Daten für KI: Warum Datenqualität der entscheidende Erfolgsfaktor ist

Daten waren schon immer geschäftskritisch. Mit künstlicher Intelligenz wird Datenqualität jedoch zum entscheidenden Erfolgsfaktor. Denn sind Informationen unvollständig, veraltet oder widersprüchlich, sinken Nutzen, Vertrauen und Skalierbarkeit von KI-Anwendungen.

Wie steht es um Daten und KI in Schweizer Unternehmen?

Die Swiss IT-Studie 2026 von Computerworld zeigt die Spannung im Schweizer Markt: 57,1 % der Unternehmen nutzen KI bereits produktiv in einzelnen Bereichen, gleichzeitig nennen 32,1 % Datenqualität als grösstes Hindernis für KI-Use-Cases: Viele Unternehmen sind nicht mehr in der Experimentierphase: die Herausforderung liegt in Skalierung, Verlässlichkeit und der Umsetzung von Data Governance und AI Governance.

Warum braucht KI gute Daten?

Daraus entstehen ungenaue Modelle, falsche Priorisierungen und Entscheidungsgrundlagen, fehlerhafte Prognosen sowie fehlerhafte Ergebnisse automatisierter Prozesse. «Modelle sind nur so gut wie die Daten, auf denen sie basieren», resümieren die Autoren der Studie OT Security im Wandel, PAC, 2025/26.

KI skaliert Erkenntnisse genauso wie Fehler. Umgekehrt heisst das: Gute Daten machen KI sicherer, erhöhen deren Businessnutzen und das Vertrauen in die Anwendungen deutlich – zu diesem Schluss kommt auch das Schweizer KI-Handbuch 2026 (1. Edition).

Bei generativer KI ist dieser Zusammenhang schwieriger zu erkennen. Denn GenAI formuliert Antworten, Zusammenfassungen, Empfehlungen oder ganze Texte, die sprachlich überzeugen und schnell plausibel wirken, selbst wenn die zugrunde liegenden Informationen keine gute Qualität aufweisen. Mitarbeitende müssen solche Ergebnisse deshalb kritisch prüfen: Ein KI-Assistent zeigt nicht an, ob seine Antworten auf aktuellen, korrekten und vollständigen Daten beruhen.

Was sind schlechte Daten?

Schlechte Daten sind Daten, die für den jeweiligen Zweck nicht ausreichend verlässlich sind. Sie können falsch, unvollständig, veraltet, widersprüchlich, doppelt vorhanden oder schwer zugänglich sein oder ihre Bedeutung ist in einem bestimmten Geschäftskontext unklar. Ein Beispiel: Für einen einfachen Report können andere Qualitätsanforderungen gelten als für einen KI-Assistenten, der Empfehlungen formuliert oder Prozesse automatisiert.

Was sind Ursachen schlechter Datenqualität?

Schlechte Datenqualität entsteht selten durch einen einzelnen Fehler. Häufig liegen die Ursachen in fragmentierten Systemen, uneinheitlichen Stammdaten, fehlenden Verantwortlichkeiten oder unklaren Pflegeprozessen. Wenn verschiedene Abteilungen Daten unterschiedlich erfassen, aktualisieren oder interpretieren, entstehen inkonsistente Datensätze. Hinzu kommt: Mitarbeitende erfassen Daten im Tagesgeschäft oft für einen konkreten Prozess und nicht so, dass sie später auch für KI-Anwendungen nutzbar sind.

Welche Probleme entstehen durch schlechte Datenqualität bei KI?

Schlechte Daten wirken sich direkt auf Effizienz, Entscheidungen und Vertrauen aus. Reports werden weniger belastbar, Analysen verlieren an Aussagekraft und der Aufwand, KI-Ergebnisse im Nachgang zu kontrollieren und vor allem zu korrigieren, steigt. Statt Prozesse zu beschleunigen, verschiebt sich der Aufwand von der Erstellung hin zur Prüfung und Korrektur. Das ist unproduktiv.

Umgekehrt zeigt sich der Nutzen guter Datenqualität im Arbeitsalltag rasch: Entscheidungen werden belastbarer, manuelle Korrekturen nehmen ab und Daten lassen sich für mehrere Anwendungsfälle wiederverwenden. Gute Daten schaffen bessere KI-Ergebnisse und erhöhen damit das Vertrauen in digitale Prozesse insgesamt.

Wie lässt sich schlechte Datenqualität früh erkennen?

Schlechte Datenqualität zeigt sich oft früh. Ein klares Warnsignal ist, wenn Fachpersonen derselben Antwort widersprechen: Person A hält eine Aussage des Systems für richtig, Person B für falsch. Dann weist das möglicherweise weniger auf ein rein technisches Problem hin als auf eine unklare Zieldefinition oder widersprüchliches Wissen im Unternehmen.

Weitere Warnsignale sind fehlende Werte in kritischen Feldern, Duplikate, veraltete Dokumente oder mehrere Versionen mit unterschiedlichen Aussagen. Spezifisch bei Machine-Learning- oder Deep-Learning-Anwendungen kommt es darauf an, Features wie Datenpunkte oder Attribute, fachlich eindeutig zu definieren und korrekt zu interpretieren.

Was sind gute Daten und wann sind sie KI-tauglich?

Allgemein gesprochen: Gute Daten müssen nicht perfekt sein. Entscheidend ist, dass sie für den jeweiligen Anwendungsfall ausreichend korrekt, vollständig, aktuell, konsistent und verständlich sind.

Für KI-Anwendungen müssen Unternehmen relevante Informationen klar aufbereiten, zugänglich machen und dokumentieren, damit Fachpersonen sie nachvollziehbar nutzen können. Dazu gehören klare Verantwortlichkeiten, sinnvolle Zugriffsrechte, dokumentierte Quellen und ein Verständnis dafür, welche Datenbasis für welchen KI-Anwendungsfall geeignet ist. Wer also Datenqualität sichert, leistet einen Beitrag zum verantwortungsvollen Umgang mit KI.

Kurze Checkliste: Wann sind Daten KI-tauglich?

Wie verbessern Unternehmen die Datenqualität für KI?

Unternehmen müssen die relevanten Informationen für ihre wichtigsten Prozesse und KI-Anwendungsfälle identifizieren, Verantwortlichkeiten festlegen und Regeln für Pflege, Zugriff und Nutzung definieren. Datenqualität ist damit nicht nur ein technisches Thema, sondern eine strategische und organisatorische Aufgabe.

Entscheidend ist das Zusammenspiel von Datenstrategie, Data Governance und AI Governance: Tim Giger, Principal Data & AI Consultant bei Swisscom, fasst zusammen: «Datenstrategie legt fest, wofür Daten genutzt werden sollen. Data Governance legt fest, wer welche Regeln, Verantwortlichkeiten und Kontrollen dafür definiert. Data Management setzt diese Regeln technisch und operativ im Alltag um. Und AI Governance stellt sicher, dass KI auf dieser Grundlage verantwortungsvoll eingesetzt wird.»

Was ist eine Datenstrategie?

Eine Datenstrategie beantwortet zuerst die strategische Frage: Welche Daten sind für das Unternehmen besonders wertvoll, für welche Geschäftsziele will die Organisation diese nutzen und welche Prioritäten gelten beim Aufbau einer belastbaren Datenbasis? Sie legt damit die Richtung fest – zum Beispiel, ob der Fokus zunächst auf Kundendaten, Prozessdaten, Dokumentenwissen oder Management-Reporting liegt.

Eine starke Datenkultur ist genauso wichtig: Mitarbeitende müssen verstehen, warum Datenqualität zählt und wie ihr Umgang mit Daten Entscheidungen, Prozesse und KI-Ergebnisse beeinflusst.

Was ist Data Governance?

Data Governance definiert Regeln, Verantwortlichkeiten und Prozesse für den Umgang mit Daten. Sie klärt, welche Datenbestände geschäftskritisch sind, wer dafür verantwortlich ist, welche Qualitätsanforderungen gelten und wie sie auffindbar, verständlich und gesteuert nutzbar bleiben.

Data Governance verbindet drei Bereiche: Datenmanagement, IT-Security sowie Compliance und Ethik. Datenmanagement sorgt dafür, dass Informationen qualitätsgesichert, gepflegt und nutzbar sind. IT-Security schützt sie vor unbefugtem Zugriff oder Verlust. Compliance und Ethik stellen sicher, dass der Umgang mit Daten rechtlich korrekt, nachvollziehbar und verantwortungsvoll ist.

Welche Rolle spielt Datenmanagement?

Während Data Governance Regeln, Rollen und Verantwortlichkeiten festlegt, sorgt Datenmanagement dafür, dass diese Vorgaben im Alltag umgesetzt werden. Dabei sind neben strukturierten Informationen in Tabellen, Datenbanken oder Systemen auch unstrukturierte Inhalte in Dokumenten, E-Mails, Bildern oder Wissensdatenbanken relevant. Gerade diese unstrukturierten Datenbestände haben mit GenAI stark an Bedeutung gewonnen.

Zusammengefasst: Datenmanagement hat mit dem Einzug von KI nochmals stark an Relevanz gewonnen und bezieht sich auf die Bewirtschaftung von Daten über ihren gesamten Lebenszyklus hinweg: von der Erfassung und Strukturierung über Pflege, Qualitätssicherung und Dokumentation bis hin zur geregelten Nutzung. Das Schweizer KI-Handbuch 2026 (1. Edition) betont ebenfalls, dass ein solides Datenmanagement Voraussetzung ist, um fehlerhafte KI-Ergebnisse zu vermeiden.

Was ist AI Governance?

Data Governance und AI Governance werden oft gemeinsam genannt, erfüllen aber unterschiedliche Aufgaben: Data Governance schafft die Voraussetzungen für qualitätsgesicherte Daten, AI Governance regelt den verantwortungsvollen Einsatz von KI-Systemen. Im Zentrum stehen Fragen wie: Welche KI-Anwendungen sind erlaubt? Wo braucht es menschliche Überprüfung? Und wie prüfen Unternehmen, ob Ergebnisse zuverlässig, nachvollziehbar und angemessen sind? Ebenso zählt Fairness dazu: Unternehmen müssen prüfen, ob Trainings- und Nutzungsdaten repräsentativ sind, ob Verzerrungen entstehen können und wie sie Bias-Risiken erkennen und reduzieren können.

Auch regulatorische Entwicklungen spielen dabei eine Rolle. Für Unternehmen mit Bezug zum EU-Markt kann der EU AI Act relevant werden. Er verfolgt einen risikobasierten Ansatz und stellt je nach Art und Einsatzbereich eines KI-Systems unterschiedliche Anforderungen an Transparenz, Steuerung und Nachvollziehbarkeit.

Wie viel Datenstrategie und Governance braucht KI?

Die Grundsätze von Datenstrategie und Data Governance gelten für alle Unternehmen. Sobald KI eingesetzt wird, kommt AI Governance als weiterer Baustein hinzu. Der Unterschied liegt vor allem im Umfang und in der Formalisierung: KMU können pragmatisch mit wenigen geschäftskritischen Datenbeständen, klaren Verantwortlichkeiten und einfachen Qualitätsregeln starten.

Grossunternehmen benötigen meist stärker formalisierte Rollen, übergreifende Standards und Governance-Strukturen. In regulierten Branchen kommen branchenspezifische Vorgaben hinzu – etwa FINMA-Anforderungen im Finanz- und Versicherungssektor, Datenschutz- und Informationssicherheitsvorgaben im Gesundheitswesen oder gesetzliche Anforderungen an Nachvollziehbarkeit und Archivierung in der öffentlichen Verwaltung.

Generell lässt sich sagen: Der wichtigste Schritt ist nicht, sofort eine umfassende Governance-Struktur aufzubauen, sondern mit den geschäftskritischen Daten und KI-Anwendungsfällen zu starten. Wer dort Verantwortlichkeiten, Qualitätskriterien und Nutzungsregeln klärt, schafft eine belastbare Grundlage für wirksame KI.