Der kritische Zusammenhang zwischen Datenqualität und KI‑Systemen

Warum Generative und Agentic AI höchste Datenqualität erfordert

Mit der zunehmenden Verbreitung von Werkzeugen der künstlichen Intelligenz (KI) und den anhaltenden Diskussionen über deren praktische und ethische Aspekte wird ein entscheidender Punkt häufig übersehen: Die Qualität und der Wert der Ergebnisse von KI‑Anwendungen hängen maßgeblich von der Qualität der Daten ab, mit denen diese Anwendungen „lernen“ und arbeiten.

Unternehmen verlassen sich immer stärker auf KI‑Systeme, um Entscheidungen zu treffen und Innovationen voranzutreiben. In diesem Umfeld ist es keine Option mehr, den Zusammenhang zwischen Datenqualität und KI‑Leistungsfähigkeit zu ignorieren oder zu verharmlosen. Datenqualität, von vielen bislang als rein technisches Thema für IT‑ und Datenmanagement‑Teams betrachtet, hat sich zu einer strategischen geschäftlichen Priorität entwickelt – mit direktem Einfluss darauf, welchen Nutzen Unternehmen aus ihren KI‑Investitionen ziehen.

Eine aktuelle Umfrage von Dun & Bradstreet verdeutlicht dieses wachsende Bewusstsein: Zwar setzen inzwischen 88 % der befragten Organisationen KI ein, doch mehr als die Hälfte (54 %) äußert Bedenken hinsichtlich der Vertrauenswürdigkeit und Qualität der Daten, die sie für ihre KI‑Systeme nutzen.

Fortschritte in der generativen und agentischen KI verstärken den Bedarf an präzisen, vollständigen und unverzerrten Datensätzen zusätzlich, da diese Technologien aus den Informationen lernen und Inhalte generieren, die sie aufnehmen. Mit wachsendem Datenvolumen und steigender Komplexität wird die Sicherstellung hoher Datenqualität zu einem zentralen Faktor für das Management operativer Risiken, die Einhaltung regulatorischer Anforderungen und den Aufbau von Vertrauen bei Stakeholdern in KI‑getriebene Initiativen.

Organisationen, die Best Practices im Datenqualitätsmanagement umsetzen, sind daher besser aufgestellt, eine nachhaltige KI‑Einführung zu erreichen. Gleichzeitig nehmen sie eine führende Rolle bei Innovationen ein und sichern sich Wettbewerbsvorteile in einer datengetriebenen Wirtschaft.

Dieser Artikel beleuchtet die Bedeutung hochwertiger Daten in KI‑Projekten, die Herausforderungen durch mangelhafte Datenqualität sowie die zukünftigen Auswirkungen von Daten auf KI‑Technologien.
 

Datenqualität im Kontext von KI verstehen

Datenqualität beschreibt den Zustand eines Datensatzes und seine Eignung, den vorgesehenen Zweck effektiv zu erfüllen. Im KI‑Kontext ist hochwertige Datenqualität entscheidend für das Training von Modellen, die präzise und zuverlässige Ergebnisse liefern. Schlechte Datenqualität kann zu fehlerhaften Erkenntnissen, verzerrten Ergebnissen und letztlich zu mangelndem Vertrauen in KI‑Systeme führen.

Die Bedeutung von Datenqualität

Hochwertige Daten bilden das Fundament jeder erfolgreichen KI‑Initiative. Sie stellen sicher, dass KI‑Modelle mit korrekten, relevanten und umfassenden Datensätzen trainiert werden, was zu zuverlässigeren Prognosen und Erkenntnissen führt. Unternehmen, die Datenqualität priorisieren, können KI gezielt einsetzen, um Wettbewerber zu überholen, Prozesse zu optimieren und ihren Kunden bessere Erlebnisse zu bieten.
 

Herausforderungen bei der Sicherstellung von Datenqualität

Die enorme Menge an weltweit erzeugten Daten erschwert es, über alle Quellen hinweg eine gleichbleibend hohe Datenqualität sicherzustellen. Daten sind häufig unvollständig, inkonsistent oder veraltet, was zu ungenauen Ergebnissen von KI‑Modellen führt. Unternehmen müssen daher robuste Praktiken im Datenqualitätsmanagement implementieren, um diesen Herausforderungen zu begegnen und die Integrität ihrer KI‑Systeme zu gewährleisten.
 

Eine kurze Definition hochwertiger Daten

Hochwertige Daten eindeutig zu identifizieren ist nicht immer einfach. Ihr Nutzen hängt häufig davon ab, wer sie verwendet und zu welchem Zweck. Zur Orientierung bei der Entwicklung einer soliden Datenstrategie lassen sich vier grundlegende Merkmale definieren:

Genauigkeit

Im Kern bedeutet Genauigkeit, dass Daten korrekt sind. Wenn Sie beispielsweise ein Paket an einen Kunden versenden, muss die Adresse so präzise sein, dass die Zustellung erfolgreich ist.

Gleichzeitig ist Genauigkeit kontextabhängig. Ein Unternehmen kann mehrere Telefonnummern haben – wenn Sie das Hauptbüro erreichen möchten, hilft Ihnen die Nummer der Investor‑Relations‑Abteilung nicht weiter. Genauigkeit muss daher stets im jeweiligen Nutzungskontext bewertet werden.

Vollständigkeit

Vollständigkeit beschreibt, ob ein Datensatz alle relevanten Informationen für einen bestimmten Anwendungsfall enthält. Wenn ein Kundenprofil nur ein Drittel der getätigten Käufe abbildet, wird der tatsächliche Kundenwert unterschätzt. Unvollständige Daten können dazu führen, dass wertvolle Chancen ungenutzt bleiben.

Standardisierung

Standardisierte Daten erleichtern den Vergleich und die Analyse über unterschiedliche Quellen hinweg. Einheitliche Adressformate ermöglichen es beispielsweise, Kundendaten weltweit abzugleichen – selbst bei sehr unterschiedlichen Adressstrukturen wie in Tokio oder New York. Standardisierung ist nicht nur für die Datenerfassung wichtig, sondern auch für das Erkennen von Dubletten und die Sicherstellung von Konsistenz.

Autorität

Verlässliche Daten stammen aus vertrauenswürdigen Quellen. Daten sollten von glaubwürdigen und anerkannten Anbietern kommen, die zu den geschäftlichen Anforderungen passen. Nur auf Basis autoritativer Daten lassen sich fundierte Entscheidungen treffen.

Auswirkungen schlechter Datenqualität auf KI‑Systeme

Mangelhafte Datenqualität kann die Leistungsfähigkeit und Vertrauenswürdigkeit von KI‑Systemen erheblich beeinträchtigen.

Konsequenzen schlechter Datenqualität

1. Ungenaue Prognosen: KI‑Modelle, die mit minderwertigen Daten trainiert werden, liefern fehlerhafte Vorhersagen und führen zu falschen Geschäftsentscheidungen.
2. Bias und Diskriminierung: Unvollständige oder verzerrte Daten können bestehende Vorurteile verstärken und zu unfairen Ergebnissen führen.
3. Vertrauensverlust: Unzuverlässige Ergebnisse untergraben das Vertrauen von Stakeholdern und behindern die Akzeptanz von KI.

Beispiele für KI‑Fehlfunktionen durch schlechte Daten

Mehrere öffentlich bekannte Fälle zeigen, wie wichtig Datenqualität ist. So wurden KI‑Systeme im Recruiting kritisiert, weil sie geschlechtsspezifische oder ethnische Vorurteile reproduzierten – verursacht durch verzerrte Trainingsdaten. Auch im Gesundheitswesen lieferten KI‑Algorithmen schlechtere Empfehlungen für unterrepräsentierte Bevölkerungsgruppen, wenn Trainingsdaten nicht vielfältig oder vollständig waren.

Darüber hinaus haben Chatbots und Sprachmodelle problematische oder irreführende Inhalte erzeugt, wenn sie mit großen Mengen ungeprüfter Texte trainiert wurden – von der Wiederholung stereotyper Aussagen bis hin zur Verbreitung von Verschwörungstheorien oder toxischer Sprache.

Diese Beispiele zeigen: KI ist nur so vertrauenswürdig wie die Daten, aus denen sie lernt. Strenges Datenqualitätsmanagement ist daher nicht nur eine technische, sondern eine grundlegende unternehmerische Verantwortung.

Generative KI und Datenqualität

Generative KI ist in hohem Maße auf hochwertige Daten angewiesen, um effektiv zu funktionieren.

Die Rolle von Daten in der generativen KI

Generative KI‑Modelle wie Large Language Models (LLMs) benötigen große Mengen an Daten, um kohärente und kontextuell relevante Inhalte zu erzeugen. Die Qualität dieser Daten beeinflusst direkt die Aussagekraft und Genauigkeit der Ergebnisse.

Herausforderungen der generativen KI im Hinblick auf Daten

• Datenverfügbarkeit: Vielfältige und umfassende Datensätze sind insbesondere in Nischenbereichen schwer verfügbar.
• Datenbias: Verzerrungen in Trainingsdaten führen zu verzerrten Ergebnissen.
• Datenschutz: Unternehmen müssen Innovation mit Verantwortung verbinden und rechtliche sowie ethische Anforderungen erfüllen. Auch wenn Daten öffentlich zugänglich sind, bedeutet dies nicht automatisch, dass ihre Nutzung ethisch oder rechtlich unbedenklich ist. Selbst dort, wo eine Nutzung grundsätzlich ethisch vertretbar oder rechtlich zulässig sein kann, ist sie häufig an eine Reihe von Voraussetzungen geknüpft, die erfüllt werden müssen, um sicherzustellen, dass die Rechte von Einzelpersonen transparent gewahrt und respektiert werden

Agentic AI und Datenqualität

Agentic AI, also KI‑Systeme, die in der Lage sind, autonome Entscheidungen zu treffen, ist ebenfalls auf hochwertige Daten angewiesen, um effektiv zu funktionieren. In diesem Abschnitt wird das Konzept der Agentic AI erläutert und der Zusammenhang zwischen agentischer KI und Datenqualität beleuchtet.

Was ist Agentic AI?

Agentic AI bezeichnet KI‑Systeme, die darauf ausgelegt sind, menschliche Entscheidungsprozesse nachzuahmen und mit begrenzter menschlicher Aufsicht zu arbeiten. Diese autonomen KI‑Systeme sind auf hochwertige, aktuelle und verlässliche Daten angewiesen, um fundierte Entscheidungen zu treffen und sich dynamisch an veränderte Umgebungen anzupassen.

Im Gegensatz zu traditionellen KI‑Modellen – etwa regelbasierten Expertensystemen, die eine explizite Programmierung erfordern – nutzt Agentic AI fortschrittliche probabilistische Algorithmen sowie Echtzeit‑Datenströme, um Situationen zu bewerten, aus Ergebnissen zu lernen und Strategien kontinuierlich zu optimieren.

Da Agentic‑AI‑Systeme zunehmend zur Unterstützung oder Automatisierung komplexer Geschäftsprozesse eingesetzt werden – beispielsweise in der Lieferkettenlogistik, der Risikobewertung, der Compliance oder der Kundeninteraktion –, steht die Datenqualität in direktem Zusammenhang mit der Leistungsfähigkeit der KI. Ungenaue, unvollständige oder veraltete Daten können zu Fehlentscheidungen führen und das Vertrauen von Stakeholdern nachhaltig beeinträchtigen.

Bedeutung von Datenqualität für Agentic AI

Damit Agentic AI zuverlässig arbeitet, benötigt sie vertrauenswürdige, vollständige und relevante Daten. Schlechte Daten führen zu fehlerhafter Entscheidungsfindung, suboptimalen Ergebnissen und Vertrauensverlust.

Best Practices zur Sicherstellung von Datenqualität in KI

Datenqualitätsmanagement

1. Data Governance: Der Aufbau eines robusten Governance‑Frameworks zur Sicherstellung der Datenqualität. Dazu gehören klar definierte Datenstandards, Rollen und Verantwortlichkeiten, die die Datenintegrität, Transparenz und Compliance im gesamten Unternehmen gewährleisten.
2. Kontinuierliches Monitoring: Durch die Implementierung eines kontinuierlichen Daten‑Monitorings können Unternehmen Probleme bei der Datenqualität in Echtzeit erkennen und beheben. So wird sichergestellt, dass KI‑Modelle jederzeit mit aktuellen, korrekten und verlässlichen Daten trainiert werden.
3. Datenbereinigung und ‑vorverarbeitung: Eine regelmäßige Datenbereinigung und Datenvorverarbeitung hilft dabei, Fehler, Inkonsistenzen und Verzerrungen (Bias) zu entfernen. Dadurch verbessert sich die Gesamtqualität der Datensätze erheblich – eine zentrale Voraussetzung für zuverlässige KI‑Ergebnisse und fundierte datenbasierte Entscheidungen.

Bewertung der Datenqualität

1. Datenqualitäts‑Frameworks: Data‑Quality‑Frameworks helfen Unternehmen dabei, die Qualität ihrer Daten systematisch zu bewerten und gezielt zu verbessern. Ein solides Framework definiert klare Anforderungen und Metriken für Datenqualität, ermöglicht kontinuierliches Monitoring und unterstützt die Umsetzung von Optimierungsmaßnahmen auf Basis regelmäßiger Bewertungen. Bewährte Frameworks sind unter anderem Total Data Quality Management (TDQM), das DAMA‑DMBOK‑Framework sowie der internationale Standard ISO 8000. Sie adressieren zentrale Qualitätsdimensionen wie Genauigkeit, Vollständigkeit, Konsistenz und Aktualität und bieten strukturierte Ansätze zur nachhaltigen Verbesserung der Datenqualität.
2. Human‑in‑the‑Loop: Die Einbindung menschlicher Kontrolle in KI‑Prozesse hilft dabei, Probleme bei der Datenqualität zu erkennen und zu beheben. So wird sichergestellt, dass KI‑Modelle mit hochwertigen, verlässlichen Daten trainiert werden.
    

Rolle von Data‑Quality‑Analysten

Data‑Quality‑Analysten spielen eine entscheidende Rolle bei der Optimierung von künstlicher Intelligenz (KI). Durch die kontinuierliche Überwachung, Bewertung und Verbesserung von Datensätzen stellen sie sicher, dass KI‑Modelle mit korrekten, konsistenten und verlässlichen Daten arbeiten. So lassen sich Fehler, fehlende Werte und Inkonsistenzen frühzeitig erkennen, die die Qualität von KI‑Ergebnissen beeinträchtigen könnten.

Mithilfe moderner Tools und Methoden zur Datenbereinigung und Datenstandardisierung arbeiten Datenqualitätsanalysten eng mit Data Scientists und Data Engineers zusammen und etablieren Prozesse zur laufenden Datenvalidierung. Dieser strukturierte Ansatz erhöht die Genauigkeit von KI‑Modellen, reduziert Bias, unterstützt Compliance‑Anforderungen und ermöglicht fundierte, datenbasierte Geschäftsentscheidungen.

Verbesserung der Datenqualität durch Master Data Management (MDM)

Master Data Management bündelt Unternehmensdaten in einer zentralen, verlässlichen Quelle („Golden Record“) und beseitigt Datensilos. Gerade für generative und agentische KI ist MDM entscheidend, da KI‑Systeme fehlerhafte Daten nicht kritisch hinterfragen können.

Master Data Management umfasst eine Reihe von Strategien und Tools, die darauf abzielen, Unternehmensdaten in einer einzigen, maßgeblichen Quelle zusammenzuführen – oft als „Golden Record“ bezeichnet. Ziel ist es, Datensilos aufzubrechen und doppelte oder widersprüchliche Einträge abzugleichen, sodass alle Mitarbeitenden im Unternehmen mit denselben aktuellen und verlässlichen Informationen arbeiten. Diese einheitliche Datenbasis ist besonders für große Unternehmen von hohem Wert, da sie eine bessere Abstimmung und Konsistenz ermöglicht.

Sobald ein Unternehmen generative (Gen AI) oder agentische KI (Agentic AI) einsetzt, gewinnt Master Data Management zusätzlich an Bedeutung. KI‑Systeme sind bislang nicht in der Lage, fragwürdige Daten so kritisch zu bewerten wie Menschen. Um zu vermeiden, dass Modelle mit fehlerhaften oder verzerrten Informationen trainiert werden, ist es entscheidend, Daten kontinuierlich zu pflegen, ihre Genauigkeit sicherzustellen und sie systematisch zu organisieren.

Die Zukunft der Datenqualität in der KI

Da sich KI‑Technologien kontinuierlich weiterentwickeln, wird die Bedeutung von Datenqualität weiter zunehmen. Unternehmen, die diese neuen Trends und Innovationspotenziale nutzen, sind besser positioniert, um KI gezielt für Innovation und Wachstum einzusetzen.

KI‑gestützte Datenqualitätslösungen

Der Einsatz von KI zur Verbesserung des Datenqualitätsmanagements ist ein aufkommender Trend. KI‑gestützte Lösungen können zentrale Aufgaben automatisieren, darunter:

• Integration, Bereinigung und Verifizierung von Daten, um Inkonsistenzen zu minimieren und die Gesamtzuverlässigkeit zu erhöhen
• Anreicherung von Daten durch zusätzlichen Kontext oder ergänzende Informationen, um deren Nutzwert zu steigern
• Generierung aussagekräftiger Erkenntnisse, die fundierte, datenbasierte Entscheidungen unterstützen
• Erkennung feiner Muster und neuer Trends, die menschlichen Analysten möglicherweise entgehen
• Identifikation von Anomalien und potenziellem Betrug durch fortschrittliche Mustererkennung

Data Observability

Data Observability – also die Überwachung von Datenpipelines und ‑systemen auf Anomalien – gewinnt zunehmend an Bedeutung, um die Datenqualität in KI‑Projekten sicherzustellen.

Synthetische Daten

Der Einsatz synthetischer Daten – künstlich erzeugter Daten, die reale Daten nachbilden – eröffnet neue Möglichkeiten zur Verbesserung der Datenqualität in KI‑Projekten. Synthetische Daten helfen dabei, Herausforderungen hinsichtlich Datenverfügbarkeit und Datenschutz zu adressieren und ermöglichen es Unternehmen, KI‑Modelle mit qualitativ hochwertigen Datensätzen zu trainieren.

Zusammenarbeit und Partnerschaften

Die Zusammenarbeit mit Industriepartnern und relevanten Stakeholdern unterstützt Unternehmen dabei, auf vielfältige und hochwertige Datenquellen zuzugreifen und so die Leistungsfähigkeit ihrer KI‑Systeme zu verbessern.

Fazit

Der Zusammenhang zwischen Datenqualität und KI ist entscheidend für den Erfolg von KI‑Initiativen. Hochwertige Daten stellen sicher, dass KI‑Modelle valide und verlässliche Ergebnisse liefern – „Garbage in, garbage out“ gilt hier uneingeschränkt. Da KI‑Ergebnisse zunehmend als Trainingsbasis für weitere KI‑Systeme dienen, gewinnt Datenqualität weiter an Bedeutung. Unternehmen, die Datenqualität priorisieren und Best Practices im Datenmanagement umsetzen, können das volle Potenzial von KI ausschöpfen und sich nachhaltig an der Spitze ihrer Branche positionieren.