Start / Insights / Artikel 05
Erfolgreiche AI beginnt mit zuverlässigen, strukturierten und zugänglichen Unternehmensdaten.
Das Gespräch, das im ersten Meeting kaum geführt wird. Das Problem, das viele Unternehmen erst Monate später einholt.
JEDAM DIGITAL
Dezember 2025
6 Min. Lesezeit
Ich möchte ein Gespräch teilen, das in irgendeiner Form in nahezu jedem AI-Mandat stattfindet, das wir übernehmen. Es passiert etwa im dritten Monat. Und es überrascht den Kunden fast immer – obwohl es das eigentlich nicht sollte.
Das Projekt ist abgegrenzt. Der Anwendungsfall ist definiert. Die AI-Architektur ist entworfen. Und dann schauen wir uns die Daten an – wirklich genau –, und stellen fest, dass das, was tatsächlich vorhanden ist, nicht dem entspricht, was angenommen wurde. Sie sind über Systeme verstreut, die nicht miteinander kommunizieren. Sie sind uneinheitlich formatiert. Große Teile fehlen. Die Definitionen in einem System widersprechen denen in einem anderen. Historische Daten wurden manuell erfasst und enthalten Fehler, die nie bereinigt wurden. Die AI, die wir bauen sollen, braucht saubere, strukturierte, zugängliche Daten – und die vorhandenen Daten sind nichts davon.
Das ist kein seltener Sonderfall. Es ist der Normalzustand von Unternehmensdaten in nahezu jeder Organisation, die nicht ausdrücklich in Dateninfrastruktur investiert hat. Und es ist der mit Abstand häufigste Grund, warum AI-Projekte doppelt so lange dauern und doppelt so viel kosten wie geplant.
Das Problem bleibt unsichtbar, bis man genau hinschaut. Wenn Führungsteams die AI-Bereitschaft bewerten – in strategischen Gesprächen, Vorstandspräsentationen, Anbieterbewertungen – werden Daten meist erwähnt, aber selten geprüft. Die Annahme lautet: Die Daten existieren, weil die Systeme existieren, die sie erzeugen. Das CRM hat Kundendaten. Das ERP hat Transaktionsdaten. Der Helpdesk hat Supportdaten. Das stimmt. Ob diese Daten in einer Form vorliegen, mit der sich ein AI-Modell trainieren oder betreiben lässt, ist eine völlig andere Frage – und sie wird fast nie gestellt, bis sie zum Hindernis wird.
Die Lücke zwischen „wir haben Daten in einem System“ und „wir haben Daten, die eine AI nutzen kann“, ist keine kleine technische Lücke. Sie ist oft ein drei- bis sechsmonatiges Sanierungsprojekt aus Datenintegration, Bereinigung, Standardisierung und Governance-Arbeit – das nichts mit AI zu tun hat, sondern alles mit der unspektakulären Infrastruktur, die schon Jahre zuvor hätte aufgebaut werden müssen.
AI-taugliche Daten zeichnen sich durch vier Eigenschaften aus. Zugänglichkeit – sie können von einem AI-System abgefragt und abgerufen werden, ohne manuelle Extraktion. Konsistenz – dasselbe Konzept ist über alle Quellen hinweg gleich definiert und formatiert. Vollständigkeit – die von der AI benötigten Felder und Datensätze sind tatsächlich befüllt, nicht leer oder lückenhaft. Aktualität – die Daten spiegeln die aktuelle Realität wider, statt Monate oder Jahre veraltet zu sein.
Unserer Erfahrung nach sind die meisten Unternehmensdatensätze nur teilweise zugänglich, uneinheitlich strukturiert, in den wichtigsten Feldern deutlich unvollständig und von gemischter Aktualität. Das macht AI nicht unmöglich – aber es macht die Datenaufbereitung zu einer expliziten, abgegrenzten und mit Ressourcen ausgestatteten Aufgabe, die erledigt sein muss, bevor die AI gebaut wird.
Viele Organisationen tragen das Erbe von Technologieentscheidungen, die vor fünf, zehn oder fünfzehn Jahren getroffen wurden. Geschäftskritische Daten liegen in Systemen, die entstanden sind, bevor es moderne Datenstandards gab, bevor APIs zum Standard wurden und bevor überhaupt jemand daran dachte, diese Daten in Machine-Learning-Modelle einzuspeisen. Die Daten sind technisch vorhanden. Sie zuverlässig und in nutzbarer Form herauszulösen, ist eine erhebliche technische Herausforderung.
Das ist kein Problem, das AI löst. Es ist ein Problem, das gelöst werden muss, bevor AI überhaupt angewendet werden kann. Unternehmen, die in moderne Dateninfrastruktur investiert haben – Cloud-Data-Warehouses, saubere API-Schichten, einheitliche Kundendatenplattformen – kommen bei AI-Initiativen deutlich schneller voran, weil die Vorarbeit bereits erledigt ist. Unternehmen, die das nicht getan haben, stehen vor einer Entscheidung: entweder jetzt in die Infrastruktur investieren oder AI-Initiativen auf die heute zugänglichen Daten begrenzen und die damit verbundenen Einschränkungen akzeptieren.
Die praktische Antwort lautet: Bewerten Sie Ihre Datenlandschaft, bevor Sie Ihre AI-Initiative abgrenzen – nicht als nachträglichen Schritt, sondern als ersten. Verstehen Sie, welche Daten existieren, wo sie liegen, in welchem Zustand sie sind und welche Lücken für den konkreten Anwendungsfall bestehen, den Sie verfolgen.
Grenzen Sie die Datenarbeit anschließend explizit ab. Budgetieren Sie sie. Stellen Sie Ressourcen dafür bereit. Tun Sie nicht so, als bräuchte es das nicht – denn die Kosten dieser Illusion werden immer später fällig, mit Zinsen.
Organisationen, die hier ehrlich vorgehen, schließen AI-Projekte in der Regel termin- und budgettreu ab. Die anderen verdoppeln in der Regel den Zeitplan – und geben dann der Technologie die Schuld.
Die Technologie ist selten das Problem.
