Die Geschäftsführung möchte wissen, wie das dritte Quartal im Vertrieb Süd gelaufen ist. Der Vertrieb meldet ein Umsatzplus, das Controlling sieht ein leichtes Minus. Der neue KI-Assistent, frisch an die Daten angebunden, liefert eine dritte Zahl, souverän formuliert und mit Grafik. Welche stimmt? Alle drei, je nachdem, wie man „Umsatz“ und „Vertrieb Süd“ definiert.
Das Problem ist nicht die KI. Sie macht nur sichtbar, was vorher schon unklar war, und zwar schneller und überzeugender als jede Excel-Tabelle. Wer mit KI bessere Entscheidungen treffen will, braucht deshalb zuerst eine belastbare Datengrundlage für KI. Dieser Beitrag zeigt, woraus sie besteht, welche Use Cases sich lohnen und warum genau diese Grundlagen auch über den nächsten Schritt entscheiden: „Talk to your data“.
Warum KI-Projekte selten an der KI scheitern
Die Modelle werden mit jeder Generation besser. Die Daten im eigenen Unternehmen nicht automatisch. Das Analysehaus Gartner erwartet, dass Unternehmen 60 Prozent der KI-Projekte, denen KI-taugliche Daten fehlen, wieder abbrechen. In der zugehörigen Befragung gaben 63 Prozent der Organisationen an, dass ihnen die passende Datenmanagement-Praxis fehlt oder sie sich dessen nicht sicher sind. Auch bei generativer KI nennt Gartner schlechte Datenqualität als einen der Hauptgründe, warum Projekte nach dem Proof of Concept enden.
Das deckt sich mit der Praxis – die Demo funktioniert, weil sie auf einem sauberen Ausschnitt läuft. Im Echtbetrieb trifft die KI auf historisch gewachsene Systeme, Excel-Exporte, doppelte Stammdaten und Kennzahlen, die jede Abteilung etwas anders rechnet. Ein Mensch kennt diese Eigenheiten und rechnet sie im Kopf heraus. Eine KI kennt sie nicht. Sie nimmt, was sie findet, und formuliert daraus eine plausible Antwort (ob richtig oder falsch, wahr oder erfunden!).
Für Entscheider ist deshalb nicht die Frage „Welches KI-Tool nehmen wir?“ die wichtigste, sondern: Welche Entscheidung soll durch KI besser werden, und tragen die Daten dafür?
Fünf Grundlagen für eine belastbare Datengrundlage für KI
1. Eindeutige Begriffe und Kennzahlen Was ist „Umsatz“: brutto oder netto, vor oder nach Erlösschmälerungen, nach Rechnungs- oder Lieferdatum? Was gehört zu „Region Süd“? Solange die Antwort davon abhängt, wen man fragt, kann auch keine KI eine eindeutige Antwort geben. Die wichtigsten Kennzahlen brauchen eine verbindliche, dokumentierte Definition. Das ist keine IT-Aufgabe, sondern eine Führungsentscheidung.
2. Klare Verantwortung für Daten Wer ist zuständig, wenn eine Kundennummer doppelt existiert oder eine Kostenstelle falsch zugeordnet ist? Ohne benannte Verantwortliche in den Fachbereichen bleiben Datenfehler liegen, bis sie in einer Auswertung auffallen. KI beschleunigt diesen Moment, sie behebt die Ursache nicht.
3. Nachvollziehbare Qualität und Aktualität Eine KI erkennt nicht, ob der Monatsabschluss schon vollständig geladen ist oder ob ein nächtlicher Import abgebrochen ist. Sauber automatisierte Datenflüsse statt manueller Exporte, Ladezeitpunkte und ein klarer Status („vorläufig“, „final“) machen sichtbar, auf welcher Basis eine Antwort steht. Daten, die per E-Mail-Anhang durchs Haus reisen, sind für KI ein Risiko.
4. Dokumentiertes Wissen über das Warum Viel Wissen steckt in Köpfen: warum ein Kunde in zwei Regionen geführt wird, warum ein Monat einen Sondereffekt enthält, warum eine Berechnung eine Ausnahme hat. Was nicht dokumentiert ist, kann keine KI berücksichtigen. Gute Dokumentation (und sauberes Metadaten Management) ist eine wichtige Voraussetzung für brauchbare KI-Antworten.
5. Ein sauberes Berechtigungskonzept Eine KI sollte genau das sehen, was der fragende Mitarbeiter sehen darf. Das setzt voraus, dass Berechtigungen bewusst vergeben und gepflegt sind. Über Jahre gewachsene, zu großzügige Rechte fallen heute kaum auf, weil niemand gezielt sucht. Eine KI, die auf jede Frage bereitwillig antwortet, macht sie plötzlich sichtbar.
Aus der Praxis: im Meeting beim Kunden sucht die interne Kollegin nach alten Notizen zur Datenbank Migration, per CoPilot – und findet die Notiz User/Passwort. Ich wusste, dass das die alten DEV war und wir es längst geändert hatten – aber ohne Kontext…
Echter Mehrwert oder Marketing?
Auf einer belastbaren Datengrundlage lassen sich KI-Anwendungen sinnvoll einsetzen. Gute Startpunkte sind Aufgaben, bei denen ein Mensch das Ergebnis schnell prüfen kann und die eine konkrete Entscheidung vorbereiten:
- Abweichungen zwischen Plan und Ist erklären lassen und die Erklärung fachlich gegenprüfen
- Berichte und Kommentierungen vorformulieren, die das Controlling freigibt
- Auffälligkeiten in Daten markieren, die ein Mensch dann bewertet
- Wissen aus Dokumentationen und Richtlinien schnell auffindbar machen
Vorsicht ist bei Versprechen geboten, die KI als Ersatz für Urteilsvermögen verkaufen: automatische Prognosen, deren Annahmen niemand kennt, oder Entscheidungsvorlagen, die niemand mehr nachvollziehen kann. Wie wichtig der fachliche Blick auf KI-Ergebnisse bleibt, beschreiben wir in KI im Controlling: Warum Fachwissen jetzt mehr zählt. Eine gute Faustregel: Wenn ein Anbieter in der Demo nicht fragt, wie Ihre Kennzahlen definiert sind, zeigt er Marketing, keine Lösung.
Ausblick: Was „Talk to your data“ voraussetzt
Der nächste Schritt geht über einzelne Funktionen hinaus: Fachbereiche und Geschäftsführung stellen Fragen in natürlicher Sprache, und die Antwort kommt direkt aus den Daten, ohne Umweg über einen Bericht oder eine Anfrage beim Controlling. Das Stichwort dafür lautet „Talk to your data“.
Damit das verlässlich funktioniert, hat sich in der Data-Welt ein Muster etabliert: Zwischen Sprachmodell und Daten liegt eine semantische Schicht. Sie legt einmal zentral fest, was Kennzahlen, Dimensionen und Beziehungen bedeuten, sodass alle Werkzeuge mit denselben Definitionen arbeiten. Die KI erfindet die Berechnung dann nicht bei jeder Frage neu, sondern greift auf freigegebene Definitionen zu. Auf dieselbe Frage kommt so jedes Mal dieselbe Antwort, und es bleibt nachvollziehbar, woher eine Zahl stammt.
Wer genau hinsieht, erkennt die fünf Grundlagen von oben wieder:
- Eindeutige Kennzahlen werden zum Inhalt der semantischen Schicht.
- Ein Glossar der Fachbegriffe übersetzt die Sprache des Alltags („Marge“, „DB II“, „Rohertrag“) in die richtigen Definitionen.
- Automatisierte Datenflüsse sorgen dafür, dass die Antwort auf aktuellen Daten beruht.
- Berechtigungen werden in der Schicht hinterlegt, damit jeder nur die Daten sieht, die er sehen darf.
- Protokollierung macht sichtbar, welche Frage gestellt, welche Abfrage erzeugt und welche Daten geliefert wurden.
Hinzu kommt: Die Daten eines Unternehmens liegen selten in einem System. Ist-Daten im Data Warehouse, Stammdaten im ERP, Planwerte in der Planungslösung. Wer systemübergreifend mit seinen Daten sprechen will, braucht überall dieselben Begriffe. „Talk to your data“ ist deshalb weniger ein KI-Projekt als ein Datenprojekt mit KI-Oberfläche. Ob man dafür auf die KI-Funktionen eines Herstellers setzt oder ein offenes Sprachmodell anbindet, ist eine eigene Entscheidung. Die Grundlagen sind in beiden Fällen dieselben.
Fazit: Die Grundlagen zahlen sich doppelt aus
KI im Unternehmen beginnt nicht mit der Lizenz für ein Werkzeug, sondern mit einer ehrlichen Bestandsaufnahme: Sind die wichtigsten Kennzahlen eindeutig, die Verantwortlichkeiten geklärt, die Datenflüsse verlässlich und die Berechtigungen bewusst vergeben? Ein guter Einstieg sind die drei bis fünf Kennzahlen, über die im Haus am häufigsten diskutiert wird.
Die gute Nachricht: Jede dieser Grundlagen zahlt sich auch ohne KI aus. Weniger Diskussionen über Zahlen, schnellere Abschlüsse, mehr Vertrauen in Berichte. Mit KI wird daraus der Hebel, der aus einer Demo eine Anwendung macht, die Entscheidungen tatsächlich verbessert.
Sie möchten wissen, wie belastbar Ihre Datengrundlage für KI ist und wo die größten Hebel liegen? Wir analysieren Ihre Datenflüsse und Kennzahlen, zeigen Prioritäten auf und begleiten Sie bei den ersten Use Cases. Lassen Sie uns den Status quo klären: kontakt@datenwert.gmbh
Wir machen aus Daten Entscheidungen – und aus Entscheidungen Wert.
Quellen:
Schreibe einen Kommentar