Was sind KI-fähige Daten?

Richtig aufbereitete und verwaltete Daten sind für den Erfolg von KI von grundlegender Bedeutung – wie das Sprichwort schon sagt: „Garbage in, garbage out“ (dt.: „Müll rein, Müll raus“). Korrekte, vollständige und konsistente Daten sorgen für eine bessere Leistung und Produktivitätssteigerungen durch KI in Unternehmen. In der Zwischenzeit hilft eine Datenstrategie für gut verwaltete und geschützte Daten dabei, die Einhaltung gesetzlicher Vorschriften sicherzustellen und die Privatsphäre der Nutzer zu schützen.

Da KI-gestützte Entscheidungen zunehmend zu einem Wettbewerbsvorteil werden, erkennen viele Unternehmen, dass herkömmliche Datenverwaltungs-Verfahren möglicherweise nicht ausreichen, um KI-fähige Daten bereitzustellen. Laut einer Umfrage des IBM Institute for Business Value aus dem Jahr 2024 stimmen nur 29 % der Technologieverantwortlichen voll und ganz zu, dass ihre Unternehmensdaten die Qualitäts-, Zugänglichkeits- und Sicherheitsstandards erfüllen, die für die effiziente Skalierung generativer KI (Gen-AI) erforderlich sind.¹

Um die Datenbereitschaft für die Einführung von KI zu erreichen und aufrechtzuerhalten, können sich Unternehmen auf einige wesentliche Datenpraktiken konzentrieren: einheitlicher Zugriff, Governance, Sicherheit und Support. Durch die Schaffung dieser grundlegenden Voraussetzungen können Unternehmen sicherstellen, dass ihre Daten wirklich KI-fähig sind – und so die KI von einem kostspieligen Experiment in einen leistungsstarken Motor für den Unternehmenswert verwandeln.

Ohne vertrauenswürdige, hochwertige und gut verwaltete Daten können die Ergebnisse von KI-Tools bestenfalls enttäuschend sein – und schlimmstenfalls ungenau, voreingenommen oder ein Risiko für den Datenschutz.

KI-fähige Daten tragen dazu bei, dass KI-Technologien echten Geschäftswert und umsetzbare Erkenntnisse liefern, indem sie Folgendes ermöglichen:

Unternehmen, die Schwierigkeiten haben, mit ihren KI-Initiativen einen ROI zu erzielen, sehen sich häufig mit erheblichen datenbezogenen Hindernissen konfrontiert, die einer echten KI-Bereitschaft im Wege stehen, darunter:

• Datenflut und -fragmentierung
• Schlechte Datenqualität
• Operative Engpässe und Kompetenzlücken
• Sicherheits- und Governance-Risiken

Datensilos sind eine Plage für moderne Datenökosysteme. Diese Bandbreite ist auf verschiedene Faktoren zurückzuführen, die von der Organisationsstruktur und -kultur bis hin zur Komplexität der IT-Systeme und regulatorischen Auflagen reichen. Diese Datenfragmentierung behindert sowohl den täglichen Betrieb als auch strategische Initiativen wie beispielsweise den Einsatz von KI.

Getrennte Daten sind von Natur aus ineffizient und oft unstrukturiert, sodass zusätzliche Schritte für eine effektive Datenaufbereitung und -nutzung erforderlich sind. Die Vorgehensweise ist innerhalb des Unternehmens uneinheitlich und erschwert die Einhaltung regulatorischer Vorgaben und Datenschutzrichtlinien. Diese Probleme verlangsamen den Zugriff auf und die Aufbereitung von KI-fähigen Daten erheblich, was möglicherweise zu einem Anstieg der Kosten und der Komplexität von KI-Programmen führt.

Eine schlechte Datenqualität hat vielfältige Ursachen. Während Datensilos und Fragmentierung ein Beispiel dafür sind, gehören zu den weiteren häufigen Ursachen uneinheitliche Verfahren im Bereich des Datenqualitätsmanagements, veraltete Systeme und Architekturen sowie Herausforderungen bei der Integration. Oft ist es eine Kombination mehrerer dieser Faktoren.

Selbst die fortschrittlichsten KI-Modelle sind von Daten schlechter Qualität betroffen, was zu unzuverlässigen, ungenauen und potenziell voreingenommenen Ausgaben führt. Die Folgen können gravierend sein: finanzielle Verluste durch gescheiterte KI-Projekte, Reputationsschäden durch voreingenommene Entscheidungen oder ein geringeres Vertrauen in den Gesamtwert von KI.

Menschliches Fachwissen ist nach wie vor von entscheidender Bedeutung für die Implementierung von KI. Die rasante Entwicklung von KI und neuen Technologien führt jedoch zu einer Verschiebung der Rollen und einer Vergrößerung der KI-Kompetenzlücke. Viele Unternehmen hinken bei der Aus- und Weiterbildung ihrer Mitarbeiter hinterher, was oft auf ineffektive Lernformate, Budgetbeschränkungen oder unzureichenden Zugang zu den richtigen Tools und Daten zurückzuführen ist.

Ohne ausreichend technisches Fachpersonal könnten die bestehenden Datenteams an ihre Grenzen stoßen. Sie verwalten komplexe, isolierte Datenumgebungen und stehen gleichzeitig unter Druck, schnell KI-fähige Daten für kritische Projekte bereitzustellen.

Erwerben Sie grundlegende Datenkenntnisse mit IBM SkillsBuild: Starten Sie kostenlos mit dem Lernen.

Mit Datenfragmentierung und Komplexität entsteht die Realität, dass sensible und geschützte Daten oft über Geschäftseinheiten, Datenplattformen und Repositorien verteilt sind. Diese Datenflut gibt Anlass zu Bedenken hinsichtlich Compliance, Zugriffskontrolle und Vertrauen.

Die Skalierung von KI im Unternehmen ohne angemessene Sicherheit und Governance erhöht das Risiko und die Komplexität der Vorschriften. Unternehmen, die sich dieser Barriere bewusst sind, aber Probleme damit haben, sie zu beheben, könnten ihre KI-Projekte ins Stocken geraten. Für diejenigen, die sich dessen nicht bewusst sind: Die Risiken nehmen zu, je weiter sie voranschreiten und ihre KI ausbauen.

Moderne KI (insbesondere generative KI) ist auf große Datenmengen angewiesen, um einen echten Mehrwert zu liefern. Zum Glück ist die Datengenerierung nicht auf große Unternehmen beschränkt. Unternehmen jeder Größe generieren jedes Jahr erhebliche Datenmengen über ihre Websites, sozialen Medien, internen Systeme und Kundeninteraktionen.

Dennoch nutzen die meisten Unternehmen ihre Daten zu wenig. Schätzungen zufolge werden nur etwa 1 % der Unternehmensdaten in traditionellen großen Sprachmodellen (LLMs) nutzt.²

Warum sollte man solch wertvolle KI-Energie verschwenden? Weil die meisten Unternehmensdaten unstrukturiert sind. Sie haben kein vordefiniertes Format und stammen aus unterschiedlichen Datenquellen wie PDFs, Beiträgen in sozialen Medien, Bildern, Sofortnachrichten und E-Mails. Weniger als 1% dieser unstrukturierten Daten liegen in einem Format vor, das für den direkten KI-Konsum geeignet ist.³ Mit anderen Worten: Die große Mehrheit der Unternehmensdaten ist nicht KI-fähig.

Strukturierte Daten sind zwar nach wie vor enorm wertvoll, aber das Potenzial unstrukturierter Daten – vielfältig, flexibel und erkenntnisreich – nicht zu nutzen, ist ein strategischer Fehltritt und ein erhebliches Hindernis für die Skalierung von KI in Unternehmen.

Diese Herausforderung spiegelt sich in ernüchternden KI-Ergebnissen wider: Laut der CEO-Studie 2025 des IBM Institute for Business Value (IBV) haben lediglich 16 % der KI-Initiativen unternehmensweite Ausmaße erreicht.

Jetzt ist ein entscheidender Moment für Unternehmen. Der Erfolg oder Misserfolg von KI-Initiativen hängt davon ab, wie effektiv Unternehmen hochwertige Daten – sowohl strukturierte als auch unstrukturierte – für KI aufbereiten und bereitstellen.

Daten, die die folgenden Merkmale aufweisen, können vertrauenswürdige, zuverlässige und wertvolle Anwendungsfälle im Bereich der künstlichen Intelligenz unterstützen:

• Einheitlich und zugänglich
• Reguliert
• Sicher
• Unterstützt

Ihre KI kann nicht auf etwas reagieren, worauf sie keinen Zugriff hat. Ein wichtiger erster Schritt auf dem Weg zur KI-Bereitschaft ist die Einrichtung eines einheitlichen Zugriffs auf Unternehmensdaten. Dies bedeutet, Silos aufzubrechen und eine einheitliche, übersichtliche Sicht auf Informationen zu schaffen, die über Datenbanken, Data Lakes, Anwendungen und Dokumentenarchive verteilt sind.

Je breiter der Zugang, desto größer sind die datengesteuerten Erkenntnisse und der Wert, den KI liefern kann. KI kann über die bloße Bereitstellung interner Antworten hinausgehen und damit beginnen, die Customer Experience oder die betriebliche Effizienz zu verbessern.

Ein einheitlicher Datenzugriff verwandelt außerdem isolierte Daten in wiederverwendbare Assets, mit denen sich einfacher und kostengünstiger arbeiten lässt. Es unterstützt mehrere Workloads und ermöglicht Skaleneffekte, wodurch Daten zu einer strategischen Ressource werden.

Technologien wie Datenintegration und Data-Fabric-Architekturen ermöglichen einen einheitlichen Zugriff:

Die Datenintegration wandelt Daten aus Hybrid- und Multi-Cloud-Umgebungen um und harmonisiert sie zu einheitlichen, kohärenten Formaten, die für KI-Anwendungsfälle bereit sind. Die Echtzeit-Datenintegration unterstützt insbesondere Anwendungsfälle im Bereich der künstlichen Intelligenz und der Automatisierung.

Data Fabrics schaffen eine virtuelle, einheitliche Ansicht aller Unternehmensdaten, ohne diese physisch zu verschieben. Sie vereinen Funktionen wie Datenkataloge, verteilte Metadaten, Datenintegration, Virtualisierung und maschinelles Lernen, um Anwendern zu helfen, KI-fähige Daten schnell zu finden, darauf zuzugreifen und sie zu nutzen. 

Effektive Data Governance trägt dazu bei, die Datenintegrität, Sicherheit, Qualität und den Zugang durch klare Richtlinien, Prozesse und Standards sicherzustellen. Eine solide Governance-Grundlage verwandelt Unternehmensdaten in hochwertige, vertrauenswürdige KI-fähige Assets, die für eine verantwortungsvolle KI-Entwicklung unerlässlich sind.

Datenschutzgesetze und KI-bezogene Vorschriften entwickeln sich schnell weiter und erfordern oft eine detaillierte Modelldokumentation. Dazu gehören Informationen über die Herkunft der Daten, die Abstammung und die Zweckmäßigkeit der Daten – unterstützt durch hohe Strafen bei Nichteinhaltung. Nach dem EU AI Act können die Strafen beispielsweise je nach Verstoß bis zu 35 Millionen EUR oder 7 % des weltweiten Jahresumsatzes eines Unternehmens betragen.

Auch Verzerrung und Genauigkeit sind wachsende Bedenken, wobei fast die Hälfte der befragt CEOs sich über diese Risiken Sorgen macht. In hochriskanten Bereichen wie Gesundheitswesen und Finanzen, in denen KI kritische Entscheidungen beeinflussen könnte, ist eine robuste Data Governance entscheidend, um Fairness und Vertrauen zu wahren.

Starke Governance-Frameworks mindern diese Risiken und fördern qualitativ hochwertige Daten durch Maßnahmen wie:

• Zugriffskontrollen, Dokumentenabstammung und Nutzungsrichtlinien, die Datenschutz und regulatorische Einhaltung unterstützen
  
  
• Klare und durchsetzbare Standards im gesamten KI-Lebenszyklus sowie automatisierte Werkzeuge zur Erkennung von Verzerrungen für faire und genaue Datenpraktiken
  
  
• Lösungen für Datenbereinigung, Datenvalidierung und Datenbeobachtbarkeit, die helfen, Datengenauigkeit, Sauberkeit und Aktualität sicherzustellen
  
  
• Metadaten-Management-Werkzeuge, die Datensatz mit beschreibenden, strukturellen und administrativen Metadaten kategorisieren, sodass KI-Modelle auf genauen, relevanten Informationen trainiert werden

Zwar wird Datensicherheit oft als Teil einer umfassenderen Unternehmensführung betrachtet, doch verdient sie besondere Beachtung, wenn es um KI-fähige Daten geht. Generative KI bringt eine Reihe neuer Herausforderungen im Bereich der Datensicherheit mit sich, wie beispielsweise Datenlecks und Prompt-Injection-Angriffe, die proaktives Handeln erfordern.

Ein einziger Sicherheitsverstoß kann die finanzielle Lage eines Unternehmens massiv beeinträchtigen. Laut dem IBM-Bericht „Cost of a Data Breach 2025“ belaufen sich die weltweiten Durchschnittskosten einer Datenpanne auf 4,4 Millionen USD.

Um die Sicherheit der Daten während des gesamten KI-Lebenszyklus (von der Erfassung und Aufbereitung bis hin zum Training und zur Löschung) zu gewährleisten, sollten Unternehmen drei zentrale Grundsätze der Datensicherheit berücksichtigen: Erfassung, Schutz und Überwachung.

KI-fähige Daten sind für sich genommen nicht wertvoll. Sie entfaltet ihre volle Wirkung nur, wenn sie durch die entsprechenden personellen Kompetenzen und die entsprechende Dateninfrastruktur unterstützt wird.

Um KI-Systeme erfolgreich einzuführen und zu skalieren, benötigen Teams aus verschiedenen Funktionsbereichen Schulungen und Weiterbildungen in unterschiedlichem Umfang. Die Mitarbeiter sollten sich grundlegende Kenntnisse über KI-Konzepte, Workflows, Entscheidungsfindung und den verantwortungsvollen Umgang mit KI aneignen.

Zwar muss nicht jeder ein Data Scientist werden, aber eine Kultur der Datenkompetenz und Datendemokratisierung kann Menschen befähigen, KI-Anwendungen selbstbewusst zu nutzen und datengestützte Entscheidungen zu treffen. Darüber hinaus können Schulungen zur Identifizierung von Verzerrung und KI-Ethik die Unternehmensführung für vertrauenswürdige KI stärken.

Unternehmen sollten außerdem prüfen, ob ihre Datenspeicher-Infrastruktur bereit ist, die Leistung und Kapazitätsanforderungen von KI-Workloads zu erfüllen. Insbesondere LLMs benötigen erhebliche Speicherressourcen in mehreren Umgebungen. Um diesen Anforderungen gerecht zu werden, setzen viele Unternehmen heute auf Speicherlösungen wie Cloud Object Storage, Flash-Speicher und Data Lakes, Warehouses und Lakehouses.