Die Verknüpfung eines KI-Modells mit fehlerhaften Daten verbessert nicht die Daten selbst, sondern lediglich die Darstellung ihrer Fehler. Das System liefert eine wohlformulierte, kohärente und selbstsichere Antwort, die auf unvollständigen oder widersprüchlichen Informationen basiert. Genau diese Selbstsicherheit macht das Problem jedoch gefährlicher als zuvor.
Wenn ein Bericht aus einer Tabellenkalkulation stammte, wurde er misstrauisch beäugt. Stammt er von einem KI-System, wird er in einer Besprechung diskutiert.
Fast keinem mittelständischen Unternehmen mangelt es an Daten. Was fast alle jedoch haben, ist, dass dieselben Informationen an mehreren Stellen mit unterschiedlichen Werten vorliegen: der Kunde im CRM und im ERP mit verschiedenen Adressen, die Marge, die je nach Abteilung auf zwei verschiedene Arten berechnet wird, der Status einer Bestellung, der davon abhängt, wen man fragt.
Ein Modell löst diesen Widerspruch nicht auf. Es wählt eine der Versionen aus – abhängig davon, wie die Anfrage formuliert ist und welches Dokument zuerst abgerufen wird – und antwortet, ohne zu erkennen, dass es noch eine weitere Version gab.
Die drei Symptome, die bei einer Diagnose immer auftreten:
Die Daten haben keinen Eigentümer. Niemand ist dafür verantwortlich, dass das Feld «aktiver Client» in allen Systemen die gleiche Bedeutung hat.
Es gibt keine einheitliche Definition. «Verkauf» kann Bestellung, Rechnung oder Zahlung bedeuten. Drei korrekte Zahlen und drei unterschiedliche Schlussfolgerungen.
Es gibt keine verlässlichen historischen Daten. Die Änderungen wurden überschrieben, daher ist es unmöglich, den Zustand vom März wiederherzustellen.
Wenn diese drei Punkte nicht berücksichtigt werden, wird jede darauf aufbauende Analyse- oder KI-Ebene das Problem erben und es noch verstärken.
Ebene | Welches Problem wird damit gelöst? | Ohne dies funktioniert der nächste Schritt nicht. |
|---|---|---|
1. Dateneigenschaft | Wer ist für die einzelnen Daten verantwortlich? | Niemand korrigiert irgendetwas. |
2. Gemeinsame Definition | Was bedeuten die einzelnen Kennzahlen? | Die Zahlen werden diskutiert, anstatt sie zu nutzen. |
3. Eine einzige Quelle der Wahrheit | Welches System regiert | Die Antworten hängen davon ab, wo man sucht. |
4. Geschichte und Rückverfolgbarkeit | Was war wahr und wann? | Es gibt keine Prüfung oder Zeitvergleichs |
5. Analytik und KI | Interpretation und Vorhersage | Es ist auf Sand gebaut |
Die gängige Versuchung besteht darin, mit Ebene 5 zu beginnen, da sie am sichtbarsten ist und sich am besten präsentieren lässt. Das Ergebnis ist ein ansprechend gestaltetes Panel, dessen Zahlen jedoch niemand für Entscheidungen nutzt, da jede Abteilung Gründe hat, ihnen zu misstrauen.
Die umgekehrte Reihenfolge ist weniger spektakulär und schafft bereits auf der ersten Ebene einen Mehrwert: Wenn jemand die Daten besitzt und deren Definition schriftlich festgehalten ist, verschwinden Diskussionen über Zahlen, selbst wenn kein Modell damit verbunden wurde.
Während die Daten in Berichte eingespeist wurden, wurde im Meeting ein Fehler festgestellt. Wenn sie in Systeme eingespeist werden, Sie führen Aktionen aus, Aus dem Fehler wird eine ausgeführte Aktion: eine Bestellung wird erstellt, ein Kunde wird kontaktiert, ein Betrag wird angewendet.
McKinsey stellte 2025 fest, dass der Faktor mit dem größten Einfluss auf das EBIT nicht das gewählte Modell ist, sondern die grundlegende Neugestaltung der Arbeitsabläufe – etwas, das nur 211 von 3 Anwendern umgesetzt hatten. Die Neugestaltung eines Arbeitsablaufs erfordert die Definition der zugrunde liegenden Daten, und genau hier setzt die Arbeit an, die fast niemand gerne übernimmt.
Es ist dieselbe Schlussfolgerung, aus einem anderen Blickwinkel betrachtet, die wir in KI wird ein schlecht konzipiertes Unternehmen nicht retten.
Der Ausdruck *KI-fähig* wird sehr ungenau verwendet. In der Praxis bedeutet er fünf überprüfbare Dinge:
Jedem kritischen Datenelement ist ein deklariertes Quellsystem zugeordnet. Die anderen konsultieren es, sie schreiben es nicht um.
Die Definitionen sind ausgeschrieben und leicht zugänglich. Ein kurzes Glossar, das erklärt, was ein Kunde, ein Verkauf und ein abgeschlossener, vom Unternehmen genehmigter Fall sind.
Die Daten haben eine Geschichte. Es wird nicht überschrieben, sondern versioniert. Dies ermöglicht die Rekonstruktion und Überprüfung.
Die Berechtigungen sind in den Daten, nicht in der Anwendung, hinterlegt. Wenn die Zugriffskontrolle auf dem Bildschirm stattfindet, wird sie von jedem System, das sie von unten abfragt, umgangen. Genau das tut ein Agent.
Es gibt eine Möglichkeit, Qualität zu messen. Prozentsatz unvollständiger Datensätze, erkannte Duplikate, Diskrepanzen zwischen Systemen. Ohne Kennzahlen gibt es keine Verbesserung. Ein KI-Projekt, das auf einer Grundlage basiert, die diese fünf Bedingungen erfüllt, hat eine radikal andere Erfolgswahrscheinlichkeit als eines, das dies nicht tut. Wir haben es entwickelt in Was bedeutet es, ein KI-fähiges Unternehmen zu sein?
Die übliche Reaktion auf diese Diagnose ist die Anregung eines unternehmensweiten Datengovernance-Projekts. Dieses dauert in der Regel achtzehn Monate, mündet in einem Dokument und ändert nichts am operativen Geschäft.
Der Ansatz, der funktioniert, ist der gegenteilige: Beginnen Sie mit den Daten, die den Prozess am besten stützen und am meisten erklären.. Bestelle das eine Teil, miss es und verwende es. Dann das nächste. Jede Iteration liefert ein brauchbares Ergebnis und finanziert das nächste.
Ein Datenprojekt, das innerhalb von weniger als drei Monaten keine Verbesserung einer konkreten Entscheidung bewirkt, wird wahrscheinlich keine Entscheidungen verbessern.
Bevor eine Investition in Analytik oder KI genehmigt wird, gibt es einen Test, der eine halbe Stunde dauert: fordert denselben Betrag von drei verschiedenen Abteilungen an..
Stimmen sie überein, ist die Grundlage besser als üblich und kann weiter ausgebaut werden. Stimmen sie nicht überein – und das tun sie meistens nicht –, wissen Sie bereits, was das erste Projekt ist, und es hat nichts mit künstlicher Intelligenz zu tun.
Nein. Ein Modell, das mit widersprüchlichen Daten arbeitet, wählt eine der verfügbaren Versionen aus und reagiert darauf, ohne die Existenz einer anderen Version zu berücksichtigen. Das Ergebnis ist ein Fehler, der besser dargestellt und daher schwerer zu erkennen ist als bei einem Fehler in einer Tabellenkalkulation.
Fünf überprüfbare Bedingungen: Jedes kritische Datenelement hat ein deklariertes Quellsystem, Geschäftsdefinitionen werden geschrieben und geteilt, es gibt eine Versionshistorie anstelle von Überschreiben, Berechtigungen befinden sich in den Daten und nicht in der Anwendung, und es gibt Datenqualitätsmetriken.
Die Daten, die dem Prozess zugrunde liegen und den größten Teil der Gewinnspanne erklären, sind entscheidend – nicht etwa ein unternehmensweites Daten-Governance-Projekt. Die Organisation, Messung und Nutzung eines Bereichs führt innerhalb weniger Wochen zu Ergebnissen und finanziert die nächste Iteration; globale Projekte enden meist in der Dokumentation.
Weil sie erstellt werden, bevor Datenhoheit, gemeinsame Definitionen und eine einheitliche Datenquelle geklärt sind. Wenn jede Abteilung eine andere Zahl begründen kann, werden Besprechungen mit Streitereien über die Zahlen verbracht, anstatt auf deren Grundlage Entscheidungen zu treffen.
Der Fehler wird nicht länger ein fehlerhafter Bericht, sondern eine ausgelöste Aktion: eine Bestellung wird erstellt, ein Kunde kontaktiert oder ein Betrag verbucht. Automatisierung wandelt ein Informationsproblem in ein operatives Problem um.
Wenn man drei verschiedene Abteilungen nach derselben Zahl fragt und die Antworten nicht übereinstimmen, ist das erste notwendige Projekt nicht im Bereich der künstlichen Intelligenz angesiedelt, sondern befasst sich mit der Datendefinition und -verantwortung.
Könnten Ihre Daten einer zusätzlichen KI-Schicht standhalten? Wir prüfen Eigentumsverhältnisse, Definitionen, verlässliche Quellen und Qualität, bevor wir Ihnen Vorschläge unterbreiten. Zweistündige Analyse, unverbindlich. Lass uns reden → |
Español Español 
English
Français
العربية
Português
Deutsch
Italiano
