Datenqualität schlägt Datenmenge — auch bei KI

Die grossen Foundation Models benötigen enorme Datenmengen.

Das bedeutet jedoch nicht, dass jedes KI-Projekt möglichst viele Daten braucht.

Gerade im Mittelstand entstehen oft gute Resultate mit kleineren Datensätzen, klar definierten Prozessen, fokussierten Fragestellungen und sauber strukturierten Informationen.

Denn operative KI arbeitet häufig auf sehr spezifischen Problemen:

• Kundensegmentierung
• Nachfrageprognosen
• Dokumentenanalyse
• Wissenssuche
• Prozessoptimierung
• Klassifikation
• Priorisierung

Dafür sind Qualität und Relevanz meist wichtiger als reine Masse.

Viele Unternehmen hoffen, dass grosse Datenmengen fehlende Struktur kompensieren.

Das passiert selten.

Wenn Daten inkonsistent, unvollständig, veraltet, doppelt oder widersprüchlich sind, werden auch grosse Datensätze problematisch.

Mehr Daten bedeuten dann oft: mehr Komplexität — nicht bessere Ergebnisse.

Gerade KMU unterschätzen häufig den Wert ihrer vorhandenen Daten.

Dabei reichen oft bereits:

• saubere Prozessdaten
• strukturierte Kundeninformationen
• konsistente Historien
• klar definierte Kategorien
• stabile Kennzahlen

um sinnvolle Modelle zu entwickeln.

Entscheidend ist nicht, ob Millionen Datensätze existieren. Sondern: ob die vorhandenen Daten tatsächlich etwas über das Problem aussagen.

Datenqualität ist mehr als technische Korrektheit.

Gute Daten sind:

• konsistent
• vollständig
• aktuell
• nachvollziehbar
• relevant
• repräsentativ

Das klingt selbstverständlich — ist in der Praxis aber selten sauber umgesetzt.

Vergrössern

KI-Systeme lernen aus vorhandenen Daten.

Wenn diese Fehler enthalten, Verzerrungen aufweisen, falsch kategorisiert wurden oder wichtige Informationen fehlen, übernimmt das Modell genau diese Probleme.

Der Algorithmus erkennt nicht automatisch, welche Daten sinnvoll sind.

Dadurch entstehen:

• falsche Vorhersagen
• schlechte Klassifikationen
• instabile Resultate
• irreführende Muster

Bei kleinen Datenmengen wirken sich Fehler stärker aus.

Einzelne Ausreisser können:

• Trends verzerren
• Kategorien verschieben
• Vorhersagen verfälschen
• falsche Zusammenhänge erzeugen

Gerade deshalb ist Qualitätsarbeit bei kleineren Datensätzen besonders wichtig.

Viele Projekte fokussieren früh auf Modelle, Frameworks, Tools und Infrastruktur.

Dabei liegt ein grosser Teil des Aufwands häufig woanders: bei der Datenaufbereitung.

Zum Beispiel:

• Dubletten entfernen
• Kategorien vereinheitlichen
• fehlende Werte behandeln
• Strukturen harmonisieren
• Datenquellen zusammenführen

Diese Arbeit wirkt unspektakulär — entscheidet aber oft über den Erfolg eines Projekts.

Datenqualität verbessert nicht nur KI-Systeme.

Sie verbessert auch:

• Reporting
• Prozesse
• Analysen
• Transparenz
• operative Entscheidungen

Oft entsteht bereits durch bessere Datenstruktur grosser Mehrwert — noch bevor ein Modell trainiert wird.

Viele Unternehmen reagieren auf schlechte Resultate mit komplexeren Modellen.

Das ist häufig der falsche Hebel.

Denn ein leistungsfähigeres Modell kompensiert selten grundlegende Datenprobleme.

Oft lohnt es sich mehr:

• Datenqualität zu erhöhen
• Strukturen zu vereinheitlichen
• Inkonsistenzen zu reduzieren
• Prozesse sauberer aufzubauen

Gezielte Verbesserungen der Datenbasis erzeugen häufig grössere Effekte als komplexere Algorithmen.

Viele Qualitätsprobleme entstehen nicht technisch — sondern organisatorisch.

Zum Beispiel:

• unterschiedliche Definitionen
• unklare Verantwortlichkeiten
• manuelle Eingaben
• fehlende Standards
• mehrere parallele Systeme

Dadurch entstehen Inkonsistenzen bereits im Alltag.

Gute Datenqualität beginnt deshalb oft bei klareren Prozessen, saubereren Verantwortlichkeiten und verständlicheren Systemen.

Viele KI-Projekte investieren erst spät in Datenanalyse.

Dann werden Probleme sichtbar, wenn bereits Modelle entwickelt, Systeme integriert oder Prozesse aufgebaut wurden.

Das erhöht Aufwand und Kosten massiv.

Sinnvoller ist: früh Klarheit über das tatsächliche Datenpotenzial zu schaffen.

Zum Beispiel:

• Welche Daten existieren?
• Wie konsistent sind sie?
• Welche Lücken bestehen?
• Welche Daten sind operativ relevant?
• Welche Qualität ist tatsächlich vorhanden?

Mehr Daten bedeuten nicht automatisch mehr Erkenntnis.

Viele Informationen werden nie genutzt, enthalten kaum Signal, sind operativ irrelevant oder erzeugen zusätzlichen Aufwand.

Deshalb ist Priorisierung wichtig. Welche Daten helfen tatsächlich dabei:

• bessere Entscheidungen zu treffen
• Prozesse zu verbessern
• Muster zu erkennen
• operative Probleme zu lösen?

Viele Unternehmen möchten direkt mit KI starten.

Oft liegt der grössere Hebel jedoch zuerst bei:

• saubereren Datenflüssen
• konsistenter Struktur
• klareren Definitionen
• besserer Zugänglichkeit
• stabileren Prozessen

Dadurch entstehen bessere Voraussetzungen — nicht nur für KI, sondern für digitale Entscheidungen insgesamt.

Wir starten nicht mit Modellen.

Wir starten mit Fragen wie:

• Welche Daten existieren bereits?
• Wie zuverlässig sind sie?
• Welche Prozesse erzeugen Inkonsistenzen?
• Welche Informationen fehlen?
• Welche Daten haben tatsächlich operativen Wert?

Erst danach entscheiden wir:

• ob KI sinnvoll ist
• welche Daten relevant sind
• und wie klein sinnvoll gestartet werden kann

Grosse Datenmengen garantieren keine guten KI-Ergebnisse.

Entscheidend ist:

• Datenqualität
• Konsistenz
• Relevanz
• und operative Nutzbarkeit

Gerade für KMU entstehen oft die besten Resultate nicht durch maximale Datenmengen — sondern durch saubere, verständliche und gut strukturierte Informationen.

Denn gute KI beginnt selten mit mehr Daten. Sondern mit besseren Daten.