KI-ready auch ohne Grossprojekt: So schaffen Unternehmen die richtige Datenbasis

Mit KI werden Datenprobleme schneller sichtbar und folgenreicher. Doch wie schaffen Unternehmen eine tragfähige Datenbasis, ohne das Tagesgeschäft zu vernachlässigen oder gleich ein Grossprojekt loszutreten? Tim Giger, Principal Data & AI Consultant, Swisscom, hat dafür praktische Tipps.

Warum KI ohne gute Datenbasis nicht skaliert

Künstliche Intelligenz braucht eine verlässliche Grundlage: bereinigte Daten, auffindbares Wissen, klare Verantwortlichkeiten und ein gemeinsames Verständnis davon, welche Informationen für welchen Zweck genutzt werden dürfen. Genau deshalb ist Datenqualität keine Nebenaufgabe. Tim Giger, Principal Data & AI Consultant, Swisscom, bringt es auf den Punkt: «Ohne tragfähige Datenqualität wird aus einer KI-Investition schnell Korrekturaufwand und im schlimmsten Fall ein Sicherheits-, Compliance- und Vertrauensrisiko.»

«Ohne tragfähige Datenqualität wird aus einer KI-Investition schnell Korrekturaufwand und im schlimmsten Fall ein Sicherheits-, Compliance- und Vertrauensrisiko.»

Tim Giger, Principal Data & AI Consultant, Swisscom

Wie verbessern Unternehmen pragmatisch die Datenqualität?

Datenqualität lässt sich pragmatisch und auch ohne Grossprojekt verbessern. Der entscheidende Punkt ist dabei das richtige Mass. Das gilt gleichermassen für KMU und für Grossunternehmen. Beim Nichtstun kumulieren sich die Probleme und erzeugen einen Domino-Effekt: Datenfehler und Korrekturaufwand nehmen zu; schliesslich bleibt die Akzeptanz aus und die Mitarbeitenden nutzen die zur Verfügung gestellten KI-Tools nicht. Wer hingegen alles auf einmal bereinigen will, überfordert das operative Geschäft.

Erfolgreiche Unternehmen wählen gemäss Tim Giger einen pragmatischen Mittelweg: Sie beginnen mit einem konkreten Use Case und den dafür relevanten Daten. «Der praktische Hebel für bessere Datenqualität ist die Umsetzung eines sauberen Datenmanagements. Data Governance liefert den Rahmen dazu», erklärt Tim Giger.

Wie setzen Unternehmen diesen pragmatischen Mittelweg konkret um?

Aus Sicht von Tim Giger sind die folgenden vier Schritte zentral. Sie zeigen, wie Unternehmen Datenmanagement als operativen Teil der Data Governance nutzen können, um die Datenqualität zu verbessern und die wichtigsten Governance-Fragen rund um KI anzugehen.

1. Gehen Sie Datenqualität abteilungsübergreifend an.
2. Starten Sie mit einem Use Case – nicht mit einem Tool.
3. Bereinigen Sie nicht alle Daten, sondern die relevanten.
4. Lösen Sie zentrale Governance-Fragen vor dem Rollout.

1. Gehen Sie Datenqualität abteilungsübergreifend an

Datenqualität liegt nicht allein bei der IT oder der Compliance. Diese beiden Bereiche schaffen Rahmenbedingungen, technische Umsetzung und Sicherheit. Ob die Daten aber relevant, vollständig und im richtigen Kontext nutzbar sind, wissen die Fachabteilungen. Sie kennen Prozesse, Kundensituationen und Qualitätsanforderungen und müssen deshalb Verantwortung für ihre Daten übernehmen. «Datenqualität beginnt dort, wo jemand Informationen ins System eingibt – also nicht erst in der IT», sagt Tim Giger.

Alle Mitarbeitenden können zu einer besseren Datenqualität beitragen. Dafür braucht es Data Awareness und Data Literacy: Mitarbeitende müssen verstehen, wofür Daten genutzt werden und warum ihre Eingaben später relevant sein können. Tim Giger macht ein Beispiel: «Wer im Support ein Ticket nur mit ‹Problem gelöst› abschliesst, liefert für einen künftigen Support-Chatbot wenig verwertbares Wissen. Wer jedoch versteht, dass das Training von KI-Modellen genau auf diesen Dokumentationen basiert, wird Problemlösung und Kontext eher präzise erfassen.»

2. Starten Sie mit einem Use Case – nicht mit einem Tool

Viele Unternehmen beginnen mit der Suche nach dem passenden Tool – sei es Copilot, ChatGPT Enterprise, Swiss AI Assistant oder ein anderer KI-Assistent. Solche Lösungen sind für die individuelle Produktivität hilfreich wie etwa beim Schreiben, beim Brainstorming, Konzipieren oder Programmieren. Tim Giger differenziert jedoch: «Der sichere Zugang zu KI-Assistenten ist eine wichtige, und zunehmend unausweichliche Grundlage, in etwa vergleichbar mit der Einführung von Office 365, aber noch kein strategischer KI-Use-Case. ‹Wir rollen Copilot aus› oder ‹wir nutzen ChatGPT› beschreibt nicht, welches konkrete Problem gelöst werden soll.»

Tim Giger sagt: «Die zentrale Frage lautet daher nicht: Wo können wir KI einsetzen? Viel wichtiger ist: Welches Business-Problem wollen wir lösen und welche Datenbasis brauchen wir dafür?» Der Use Case bestimmt den Datenbedarf, die Risiken, Qualitätsanforderungen und Verantwortlichkeiten. Entscheidend ist daher weniger, ob KI eingesetzt wird, sondern wie gut die Datenbasis und -qualität sowie Prozesse und Verantwortlichkeiten darauf vorbereitet sind.

3. Bereinigen Sie nicht alle Daten, sondern die relevanten

Sobald Sie den Use Case identifiziert haben, stellt sich die Frage: Welche Daten braucht es dafür? Gerade bei KI-Projekten ist es wichtig, den Scope bewusst zu begrenzen. Unternehmen müssen nicht alle Daten in der Organisation bereinigen. Stattdessen sollten sie den Anwendungsfall als Filter verwenden. Ein Beispiel: Für einen Marketing-Chatbot müssen die relevanten Marketingablagen, Dokumente und Wissensquellen geprüft und bereinigt werden. So entsteht ein sichtbarer Referenzpunkt, der zeigt, welche Ablage- und Datenqualität künftig erwartet wird.

Der erste Schritt in Richtung Data Governance ist also immer eine Bestandsaufnahme: Welche relevanten Daten gibt es im Unternehmen? In welchen Quellsystemen liegen sie? Welche Entitäten sind enthalten – etwa Kund*innen, Produkte, Verträge oder Supportfälle? Und welches System ist jeweils führend? «Gerade die Frage nach dem System of Record ist zentral. Wenn Kundendaten gleichzeitig im CRM und im ERP geführt werden, muss klar sein, welches System für welche Information massgebend ist», ergänzt Tim Giger.

4. Lösen Sie zentrale Governance-Fragen vor dem Rollout

Sind Anwendungsfall und relevante Daten definiert, sollten Unternehmen die wichtigsten Fragen im Kontext von Data Governance und AI Governance klären. Denn auch eine gute Datenbasis allein genügt nicht: Verantwortlichkeiten, Risiken und regulatorische Anforderungen müssen vor dem Rollout festgelegt werden. In regulierten Branchen kommen zusätzliche Anforderungen hinzu, etwa zu Datenschutz, branchenspezifischen Vorgaben oder regulatorischen Prüfpflichten. Aber die Kernfragen bleiben für alle Unternehmen dieselben:

• Welche rechtlichen und regulatorischen Anforderungen gelten?
• Welche Risikoklasse hat das KI-System?
• Was passiert bei einer falschen Antwort?
• Welche Schäden könnten entstehen, insbesondere bei kundenorientierten Anwendungen?
• Wie wird Qualität gemessen, und ab wann ist ein Chatbot, KI-Assistent oder Modell «gut genug»?

Wie Data Governance und AI Governance zusammenspielen und was das für die Umsetzung bedeutet, vertiefen die Swisscom Experten Bernhard Knetsch, Tim Giger und Matthias Mohler im Whitepaper.

Datenqualität umsetzen: Unterschiede zwischen KMU und Grossunternehmen

Die Grundfragen sind für KMU und Grossunternehmen ähnlich, die Umsetzung unterscheidet sich jedoch deutlich. KMU können Governance oft pragmatischer abbilden: mit weniger verantwortlichen Personen, einfachen Übersichten, klaren Regeln, manuellen Stichproben und automatisierten Kontrollen für besonders kritische Datenfelder.

Für die Zuständigkeiten haben sich in der Praxis drei Kernrollen bewährt: Business Sponsor, Data Owner sowie IT- oder Datenschutz-Verantwortliche. Für die Bestandesaufnahme reicht Excel oft aus, in der wichtige Datenobjekte wie Kund*innen, Produkte oder Verträge den jeweiligen Systemen zugeordnet werden.

Grossunternehmen benötigen häufig stärker formalisierte Strukturen: Datenkataloge, Master-Data-Management, Data-Quality-Suites, Monitoring, Auditierbarkeit, Kontrolllandschaften, Incident-Prozesse oder Service Level Agreements. Datenqualität und Governance werden dabei viel stärker durch Technologie unterstützt. Doch auch hier gilt: Technologie ersetzt keine Verantwortung. Datenqualität wird nur besser, wenn die Organisation Daten als Asset versteht und die Datenqualität dauerhaft in Prozessen, Rollen und Kultur verankert.

Was bessere Datenqualität im Unternehmen bewirkt

Der Nutzen guter Datenqualität zeigt sich oft schneller, als viele Unternehmen erwarten. und zwar nicht als abstrakter Governance-Erfolg, sondern ganz konkret im Arbeitsalltag.

Manuelle Korrekturen nehmen ab: Mitarbeitende verbringen weniger Zeit damit, falsche Daten in Excel-Listen, Systemen oder Reports nachzubessern. Unternehmen unterschätzen diesen versteckten Aufwand häufig. Dabei bindet er im Alltag viel Zeit, senkt die Verlässlichkeit von Entscheidungen und behindert produktives und ergebnisorientiertes Arbeiten.

Ein weiterer Effekt ist die Wiederverwendbarkeit: Ein qualitativ hochwertiger Datensatz kann für mehrere Use Cases verwendet werden. Datenqualität ist also Grundlagenarbeit und zugleich Voraussetzung für die Skalierung. Wer Daten als Asset pflegt, schafft ein Fundament, auf dem mehrere KI-Anwendungen aufbauen können.

Vertrauen entsteht durch wiederholt korrekte Ergebnisse: Eine zuverlässige KI-Anwendung nutzen Mitarbeitende. Wenn diese hingegen früh schlechte Antworten liefert, wird das Tool als unbrauchbar abgestempelt, selbst wenn die Technologie leistungsfähig wäre. Gute Datenqualität ist daher entscheidend für die Akzeptanz, sowohl intern bei Mitarbeitenden als auch extern bei Kund*innen.

Vertiefung im Whitepaper: Die Swisscom Experten Bernhard Knetsch, Tim Giger und Matthias Mohler zeigen, wie Unternehmen Datenqualität vor dem KI-Einsatz strukturiert angehen. Mit praktischen Empfehlungen für KMU und Grossunternehmen.

Über Tim Giger

Seit über 12 Jahren gestaltet Tim Giger Data- und AI-Lösungen als Engineer, Architekt und Projektleiter. Er steuert komplexe Vorhaben über verschiedene Tech-Stacks und Branchen hinweg. Seine Expertise in Data Engineering und ML/AI vermittelt er zudem regelmässig als Speaker sowie als Dozent an der HSLU und der HWZ.