«Unsere Daten sind gut» ist noch kein belastbares Qualitätskriterium. Gerade bei produktiver KI entscheidet der konkrete Zweck darüber, welche Daten wirklich tauglich sind.
Genau hier wird die Diskussion aktuell konkreter. Das Europäische Institut für Telekommunikationsnormen ETSI hat Anfang September einen technischen Bericht veröffentlicht, der Datenqualität anhand von 18 formal definierten Messgrössen fassbar macht. Dazu gehören unter anderem:
- Vollständigkeit, Genauigkeit und Konsistenz
- Aktualität
- Herkunft und Nachverfolgbarkeit
- Repräsentationsverzerrung
- Anonymität und Vertraulichkeit
Eine Führungsfrage, keine reine Technikfrage
Das klingt zunächst technisch. Für CEOs und CTOs ist es vor allem eine Führungsfrage. Denn sobald KI in einen produktiven Prozess eingebunden wird, reicht die Aussage «Unsere Daten sind sauber» nicht mehr. Ein Datensatz kann für einen Zweck gut und für einen anderen ungeeignet sein.
Bei der vorausschauenden Wartung von Maschinen können Aktualität, Vollständigkeit und Rückverfolgbarkeit der Sensordaten entscheidend sein. Bei einer KI, die internes Wissen durchsucht, stehen eher Abdeckung, Herkunft, Vertraulichkeit und die Frage im Vordergrund, ob veraltete Dokumente zuverlässig erkannt werden.
Es gibt deshalb keinen universellen Datenqualitätswert. Es gibt nur Datenqualität in Bezug auf einen konkreten Zweck und ein konkretes Risiko. Das ist aus meiner Sicht der wichtige Fortschritt: Datenqualität wird vom diffusen Vorprojekt zum überprüfbaren Bestandteil des Betriebs.
Drei Konsequenzen für KMU
- Zuerst den Entscheidungszweck definieren, dann Daten bereinigen. Wer ohne klaren Anwendungsfall «alle Daten aufräumen» will, startet ein teures Programm ohne überprüfbares Ziel.
- Wenige passende Messgrössen auswählen und Schwellenwerte festlegen. Nicht alle 18 Dimensionen sind für jeden Prozess gleich wichtig. Entscheidend ist, welche Abweichung einen falschen Entscheid, einen Produktionsstopp oder eine Datenschutzverletzung verursachen könnte.
- Qualität nach dem Go-live weiter messen. Daten verändern sich, Schnittstellen werden angepasst, Quellen fallen aus und Begriffe verschieben sich. Eine einmalige Prüfung vor dem Pilotbetrieb ist keine belastbare Qualitätssicherung.
Wer trägt die Verantwortung?
Damit verschiebt sich auch die Verantwortung. Datenqualität gehört nicht allein ins Data-Team. Der Fachbereich muss sagen, wann Daten für den geschäftlichen Zweck tauglich sind. Die IT muss Herkunft, Transformation und Messung technisch nachvollziehbar machen. Und die Geschäftsleitung muss festlegen, welches Restrisiko akzeptabel ist.
Gerade bei KI ist noch ein weiterer Punkt zentral: Mehr Daten bedeuten nicht automatisch bessere Daten. Wenn Vertraulichkeit, Anonymität oder Herkunft nicht geklärt sind, kann ein grösserer Datenbestand das Risiko sogar erhöhen.
Wer Systeme ganzheitlich verbindet, sollte deshalb nicht nur fragen, ob Daten fliessen, sondern auch, ob ihre Qualität entlang des gesamten Wegs sichtbar bleibt: von der Quelle über Schnittstellen und Transformationen bis zur Anwendung.
Fazit
Produktive KI braucht nicht zuerst mehr Daten. Sie braucht eine verbindliche Definition dafür, welche Daten für welchen Zweck ausreichend gut sind – und einen Prozess, der diese Qualität laufend nachweist.
Für welchen geschäftskritischen KI-Anwendungsfall könnten Sie heute bereits messbar festlegen, was «gute Daten» konkret bedeutet?
Quellen
