Datenreife für KI: Was KMU wirklich brauchen — und was nicht
Der häufigste Grund, warum KMU KI aufschieben, ist der Glaube, die eigenen Daten seien nicht bereit. Meist sind die Daten gut genug — sie sind nur verstreut, unbeschriftet und mit Material vermischt, das längst archiviert gehört.
KI-Anbieter reden über Daten, als hätte jedes Unternehmen ein Warehouse, einen Lake und ein Governance-Team. KMU haben SharePoint-Ordner, einen Fileserver, ein ERP, Postfächer und eine Handvoll Tabellen, die still das Geschäft tragen. Die gute Nachricht: Für die meisten praktischen KI-Workflows reicht dieses Rohmaterial.
Was KI-Workflows tatsächlich konsumieren
Assistenten und Automationen brauchen selten alle Unternehmensdaten. Sie brauchen den schmalen Ausschnitt hinter einem Workflow: die Preisliste hinter dem Angebot, die SOPs hinter den Support-Antworten, die Verträge hinter dem Compliance-Check. Datenreife ist eine Frage pro Workflow, kein unternehmensweiter Score.
- Aktuell — die neueste Version ist erkennbar, veraltete sind archiviert.
- Auffindbar — das Material liegt an einem bekannten Ort mit sinnvollen Namen.
- Berechtigt — es ist klar, wer was sehen darf, damit das Tool dieselben Linien respektiert.
- Extrahierbar — Text lässt sich aus den Dateien lesen (Scans brauchen OCR, Tabellen Struktur).
- Verantwortet — jemand steht dafür ein, dass die Quelle wahr bleibt.
Das Cleanup, das sich selbst bezahlt
Ein fokussiertes Cleanup der Quellen eines Workflows dauert typischerweise Tage, nicht Monate. Veraltete Versionen archivieren, Benennung vereinbaren, die zwei, drei kaputten Exportformate reparieren und festhalten, wo die Wahrheit liegt. Jede Stunde hier nimmt Menschen und Maschinen gleichermassen Verwirrung ab.
Was Sie getrost verschieben können
Eine zentrale Datenplattform, eine unternehmensweite Taxonomie, perfekte Stammdaten — nichts davon ist Voraussetzung für ein erstes funktionierendes System. Später kann das sinnvoll werden; als Vorbedingung sorgt es vor allem dafür, dass das erste Projekt nie startet.
- Workflow wählen und die wirklich benötigten Dokumente und Felder auflisten.
- Diesen Ausschnitt bereinigen und beschriften; Veraltetes archivieren.
- Den Ausschnitt mit intakten Berechtigungen ans Tool anbinden.
- Einen Owner benennen, der die Quelle nach dem Launch aktuell hält.
Datenreife zeigt sich in den Antworten
Sobald ein System live ist, kartieren seine falschen und unbeantwortbaren Fragen Ihre echten Datenlücken — derselbe Sensor-Effekt wie bei Wissensassistenten. Beheben Sie die Quellen, auf die die Lücken zeigen, und die Qualität steigt Monat für Monat.
Häufige Fragen
- Brauchen wir ein Data Warehouse, bevor wir mit KI starten?
- Nein. Die meisten KI-Workflows in KMU lesen aus bestehenden Dokumenten und Systemen. Zentrale Plattformen werden später relevant, wenn mehrere Systeme dieselben zentral verwalteten Daten brauchen.
- Unsere Dokumente sind PDFs und Scans — ist das ein Problem?
- Meist beherrschbar. Digitale PDFs lassen sich gut extrahieren; Scans brauchen OCR. Das grössere Risiko sind veraltete Inhalte, nicht das Dateiformat.
- Wie gehen wir mit sensiblen Daten um?
- Schneiden Sie den Workflow so zu, dass das Tool nur berührt, was es braucht, spiegeln Sie Ihre bestehenden Berechtigungen und vereinbaren Sie Verarbeitungsbedingungen mit externen Anbietern, bevor echte Daten angebunden werden.
Weiterführende Artikel
Lassen Sie uns etwas Nützliches bauen.
Erzählen Sie uns, wohin die Stunden verschwinden. Wir antworten in zwei Werktagen mit einer Einschätzung, welches kleinste System diese Stunden zurückholt.