Bevor die Frage „Welches Modell?“ beantwortet werden kann, steht eine andere Frage im Raum: Reichen die Daten dafür überhaupt? Die meisten Teams beantworten sie aus dem Bauch heraus, mit „eigentlich schon“. Genau an dieser Stelle beginnt der teuerste Teil vieler KI-Projekte: die Nacharbeit an Daten, die vor dem Start niemand geprüft hat.
Fünf Felder geben auf die Ausgangsfrage eine belastbare Antwort, ohne dass dafür Wochen vergehen müssen. Dieser Leitfaden erklärt, was jedes Feld bedeutet, woran ihr erkennt, ob es tragfähig ist, und wie ihr die Prüfung in eurem eigenen Unternehmen durchführt.
Welche Rolle spielt die Datenaufbereitung für den Erfolg eines KI-Projekts?
Erfahrungswerte aus Projekten zeigen: 70 bis 80 Prozent der Projektzeit fließen in die Datenaufbereitung, nicht in das Modell. Branchenberichte gehen noch weiter und beziffern, dass 70 bis 85 Prozent aller KI-Projekte ihre Ziele verfehlen, mit der Datenbasis als häufigster Ursache. Gartner beziffert die Kosten schlechter Datenqualität auf durchschnittlich 12,9 Millionen US-Dollar pro Jahr und Unternehmen.
Diese Zahlen sind kein Grund, ein KI-Projekt zu verschieben. Sie sind ein Grund, den Aufwand vorher einzuplanen statt ihn während des Projekts zu entdecken. Wer die fünf Felder vor dem Start kennt, verschiebt die Datenarbeit nicht in die teuerste Phase eines Projekts: die Fehlersuche im laufenden Betrieb.
Was passiert, wenn ihr die Prüfung überspringt?
Der Unterschied zeigt sich meist erst nach dem Projektstart, wenn Korrekturen deutlich teurer sind als eine Prüfung vorab:
Welche fünf Felder entscheiden über KI-Readiness?
Die folgenden fünf Felder decken alle Aspekte ab, die vor einem KI-Projekt geklärt sein sollten. Jedes Feld lässt sich unabhängig von den anderen bewerten, gemeinsam ergeben sie ein vollständiges Bild.
Datenqualität: das Fundament
Datenqualität prüft, ob dieselbe Kennzahl über alle Systeme hinweg denselben Wert ergibt, ob Werte regelmäßig fehlen und ob eine Zahl fachlich erklärbar bleibt. Eine Umsatzkennzahl, die im Vertrieb anders berechnet wird als im Controlling, produziert in jeder KI-Anwendung widersprüchliche Antworten, unabhängig davon, wie gut das Modell ist.
Domänenwissen & Semantik: der unsichtbare Kontext
Domänenwissen steckt in den meisten Unternehmen in Köpfen, nicht in Dokumenten. Der einfachste Test: Würde eine neue Kollegin die Bedeutung der Daten verstehen, ohne nachzufragen? Wenn nicht, fehlt einer KI dieselbe Information, und sie füllt die Lücke mit einer Vermutung statt mit Wissen.
Datenzugriff & Governance: die Freigabe vor dem Zugriff
Bevor ein KI-System automatisiert auf Daten zugreift, muss geklärt sein, wer diese Nutzung freigibt und wie Datenschutz sichergestellt wird. Diese Klärung nachträglich vorzunehmen, nachdem ein System bereits produktiv läuft, ist der aufwendigere und riskantere Weg.
Architektur: der technische Zugang
Eine offene Architektur bedeutet nicht, dass alle Systeme ausgetauscht werden müssen. Sie bedeutet, dass Daten über eine definierte Schnittstelle automatisiert abrufbar sind, statt bei jeder neuen Anfrage einen manuellen Export zu erfordern. Wiederkehrende manuelle Exporte sind das deutlichste Signal für eine zu geschlossene Architektur.
Use Cases: der Grund für alles Übrige
Der Use Case bestimmt, welche der vorherigen vier Felder überhaupt relevant sind. Ein Use Case mit hohem, gut messbarem manuellem Aufwand und überschaubarem Datenbedarf ist der bessere erste Schritt als ein technisch elegantes, aber datenintensives Vorhaben.
Welches der fünf Felder ist bei euch die größte Lücke?
Das klären wir gemeinsam in einem kostenlosen Gespräch.
Wie prüfst du die fünf Felder in deinem Unternehmen?
Die folgenden fünf Schritte lassen sich in ein bis zwei Tagen durchführen, ohne dass dafür ein externes Tool nötig ist. Sie liefern kein perfektes Bild, aber eine belastbare erste Einschätzung.
1. Datenqualität: Für die 2 bis 3 wichtigsten Kennzahlen des geplanten Use Cases stichprobenartig prüfen, ob zwei Systeme denselben Wert ausgeben. Weichen die Werte ab, ist die Ursache oft eine unterschiedliche Berechnungslogik, nicht ein technischer Fehler.
2. Domänenwissen: Eine Kollegin oder einen Kollegen aus einer anderen Abteilung bitten, eine zentrale Kennzahl zu erklären. Fällt die Erklärung schwer, ist das Wissen zu wenig dokumentiert.
3. Governance: In einem kurzen Gespräch mit der Fachabteilung klären, wer aktuell entscheidet, welche Daten wofür genutzt werden dürfen, und ob diese Entscheidung schriftlich vorliegt.
4. Architektur: Die letzte neu erstellte Auswertung zurückverfolgen und prüfen, ob dafür ein manueller Extra-Export nötig war, statt eines automatisierten Abrufs.
5. Use Cases: Alle wiederkehrenden Prozesse mit hohem manuellem Aufwand auflisten und den mit dem besten Verhältnis aus Aufwand und Datenverfügbarkeit auswählen.
Warum BI2run
BI2run nutzt dieses Fünf-Felder-Modell in jedem Projekt als gemeinsame Sprache zwischen Fachbereich, IT und Geschäftsführung. Es ersetzt vage Einschätzungen durch eine nachvollziehbare Struktur, die sich in einem Gespräch erklären lässt, nicht nur in einem internen Bericht. Und wenn die Prüfung ergibt, dass ein Use Case noch nicht startklar ist, sagen wir das auch so, statt ein Projekt zu beginnen, das später ins Stocken gerät.
- 70–80 % der Projektzeit stecken erfahrungsgemäß in der Datenaufbereitung, nicht im Modell.
- 70–85 % der KI-Projekte verfehlen laut Branchenberichten ihre Ziele, meist wegen der Datenbasis.
- 12,9 Millionen US-Dollar pro Jahr kostet schlechte Datenqualität ein Unternehmen im Durchschnitt (Gartner).
- 5 Felder reichen aus, um KI-Readiness strukturiert zu bewerten.
- Jedes Feld, das unklar bleibt, markiert eine Baustelle vor dem KI-Start, keinen Grund zum Abbruch.
Glossar
Häufige Fragen
Müssen alle fünf Felder grün sein, bevor ein KI-Projekt startet?
Nein. Es reicht, wenn die für den konkreten Use Case relevanten Felder tragfähig sind. Andere Baustellen lassen sich parallel oder später angehen.
Welches Feld wird am häufigsten unterschätzt?
Domänenwissen und Semantik. Fachwissen steckt oft in Köpfen, nicht in Dokumenten, und wird deshalb übersehen, obwohl es genauso wichtig ist wie die technische Datenqualität.
Reicht eine einmalige Prüfung der fünf Felder aus?
Für den ersten Use Case ja. Bei jedem neuen Use Case lohnt sich ein erneuter kurzer Blick, da sich Anforderungen und Datenquellen ändern können.
Wie lange dauert die Prüfung der fünf Felder in der Praxis?
Eine erste, grobe Einschätzung lässt sich in ein bis zwei Tagen durchführen. Eine vollständige, dokumentierte Bestandsaufnahme dauert je nach Systemlandschaft einige Wochen.
Was, wenn mehrere Felder gleichzeitig rot sind?
Dann lohnt sich eine Priorisierung statt eines Versuchs, alles gleichzeitig zu lösen. In der Regel blockiert nicht jedes rote Feld den geplanten Use Case gleich stark.
