Warum Ihre Unternehmensdaten noch nicht KI-ready sind

Die schmerzhafte Wahrheit lautet: Die meisten Unternehmensdaten sind nicht automatisch KI-ready. Sie wurden für Menschen, bestehende Prozesse und gewachsene Systeme erstellt, nicht für die Verarbeitung durch KI. Damit KI zuverlässig mit ihnen arbeiten kann, müssen Unternehmen zunächst klären, welche Daten vorhanden sind, wie aktuell und eindeutig sie sind, wer sie fachlich beurteilen kann und unter welchen Bedingungen sie verarbeitet werden dürfen.

Warum vorhandene Daten nicht automatisch für KI geeignet sind

In Unternehmen existieren große Mengen an Wissen. Das bedeutet aber noch nicht, dass dieses Wissen für eine KI gut nutzbar ist.

Menschen ergänzen beim Arbeiten ständig Kontext, ohne darüber nachzudenken. Sie wissen, welche Datei wirklich aktuell ist. Sie kennen interne Abkürzungen. Sie können einschätzen, welche Richtlinie im Zweifel gilt. Und sie wissen, wen sie fragen müssen, wenn sich zwei Dokumente widersprechen.

Eine KI besitzt dieses Hintergrundwissen nicht automatisch.

Ein kurzes Beispiel, was oft Arbeitsrealität ist: Eine Datei mit dem Namen „Preisliste_final_neu2.xlsx“ kann technisch problemlos verarbeitet werden. Trotzdem bleibt unklar, ob sie tatsächlich die gültige Preisliste ist oder ob es eine Version „final_neu3“ oder „final_final“ gibt. Eine Prozessbeschreibung kann vollständig lesbar sein und trotzdem nicht mehr dem aktuellen Arbeitsablauf entsprechen. Genau hier liegt eine der wichtigsten Voraussetzungen für den sinnvollen Einsatz von KI. Technische Verfügbarkeit ist nicht dasselbe wie fachliche Verlässlichkeit.

Was bedeutet KI-ready?

Unternehmensdaten sind dann KI-ready, wenn sie für einen konkreten Anwendungsfall technisch zugänglich, fachlich verständlich und ausreichend verlässlich sind.

Dazu gehört glücklicherweise nicht, dass sämtliche Daten im Unternehmen perfekt bereinigt sein müssen. Entscheidend ist vielmehr, dass die relevanten Datenbestände so gut verstanden werden, dass klar ist, wie eine KI sie verwenden darf und wo ihre Grenzen liegen.

Dafür müssen Unternehmen mehrere Fragen beantworten können:

Fehlen diese Informationen, steigt das Risiko, dass eine KI zwar plausible, aber fachlich falsche Ergebnisse erzeugt.

Der erste Schritt ist eine realistische Bestandsaufnahme

Bevor Unternehmen ein KI-Tool auswählen, sollten sie verstehen, mit welcher Datenlage sie tatsächlich arbeiten.

Dabei reicht es im ersten Schritt, relevante Datencluster zu identifizieren. Das können beispielsweise Datenbanken, Excel-Dateien, PDFs, Präsentationen, Bilder, E-Mails, Chatverläufe, Verträge, Wikis und Dokumentenablagen sein. 

Wichtig ist außerdem die Unterscheidung zwischen strukturierten und unstrukturierten Daten. Eine Datenbank mit klar definierten Feldern stellt andere Anforderungen an eine KI-Anwendung als ein Ordner mit mehreren Tausend PDFs. Ein Vertragsarchiv muss anders behandelt werden als Vertriebskennzahlen aus einem bestehenden System.

Zusätzlich gibt es Wissen, das noch gar nicht als Datenquelle verfügbar ist. Manche Informationen existieren nur auf Papier. Andere befinden sich ausschließlich in den Köpfen erfahrener Mitarbeiter:innen. Wenn dieses Wissen für den geplanten KI-Anwendungsfall relevant ist, muss es zunächst zugänglich gemacht werden.

Alte Daten bleiben alte Daten

Eine KI macht schlechte Ausgangsdaten leider nicht automatisch besser. Veranschaulichen lässt sich das mit dem Beispiel einer Einkaufsliste: Wer mit der Liste vom vergangenen Monat einkaufen geht, hat zwar eine sauber lesbare Grundlage. Trotzdem besteht eine gute Chance, mit den falschen Produkten nach Hause zu kommen.

Unternehmensdaten funktionieren ähnlich. Eine alte Richtlinie kann technisch perfekt lesbar sein. Eine veraltete Preisliste kann sauber strukturiert sein. Eine historische Prozessbeschreibung kann vollständig digitalisiert vorliegen. Trotzdem sind diese Quellen für aktuelle Entscheidungen möglicherweise ungeeignet.

Genau deshalb gehört zur KI-Readiness immer die Frage nach Aktualität und Gültigkeit. Unternehmen müssen wissen, welche Quelle im Zweifel maßgeblich ist und welche Inhalte nur noch historischen Wert besitzen.

KI braucht den Kontext, den Menschen oft automatisch ergänzen

Viele Unternehmensdaten sind nur deshalb verständlich, weil Mitarbeiter:innen ihre Entstehungsgeschichte kennen. Das betrifft beispielsweise interne Abkürzungen, Produktnamen, Bereichsbezeichnungen oder unterschiedliche Bedeutungen desselben Begriffs.

Ein unternehmensspezifisches Glossar kann deshalb ein wichtiger Teil der Datenvorbereitung sein. Eine KI kann nur mit Kontext arbeiten, der für sie verfügbar ist.

Dasselbe gilt für Zusatzinformationen. Wenn für eine Einkaufsliste wichtig ist, dass bestimmte Produkte nur aus einem bestimmten Geschäft stammen oder einen bestimmten Standard erfüllen, muss diese Information irgendwo festgehalten sein.

Ohne fachliche Verantwortung fehlt die Referenz

Bei jeder wichtigen Datenquelle muss klar sein, wer sie fachlich beurteilen kann.

Für zentrale Bereiche bieten sich ein oder zwei Ansprechpartner:innen an, die das Hoheitswissen über die jeweiligen Inhalte besitzen. Sie müssen aber natürlich nicht jede Datei selbst pflegen. Sie sollten einschätzen können, welche Quelle gültig ist, welche Besonderheiten bestehen und wie widersprüchliche Informationen zu bewerten sind.

Das wird besonders wichtig, sobald KI-Ergebnisse überprüft werden. Wenn zwei interne Dokumente unterschiedliche Aussagen enthalten, kann die KI den Widerspruch möglicherweise erkennen, sie kann jedoch nicht zuverlässig entscheiden, welche Aussage im Unternehmen tatsächlich gilt.

Diese Entscheidung bleibt deshalb eine fachliche Aufgabe.

Rechte und Datenschutz entscheiden mit über die technische Lösung

Nicht jede verfügbare Information darf automatisch durch jedes KI-System verarbeitet werden. Deshalb sollte bereits bei der Bestandsaufnahme geklärt werden, welche Datenschutzanforderungen gelten und wo Daten verarbeitet werden dürfen. Ebenso wichtig sind bestehende Zugriffsrechte. Wenn Mitarbeiter:innen heute nur auf bestimmte Dokumente oder Datenbereiche zugreifen dürfen, sollte eine KI-Anwendung diese Grenzen nicht umgehen.

Eine KI-Lösung muss deshalb nicht nur technisch zur Datenlage passen. Sie muss auch die bestehenden organisatorischen und rechtlichen Rahmenbedingungen berücksichtigen.

KI-readiness entsteht nicht über Nacht

Unternehmen müssen nicht zuerst ihre gesamte Datenlandschaft bereinigen, bevor sie mit KI beginnen können. Ein pragmatischer Einstieg konzentriert sich auf einen klar begrenzten Bereich.

Dabei muss nicht jede Unsicherheit sofort gelöst werden. Wichtig ist, offene Fragen sichtbar zu machen und zu definieren, wer sie im weiteren Verlauf klären kann.

KI-Readiness beginnt mit Klarheit über die eigenen Daten

Unternehmensdaten werden nicht dadurch KI-ready, dass ein Modell Zugriff darauf erhält.

Entscheidend ist, ob das Unternehmen selbst versteht, welche Informationen vorhanden sind, wie zuverlässig sie sind und welchen Kontext eine KI benötigt, um sinnvoll mit ihnen zu arbeiten.

Wer diese Grundlagen vor der Toolauswahl klärt, schafft nicht nur bessere Voraussetzungen für technisch funktionierende KI-Anwendungen. Auch die Qualität der Ergebnisse lässt sich besser bewerten und mögliche Probleme werden früher sichtbar.

Sie möchten einschätzen, welche Ihrer Unternehmensdaten bereits KI-ready sind und wo noch Handlungsbedarf besteht? Wir unterstützen Sie dabei, Datenlage, Use Cases und Anforderungen gemeinsam zu strukturieren und daraus sinnvolle nächste Schritte für Ihre KI-Anwendung abzuleiten. Das erste Kennenlerngespräch ist bei uns immer kostenlos. 

Über die Autorin: Merle Fischer ist Teil des Entwicklungsteam von they consulting GmbH. Gemeinsam mit ihren Kolleg:innen hilft sie mittelständischen Unternehmen dabei, KI-Projekte sinnvoll in bestehende produktive Umgebungen zu integrieren.