Die These in einem Satz: das Modell ist der einfache Teil. Ob dein KI-Projekt in Produktion geht oder in einer Demo hängen bleibt, entscheidet nicht, welches Modell du wählst, sondern der Zustand deiner Daten am Tag, an dem du sie anschließt. Unordentliche Daten —verstreut, halb ausgefüllt, ohne Eigentümer— sind die echte Bremse, und auch der Teil, über den im Verkaufsgespräch niemand spricht, weil er in einer Demo nicht gut aussieht. Darum geht es hier, mit Quellen und ohne Rauch.
Datenqualität für KI in deinem Unternehmen ist 80% der Arbeit (und fast niemand sagt es dir)
Es ist keine Verkäufermeinung: es ist, was die Leute wiederholen, die wirklich KI bauen. Andrew Ng, einer der Namen, die das angewandte Machine Learning begründet haben, sagte es klar: «wenn 80 Prozent unserer Arbeit Datenaufbereitung ist, dann ist die Sicherung der Datenqualität die kritischste Aufgabe eines Machine-Learning-Teams». Und es ist kein Einzelfall: laut dem Institute for Business Value von IBM verbringen Data Scientists zwischen 60% und 80% der Projektzeit mit der Aufbereitung der Daten —sie zu beschaffen, zu bereinigen, zu labeln, zu ordnen— und nicht mit der Wahl oder dem Training des Modells. Das Modell bekommt die Schlagzeile; die Daten bekommen die Stunden.
Die praktische Folge ist unbequem: wenn ein KI-Projekt scheitert, liegt es fast nie daran, dass das Modell schwach war. Es liegt daran, dass die Daten, die du ihm gabst, halb ausgefüllt hereinkamen, sich zwischen Systemen widersprachen oder niemand auch nur wusste, wo sie lebten. Der Algorithmus tat seine Arbeit mit Müll und lieferte Müll mit großer Zuversicht.
Was «unordentliche Daten» in der Praxis heißt
Es ist kein abstraktes «Governance»-Problem. Es ist eine Liste konkreter Dinge, die fast jedes Unternehmen wiedererkennt, sobald es sie liest:
- Du weißt nicht, welche Daten du hast. Sie sind verteilt zwischen dem CRM, drei Tabellen, dem Postfach von jemandem und einem geteilten Ordner, den seit 2021 niemand aufgeräumt hat.
- Dieselben Daten widersprechen sich. Der Kunde erscheint unter einem Namen in der Fakturierung, einem anderen im CRM und einem dritten im Support-Tool. Für einen Menschen ist es «offensichtlich derselbe»; für ein Modell sind es drei getrennte Entitäten.
- Sie kommen halb ausgefüllt herein. Leere Felder, nicht ausgefüllte Kategorien, Daten in fünf Formaten. Jede Automatisierung, die du darauf baust, erbt diese Lücken.
- Niemand fasst sie mit Urteil an. Es gibt keinen Daten-Eigentümer: wer sie einträgt, trägt sie ein, wie er kann, und niemand entscheidet, was die Quelle der Wahrheit ist, wenn zwei Systeme sich widersprechen.
Jeder dieser Punkte ist ein Riss, durch den ein KI-Projekt fällt. Und keiner wird mit einem besseren Modell behoben: sie werden behoben, indem man die Daten ordnet, bevor man die Maschine um irgendetwas bittet.
Warum das Modell der einfache Teil ist
Gute Modelle sind heute eine Commodity: die besten sind einen API-Aufruf entfernt und verbessern sich alle paar Monate von selbst, ohne dass du etwas tust. Knapp —und was wirklich ein funktionierendes Projekt von einem nicht funktionierenden trennt— ist, die Daten sauber, kartiert und mit Eigentümer zu haben, um sie zu füttern. Deshalb ähnelt die echte Arbeit eines KI-Projekts eher Klempnerei als Wissenschaft: zu wissen, woher jeder Datenpunkt kommt, wie er sich verbindet, wo er schmutzig wird und wer ihn repariert.
Das hat eine optimistische Lesart. Wäre der Engpass das Modell, wärst du einem Anbieter ausgeliefert. Da der Engpass deine Daten sind, liegt die Lösung in deiner Hand —und sie summiert sich—: jedes Mal, wenn du eine Quelle ordnest, wird jedes Projekt danach billiger und zuverlässiger. Geordnete Daten sind Infrastruktur, und Infrastruktur zahlt man einmal und sie rentiert sich vielfach.
Was tun, bevor du ein Modell wählst
Die richtige Reihenfolge kehrt um, was fast alle tun. Daten zuerst, Modell danach. Konkret, bevor du irgendetwas einschaltest:
| Schritt | Was er löst |
|---|---|
| Kartieren, welche Daten du hast und wo sie leben | Keine «Daten irgendwo» mehr: du weißt, was existiert, in welchem System und in welchem Zustand |
| Die Quelle der Wahrheit festlegen | Widersprechen sich zwei Systeme, gibt es eine Regel, keinen Streit |
| Entitäten bereinigen und vereinheitlichen | Derselbe Kunde ist ein Kunde, nicht drei; die KI zählt nicht mehr falsch |
| Den Daten Eigentümer und Prozess geben | Daten kommen an der Quelle sauber herein und werden nächsten Monat nicht wieder schmutzig |
Diese Arbeit ist der langweilige Teil —die Data Governance— und genau der, der das Ergebnis entscheidet. Willst du es richtig aufsetzen, behandeln wir es als das, was es ist, Infrastruktur, im Data-Governance-Service: wissen, welche Daten du hast, wo sie leben und wer sie anfasst, und lassen es bereit, damit echte KI darauf läuft, mit der KI-Infrastruktur fürs Unternehmen. Erst wenn die Daten in Ordnung sind, ergibt es Sinn, das Geschäft mit KI zu automatisieren oder einen Agenten zu trainieren: tust du es vorher, automatisierst du das Chaos.
Wenn du ein KI-Projekt ins Auge fasst und dich noch niemand nach dem Zustand deiner Daten gefragt hat, ist das der Alarm. Ordne die Daten zuerst —oder lass sie ordnen— und wähle dann ein Modell. KI präsentiert man nicht in einer Demo mit Fake-Daten. Man baut sie auf den echten Daten, und das sind die 80%, von denen dir niemand erzählt.