Datenqualität für KI: Diese 4 Prüffelder entscheiden über dein Projekt

Der KI-Pilot ist genehmigt, das Tool ist gewählt, die Erwartungen sind hoch. Und dann liefert das System Zahlen, denen im Controlling niemand traut. Die Ursache liegt selten am Modell. Branchenberichte zufolge verfehlen 70 bis 85 Prozent aller KI-Projekte ihre Ziele, und der häufigste Grund sind Datenprobleme, nicht die Technologie.

Datenqualität beschreibt, wie vollständig, konsistent und fachlich nachvollziehbar deine Daten sind. Für KI-Anwendungen kommt eine zweite Ebene dazu: die Datenbeschaffung und Datenaufbereitung, also der Weg von verstreuten Quellsystemen zu einer Basis, mit der ein KI-System zuverlässig arbeiten kann. Wer diese Basis vor dem Projektstart prüft, spart sich die teuerste Form der Nacharbeit: das Reparieren im laufenden Betrieb.

Warum entscheidet die Datenbasis über den Erfolg von KI im Controlling?

Large Language Models haben die Einstiegshürde für KI im Controlling deutlich gesenkt. Ein Modell versteht heute natürliche Sprache, erklärt Abweichungen und schreibt Kommentare. Was sich nicht geändert hat: Das Modell kann nur mit dem arbeiten, was es bekommt. Unterschiedliche Definitionen derselben KPI, fehlende Werte oder uneinheitliche Stammdaten führen auch bei KI-Anwendungen zu unzuverlässigen Ergebnissen.

Die Zahlen dazu sind deutlich. Gartner beziffert die Kosten schlechter Datenqualität auf durchschnittlich 12,9 Millionen US-Dollar pro Jahr und Unternehmen. Erfahrungswerte aus Projekten zeigen zudem, dass 70 bis 80 Prozent der Projektzeit in die Datenaufbereitung fließen, nicht in Modelle oder Prompts. Aus unserer Projekterfahrung gilt: Die Datenqualität ist trotz LLMs nach wie vor einer der größten Aufwandstreiber.

Das ist keine schlechte Nachricht. Es bedeutet nur, dass der Hebel für erfolgreiche KI nicht im Tool-Vergleich liegt, sondern in der Datenstrategie. Und die lässt sich systematisch prüfen.

Welche Frage steht vor jedem KI-Projekt im Controlling?

Die falsche erste Frage bei einem KI-Projekt lautet, welches Tool wir nehmen. Die richtige erste Frage lautet, welcher wiederkehrende Prozess heute die meiste manuelle Zeit kostet. Monatskommentierung, Abweichungsanalysen, Datenzusammenführung für das Reporting. Dort entsteht der größte Mehrwert durch KI, weil sich der Nutzen direkt in gesparten Stunden messen lässt.

Ist der Prozess gefunden, folgt die zweite Entscheidung, und die betrifft die Reihenfolge der Arbeit. Wir arbeiten dabei konsequent in zwei Phasen.

Phase 1: Datenaufbereitung und Datenbeschaffung

Erst die Basis. Die Daten für den gewählten Use Case werden geprüft, bereinigt und dort zusammengeführt, wo sie fehlen oder widersprüchlich sind.

Phase 2: Das KI-Modell

Dann die Technologie. Sobald die Basis trägt, wird das KI-Modell auf dieser Grundlage aufgesetzt, nicht umgekehrt.

Diese Reihenfolge drehen wir nie um. Ein KI-Modell auf einer ungeprüften Datenbasis liefert schnelle Ergebnisse, aber keine zuverlässigen.

Welche 4 Prüffelder gehören zu Phase 1?

Die folgenden vier Felder decken Phase 1 vollständig ab. Sie funktionieren als Selbsttest: Jede Frage, die du nicht klar beantworten kannst, markiert eine Baustelle, bevor Phase 2 beginnt.

1. Datenqualität: Vollständig, konsistent, fachlich nachvollziehbar?

Prüfe, ob dieselbe KPI überall gleich definiert ist, ob Werte fehlen und ob Stammdaten über Systeme hinweg einheitlich sind. Eine Umsatzkennzahl, die im Vertrieb anders berechnet wird als im Controlling, produziert in jeder KI-Anwendung widersprüchliche Antworten. Fachliche Nachvollziehbarkeit heißt: Ein Mensch kann erklären, wie eine Zahl zustande kommt. Kann er das nicht, kann es die KI auch nicht.

2. Domänenwissen: Sind KPIs und Geschäftsregeln dokumentiert?

KPI-Definitionen, Fachbegriffe und Geschäftsregeln stecken in vielen Unternehmen in Köpfen, nicht in Dokumenten. Der Test ist einfach: Würde ein neuer Mitarbeiter die Bedeutung der Daten ohne zusätzliche Erklärungen verstehen? Was für den neuen Kollegen gilt, gilt genauso für jede KI. LLMs bringen viel Allgemeinwissen mit, unternehmensspezifisches Wissen muss in der Regel gezielt ergänzt werden, etwa über digitales Wissensmanagement.

3. Metadaten: Sind Daten beschrieben, für Mensch und KI verständlich?

Metadaten sind die Beschreibung hinter den Daten. Was bedeutet dieses Feld, in welcher Einheit steht dieser Wert, seit wann wird er so erfasst. Ohne diese Beschreibung muss jede KI-Anfrage raten, wofür eine Spalte steht. Mit einer gepflegten Metadaten-Ebene wird aus einer Zahlenkolonne ein Datensatz, den ein KI-System korrekt einordnen kann. Warum das so entscheidend ist, zeigen wir im Artikel Warum Metadaten der Schlüssel zur erfolgreichen KI-Nutzung sind.

4. Datenzugriff: Wer darf was nutzen, und wie einfach ist er abrufbar?

Datenzugriff hat zwei Seiten. Die erste ist Governance: Welche Daten dürfen für Analyse- und KI-Anwendungen genutzt werden, wer ist verantwortlich, wie sind Berechtigungen und Datenschutz geregelt. Die zweite ist Technik: Lassen sich die Daten über eine definierte Schnittstelle automatisiert abrufen, oder braucht es jedes Mal einen manuellen Export. Beide Seiten gehören in die Datenstrategie, nicht in die Nachbesserung.

Wie prüfst du deine KI-Readiness in der Praxis?

Aus dem Zwei-Phasen-Modell und den vier Feldern wird ein konkreter Fahrplan. So gehst du vor:

1. Use Case zuerst wählen. Nimm einen wiederkehrenden Prozess mit hohem manuellem Aufwand, zum Beispiel die Monatskommentierung. Der Use Case bestimmt, welche Daten für Phase 1 überhaupt relevant sind.
2. Datenqualität prüfen. Vollständigkeit, Konsistenz, fachliche Nachvollziehbarkeit. Dokumentiere Lücken, statt sie stillschweigend zu umgehen.
3. Domänenwissen dokumentieren. Schreibe die KPI-Definitionen und Geschäftsregeln für den Use Case auf. Dieses Dokument wird später der fachliche Kontext für dein KI-System.
4. Metadaten ergänzen. Beschreibe Felder, Einheiten und Herkunft der Daten, damit sie ohne Rückfrage verständlich sind, für neue Mitarbeiter genauso wie für die KI.
5. Datenzugriff klären. Kläre schriftlich, welche Daten das KI-System nutzen darf, und prüfe, ob sich diese Daten automatisiert bereitstellen lassen. Erst wenn beides steht, beginnt Phase 2.

Nach diesen fünf Schritten weißt du, ob Phase 1 abgeschlossen ist oder wo noch Datenarbeit ansteht. Beides ist ein brauchbares Ergebnis. Teuer wird es nur, wenn du Phase 1 überspringst und direkt mit dem Modell startest.

Was sagen die Zahlen zur Datenqualität in KI-Projekten?

• 70 bis 85 Prozent der KI-Projekte verfehlen laut Branchenberichten ihre Ziele, häufigste Ursache sind Datenprobleme (Quelle: AIMultiple, 2026).
• 12,9 Millionen US-Dollar pro Jahr kostet schlechte Datenqualität ein Unternehmen im Durchschnitt (Quelle: Gartner).
• 70 bis 80 Prozent der Projektzeit fließen erfahrungsgemäß in Datenaufbereitung statt in Modellierung (Erfahrungswerte aus Kundenprojekten, u. a. quality.de, 2026).
• Über 70 Prozent der Unternehmen nennen Datenqualität als größte Hürde für KI-Projekte (Quelle: Branchenstudien, 2025).

Glossar: Welche Begriffe solltest du kennen?

FAQ: Häufige Fragen zur Datenqualität für KI

Warum reicht ein leistungsfähiges LLM nicht aus, um Datenprobleme auszugleichen?

Ein LLM interpretiert die Daten, die es bekommt, kann aber fehlende Werte, widersprüchliche KPI-Definitionen oder uneinheitliche Stammdaten nicht korrigieren. Es formuliert auf einer schlechten Basis nur überzeugender klingende falsche Antworten. Die Datenqualität bleibt deshalb auch mit LLMs einer der größten Aufwandstreiber.

Wie viel Datenaufbereitung ist vor dem ersten KI-Use-Case nötig?

So viel, wie der konkrete Use Case braucht, nicht mehr. Wer nur die Monatskommentierung automatisieren will, muss nicht das gesamte Data Warehouse bereinigen. Die Eingrenzung auf den Use Case hält Phase 1 kalkulierbar.

Was gehört zu einer Datenstrategie für KI-Anwendungen?

Mindestens vier Bausteine: definierte Qualitätskriterien, dokumentiertes Domänenwissen, eine gepflegte Metadaten-Ebene und geregelter Datenzugriff inklusive Datenschutz. Die Freigabe, welche Daten für KI genutzt werden dürfen, gehört bereits in die Strategie, nicht in die Umsetzung.

Woran erkennst du, dass deine Stammdaten für KI nicht ausreichen?

Typische Signale sind Kunden oder Produkte, die in verschiedenen Systemen unter unterschiedlichen Schlüsseln laufen, manuell gepflegte Mappingtabellen und Berichte, die je nach Quelle andere Summen zeigen. Jedes dieser Signale erzeugt in KI-Anwendungen dieselben Widersprüche wie im klassischen Reporting.

Was sind Metadaten, und warum reicht Datenqualität allein nicht aus?

Datenqualität sagt, ob ein Wert korrekt ist. Metadaten sagen, was dieser Wert überhaupt bedeutet, in welcher Einheit er steht und woher er stammt. Ein korrekter, aber unbeschriebener Wert ist für eine KI trotzdem schwer einzuordnen. Deshalb gehören beide Felder in Phase 1, nicht nur eines davon.

Warum ist BI2run der richtige Partner für Datenaufbereitung und KI?

Wir bauen seit Jahren Datenplattformen für Planung und Controlling, von IBM Planning Analytics bis Power BI, und verbinden sie heute direkt mit KI-Assistenten. Deshalb kennen wir beide Seiten: die Datenarbeit, die vor jedem KI-Projekt steht, und die Use Cases, die den Aufwand rechtfertigen. Deshalb arbeiten wir bei jedem Kunden nach demselben Zwei-Phasen-Modell. Phase 1, Datenaufbereitung und Datenbeschaffung, erst die Basis. Phase 2, das KI-Modell, dann die Technologie. Diese Reihenfolge drehen wir nie um.

Und wenn der Check ergibt, dass eure Datenbasis für den gewünschten Use Case noch nicht trägt, sagen wir das auch so. Dann bekommst du von uns einen priorisierten Plan für Phase 1 statt eines KI-Projekts, das später stockt.