Datenqualität und Drift bei KI

Kernfrage für Unternehmen

KI-Projekte scheitern oft nicht am Modell, sondern an unvollständigen, falschen, inkonsistenten, veralteten oder mehrdeutigen Daten sowie an Veränderungen der Realität nach dem Go-live (Niessner 2026).

Typische Stolpersteine

Unternehmen unterschätzen den Datenaufwand. Niessner nennt als Größenordnung, dass 30 bis 60 Prozent des KI-Projektaufwands auf Datenaufbereitung entfallen können. Dieser Aufwand gehört in Business Case, Zeitplan und Ressourcenplanung, statt als technische Nebenarbeit zu verschwinden (Niessner 2026).

Die fünf praktischen Qualitätsdimensionen sind Vollständigkeit, Korrektheit, Konsistenz, Aktualität und Eindeutigkeit. Fehlende E-Mail-Adressen, falsche Geburtsjahre, unterschiedliche Schreibweisen, alte Adressen und Dubletten wirken banal, zerstören aber Klassifikation, Personalisierung, Suche, Automatisierung und Reporting (Niessner 2026).

Abbildung: Die fünf Dimensionen Vollständigkeit, Korrektheit, Konsistenz, Aktualität und Eindeutigkeit helfen Fachbereichen, Datenprobleme vor einem KI-Projekt konkret zu benennen. Quelle: eigene Darstellung nach Niessner 2026.

Generative KI verschärft das Problem, weil sie Fehler oft überzeugend formuliert. Bei klassischem Machine Learning erkennt ein Team grobe Datenprobleme schneller an schlechten Kennzahlen oder offensichtlichem Unsinn. Ein Sprachmodell kann aus schlechten Daten eine schön klingende Antwort bauen, die Nutzer:innen eher glauben (Niessner 2026).

Trennen Sie außerdem Datenqualität von Datenform. Eine Tabelle kann korrekte Werte enthalten und trotzdem für eine KI-gestützte Analyse unnötig schwer lesbar sein, wenn verbundene Überschriften, mehrere Tabellenblöcke, Leerzeilen und Zwischensummen vermischt sind. Wickhams Tidy-Data-Prinzip – jede Variable als Spalte, jede Beobachtung als Zeile und jede Art von Beobachtungseinheit als Tabelle – reduziert solche Strukturannahmen, garantiert aber noch keine korrekten oder aktuellen Inhalte (Wickham 2014; Zwingmann 2025). Die praktische Anwendung vertieft KI in Excel und Tabellenkalkulationen.

Bewährte Vorgehensweisen

Prüfen Sie Datenqualität vor der Modellwahl. Das Team sollte zuerst klären, welche Daten der konkrete Use Case wirklich braucht, wo diese Daten liegen, wem sie gehören, wie aktuell sie sind und welche Fehlerarten für den Geschäftsprozess kritisch werden (Niessner 2026).

Bereinigen Sie Daten anwendungsbezogen, nicht unternehmensweit. Für einen Angebotsprozess zählen Produktdaten, Preisregeln, Kundendaten, Anfrage-E-Mails und Bestellhistorie. Das Unternehmen muss nicht zuerst alle Datenbestände perfekt machen, sondern die relevanten Datenquellen belastbar genug für diesen Use Case vorbereiten (Niessner 2026).

Benennen Sie Datenverantwortliche im Fachbereich. Die IT kann Daten verschieben, speichern und technisch prüfen. Ob „GmbH“, „gmbh“ und „Ges.m.b.H.“ dieselbe Kategorie bilden, ob ein Preis gültig ist oder ob ein Kundendatensatz fachlich korrekt wirkt, muss der Fachbereich entscheiden (Niessner 2026).

Der D2A2-Roundtable verschärft diesen Punkt für Skalierung: Datenqualität sollte nicht als technisches Ticket behandelt werden, sondern mit Business-KPIs wie Umsatz, Kundenerlebnis und Risiko verbunden sein. Die sogenannte 1-10-100-Regel hilft bei der Argumentation: Ein Datenfehler kostet am Ursprung wenig, nachgelagert deutlich mehr und nach Auswirkung auf Kund:innen oder Geschäftsergebnis am meisten (Southekal und Zwingmann o. J.).

Drift: warum gute Modelle schlechter werden

Data Drift entsteht, wenn sich die Eingangsdaten verändern. Ein Modell, das E-Mails verarbeitet, sieht plötzlich WhatsApp-Nachrichten. Ein Prognosemodell bekommt Werte außerhalb des bisherigen Bereichs. Ein Sensor liefert andere Signale als früher. Das Modell begegnet unbekanntem Terrain (Niessner 2026).

Concept Drift entsteht, wenn sich die Bedeutung von „richtig“ verändert. Neue Betrugsmuster, andere Kundenpräferenzen oder wirtschaftliche Umbrüche verändern den Zusammenhang zwischen Input und gewünschtem Output. Das Modell kann formal stabil laufen und trotzdem immer schlechter zur Realität passen (Niessner 2026).

Drift senkt Performance, erhöht manuelle Korrekturen, verschlechtert ROI und beschädigt Vertrauen. Deshalb endet ein KI-Projekt nicht mit dem Go-live. Unternehmen brauchen Monitoring, regelmäßige Qualitätsprüfungen, Verantwortliche und einen Plan für Modell-, Prompt-, Daten- und Anbieteränderungen (Niessner 2026).

Einstiegspunkte für die Umsetzung

Starten Sie mit fünf Fragen (Niessner 2026):

1. Welche Datenquellen braucht der Use Case wirklich?
2. Welche Qualitätsfehler sind dort bekannt?
3. Wer im Fachbereich darf Datenregeln entscheiden?
4. Wie testen wir die Extraktionsqualität aus Dokumenten, PDFs oder E-Mails?
5. Welche Kennzahlen zeigen uns, dass Daten oder Realität gedriftet sind?

Vermeiden Sie fünf typische Fehler (Niessner 2026):

• auf LLM-Kompensation vertrauen
• POC-Daten als Produktionsdaten behandeln
• Datenbereinigung an die IT delegieren
• alle Unternehmensdaten gleichzeitig bereinigen wollen
• ohne Datenverzeichnis in ein KI-Projekt starten

Die Einordnung von implizitem Wissen, unstrukturierten Dokumenten, strukturierten Fachdaten und aktuellen Ereignisdaten in eine gemeinsame Unternehmenslogik beschreibt KI-Basisarchitektur für Unternehmen. Die passende technische Einbindung von Unternehmenswissen vertieft Retrieval-Augmented Generation (RAG). Warum Kontextqualität schon vor dem Modellaufruf über die Antwort entscheidet, zeigt Training, Inferenz und Kontextfenster. Die Deploymentfrage behandelt LLM-Deployment: Cloud, Hybrid oder On-prem? (Niessner 2026).