Ist Ihre Datenbasis bereit für KI? Beginnen Sie mit der Entscheidung

Ein und derselbe Kundenbestand kann für eine Aufgabe ausreichen und für eine andere nicht.

Das ist kein Widerspruch. Für einen wöchentlichen Vertriebsbericht mögen diese Daten genügen. Für eine Kreditentscheidung in Echtzeit reichen sie nicht aus.

Im ersten Fall zeigen vergangene Verkäufe einen Trend. Im zweiten Fall braucht das Unternehmen Identitätsdaten, aktuelle Angaben zu Einkommen und Verbindlichkeiten, geltende Risikoregeln und Limits sowie Aufzeichnungen, mit denen sich die Entscheidung später prüfen lässt.

Ob Daten ausreichen, hängt weniger von den Daten selbst ab als von der Entscheidung, die sie tragen sollen.

Deshalb ist die Frage „Sind unsere Daten bereit für KI?“ zu weit gefasst. Zuerst muss klar sein, welcher Arbeitsschritt sich ändern soll, welche Entscheidung besser werden soll und was ein Fehler kostet.

Datenreife ist kein Status für das ganze Unternehmen

Es liegt nahe, die Daten eines Unternehmens als bereit oder nicht bereit zu bezeichnen. Für die nächste Entscheidung hilft dieses Etikett kaum weiter.

Historische Verkaufsdaten können einen monatlichen Nachfragetrend erklären. Sie reichen aber nicht zwangsläufig aus, um vorherzusagen, welche Kunden im nächsten Monat am ehesten kaufen werden. Dafür können zusätzlich Kundeninteraktionen, der Stand im Vertriebsprozess, verlorene Chancen und ein Ergebnisnachweis nötig sein, der die Güte der Vorhersage zeigt.

Das gilt nicht nur für Prognosen. Ein Wartungshandbuch kann eine technische Frage beantworten, aber keinen aktuellen Lagerbestand nennen. Ein Produktkatalog kann für einen Angebotsentwurf genügen, nicht aber für einen verbindlichen Preis.

Es geht nicht um perfekte Daten. Entscheidend sind ausreichend gute Informationen für eine konkrete Entscheidung, die tolerierbare Fehlerquote und das betroffene Geschäftsergebnis.

Benennen Sie zuerst die Entscheidung

Bevor Sie ein Datenvorhaben oder ein KI-Projekt beginnen, sollten Sie vier Fragen klären:

1. Welche Entscheidung oder welcher Arbeitsschritt ändert sich? Einen Bericht zu erstellen, Kunden zu priorisieren, ein Angebot vorzubereiten oder über einen Kredit zu entscheiden, stellt jeweils andere Anforderungen an Daten.
2. Wann müssen die Informationen gültig sein? Ein Preis, Lagerbestand oder Limit von gestern kann heute falsch sein.
3. Was geschieht, wenn Informationen fehlen oder falsch sind? Erstellt das System einen Entwurf, gibt es eine Empfehlung ab oder stößt es eine Handlung mit echten Folgen an?
4. Woran erkennen Sie, dass das Ergebnis gut genug ist? Einige überzeugende Demos reichen nicht. Sie brauchen repräsentative Fälle und Aufzeichnungen, die zeigen, ob die Entscheidung tragfähig war oder die Arbeit abgeschlossen wurde.

Diese Antworten sind wichtiger als die Frage, ob Daten vorhanden sind. Sie zeigen, welche Lücken wirklich ins Gewicht fallen.

Ein Vertriebsteam möchte beispielsweise entscheiden, welche Kunden zuerst angesprochen werden. Vergangene Umsätze können eine erste Reihenfolge liefern. Wenn ein Vertriebsmitarbeiter seine Zeit danach einteilt, braucht er jedoch weitere Informationen: Ist der Kunde noch aktiv? Ist die hinterlegte Ansprechperson zuständig? Wann gab es zuletzt Kontakt? Fehlt dieser Kontext, priorisiert das System möglicherweise Kunden, die früher wichtig waren, heute aber kein Interesse mehr haben. Es fehlt dann nicht an Modellleistung, sondern an dem Kontext, den diese Entscheidung braucht.

Daten sind mehr als Trainingszeilen

Die Informationen für eine betriebliche Entscheidung kommen selten aus einer einzigen Tabelle. Meistens greifen mehrere Arten von Eingaben ineinander:

• Aktueller Zustand: Preis, Bestand, Saldo, Bestellung, Freigabe oder Kundendatensatz.
• Explizite Regel: Ausgabenlimit, Anspruchsvoraussetzung, Rabattregel oder Definition eines aktiven Kunden.
• Historische Beispiele: Beobachtungen und Rückmeldungen für Prognosen oder Klassifikationen.
• Ergebnisnachweis: Belege dafür, ob eine Empfehlung richtig war, die Arbeit abgeschlossen wurde oder sich das Geschäftsergebnis verändert hat.

Diese Quellen müssen nicht in einem System liegen. Entscheidend ist, dass jede Quelle eine klare Bedeutung hat, jemand für sie verantwortlich ist und sie zugänglich ist, wenn die Entscheidung sie braucht.

Ein System für Angebote kann technische Merkmale aus einer Produktdokumentation übernehmen. Ein kundenspezifischer Preis muss aus dem maßgeblichen Vertriebssystem kommen. Eine Ausnahme bei Rabatten kann in einer schriftlichen Richtlinie stehen. Wenn das System diese Quellen nicht auseinanderhalten kann, löst mehr Datenmenge das Problem nicht.

Deshalb ist die Unterscheidung zwischen schriftlichem Wissen, expliziten Regeln und zu lernenden Mustern zunächst eine Frage des Geschäftsdesigns und erst danach eine technische Frage.

Fehlende Daten rechtfertigen nicht immer ein großes Datenprogramm

Wenn Informationen fehlen, gibt es zwei verbreitete Reflexe: anzunehmen, das Modell kenne die Antwort ohnehin, oder sämtliche Unternehmensdaten zu bereinigen und zu zentralisieren.

Beides kann zu früh kommen.

Manchmal ist es sinnvoller, den Umfang einzugrenzen. Ein System zur Rechnungserfassung kann zunächst nur maschinenlesbare PDF-Rechnungen ausgewählter Lieferanten verarbeiten. Scans und unregelmäßige Rechnungen bleiben im bisherigen Prozess.

Manchmal fehlen nicht mehr Daten, sondern Klarheit über ihre Bedeutung. Es kann wertvoller sein, die Bedeutung eines Datensatzes zu klären, eine verantwortliche Person für die Quelle zu benennen oder den Prozess für die Aktualisierung zu verbessern.

Manchmal rechtfertigt der Aufwand für die Aufbereitung nicht den erwarteten Nutzen. Dann sind eine Prozessänderung, die bessere Nutzung vorhandener Software oder der Verzicht auf Automatisierung die passendere Maßnahme.

Datenvorbereitung ist keine Liste zum Abarbeiten. Welche Information fehlt? Welche Entscheidung wird dadurch unsicher? Wer verantwortet die Korrektur, und was kostet sie? Ohne diese Antworten wurde noch keine Entscheidung getroffen. Dann beginnt nur ein Vorbereitungsprogramm ohne klares Ende.

Ausreichende Informationen geben keine Entscheidungsbefugnis

Der Zugang zu korrekten Informationen bedeutet nicht, dass ein System für das Unternehmen entscheiden sollte.

Ein Beschaffungssystem kann Angebote vergleichen, während Lieferantenauswahl, Budgetfreigabe und Bestellung bei Menschen bleiben. Ob die Informationen ausreichen, sagt etwas darüber aus, ob ein System die nötigen Eingaben für zuverlässige Arbeit hat. Berechtigung bestimmt, was es tun darf.

Das sind getrennte Entscheidungen. Wie viel Befugnis ein KI-System erhalten sollte, braucht ein eigenes Entscheidungsdesign.

Die Modellauswahl wird erst sinnvoll, wenn beide Fragen geklärt sind. Bestimmen Sie zuerst das Geschäftsergebnis, das sich ändern soll, und die Informationen, die es stützen. Vergleichen Sie dann KI, herkömmliche Software, Prozessänderungen oder eine andere Maßnahme danach, was die Aufgabe am einfachsten erfüllt. Deshalb sollte ein KI-Projekt nicht mit der Modellauswahl beginnen.

Daten eines Unternehmens sind nicht einfach bereit oder nicht bereit für KI. Die nützlichere Frage lautet:

Was müssen wir für diese Entscheidung wissen, und sind unsere Informationen gut genug angesichts der Folgen, falls wir falschliegen?

Die weiteren Entscheidungen zu Modellen, Informationen, Berechtigungen und Nachweisen finden Sie im Leitfaden zur Gestaltung von KI-Systemen für Ihr Unternehmen.