Berechtigungsstruktur technisch abbilden – sonst entstehen Datenschutzprobleme.
• Bereinigte Stammdaten: Produktinformationen, Kundendaten und interne Richtlinien müssen vor der Integration auf Dubletten, Widersprüche und Vollständigkeit geprüft werden.
• Dokumentierte Datenherkunft: Für den EU AI Act und interne Governance-Anforderungen muss nachvollziehbar sein, welche Quellen in das System eingeflossen sind. Metadaten zur Herkunft, zum Erstellungsdatum und zur Versionierung sind dabei keine Kür – sie sind Pflicht.

Ein Firmen-GPT, der auf unbereinigten Daten basiert, ist kein Produktivitätswerkzeug – er ist ein Risikofaktor. Die Datenbereinigung ist deshalb keine optionale Vorstufe, sondern integraler Bestandteil jedes Implementierungsprojekts.

Datenqualität für BI vs. generative KI: Ein entscheidender Unterschied

Datenqualitätsprobleme äußern sich bei klassischer Business Intelligence und bei generativer künstlicher Intelligenz grundlegend unterschiedlich:

Bei BI und Analytics sind Fehler sichtbar: Ein falscher Wert im Dashboard fällt auf. Die Zahl stimmt nicht, der Bericht ist offensichtlich fehlerhaft. Qualitätsprobleme lassen sich direkt zuordnen und korrigieren.

Bei generativer KI und LLM-Anwendungen entstehen stattdessen Halluzinationen: Das System gibt plausibel klingende, aber inhaltlich falsche Antworten. Diese Fehler sind schwerer zu erkennen – weil sie nicht wie Fehler aussehen. Ein Firmen-GPT, der eine veraltete Richtlinie selbstsicher zitiert, wirkt kompetent. Er ist es nicht.

Zusätzlich verarbeiten Large Language Models unstrukturierte Texte – Dokumente, E-Mails, Handbücher. Das stellt neue Anforderungen an Strukturierung, Aktualität und Konsistenz der Quelldokumente, die bei klassischen Datenbankabfragen keine Rolle spielen.

Für Unternehmen bedeutet das: Die Datenqualitätsstandards, die für BI ausreichend waren, reichen für generative KI-Anwendungen nicht aus. Eine neue Bewertung der Datenbasis ist erforderlich.

Schritt-für-Schritt-Checkliste: Datenqualität vor der KI-Einführung prüfen

Diese Checkliste gibt Ihnen einen strukturierten Einstieg in die Bewertung Ihrer Datenbasis. Sie ersetzt keine technische Analyse, zeigt aber, wo Sie ansetzen müssen:

Schritt 1: Dateninventur
– Welche Datenquellen existieren im Unternehmen? (CRM, ERP, DMS, Tabellenkalkulationen, E-Mails)
– Welche Daten sind strukturiert, welche unstrukturiert?
– Wer ist für welche Datensätze verantwortlich?

Schritt 2: Vollständigkeit prüfen
– Welche Pflichtfelder sind in wie vielen Datensätzen leer?
– Gibt es systematische Lücken in bestimmten Zeiträumen oder Abteilungen?
– Sind alle für den KI-Anwendungsfall relevanten Informationen vorhanden?

Schritt 3: Konsistenz prüfen
– Stimmen Daten aus verschiedenen Systemen überein?
– Gibt es Dubletten? Wie viele?
– Werden Kategorien und Bezeichnungen einheitlich verwendet?

Schritt 4: Aktualität prüfen
– Wann wurden die Daten zuletzt aktualisiert?
– Gibt es Prozesse zur regelmäßigen Datenpflege?
– Welche Dokumente in der geplanten Wissensbasis sind älter als 12 Monate?

Schritt 5: Relevanz prüfen
– Welche Daten sind für den konkreten KI-Anwendungsfall tatsächlich notwendig?
– Welche Daten erzeugen Rauschen und sollten ausgeschlossen werden?
– Sind die Daten repräsentativ für die Situationen, die das KI-System abdecken soll?

Schritt 6: Datenschutz und Zugänglichkeit prüfen
– Welche Datensätze enthalten personenbezogene Informationen?
– Liegt für diese Daten eine dokumentierte Rechtsgrundlage vor?
– Können die Daten technisch für den KI-Einsatz exportiert und verarbeitet werden?

Selbsttest: Ist Ihr Unternehmen datentechnisch KI-bereit?

Beantworten Sie diese acht Fragen ehrlich. Jedes „Nein“ ist ein konkreter Handlungsbedarf:

1. Wissen Sie, welche Datenquellen in Ihrem Unternehmen existieren und wer für sie verantwortlich ist?
2. Haben Sie einen Überblick über die Vollständigkeit Ihrer wichtigsten Datensätze?
3. Sind Ihre Daten aus verschiedenen Systemen konsistent und frei von systematischen Dubletten?
4. Werden Ihre Stammdaten regelmäßig aktualisiert und auf Aktualität geprüft?
5. Haben Sie eine dokumentierte Rechtsgrundlage für die personenbezogenen Daten, die Sie für KI nutzen möchten?
6. Gibt es in Ihrem Unternehmen benannte Verantwortliche für Datenqualität (Data Owner, Data Steward)?
7. Sind Ihre internen Dokumente so strukturiert und aktuell, dass sie als Grundlage für ein RAG-System oder einen Firmen-GPT geeignet wären?
8. Haben Sie die Anforderungen des EU AI Act Art. 10 für Ihren geplanten KI-Anwendungsfall geprüft?

Wenn Sie mehr als drei Fragen mit „Nein“ beantwortet haben, ist eine strukturierte Datenqualitätsbewertung vor Ihrem KI-Projekt sinnvoll. Der Erfolg Ihrer KI-Initiative hängt davon ab.

Technische Analyse anfragen

Governance-Rahmen: Wer im Unternehmen ist für Datenqualität verantwortlich?

Datenqualität ist keine IT-Aufgabe. Sie ist eine Organisationsaufgabe. Ohne klare Rollenzuweisung bleibt Datenqualität ein Thema, für das sich niemand zuständig fühlt – und das sich entsprechend entwickelt.

Ein funktionierender Data-Governance-Rahmen verteilt Verantwortung auf vier Ebenen:

Data Owner (Führungsebene oder Fachbereich) – Trägt die inhaltliche Gesamtverantwortung für einen Datensatz oder eine Datenkategorie. Entscheidet über Qualitätsstandards, Nutzungsrechte und Priorisierung. Ohne einen benannten Data Owner gibt es keine Verbindlichkeit.

Data Steward (operativer Betrieb) – Pflegt die Daten im Tagesgeschäft, meldet Abweichungen und setzt Qualitätsstandards operativ um. Der Data Steward ist die Brücke zwischen fachlicher Anforderung und technischer Umsetzung. Metadaten – also Informationen über Herkunft, Erstellungsdatum und Versionierung von Datensätzen – fallen in seinen Verantwortungsbereich.

IT und Dateninfrastruktur – Verantwortet die technische Seite: Datenpipelines, Systemintegration, Zugriffsrechte, Datensicherheit und die Infrastruktur für automatisierte Qualitätsprüfungen.

Fachbereich – Liefert die inhaltliche Expertise. Nur der Fachbereich kann beurteilen, ob ein Datensatz inhaltlich korrekt und für den jeweiligen KI-Anwendungsfall relevant ist.

Data Governance bedeutet nicht, eine neue Abteilung zu gründen. Es bedeutet, bestehende Verantwortlichkeiten klar zu benennen, Prozesse zu dokumentieren und Qualitätsstandards verbindlich zu machen. Dieser Rahmen ist die Voraussetzung dafür, dass Datenqualität nicht nur einmalig hergestellt, sondern dauerhaft gesichert wird.

Ein oft unterschätzter Faktor dabei: Datenkompetenz der Mitarbeitenden. Eine nachhaltige Datenkultur entsteht nicht durch Tools allein – sie entsteht, wenn Mitarbeitende verstehen, warum Datenqualität für den Erfolg des Unternehmens entscheidend ist. Data Literacy ist deshalb kein Nice-to-have, sondern Bestandteil eines ernsthaften Governance-Ansatzes.

EU AI Act Art. 10: Was Unternehmen zur Datenqualität umsetzen müssen

Artikel 10 des EU AI Act verpflichtet Anbieter und Betreiber von Hochrisiko-KI-Systemen zu konkreten Anforderungen an Trainingsdaten. Die wichtigsten Punkte:

• Relevanz und Repräsentativität: Trainingsdaten müssen für den Anwendungsfall geeignet und repräsentativ sein. Verzerrte oder einseitige Datensätze sind nicht zulässig.
• Fehlerfreiheit und Vollständigkeit: Die Daten müssen so vollständig und korrekt wie möglich sein. Bekannte Fehlerquellen müssen dokumentiert und adressiert werden.
• Dokumentation der Datenherkunft: Woher kommen die Daten? Welche Vorverarbeitungsschritte wurden durchgeführt? Diese Informationen müssen nachvollziehbar dokumentiert sein.
• Prüfung auf Datenbias: Systematische Verzerrungen in den Trainingsdaten müssen identifiziert und – soweit möglich – korrigiert werden.
• Datenschutz: Personenbezogene Daten müssen anonymisiert oder pseudonymisiert werden, bevor sie in KI-Systeme einfließen. Die Anforderungen der DSGVO gelten unverändert.
• Laufende Qualitätssicherung: Datenqualität ist kein einmaliges Projekt – der EU AI Act fordert Prozesse zur kontinuierlichen Überwachung und Verbesserung.

Auch für Systeme unterhalb der Hochrisiko-Schwelle empfiehlt sich die Orientierung an diesen Standards. Sie schaffen nicht nur Compliance-Sicherheit, sondern verbessern unmittelbar die Ergebnisse Ihrer KI-Anwendungen.

SESTdigital begleitet Unternehmen bei der Umsetzung dieser Anforderungen – von der Dokumentation der Datenherkunft bis zur datenschutzkonformen Implementierung von Firmen-GPTs auf deutschen Servern oder On-Premise.

Roadmap: Von der Datenbestandsaufnahme zur KI-ready Dateninfrastruktur

Die Vorbereitung einer Dateninfrastruktur für den KI-Einsatz folgt typischerweise vier Phasen. Die Zeitangaben sind Richtwerte aus unserer Projekterfahrung – die tatsächliche Dauer hängt stark von der Ausgangssituation ab:

Phase 1: Dateninventur (2–4 Wochen)
Systematische Erfassung aller Datenquellen, Datenformate und Datenverantwortlichen. Ziel: Ein vollständiges Bild der vorhandenen Datenbasis – ohne Bewertung, nur Bestandsaufnahme.

Phase 2: Qualitätsbewertung (2–6 Wochen)
Bewertung der Datenbasis anhand der sieben Qualitätsdimensionen. Identifikation der kritischsten Qualitätsprobleme für den geplanten KI-Anwendungsfall. Priorisierung der Maßnahmen.

Phase 3: Datenbereinigung und -aufbereitung (4–12 Wochen)
Behebung der identifizierten Qualitätsprobleme: Dubletten zusammenführen, fehlende Werte ergänzen oder dokumentieren, Inkonsistenzen auflösen, Datenschutz-Anforderungen umsetzen. Typischerweise beobachten wir in Projekten, dass dieser Schritt den größten Zeitanteil beansprucht – besonders bei gewachsenen, heterogenen IT-Strukturen.

Phase 4: Governance und Verstetigung (laufend)
Etablierung von Prozessen, Rollen und Standards, die sicherstellen, dass die erreichte Datenqualität dauerhaft erhalten bleibt. Einführung automatisierter Qualitätsprüfungen, Schulung der Data Stewards, Integration in bestehende Workflows.

Unternehmen mit sauberen Stammdaten und klaren Systemlandschaften kommen deutlich schneller durch diesen Prozess. Als Richtwert gilt: Wer heute mit der Datenbereinigung beginnt, kann in drei bis sechs Monaten mit einem ersten KI-Piloten starten.

SESTdigital: Datenqualitätsberatung mit technischer Umsetzungskompetenz

Viele Beratungsangebote zur Datenqualität enden mit einem Bericht. Bei SESTdigital beginnt die Arbeit danach.

Wir kommen aus der Softwareentwicklung – nicht aus dem Training. Das bedeutet: Unsere Empfehlungen zur Datenqualität sind direkt mit der technischen Umsetzung verknüpft. Wer bei uns eine Technische Analyse beauftragt, bekommt keine abstrakten Handlungsempfehlungen – sondern eine Bewertung, die direkt in die Implementierung eines Firmen-GPTs, eines RAG-Systems oder einer KI-Plattform übergeht. Die Qualität Ihrer Daten ist dabei nicht Endpunkt, sondern Startpunkt.

Zwei konkrete Einstiegsformate:

Technische Analyse Light – Schlanker Einstieg für Unternehmen, die Orientierung brauchen. Bewertung der Datenbasis für einen definierten KI-Anwendungsfall, Identifikation der kritischsten Qualitätsprobleme, konkrete nächste Schritte.

Technische Analyse Normal – Tiefergehende Bewertung der gesamten Dateninfrastruktur inklusive Governance-Check und EU AI Act Compliance-Bewertung. Geeignet für Unternehmen, die ein umfassendes KI-Projekt planen.

Darüber hinaus adressieren wir beide Seiten des Datenqualitätsproblems: die technische und die menschliche. Schlechte Datenqualität entsteht auch durch mangelnde Datenkompetenz der Mitarbeitenden – durch fehlende Konventionen, uneinheitliche Dateneingabe und fehlende Sensibilität für Datenqualität als Erfolgsfaktor. Unser KI-Führerschein und das Botschafter-Programm bauen genau diese Kompetenz auf und fördern eine nachhaltige Datenkultur im Unternehmen.

10.000+ Menschen haben wir im sicheren und produktiven KI-Umgang geschult. 25+ KI-Projekte haben wir technisch umgesetzt. Dieses Praxiswissen fließt in jede Datenqualitätsbewertung ein.

Jetzt Erstgespräch vereinbaren