KI repariert keine schlechten Daten

KI ist kein Daten-Reparatur-Werkzeug. Sie verstärkt, was vorne reingegeben wird — schneller, überzeugender, skalierter. Schlechte Daten bleiben schlechte Daten, nur mit besserer Oberfläche.

Das Grundprinzip: Garbage in, Garbage out

Das Prinzip ist nicht neu — es stammt aus den Anfängen der Informatik. Aber im KI-Zeitalter wird es zur Geschäftsgefahr: Schlechte Daten werden nicht repariert, wenn ein KI-System sie verarbeitet. Sie werden verstärkt — schneller, glänzender, autonomer.

Vier Kombinationen verdeutlichen das:

Schlechte Daten + Machine Learning = schneller Unsinn

Machine-Learning-Modelle lernen aus Datenmustern. Wenn die Daten verzerrt, unvollständig oder fehlerhaft sind, lernen die Modelle genau diese Verzerrungen — und reproduzieren sie schneller als jeder Mensch.

Beispiel: Eine Reklamations-Klassifikation wird auf historischen Daten trainiert. Wenn die historische Klassifikation inkonsequent war, klassifiziert die KI inkonsequent — nur 100-mal schneller. Der Fehler wird produktivitätsförmig skaliert.

Schlechte Daten + Künstliche Intelligenz = überzeugender Unsinn

Generative KI ist besonders heimtückisch, weil sie Sprach-Qualität als Vertrauens-Signal nutzt. Ein KI-generierter Brief klingt professionell — auch wenn der Inhalt fachlich falsch ist.

Beispiel: Eine KI generiert Vertrags-Entwürfe aus einer alten Vertrags-Bibliothek. Wenn die Bibliothek veraltete Klauseln enthält, übernimmt die KI sie — formal perfekt formuliert. Die Fehler werden überzeugend, nicht offensichtlich. Das ist gefährlicher als sichtbarer Unsinn.

Schlechte Daten + Generative KI = schöner Unsinn

Generative KI macht Inhalte ästhetisch ansprechend — Bilder, Texte, Präsentationen. Wenn die zugrundeliegenden Daten oder Annahmen falsch sind, entsteht trotzdem ein schönes Ergebnis. Schöne Folien überzeugen Vorstände — auch wenn sie auf falschen Zahlen basieren.

Schlechte Daten + Agentische KI = skalierter Unsinn

Agentische KI handelt autonom über mehrere Schritte. Wenn die Daten am Anfang fehlerhaft sind, vermehrt sich der Fehler durch jeden Schritt — ohne dass ein Mensch dazwischen prüft. Skalierter Unsinn ist die gefährlichste Kombination, weil Korrektur-Punkte fehlen.

Die Konsequenz: Datenbasis kommt vor Tool-Auswahl

Vor jedem KI-Projekt steht eine ehrliche Daten-Inventur. Vier Reifegrade sind dabei realistisch:

• Stufe 1 — Papier: Daten existieren physisch oder in PDF/Foto. Nicht strukturiert auswertbar. Vorab Digitalisierung nötig.
• Stufe 2 — Excel: Daten in Tabellen, aber dezentral, mit Personen-Kenntnis als Schlüssel. Konsolidierung nötig.
• Stufe 3 — System: Daten in CRM/ERP, aber unvollständig oder veraltet. Datenpflege-Sprint nötig.
• Stufe 4 — API-fähig: Daten in System, strukturiert, aktuell, mit API-Zugriff. KI-bereit.

Wer auf Stufe 1 oder 2 ist, kann sich KI-Werkzeuge anschaffen — aber bekommt nicht den Nutzen, den die Hersteller versprechen. Die unterliegende Datenbasis ist das Engpass-Element.

Was tun, wenn die Datenlage schwach ist?

Drei Optionen:

• Daten konsolidieren — bevor KI eingesetzt wird. Dauert oft 3-6 Monate, lohnt sich aber.
• Mit schmalen, kontrollierten Use-Cases starten — wo die Datenlage gut ist (z.B. nur in einer Abteilung), KI sammeln, dann auf andere Bereiche ausweiten.
• KI für die Daten-Konsolidierung selbst einsetzen — Dokumenten-Extraktion, OCR, Datenbereinigung. Das ist eine valide Anwendung, aber mit klar begrenzten Erwartungen.

Schlechte Daten bleiben schlechte Daten — nur mit besserer Oberfläche.