Datenqualität vor KI: Der Test, den die meisten überspringen
Die KI, die sich sicher irrt
Der teuerste Zustand für ein KI-Projekt ist nicht „läuft nicht“. Er ist „läuft, und niemand merkt, dass es falsch liegt“. Eine Bedarfsprognose, die auf einem Artikelstamm mit veralteten Preisen rechnet, liefert präzise aussehende Zahlen – die falsch sind. Eine automatische Angebotslogik, die aus einem Kundenstamm voller Dubletten lernt, ordnet sicher und schnell dem falschen Konto zu. Das ist schlimmer als gar keine KI: Eine fehlende Automatisierung fällt sofort auf, eine falsche versteckt sich hinter einer sauberen Oberfläche. „Garbage in, garbage out“ ist kein alter IT-Spruch, sondern die zentrale Risikoregel jedes KI-Vorhabens. Der einzige Schutz davor: die Datenqualität für KI prüfen, bevor das erste Modell läuft.
Diese Prüfung überspringen die meisten Betriebe – dabei beantwortet sie die eine Frage, die vor jeder Investition steht: Trägt unsere Datenbasis dieses Projekt überhaupt? Dieser Beitrag gibt Ihnen einen kurzen Selbsttest an die Hand, mit dem Sie das in fünf Minuten selbst beantworten – ehrlich, ohne Berater und ohne Werkzeug zum Kaufen.
Datenqualität für KI prüfen: der Test, den die meisten überspringen
Dass hier ein blinder Fleck sitzt, ist belegbar. In einer von Cloudera beauftragten Untersuchung von Harvard Business Review Analytic Services (Oktober 2025) sagen 73 % der Befragten, ihre Organisation sollte die Datenqualität für KI stärker priorisieren, als sie es heute tut – und nur 7 % halten ihre Daten für vollständig KI-bereit, während mehr als ein Viertel (27 %) sie als wenig bis gar nicht bereit einschätzt (Cloudera / HBR Analytic Services, 2026). Zur Einordnung gehört die Ehrlichkeit dazu: Die Erhebung ist vom Anbieter einer Datenplattform beauftragt, global und misst über 230 HBR-Leserinnen und -Leser – also eher große Unternehmen, nicht den deutschen Mittelstand. Die genaue Prozentzahl ist deshalb nicht Ihr Betrieb; übertragbar ist die Richtung, und die ist eindeutig: Fast alle wissen, dass die Datenbasis wackelt, kaum jemand prüft sie, bevor er baut.
Genau diese Prüfung schließt die Lücke. Sie ersetzt kein Datenaudit, aber sie liefert in fünf Minuten eine belastbare Ampel: bauen, zuerst aufräumen – oder noch nicht.
Der Daten-Readiness-Selbsttest: 5 Fragen
Denken Sie den Test für genau einen Anwendungsfall durch, nicht für „unsere Daten“ allgemein – etwa für die eine Aufgabe, die Sie automatisieren möchten. Vergeben Sie je Frage 0, 1 oder 2 Punkte und tragen Sie Ihren Wert in die letzte Spalte ein. Maximal sind 10 Punkte erreichbar.
| Frage (Dimension) | 0 Punkte | 1 Punkt | 2 Punkte | Ihr Wert |
|---|---|---|---|---|
| 1. Verfügbarkeit – Existieren die Daten für diesen Fall und werden sie erfasst? | Entstehen gar nicht oder nur „im Kopf“, nichts wird festgehalten | Fallen an, werden aber unregelmäßig / lückenhaft erfasst | Werden für jeden Vorgang vollständig und systematisch erfasst | |
| 2. Struktur – Liegen die Daten strukturiert an einem Ort? | Verstreut über Postfächer, lokale Excel-Dateien und PDFs, kein gemeinsames Format | Teils in einem System, teils in Insellösungen; Felder oft leer | In einem System, mit einheitlichen, meist gefüllten Feldern | |
| 3. Korrektheit & Aktualität – Stimmen die Daten und sind sie aktuell? | Bekannt fehlerhaft; Dubletten und veraltete Einträge, niemand weiß wie viele | Wird sporadisch bereinigt; Fehlerumfang grob bekannt | Definierter Pflegeprozess; Dubletten und Fehler bekannt und niedrig | |
| 4. Zugänglichkeit – Kommen Sie an die Daten heran? | Nur eine Person oder ein Tool kommt heran; kein Export, keine Schnittstelle | Export manuell möglich, aber mühsam; keine API | Per Standard-Export oder API sauber zugänglich | |
| 5. Konsistenz & Historie – Eine verbindliche Quelle, genug Beispiele? | Mehrere widersprüchliche Quellen; kaum Historie / keine Beispiele | Eine Hauptquelle, aber Nebenquellen weichen ab; begrenzte Historie | Eine verbindliche Quelle (Single Source of Truth); ausreichend Historie |
So werten Sie Ihre Punktzahl aus
Zählen Sie Ihre Punkte zusammen und lesen Sie das Ergebnis ab:
- 8–10 Punkte – bereit für einen Piloten. Ihre Datenbasis trägt. Starten Sie trotzdem auf einem bewusst schmalen, sauberen Ausschnitt, nicht auf „allen Daten“ – so bleibt der erste Pilot überschaubar und belastbar.
- 4–7 Punkte – erst die Daten, dann die KI. Der Fall ist grundsätzlich machbar, aber eine oder zwei Dimensionen ziehen Sie herunter. Schließen Sie diese Lücke zuerst. Häufig ist genau dieser Aufräumschritt das erste, lohnendste Projekt – oft ganz ohne KI.
- 0–3 Punkte – noch nicht. Das richtige erste Projekt ist hier keine KI, sondern die Datenbasis selbst. Alles andere automatisiert nur das Durcheinander.
Über der reinen Summe steht eine Grundvoraussetzung: Frage 1. Stehen dort 0 Punkte, spielt der Rest keine Rolle – Daten, die gar nicht erfasst werden, kann auch die beste KI nicht auswerten. Dann lautet das Ergebnis unabhängig von der Punktzahl „noch nicht“, und der erste Schritt ist, die Daten überhaupt sauber zu erfassen.
Ein Rechenbeispiel aus dem Mittelstand
Ein Handelsbetrieb möchte die Angebotserstellung teilautomatisieren: Die KI soll aus früheren Angeboten und dem Artikel- und Kundenstamm Vorschläge erzeugen. Der Selbsttest für genau diesen Fall:
- Verfügbarkeit: 2 – Alle früheren Angebote liegen im ERP.
- Struktur: 1 – Grunddaten im ERP, aber Sonderkonditionen stecken in E-Mail-Verläufen und persönlichen Excel-Listen.
- Korrektheit & Aktualität: 0 – Der Artikelstamm enthält veraltete Preise, der Kundenstamm Dubletten; niemand kennt das Ausmaß.
- Zugänglichkeit: 1 – Das ERP hat einen Export, aber keine API.
- Konsistenz & Historie: 1 – Das ERP ist die Hauptquelle, doch der Vertrieb pflegt eigene Preislisten daneben.
Summe: 5 Punkte – „erst die Daten, dann die KI“. Die schwächste Dimension ist die Korrektheit, und genau sie wäre im laufenden KI-Betrieb am gefährlichsten: falsche Preise würden sicher und schnell in Angebote wandern. Der Betrieb baut deshalb nicht sofort die KI, sondern räumt zuerst Artikelpreise und Kundenstamm auf und legt fest, wo die verbindlichen Konditionen stehen. Dieser Schritt spart schon für sich Zeit und Fehler – und schafft erst die Grundlage, auf der die Automatisierung überhaupt Sinn ergibt.
Wenn der Test „erst aufräumen“ sagt
Das ist der unbequeme, aber wichtigste Teil – und der ehrliche Gegenpunkt zu jedem KI-Versprechen: Bei einem schwachen Ergebnis ist das richtige erste Projekt oft gar keine KI. Ein kleiner Daten-Konsolidierungsschritt – Dubletten bereinigen, eine verbindliche Quelle festlegen, ein paar Pflichtfelder einführen – bringt messbaren Nutzen und ist die Voraussetzung für alles Weitere. Wer diesen Schritt überspringt, kauft sich eine KI, die auf wackligem Fundament präzise falsche Ergebnisse liefert.
Zweite Regel aus der Praxis: Ein enger, sauberer Datensatz schlägt einen breiten, unsauberen. Es ist besser, einen einzigen gut gepflegten Ausschnitt zu automatisieren, als das ganze Unternehmen mit halbgaren Daten zu füttern. Die Breite kommt später – erst muss ein Ausschnitt tragen.
Dass die Datenlage einer der häufigsten Gründe ist, an denen Piloten scheitern, ist kein Zufall; wir haben die übrigen Stolperstellen im Beitrag warum KI-Projekte im Mittelstand scheitern gesammelt. Und welche Aufgabe sich überhaupt zuerst lohnt, klärt unsere Entscheidungsmatrix, welche Aufgaben sich mit KI lohnen. Beide setzen dort an, wo dieser Test aufhört.
So gehen Sie vor
Nehmen Sie sich fünf Minuten und füllen Sie den Test für die eine Aufgabe aus, die Sie zuerst automatisieren würden – mit den echten Zahlen, nicht mit dem Wunschbild. Zählen Sie die Punkte, prüfen Sie die Grundvoraussetzung, und lesen Sie die Ampel ab.
Ihre Punktzahl sagt Ihnen schon das Wesentliche. Wenn ein Blick von außen helfen würde – jemand mit Erfahrung, der gegenliest, wo Ihre Datenbasis wirklich steht –, schicken Sie uns Ihre ausgefüllte Bewertung. Wir melden uns mit einer klaren Einordnung: welcher Ausschnitt trägt, und wo sich ein Aufräumschritt zuerst lohnt. Was Sie mitnehmen, ist diese Einordnung, kein Verkaufsgespräch.
— Misho Manolov, Gründer