Datenqualität und KI: Warum Ihre Datenbasis entscheidet
Was ist Datenqualität? Eine zitierfähige Definition
Datenqualität bezeichnet das Ausmaß, in dem Daten die Eigenschaften aufweisen, die ein KI-System benötigt, um zuverlässige, korrekte und nutzbare Ergebnisse zu liefern. Die fünf Kerndimensionen von Datenqualität KI sind Korrektheit (Genauigkeit), Vollständigkeit, Konsistenz, Aktualität und Relevanz. Fehlt eine dieser Dimensionen, verschlechtert sich die Qualität der KI-Outputs proportional – unabhängig davon, wie leistungsfähig das eingesetzte Modell ist.
Das Prinzip dahinter ist so alt wie die Informatik selbst: Garbage In, Garbage Out. Was neu ist: Mit Generativer KI und Large Language Models werden die Konsequenzen schlechter Qualität von Daten sichtbarer, schneller und kostspieliger als je zuvor. Die Qualität von Daten entscheidet damit direkt über den Geschäftswert jeder KI-Initiative.
Warum KI-Projekte scheitern: Das Muster hinter dem Pilot-Friedhof
Wer mit Unternehmen über ihre KI-Erfahrungen spricht, hört oft dieselbe Geschichte. Ein Pilot wurde aufgesetzt – meist ein Chatbot oder Wissensassistent. Die Demo mit ausgewählten Dokumenten war überzeugend. Dann kam der Rollout. Im Alltag lieferte das System Antworten, die mal richtig, mal veraltet, mal frei erfunden waren. Nach ein paar Monaten nutzte es niemand mehr.
Das ist kein Einzelfall. Es ist das Muster hinter dem sogenannten Pilot-Friedhof: KI-Pilotprojekte, die nie über den Proof-of-Concept hinausgekommen sind.
Die Ursache liegt selten in der Technologie. Sie liegt in der Datenbasis.
Ein Large Language Model bringt beeindruckende Sprachfähigkeiten mit. Es weiß aber nichts über Ihr Unternehmen: nicht, welche Ihrer drei Versionen der Reiserichtlinie gilt, nicht, dass der Lieferant aus dem ERP und der aus dem CRM derselbe sind, und nicht, dass die Wartungsanleitung im SharePoint seit Jahren nicht mehr aktualisiert wurde. Das System bekommt, was Sie ihm geben – und produziert daraus die plausibelste Antwort. Nicht die richtige.
Genau das ist der Unterschied zwischen generischer und unternehmensspezifischer Künstlicher Intelligenz. Ob Firmen-GPT, RAG-System oder autonomer Agent: Der Wert entsteht erst, wenn das Modell auf verlässliche Unternehmensdaten zugreift.
Die 5 häufigsten Ursachen für schlechte Datenqualität in KI-Projekten
Aus der Arbeit mit 25+ implementierten KI-Projekten und 150+ begleiteten Unternehmen ergibt sich ein klares Bild. Diese fünf Ursachen tauchen immer wieder auf:
1. Datensilos
Informationen liegen in ERP, CRM, SharePoint, E-Mail-Postfächern und lokalen Laufwerken – ohne Verbindung zueinander. Kein strukturierter Zugriff auf die eigenen Daten ist möglich, und die Informationen daraus werden nicht zielgerichtet genutzt. Ein KI-System, das nur einen Silo sieht, liefert Teilantworten.
2. Fehlende Aktualität und Versionierung
Dokumente werden aktualisiert, ohne dass alte Versionen archiviert oder gekennzeichnet werden. Das Modell greift auf veraltete Inhalte zu – und gibt sie als aktuelle Wahrheit aus. Halluzination ist oft keine Modell-Schwäche, sondern ein Datenproblem.
3. Fehlende Metadaten und Kontext
Ein Dokument ohne Datum, Abteilung, Gültigkeitsbereich oder Autor ist für ein KI-System schwer einzuordnen. Kontextqualität ist mindestens so wichtig wie die Rohdaten selbst. Saubere Daten ohne Kontext sind für ein System wie ein Buch ohne Inhaltsverzeichnis.
4. Ungeklärte Zugriffsrechte
Wenn unklar ist, welche Daten das KI-System lesen darf, entstehen zwei Probleme: Entweder werden sensible Informationen ungewollt zugänglich gemacht, oder das System bekommt zu wenig Datenbasis und liefert entsprechend schlechte Ergebnisse. Datenschutz und Datenqualität sind hier untrennbar verbunden.
5. Fehlende Dateneigentümerschaft
Das ist die häufigste und folgenreichste Ursache. Wenn niemand verantwortlich ist für die Qualität der Daten, werden Fehler nicht bemerkt, nicht korrigiert und nicht verhindert. Datenqualitätsmanagement (DQM) beginnt mit der Frage: Wer ist Data Owner?
Typische Fehler in Unternehmensdaten – und wie sie KI-Outputs verschlechtern
Dubletten, Inkonsistenzen und fehlende Felder sind keine abstrakten Datenbankprobleme. Sie haben direkte Auswirkungen auf das, was ein KI-System ausgibt.
Dubletten: Derselbe Kunde erscheint dreimal im CRM – mit leicht unterschiedlichen Adressen. Ein KI-Agent, der Kundendaten zusammenführt, weiß nicht, welcher Eintrag korrekt ist. Er wählt den plausibelsten – und liegt möglicherweise falsch.
Inkonsistenzen: Produktbezeichnungen variieren je nach System. Was im ERP „Schraube M8x20 verzinkt“ heißt, heißt im Lager „M8 Schraube 20mm“. Machine Learning-Modelle, die auf diesen Daten trainiert werden, lernen eine inkonsistente Realität – und reproduzieren sie.
Fehlende Felder: Rechnungen ohne Kostenstelle, Wartungsberichte ohne Datum, Kundendatensätze ohne Branche. Jedes fehlende Feld ist eine Lücke, die das System mit einer Annahme füllt. Manchmal liegt es richtig. Oft nicht.
Die Konsequenz: Algorithmic Bias entsteht nicht nur durch diskriminierende Trainingsdaten, sondern auch durch strukturell unvollständige oder einseitige Datenbasis. Ein Modell, das auf Daten aus nur einer Abteilung oder einem Zeitraum trainiert wird, entwickelt blinde Flecken.
Datenqualitätsdimensionen im Vergleich
| Dimension | Bedeutung | Wie prüfen? |
|---|---|---|
| Korrektheit / Genauigkeit | Entsprechen die Daten der Realität? | Stichprobenvalidierung, Abgleich mit Primärquellen |
| Vollständigkeit | Sind alle Pflichtfelder befüllt? | Null-Wert-Analyse, Datenprofilierung |
| Konsistenz | Stimmen Daten über Systeme hinweg überein? | Cross-System-Abgleich, Anomalieerkennung |
| Aktualität | Sind die Daten noch gültig und aktuell? | Zeitstempel-Analyse, Versionierungsprüfung |
| Relevanz | Sind die Daten für den KI-Use-Case geeignet? | Use-Case-Mapping, Daten-Observability |
Diese fünf Dimensionen bilden das Fundament jedes Datenqualitätsmanagement-Ansatzes – und sie sind messbar. Das BSI hat mit dem QUAIDAL-Leitfaden einen praxisnahen Rahmen für die Bewertung von KI-Datenqualität veröffentlicht, der genau diese Dimensionen operationalisiert.
Datenqualität als Grundlage für Firmen-GPT und RAG-Systeme
Retrieval-Augmented Generation (RAG) ist derzeit der meistgenutzte Ansatz, um interne Unternehmensdaten an ein Sprachmodell anzubinden. Das Prinzip: Das System sucht bei jeder Anfrage in einem Dokumentenspeicher nach relevanten Passagen und nutzt diese als Kontext für seine Antwort.
Das funktioniert – aber nur, wenn die Dokumente im Speicher verlässlich sind.
Wenn ein RAG-System auf veraltete Richtlinien, widersprüchliche Handbücher oder schlecht strukturierte PDFs zugreift, gibt es veraltete, widersprüchliche oder schlecht strukturierte Antworten. Das Modell selbst macht dabei keinen Fehler. Es macht das Beste aus dem, was es bekommt.
Dasselbe gilt für Firmen-GPT-Plattformen. Der Wert einer unternehmenseigenen KI-Lösung steht und fällt mit der Datenbasis, auf der sie operiert. Wer eine Firmen-GPT-Plattform auf deutschen Servern oder On-Premise betreiben will, muss zuerst klären: Welche Daten soll das System kennen – und in welcher Qualität liegen sie vor?
Datenqualität ist damit keine Vorbedingung, die man irgendwann erfüllen wird. Sie ist die Grundlage, ohne die jede KI-Investition ihr Potenzial verfehlt. Das bedeutet konkret: Wer heute in ein Firmen-GPT investiert, ohne die Qualität der zugrundeliegenden Daten zu prüfen, kauft ein leistungsfähiges Werkzeug für ein unvorbereitetes Material.
Schatten-KI und Datenqualität: Ein unterschätztes Governance-Problem
Ein Szenario, das in Unternehmen häufiger vorkommt als zugegeben: Mitarbeitende nutzen ihr privates ChatGPT, anonymisieren Daten notdürftig und präsentieren in der nächsten Sitzung Analysen auf Basis von Unternehmensinformationen – ohne dass jemand weiß, wohin die Daten geflossen sind.
Das ist kein Einzelfall. Es ist Alltag.
Unternehmensdaten – Kundenlisten, Finanzzahlen, Strategiepapiere – verlassen das Unternehmen, ohne dass jemand weiß, wohin sie fließen. Gleichzeitig entstehen Entscheidungen auf Basis von Daten, deren Qualität und Vollständigkeit niemand geprüft hat.
Dazu kommt das Schatten-IT-Problem: Jede Abteilung pflegt ihre eigene Wahrheit – in eigenen Tabellen, eigenen Tools, eigenen Strukturen. Das Ergebnis ist eine fragmentierte Datenbasis, die für KI-Systeme unbrauchbar ist.
Die Lösung ist keine Verbotspolitik. Sie ist Governance: klare KI-Richtlinien, die regeln, welche Tools erlaubt sind, welche Daten in KI-Systeme eingespeist werden dürfen und wie mit KI-generierten Ergebnissen umzugehen ist. Kombiniert mit einer unternehmenseigenen KI-Plattform, die Mitarbeitenden eine sichere Alternative bietet.
Data Governance und KI-Governance sind hier zwei Seiten derselben Medaille.
EU AI Act & Datenqualitätspflichten: Was Art. 10 konkret fordert
Der EU AI Act ist seit August 2026 in wesentlichen Teilen anwendbar (Quelle: Amtsblatt der EU, Verordnung 2024/1689). Artikel 10 regelt die Anforderungen an Trainingsdaten, Validierungsdaten und Testdaten für Hochrisiko-KI-Systeme.
Konkret heißt das:
- Trainingsdaten müssen relevant, repräsentativ, fehlerfrei und vollständig sein – soweit technisch möglich.
- Datendokumentation ist Pflicht: Woher kommen die Daten? Wie wurden sie aufbereitet? Welche Vorverarbeitungsschritte wurden durchgeführt?
- Bias-Erkennung ist vorgeschrieben: Unternehmen müssen prüfen, ob ihre Trainingsdaten systematische Verzerrungen (Algorithmic Bias) enthalten.
- Testdaten müssen unabhängig von den Trainingsdaten sein und die realen Einsatzbedingungen abbilden.
Für Unternehmen, die KI-Systeme in Hochrisikobereichen einsetzen – etwa in HR, Kreditvergabe oder kritischer Infrastruktur – ist Datenqualitätsmanagement damit keine freiwillige Best Practice, sondern gesetzliche Pflicht.
Auch für Unternehmen außerhalb des Hochrisikobereichs gilt: Wer heute saubere Datenprozesse aufbaut, ist morgen compliance-ready – ohne Nacharbeit.
Datenqualität vs. Kontextqualität: Warum saubere Rohdaten nicht reichen
Ein häufiges Missverständnis: Wenn die Daten bereinigt sind, ist die Arbeit getan.
Das stimmt nicht.
Datenbereinigung entfernt Fehler, Dubletten und Inkonsistenzen. Sie stellt sicher, dass die Rohdaten korrekt sind. Aber ein KI-System – insbesondere ein LLM oder ein RAG-System – braucht mehr als korrekte Rohdaten. Es braucht Kontextqualität.
Kontextqualität heißt: Die Daten sind so strukturiert, annotiert und erschlossen, dass das System sie richtig einordnen kann. Ein Dokument, das korrekt ist, aber kein Datum, keine Abteilung und keinen Gültigkeitsbereich hat, ist für ein RAG-System schwer zu priorisieren. Es konkurriert gleichwertig mit jedem anderen Dokument im Index.
Wissensarchitektur für KI heißt deshalb: nicht nur bereinigen, sondern strukturieren, kontextualisieren und erschließen. Das ist der Unterschied zwischen einer Datenbasis, die ein KI-System nutzen kann, und einer, die es verwirrt. Die Qualität der Daten allein ist damit nicht entscheidend – entscheidend ist die Qualität der Daten im Kontext des jeweiligen Use-Cases.
Datenqualität für KMU: Was sofort umsetzbar ist
Ein häufiger Einwand: „Wir haben intern weder das Know-how noch die Kapazitäten, um da etwas aufzustellen.“
Das ist verständlich. Und es ist kein Grund, nichts zu tun.
Datenqualität für KI muss nicht mit einem Data-Engineering-Team beginnen. Pragmatische Einstiegspunkte für Unternehmen ohne eigene Dateninfrastruktur:
Sofort umsetzbar:
– Bestandsaufnahme: Welche Datenquellen existieren? Wo liegen die wichtigsten Dokumente für den geplanten KI-Use-Case?
– Data Owner benennen: Wer ist für welche Daten verantwortlich?
– Zugriffsrechte klären: Welche Daten darf ein KI-System lesen?
Kurzfristig (4–8 Wochen):
– Datenprofilierung der relevanten Quellen: Vollständigkeit, Aktualität, Konsistenz messen
– Datenbereinigung der Kerndokumente für den ersten Use-Case
– Metadaten-Schema definieren: Datum, Autor, Abteilung, Gültigkeitsbereich
Mittelfristig:
– Datenpipeline aufbauen: Automatisierte Aktualisierung und Versionierung
– Daten-Observability einführen: Kontinuierliche Überwachung der Datenqualität
– Feedback-Schleifen etablieren: Mitarbeitende melden fehlerhafte KI-Outputs zurück
Der Schlüssel: Mit dem Use-Case beginnen, nicht mit der gesamten Datenlandschaft. Welche Daten braucht das KI-System für diesen einen Anwendungsfall? Diese Daten zuerst in Ordnung bringen.
Kosten schlechter Datenqualität: Was auf dem Spiel steht
Schlechte Datenqualität ist kein abstraktes Risiko. Sie hat konkrete Konsequenzen:
Fehlentscheidungen: Ein KI-System, das auf veralteten oder widersprüchlichen Daten operiert, liefert falsche Empfehlungen. Wenn Entscheidungen auf Basis dieser Empfehlungen getroffen werden – in Einkauf, Produktion, HR – entstehen reale Kosten.
Compliance-Verstöße: Wer Kundendaten mit unzureichender Datendokumentation in KI-Systeme einspeist, riskiert DSGVO-Verstöße. Wer Hochrisiko-KI ohne die von Art. 10 EU AI Act geforderte Datenqualität betreibt, riskiert Bußgelder.
KI-Projektabbrüche: Der teuerste Fehler ist ein KI-Pilotprojekt, das nach sechs Monaten eingestellt wird, weil das System im Alltag nicht funktioniert. Die Investition in Technologie und Implementierung ist verloren. Das Vertrauen der Mitarbeitenden in KI-Systeme ist beschädigt.
Die Investition in Data Readiness vor einem KI-Projekt ist in der Praxis günstiger als die Kosten eines gescheiterten Piloten.
Datenqualität für KI verbessern: Vorgehen in vier Schritten
Schritt 1: Bestandsaufnahme und Datenprofilierung
Verstehen, was vorhanden ist. Welche Datenquellen existieren? Wie vollständig, aktuell und konsistent sind sie? Datenprofilierung liefert ein quantitatives Bild der Ist-Situation – ohne Annahmen, nur auf Basis der tatsächlichen Daten.
Schritt 2: Priorisierung nach Use-Case
Nicht alle Daten müssen sofort bereinigt werden. Welcher KI-Use-Case hat die höchste Priorität? Welche Daten braucht er? Diese Daten zuerst in Ordnung bringen – das schafft schnell sichtbare Ergebnisse und Momentum.
Schritt 3: Datenbereinigung und Strukturierung
Dubletten entfernen, Inkonsistenzen auflösen, fehlende Felder ergänzen, Metadaten hinzufügen. Gleichzeitig: Kontextqualität herstellen – Dokumente mit Datum, Autor, Gültigkeitsbereich und Abteilung versehen.
Schritt 4: Governance und Feedback-Schleifen etablieren
Datenqualität ist kein einmaliges Projekt. Sie erfordert Datenqualitätsmanagement als kontinuierlichen Prozess: Data Owner, klare Verantwortlichkeiten, Anomalieerkennung und Feedback-Schleifen, über die Mitarbeitende fehlerhafte KI-Outputs melden können. Eine Datenstrategie, die diesen Prozess verankert, ist die Grundlage für nachhaltige KI-Kompetenz.
Datenqualität und KI-Schulung: Die AI-Literacy-Komponente
Ein Aspekt, der in der Debatte um Datenqualität oft übersehen wird: Mitarbeitende sind selbst ein Datenfaktor.
Jedes Mal, wenn jemand Unternehmensdaten in ein KI-System eingibt – ob in ein Firmen-GPT oder in ein externes Tool – beeinflusst er die Qualität der Ergebnisse. Wer nicht weiß, welche Daten er einspeisen darf, welche Informationen sensibel sind und wie er Prompts so formuliert, dass das System verlässliche Antworten liefert, ist ein Datenqualitätsrisiko.
AI Literacy – die Fähigkeit, KI-Systeme kompetent und verantwortungsvoll zu nutzen – ist deshalb eine Komponente von Datenqualitätsmanagement. Mitarbeitende müssen verstehen:
- Welche Daten dürfen in welche Systeme eingespeist werden?
- Wie erkenne ich, ob ein KI-Output verlässlich ist?
- Wie melde ich fehlerhafte Ergebnisse zurück?
Dieses Wissen ist keine Selbstverständlichkeit. Es muss vermittelt werden – strukturiert, praxisnah und auf allen Ebenen der Organisation.
Wie SESTdigital Unternehmen bei der Datenvorbereitung begleitet
SESTdigital kommt aus der KI-Softwareentwicklung. Das bedeutet: Unsere Datenqualitätsberatung basiert nicht auf theoretischen Frameworks, sondern auf der Erfahrung aus 25+ implementierten KI-Projekten und 150+ begleiteten Unternehmen.
Wir wissen, was passiert, wenn ein RAG-System auf unstrukturierten SharePoint-Daten aufsetzt. Wir wissen, welche Datenpipeline-Probleme Firmen-GPT-Projekte zum Scheitern bringen. Und wir wissen, wie man Data Readiness pragmatisch herstellt – auch ohne Data-Engineering-Team.
Unser Stufenmodell:
Technische Analyse Light: Schnelle Bestandsaufnahme der relevanten Datenquellen für einen definierten KI-Use-Case. Ergebnis: klares Bild der Ist-Situation und priorisierte Handlungsempfehlungen.
Technische Analyse Normal: Tiefgehende Analyse der gesamten Datenlandschaft, inklusive Datenprofilierung, Zugriffsrechte-Mapping und Architekturempfehlung. Grundlage für eine vollständige KI-Roadmap.
Datenstrategie und Roadmap: Entwicklung einer Datenstrategie, die Datensilos auflöst, Data Governance strukturiert und die Datenbasis für KI-Systeme nachhaltig aufbaut.
End-to-End-Begleitung: Von der Technischen Analyse über KI-Richtlinien bis zur fertigen Firmen-GPT-Plattform auf deutschen Servern oder On-Premise. SESTdigital deckt den gesamten Datenqualitäts-Lifecycle ab – aus einer Hand.
Ein Aspekt, der uns von reinen Beratungsunternehmen unterscheidet: Wir verbinden technische Datenqualitätssicherung mit Mitarbeiterschulung. Denn schlechte Dateneingabe durch Mitarbeitende ist ein unterschätztes Qualitätsrisiko – und AI Literacy ist die Antwort darauf.
Welche KI ist DSGVO-konform? Eine direkte Antwort
DSGVO-konforme KI-Systeme sind solche, die personenbezogene Daten ausschließlich auf Basis einer Rechtsgrundlage verarbeiten, die Daten nicht ohne Einwilligung für andere Zwecke nutzen und die Betroffenenrechte (Auskunft, Löschung, Widerspruch) technisch umsetzen. In der Praxis heißt das: KI-Systeme, die auf deutschen oder europäischen Servern betrieben werden, keine Daten an Drittanbieter außerhalb der EU weitergeben und über eine vollständige Datendokumentation verfügen, erfüllen die DSGVO-Grundanforderungen. Unternehmenseigene Firmen-GPT-Plattformen, die On-Premise oder in einer deutschen Cloud betrieben werden, sind der sicherste Weg – weil die Kontrolle über die Daten vollständig beim Unternehmen verbleibt und keine Trainingsdaten an externe Anbieter übermittelt werden.
Wie kann man Daten mit KI auswerten? Der direkte Überblick
Daten mit KI auswerten heißt: Ein KI-System analysiert strukturierte oder unstrukturierte Daten, erkennt Muster, beantwortet Fragen oder generiert Zusammenfassungen – ohne dass jede Analyse manuell programmiert werden muss. Der Ablauf in der Praxis: Daten aufbereiten und bereinigen, eine geeignete Lösung auswählen (z. B. LLM mit RAG für Dokumentenanalyse, Machine Learning für Mustererkennung in Tabellendaten), das System auf die Daten zugreifen lassen und die Ergebnisse validieren. Entscheidend ist, dass die Qualität der Daten vor der Auswertung sichergestellt wird – sonst sind die Ergebnisse der Auswertung so zuverlässig wie die Eingangsdaten.
Welche 4 Arten von KI gibt es? Eine zitierfähige Übersicht
Künstliche Intelligenz wird klassisch in vier Typen eingeteilt: (1) Reaktive Maschinen – reagieren auf Eingaben ohne Gedächtnis (z. B. Schach-KI); (2) KI mit begrenztem Gedächtnis – nutzt vergangene Daten für Entscheidungen (z. B. autonomes Fahren, Machine Learning-Modelle); (3) Theory of Mind – versteht Absichten und Emotionen (noch in der Forschung); (4) Selbstbewusste KI – besitzt Selbstwahrnehmung (theoretisches Konzept, nicht realisiert). Im Unternehmenskontext relevant sind vor allem Typ 2 – also Machine Learning und Generative KI wie LLMs –, da sie auf Basis von Trainingsdaten lernen und Entscheidungen treffen.
Checkliste: Ist Ihre Datenbasis KI-ready?
Verwenden Sie diese Checkliste vor jedem KI-Projekt als Data-Readiness-Check:
Datenbestand
– [ ] Alle relevanten Datenquellen für den Use-Case sind identifiziert
– [ ] Datenprofilierung wurde durchgeführt (Vollständigkeit, Aktualität, Konsistenz)
– [ ] Dubletten und Inkonsistenzen sind bekannt und priorisiert
Governance
– [ ] Data Owner für alle relevanten Datenquellen sind benannt
– [ ] Zugriffsrechte sind geklärt: Welche Daten darf das KI-System lesen?
– [ ] KI-Richtlinie regelt, welche Daten in externe KI-Tools eingespeist werden dürfen
Qualität
– [ ] Korrektheit: Stichprobenvalidierung durchgeführt
– [ ] Vollständigkeit: Pflichtfelder sind befüllt
– [ ] Konsistenz: Daten stimmen über Systeme hinweg überein
– [ ] Aktualität: Veraltete Dokumente sind gekennzeichnet oder archiviert
– [ ] Relevanz: Daten sind für den KI-Use-Case geeignet
Kontext
– [ ] Dokumente haben Metadaten (Datum, Autor, Abteilung, Gültigkeitsbereich)
– [ ] Versionierung ist geregelt
– [ ] Wissensarchitektur ist definiert
Compliance
– [ ] DSGVO-Konformität der eingesetzten Daten ist geprüft
– [ ] Anforderungen aus Art. 10 EU AI Act sind bekannt und adressiert (bei Hochrisiko-KI)
– [ ] Datendokumentation ist vorhanden
Mitarbeitende
– [ ] Mitarbeitende wissen, welche Daten sie in KI-Systeme einspeisen dürfen
– [ ] Feedback-Prozess für fehlerhafte KI-Outputs ist etabliert
– [ ] AI-Literacy-Schulung ist geplant oder abgeschlossen
