Warum scheitern KI-Projekte an schlechter Datenqualität?
KI-Projekte scheitern häufig an schlechter Datenqualität, weil eine KI aus unvollständigen, widersprüchlichen oder veralteten Stammdaten genauso unzuverlässige Ergebnisse ableitet — das Problem zeigt sich meist erst im Testbetrieb, nicht vorher.
Datenqualität wird bei der Planung von KI-Projekten oft als Nebenpunkt behandelt. In der Praxis entscheidet sie häufiger über Erfolg oder Misserfolg als die gewählte KI-Technologie selbst.
Vorher/Nachher: Automatisierte Rechnungsprüfung mit lückenhaften Stammdaten
Vorher soll eine KI Rechnungen automatisch mit Bestellungen abgleichen, doch in 30 Prozent der Fälle fehlen Lieferantennummern oder sind Artikelbezeichnungen uneinheitlich gepflegt — das Ergebnis sind ständige Fehlzuordnungen, die manuell korrigiert werden müssen.
Nachher werden zunächst die Stammdaten bereinigt und ein einheitliches Format für Lieferantennummern festgelegt, bevor der automatisierte Abgleich erneut getestet wird — die Fehlerquote sinkt deutlich, weil die KI nun auf verlässlicher Grundlage arbeitet.
Beispielrechnung zur Datenbereinigung
Beispielrechnung: Die einmalige Bereinigung von rund 500 Lieferantendatensätzen kostet bei 15 Minuten Aufwand pro Datensatz und 40 Euro Stundensatz etwa 500 Euro internen Aufwand — verglichen mit den laufenden Kosten, die 30 Prozent Fehlzuordnungen bei 300 Rechnungen im Monat verursachen (rund 90 manuelle Nachkorrekturen à 10 Minuten, also 630 Euro monatlich), amortisiert sich die Bereinigung bereits im ersten Monat.
Warum das in der Praxis oft übersehen wird
Datenqualität zeigt sich nicht in der Demo mit ausgewählten Beispieldaten, sondern erst im echten Testbetrieb mit allen Ausnahmefällen — deshalb lohnt sich ein Testlauf mit echten, unbereinigten Daten vor jeder größeren Investition.
Wann ein KI-Projekt trotzdem sofort starten kann
Bei Prozessen mit ohnehin sauber gepflegten, wenigen Datenfeldern (z. B. reine Texterstellung ohne Systemabgleich) ist eine vorgelagerte Datenbereinigung meist nicht nötig.
When it fits — and when it doesn’t
When it fits
- Ein Testlauf mit echten, unbereinigten Daten wurde bereits durchgeführt
- Es gibt eine grobe Einschätzung, wie viele Datensätze fehlerhaft oder unvollständig sind
- Für die Bereinigung ist intern jemand mit Systemzugriff verantwortlich
When it doesn't
- Es wurde bisher nur mit ausgewählten Demodaten getestet
- Stammdaten werden in mehreren Systemen unterschiedlich gepflegt, ohne bekannten Abgleich
- Es gibt keine Kapazität, um Datenprobleme vor dem Rollout zu beheben
Questions about this topic?
We’ll help you find the next concrete step for your company.
Next step
Ready for your AI infrastructure?
Nextise guides you from the first analysis to a productive solution. Ready to deploy in 6–10 weeks.
Let’s talk about your AI transformation together
