Es gibt einen Satz in der KI-Welt, der alles auf den Punkt bringt: Garbage in, garbage out. Was auch immer du in ein KI-System hineingibst — die Qualität der Ausgabe hängt direkt von der Qualität der Eingabe ab. Kein Modell, egal wie leistungsfähig, kann aus schlechten Daten gute Ergebnisse machen.
Und trotzdem ist Datenqualität das Thema, über das am wenigsten gesprochen wird. Alle reden über ChatGPT, über Agenten, über Automatisierung. Aber das Fundament — also die Daten, auf denen all das aufbaut — bleibt oft im Schatten.
Das ändert sich in diesem Artikel.
Schmutzige Daten klingen dramatisch, sind aber meistens ganz banal. Ein Kaufdatum, das als „00.00.0000″ eingetragen ist. Kundennamen doppelt im System. Eine Spalte, die mal in Euro, mal in Dollar erfasst wurde. Einträge, die schlicht fehlen.
In einem Excel-Sheet ist das nervig. In einem KI-Trainingsprozess ist das ein ernsthaftes Problem — denn das Modell lernt aus genau diesen Daten. Wenn die Daten lückenhaft, inkonsistent oder falsch sind, lernt die KI Muster, die es so gar nicht gibt. Oder sie lernt gar nichts Verwertbares.
Es gibt dabei verschiedene Typen von Datenproblemen:
Fehlende Werte — Informationen, die schlicht nicht erfasst wurden. Das Modell muss damit irgendwie umgehen: entweder die betroffenen Datensätze löschen (und damit Information verlieren) oder sie durch Durchschnittswerte ersetzen (und dabei riskieren, die Realität zu verfälschen).
Duplikate — Doppelte Einträge lassen das Modell bestimmte Datenpunkte übergewichten. Das klingt harmlos, verfälscht aber das Gesamtbild.
Veraltete Daten — Eine Kundendatenbank aus 2019 in einem Modell von 2025 zu nutzen, ist wie mit einer alten Landkarte durch eine neu gebaute Stadt zu navigieren.
Einseitige Quellen — Wenn Daten nur aus einer Region, einer Altersgruppe oder einem Kanal stammen, lernt die KI eine verzerrte Realität. Das ist der Ausgangspunkt für Bias — und Bias hat in manchen Fällen juristische Konsequenzen.
Der offensichtlichste Schaden: Das Modell trifft schlechte Vorhersagen. Eine KI, die Lagerbestände optimieren soll, aber mit fehlerhaften Bestelldaten trainiert wurde, wird Empfehlungen machen, die in der Praxis nicht funktionieren.
Weniger offensichtlich, aber genauso real: Wenn eine KI auf Basis verzerrter Daten Entscheidungen trifft — zum Beispiel in der Personalauswahl oder in der Kreditvergabe — entstehen Diskriminierungsmuster, die das Unternehmen rechtlich angreifbar machen. Die DSGVO und der EU AI Act stellen klare Anforderungen an Transparenz und Nachvollziehbarkeit von KI-Entscheidungen. Wer das ignoriert, riskiert nicht nur Bußgelder, sondern auch Vertrauensverlust.
Und dann ist da noch das Problem mit den Datensilos: Viele Unternehmen haben riesige Datenmengen — aber sie liegen verteilt in verschiedenen Systemen, in unterschiedlichen Formaten, teilweise nicht kompatibel miteinander. Bevor eine KI damit arbeiten kann, braucht es erheblichen Aufbereitungsaufwand. Wer das im Projektplan nicht einkalkuliert, erlebt böse Überraschungen — sowohl zeitlich als auch finanziell.
Datenreinheit ist kein einmaliges Aufräumproject. Es ist ein Prozess.
Datenverantwortung klären. Wer in deinem Unternehmen ist für welche Daten zuständig? Wenn das niemand weiß, ist das die erste Baustelle. Ohne klare Ownership bleibt Datenpflege eine Aufgabe, für die sich am Ende niemand zuständig fühlt.
Regelmäßige Audits einplanen. Daten altern. Was heute sauber ist, kann in einem Jahr veraltet sein. Automatisierte Prüfprozesse helfen, Qualitätsprobleme frühzeitig zu erkennen, bevor sie sich ins Modell einschleichen.
Diversität der Quellen prüfen. Nicht nur: Sind die Daten korrekt? Sondern auch: Bilden sie die Realität vollständig ab? Wenn bestimmte Gruppen, Regionen oder Zeiträume fehlen, entstehen blinde Flecken.
Datenschutz von Anfang an mitdenken. Datenschutz und KI schließen sich nicht aus — aber man muss es richtig angehen. Datenanonymisierung, klare Einwilligungen, Compliance-Checks: Das sind keine Bremsen für Innovation, sondern Qualitätsmerkmale. Und langfristig ein Wettbewerbsvorteil, weil Kunden und Partner wissen, dass ihre Daten sorgfältig behandelt werden.
Klicke dich mit den Augen eines Erstbesuchers durch deine eigene Website. Versuche, eine bestimmte Information zu finden oder eine Aufgabe zu erledigen. Wo bleibst du hängen? Was fühlt sich umständlich an? Diese selbsterlebte Reise ist oft der beste Weg, um Reibungspunkte aufzudecken.
Datenreinheit ist keine glamouröse Aufgabe. Sie bringt keine spektakulären Demos, keine beeindruckenden Präsentationsfolien. Aber sie entscheidet darüber, ob KI in der Praxis tatsächlich funktioniert — oder nur auf dem Papier gut klingt.
Die spannendsten Modelle der Welt helfen nichts, wenn die Daten dahinter unvollständig, veraltet oder verzerrt sind. Das ist keine pessimistische Aussage — es ist eine Einladung, an der richtigen Stelle anzufangen.
Wer KI ernst nimmt, fängt mit den Daten an.
