Kommentar von Arlind Ukaj, q.beyond AG Warum KI nicht ohne Daten funktioniert

Anbieter zum Thema

Q.beyond AG

Board Deutschland GmbH

Disy Informationssysteme GmbH

INFOMOTION GmbH

Immer größere Datenmengen stellen Unternehmen seit Jahren vor Herausforderungen. Trotz zahlreicher Technologien, sie zu sammeln, zu speichern und zu verwalten, bleibt es schwer, daraus echte Mehrwerte zu ziehen. Entscheider beschäftigt deshalb eine wesentliche Frage: Wie lassen sich Daten in wirtschaftliche Vorteile und strategische Fortschritte ummünzen? Besonders im Kontext Künstlicher Intelligenz (KI) zeigt sich, dass die Datenmasse allein nicht ausreicht, um die Erwartungen an Effizienz, Innovation und Wettbewerbsvorteile zu erfüllen.

„Ohne Daten keine KI“ – so lautet ein oft wiederholter Grundsatz. Vorschnell freuen sollten sich Verantwortliche aber nicht. Zwar verfügen die meisten Unternehmen über massenweise Daten – aus der Kundeninteraktion, von IoT-Geräten, aus Geschäftsanwendungen oder aus externen Quellen –, doch viele KI-Initiativen bleiben weit hinter ihrem Potenzial zurück. Gründe dafür gibt es viele. Verantwortliche speisen veraltete, inkonsistente oder unvollständige Datensätze ungeprüft in Systeme ein und verpassen es dabei, unterschiedliche Quellen zielgerichtet zu harmonisieren und Prozesse anzupassen.

Die einzig logische Konsequenz: Auch die besten KI-Modelle liefern fehlerbehaftete oder unpräzise Ergebnisse. Daraus resultieren Fehlentscheidungen, die im schlimmsten Fall zu falschen finanziellen Prognosen führen, die wiederum kostspielige Investitionsbeschlüsse nach sich ziehen. Rufschädigung und rechtliche Konsequenzen sind nur zwei weitere Risiken, die im Bereich des Möglichen liegen. Deshalb sollten Firmen im ersten Schritt das Verständnis für Daten schärfen.

Fünf Datenwahrheiten

Dafür gilt es, mit Missverständnissen aufzuräumen. Häufig zeigt die Praxis, dass Unternehmen an falschen Erwartungen scheitern. Diese fünf Aussagen sollten sie dringend meiden, um ihren Weg zur effizienten und qualitativen Datennutzung zu ebnen:

• 1. „Wir haben genug Daten.“ Es ist nicht die Menge an Daten allein, die Künstliche Intelligenz zum Erfolg führt, sondern ihre Qualität plus die Fähigkeit, diese Daten strategisch zu nutzen.

• 2. „Datenstrategie ist ein reines IT-Thema.“ Daten betreffen alle Unternehmensbereiche. Ohne bereichsübergreifende Verantwortung lässt sich das Potenzial nicht ausschöpfen.

• 3. „Daten schaffen automatisch Wettbewerbsvorteile.“ Sie bieten die Basis, aber erst mit der richtigen Analyse und Anwendung entsteht ein echter Mehrwert.

• 4. „Daten liefern objektive Wahrheiten.“ Datenanalysen können wertvolle Einblicke bieten, aber ihre Interpretation hängt von der Methodik und den zugrunde liegenden Annahmen ab.

• 5. „Daten zu teilen, ist riskant.“ Sicherheit und Offenheit müssen keinen Widerspruch darstellen. Vor allem dann, wenn sich Verantwortliche zuvor ausreichend mit diesen Themen beschäftigt haben. Klare Richtlinien und Zielsetzungen sind Grundvoraussetzungen.

Alle Richtigstellungen führen zu einer essenziellen Handlungsaufforderung: Um in der Datenflut nicht den Überblick zu verlieren und die Chancen datengetriebener Entscheidungen zu ergreifen, müssen Unternehmen einen detaillierten Fahrplan für ihre Daten erarbeiten. Erst wenn strategische Fragen geklärt und Methoden und Technologien gefunden sind, um diese umzusetzen, lässt sich die Datenqualität sichern.

Startpunkt: Datenstrategie

Wie so oft beginnt demnach alles mit einem ausführlichen Plan – der Datenstrategie. Mit ihr fokussieren Unternehmen auf den Soll-Zustand. Ziele und die Vision für wertschöpfende Informationen stecken sie hier ab – und leiten gleichzeitig Anforderungen an eine Infrastruktur ab, die DSGVO-konform, aber auch flexibel sein sollte.

Dabei geht die Datenstrategie weit über die bloße Bereinigung von Datenbanken hinaus und betrachtet den gesamten Lebenszyklus – von der Erfassung über die Verarbeitung bis hin zur Nutzung von Daten in KI-Systemen. Technische Aspekte (Datensammlung, -erhebung und -speicherung) sind ebenso essenziell wie fachliche (Art der Nutzung, Change-Management).

Durch ein systematisches Vorgehen stellen Organisationen sicher, dass Daten nicht nur eine Ressource darstellen, sondern aktiv zur Erreichung von Geschäftszielen beitragen. Das Schlagwort: Wertschöpfung. Drei weitere Punkte sind stets zu beachten.

• 1. Data Governance und Datensicherheit – klare Regeln schaffen Vertrauen: Daten sind ein sensibler Rohstoff. Klare Richtlinien darüber, wer welche Daten nutzen und einsehen darf, dürfen nicht fehlen – auch um Effizienz zu schaffen. Gleichzeitig schützt die Datensicherheit die Integrität und Vertraulichkeit der Daten, indem sie technische und organisatorische Maßnahmen kombiniert. Im Rahmen der Data Governance bietet es sich an, Kataloge und Glossare zu verfassen, um Mitarbeitern den Umgang mit Daten zu erleichtern und die gesteckten Ziele zu erreichen.

• 2. Datenarchitektur – Basis für vernetzte Informationen: Die Datenarchitektur bildet das Fundament einer erfolgreichen Datenstrategie. Sie legt fest, wie Daten gespeichert, vernetzt und verarbeitet werden, um Geschäftsprozesse effizient zu unterstützen. Je nach Bedarf können Unternehmen auf bewährte Data-Warehouse-Strukturen oder moderne, flexible Data Lakes setzen. Entscheidend ist, dass die Architektur sowohl operative als auch analytische Anforderungen erfüllt und eine skalierbare, zukunftssichere Datennutzung ermöglicht.

• 3. Schulungen – Wissen als Basis für Erfolg: Datenstrategien scheitern nicht selten am Verständnis der Mitarbeiter von „sauberen Daten“. Dabei entscheidet ihre Arbeitsweise über vollständige, korrekte und aktuelle Daten. Schulungen sind deshalb unverzichtbar – auch um aufwendige Bereinigungen und damit verbundene Kosten zu minimieren. Sie garantieren, dass der strukturierte Datenpool im Unternehmen existiert und er darüber hinaus sinnvolle Verwendung findet, um Mehrwert zu schaffen.

Next step: Data Intelligence

Dank der Datenstrategie ist Verantwortlichen bewusst, welche Ziele die Datennutzung letztlich verfolgen soll. Doch wie können Verantwortliche das logische nächste To-do – die Überführung in die Praxis – einläuten? Hier setzt Data Intelligence an. Hinter dem Begriff verbergen sich Methoden, Prozesse und Tools, die die Sammlung und Analyse von Daten ermöglichen. Automatisierung, maschinelles Lernen und analytische Methoden spielen in diesem Kontext eine entscheidende Rolle.

Die technische Infrastruktur und die Integration bilden die Basis. Der eigentliche Wert entsteht schließlich durch die aktive Nutzung der zuvor sinnvoll aufbereiteten Daten. Mit den richtigen Werkzeugen wie KI-gestützten Reporting-Tools oder Maschine-Learning-Modellen, die Vorhersagen erstellen, lassen sich Informationen in konkrete Entscheidungen und Strategien übersetzen. Daraus resultiert eine gezielte Interaktion mit Informationen im gesamten Unternehmen. Ziehen Datenstrategie und Data Intelligence an einem Strang, sind Teams darauf ausgerichtet, die Datenqualität langfristig zu verbessern. Garbage in, garbage out gehört somit der Vergangenheit an.

Exkurs: Data Intelligence vs. Business Intelligence – der Unterschied

Obwohl sich die Begriffe Data Intelligence und Business Intelligence oft überschneiden, verfolgen sie unterschiedliche Ziele. Business Intelligence beschäftigt sich hauptsächlich mit der Sammlung, Analyse und Visualisierung aktueller und historischer Geschäftsdaten, um Prozesse zu analysieren und Potenziale zu identifizieren. Data Intelligence geht noch einen Schritt weiter und konzentriert sich auf die Optimierung der Datennutzung durch Mustererkennung und Automatisierung. Für beide Bereiche ist es von essenzieller Bedeutung, eine saubere und umfassende Datengrundlage zu halten.

Intelligente Daten: Datenmüll adé

Viele Unternehmen sehen Künstliche Intelligenz als Gamechanger. Doch ohne solide Datenstrategie und Data Intelligence bleiben KI-Projekte oft wirkungslos. Die besten Algorithmen liefern nur dann wertvolle Erkenntnisse, wenn sie auf qualitativ hochwertigen, konsistenten und gut strukturierten Daten basieren. Unternehmen, die zuerst ihre Datenbasis optimieren, bevor sie KI-Initiativen starten, handeln somit nachhaltig. Neben dem geschaffenen Fundament für erfolgreiche KI-Projekte überzeugt ein weiterer Benefit – der einer agilen, datengetriebenen und langfristig zukunftssicher aufgestellten Organisationsführung.

(ID:50354843)