Datenqualität als KI-Fundament: Erst Daten, dann Modelle

Datenqualität in KI-Projekten entscheidet früher über Erfolg oder Scheitern als die Wahl des Modells. Wer ein Sprachmodell oder eine Klassifikation auf unvollständige, widersprüchliche oder veraltete Daten ansetzt, bekommt ein Ergebnis, das genau diese Mängel spiegelt, nur schneller und in größerem Maßstab. Dieser Beitrag zeigt, woran sie sich konkret festmachen lässt, wie viel Zeit die Datenvorbereitung realistisch braucht, und wo ein Pilotprojekt trotzdem sinnvoll bleibt. Das gilt für ein Klassifikationsmodell in der Produktion genauso wie für ein Sprachmodell, das auf internem Firmenwissen antworten soll.

Datenqualität in KI-Projekten: sechs Dimensionen

Der Begriff Datenqualität wirkt abstrakt, bis man ihn in einzelne Kriterien zerlegt. Sechs Dimensionen tauchen in der Praxis am häufigsten auf und lassen sich pro Datenquelle einzeln prüfen.

Nach einer Auswertung von superkind.ai aus dem April 2026 ist bei den untersuchten Projekten ein erheblicher Teil der benötigten Datenfelder unvollständig, am häufigsten bei Vollständigkeit und Aktualität. Formale Datenqualitäts-Assessments vor Projektstart erhöhen nach derselben Auswertung die Erfolgsquote deutlich.

Wie ein Datenqualitäts-Assessment praktisch abläuft

Ein Assessment beginnt mit einer Stichprobe, nicht mit der Auswahl eines Werkzeugs. Aus der Zielquelle werden einige hundert Datensätze gezogen und gegen die sechs Dimensionen geprüft, von Hand oder mit einem einfachen Skript, das fehlende Felder, Duplikate und Ausreißer markiert. Aus dieser Stichprobe entsteht eine Fehlerquote je Dimension, etwa acht Prozent fehlende Telefonnummern oder zwölf Prozent widersprüchliche Adressen zwischen zwei Systemen als Beispielwerte aus einer typischen Kundendatenbank.

Diese Fehlerquote lenkt den nächsten Schritt. Liegt sie in einem Bereich, den ein Prototyp verkraftet, beginnt die eigentliche Modellarbeit. Liegt sie deutlich höher, lohnt sich eine gezielte Bereinigung der wichtigsten Felder vor dem Pilotprojekt, aber nur der Felder, die der Anwendungsfall tatsächlich braucht, nicht der gesamten Datenbank.

Wie viel Zeit die Datenvorbereitung wirklich kostet

Dieselbe Auswertung von superkind.ai aus dem April 2026 beziffert den Zeitanteil der Datenvorbereitung an der gesamten Projektlaufzeit auf durchschnittlich rund 61 Prozent. Wer ein KI-Projekt mit vier Wochen Modellarbeit plant, sollte eher zehn Wochen Datenarbeit davor einkalkulieren, nicht zwei. In Projektplänen, die diesen Anteil unterschätzen, verschiebt sich meist der Termin für den ersten nutzbaren Prototyp, die Datenarbeit selbst lässt sich kaum abkürzen. Für Hochrisiko-Systeme ist dieser Aufwand inzwischen auch rechtlich vorgezeichnet. Artikel 10 der KI-Verordnung verlangt für Trainings-, Validierungs- und Testdaten, dass sie relevant und hinreichend repräsentativ sind und so weit wie möglich frei von Fehlern und vollständig. Wer diese Anforderung erst nach dem Prototyp liest, plant die Datenarbeit zweimal. Einen vollständigen Überblick über die Fristen bis 2028 liefert der Beitrag EU AI Act: Compliance-Fahrplan bis 2028.

Eine oft zitierte Zahl, wonach ein Großteil aller KI-Projekte an mangelnder Datenqualität scheitert, kursiert in vielen Vorträgen und Artikeln. Sie stammt aus einzelnen Auswertungen einzelner Anbieter, nicht aus einer breit angelegten, unabhängigen Studie, und gehört entsprechend als Schätzung gelesen, nicht als belastbarer Messwert.

Warum ein Pilot trotzdem sinnvoll bleibt

Perfekte Daten gibt es nicht. Jede Quelle hat Lücken, Dubletten oder veraltete Einträge, das gilt für ein selbst gepflegtes ERP-System genauso wie für eine öffentliche Datenbank. Für einen Piloten zählt vor allem, ob eine einzelne, gut gepflegte Quelle für einen ersten Anwendungsfall ausreicht.

In eigenen Projekten sehen wir häufiger das umgekehrte Problem. Teams bereinigen monatelang eine Datenbank, bevor der erste Prototyp überhaupt läuft, und verlieren dabei den Bezug zum eigentlichen Anwendungsfall. Ein enger Anwendungsfall mit einer einzigen Quelle zeigt schneller, ob sich der Aufwand lohnt, als ein unternehmensweites Datenprojekt ohne festen Endpunkt.

Von der Datenbasis zum Pilotprojekt

Eine geprüfte, gut abgegrenzte Datenquelle öffnet den Weg zum nächsten Schritt. Unsere „Methodik für ein KI-Pilotprojekt in 90 Tagen“ beschreibt, wie daraus ein Prototyp mit echten Nutzern entsteht. Wer die eigene Datenlage vorab einschätzen lassen will, bekommt dafür in einem Erstgespräch zur KI-Beratung eine erste, unabhängige Einordnung.

Häufige Fragen

Wie prüft man Datenqualität?

Am schnellsten über eine Stichprobe entlang der sechs Dimensionen Vollständigkeit, Korrektheit, Konsistenz, Aktualität, Eindeutigkeit und Zugänglichkeit. Für eine Kundendatenbank heißt das zum Beispiel, hundert bis zweihundert Datensätze manuell zu prüfen und die Fehlerquote je Dimension festzuhalten, statt die gesamte Quelle vorab zu bereinigen. Das Ergebnis passt auf eine Seite und reicht, um die nächste Entscheidung zu treffen.

Wer ist verantwortlich?

Datenqualität ist selten die Aufgabe einer einzelnen Rolle. Die Fachabteilung kennt die Bedeutung der Felder, die IT kennt die technischen Zugänge, und das Projektteam für das KI-Vorhaben muss beide Sichten zusammenführen. Ohne eine benannte Person, die diese Abstimmung koordiniert, bleibt sie ein Thema, für das sich am Ende niemand zuständig fühlt. In kleineren Teams reicht dafür eine einzelne Ansprechperson mit Zugriff auf beide Seiten, in größeren Organisationen braucht es ein festes Format, etwa einen kurzen wöchentlichen Abgleich während der Pilotphase.

Lohnt sich ein Pilot bei mittelmäßigen Daten?

In den meisten Fällen ja, solange der Anwendungsfall eng genug geschnitten ist. Ein Pilot mit bekannten Lücken zeigt, welche Fehler in der Praxis wirklich stören und welche für das Ergebnis kaum eine Rolle spielen. Diese Erkenntnis lässt sich aus einer Tabelle mit fehlenden Werten kaum gewinnen, aus einem laufenden Prototyp dagegen schon nach wenigen Wochen. Wichtig ist nur, den Pilotumfang eng genug zu halten, damit ein einzelner Datenmangel das Ergebnis nicht gleich unbrauchbar macht.

Warum torck

torck baut KI-Anwendungen mit eigenen Entwicklungsteams in Maxhütte-Haidhof, Wien und Rabat und beginnt jedes Projekt mit einem Blick auf die tatsächliche Datenlage, nicht auf eine Wunschvorstellung davon. Diese Prüfung entscheidet häufig darüber, ob ein Anwendungsfall in sechs Wochen einen Prototyp liefert oder erst nach einem langwierigen Datenprojekt. Wer die eigene Datenbasis realistisch einschätzen will, kann das in einem Erstgespräch zur KI-Beratung klären.

Gespräch vereinbaren