KI im Mittelstand beginnt nicht bei der IT (Serie, Teil 2 von 14)
KI-Artikelzusammenfassung: (Bitte aufklappen.)
Diese Artikelserie verdeutlicht, dass die Einführung von künstlicher Intelligenz primär eine strategische Führungsaufgabe und kein reines IT-Thema ist. Der Autor warnt davor, KI lediglich als Werkzeug zu betrachten, und betont stattdessen die Notwendigkeit einer soliden Unternehmensarchitektur sowie einer hohen Datenqualität. Besonders für den Mittelstand ist es entscheidend, eine kontrollierte Integrationsschicht zwischen veralteten Systemen und modernen Anwendungen zu schaffen, um unstrukturierte Insellösungen zu vermeiden. Der Erfolg hängt maßgeblich davon ab, dass Geschäftsführer vorab klare Fragen zu Haftung, Nutzen und menschlicher Aufsicht klären. Ein pragmatischer Einstieg sollte daher mit wirtschaftlich relevanten Pilotprojekten beginnen, die auf zentralen Prinzipien basieren und schrittweise skalierbar sind. Letztlich fungiert KI als kognitive Ebene, die nur dann wertschöpfend wirkt, wenn sie in geordnete Prozesse eingebettet ist.
Teil 2 Datenqualität entscheidet über KI-Nutzen: Warum künstliche Intelligenz Unternehmenschaos nicht repariert
Viele Unternehmen besitzen heute mehr Daten als je zuvor.
- Kundendaten,
- Auftragsdaten,
- Produktionsdaten,
- Servicedaten,
- Finanzdaten,
- Projektdaten,
- E-Mails,
- Tickets,
- Dokumente,
- Tabellen
Doch genau hier liegt ein gefährlicher Irrtum:
Datenmenge ist keine Datenqualität. Und digital vorhandene Daten sind noch keine KI-fähigen Daten.
Künstliche Intelligenz kann Informationen auswerten, Muster erkennen, Zusammenhänge verdichten und Entscheidungen vorbereiten. Aber sie kann nicht automatisch unterscheiden, ob die zugrunde liegenden Daten vollständig, aktuell, widerspruchsfrei und fachlich richtig sind.
Wenn ein Unternehmen seine eigene Daten- und Prozesslandschaft nicht beherrscht, wird KI dieses Problem nicht lösen. Sie wird es sichtbarer machen, beschleunigen und unter Umständen sogar verstärken.
Datenmenge ist keine Datenqualität. Und digital vorhandene Daten sind noch keine KI-fähigen Daten.
Künstliche Intelligenz kann Informationen auswerten, Muster erkennen, Zusammenhänge verdichten und Entscheidungen vorbereiten. Aber sie kann nicht automatisch unterscheiden, ob die zugrunde liegenden Daten vollständig, aktuell, widerspruchsfrei und fachlich richtig sind.Schlechte Daten sind selten nur ein IT-Problem
Datenqualität wird häufig als technisches Thema betrachtet. Dann soll die IT Daten bereinigen, Schnittstellen verbessern, Datenbanken konsolidieren oder Dubletten entfernen.Das kann notwendig sein. Es greift aber zu kurz.
Schlechte Daten entstehen selten nur durch schlechte Technik. Sie entstehen durch unklare Prozesse, historisch gewachsene Systeme, verteilte Verantwortung, manuelle Nebenwege und unterschiedliche fachliche Wahrheiten in verschiedenen Abteilungen.
Ein Kunde ist im Vertrieb anders gepflegt als in der Buchhaltung. Ein Artikel hat im Einkauf andere Merkmale als in der Produktion. Ein Projektstatus steht im Ticketsystem anders als im Managementbericht. Eine Excel-Liste gilt faktisch als Wahrheit, obwohl sie offiziell gar kein führendes System ist. Ein Mitarbeiter weiß, wie ein Prozess wirklich funktioniert, aber dieses Wissen steht in keinem System.
In solchen Fällen liegt das Problem nicht nur in der Datenbank. Das Problem liegt in der Organisation.
Datenqualität ist deshalb nicht bloß eine technische Eigenschaft. Sie ist Ausdruck davon, wie gut ein Unternehmen seine eigene Wirklichkeit versteht.
KI macht schlechte Daten nicht besser
Eine KI kann schlechte Daten nicht in gute Entscheidungen verwandeln.Sie kann schlechte Daten nur schneller auswerten, besser formulieren und überzeugender präsentieren.
Genau darin liegt das Risiko.
Früher blieben viele Datenprobleme lokal begrenzt. Eine falsche Excel-Liste führte zu Rückfragen. Ein unvollständiger Bericht wurde manuell korrigiert. Ein erfahrener Mitarbeiter erkannte aus Erfahrung, dass eine Zahl nicht plausibel war.
Mit KI verschiebt sich dieses Problem.
Daten werden nicht nur gespeichert oder angezeigt. Sie werden interpretiert, verdichtet und als Empfehlung, Zusammenfassung oder Entscheidungsgrundlage zurückgegeben.
Damit werden schlechte Daten entscheidungsnäher.
Eine KI kann dann Managementberichte erzeugen, die sprachlich überzeugend klingen, aber auf schwacher Datenbasis beruhen. Sie kann Risiken priorisieren, obwohl die Risikodaten unvollständig sind. Sie kann Kunden segmentieren, obwohl Kundendaten widersprüchlich gepflegt wurden. Sie kann Prozessschwächen analysieren, obwohl der tatsächliche Prozess außerhalb des Systems stattfindet.
Das Ergebnis wirkt modern, schnell und intelligent.
Aber es bleibt auf einer unsicheren Grundlage aufgebaut.
Schlechte Daten werden durch KI nicht besser. Sie werden nur schneller, schöner und gefährlicher.
Digitale Daten sind noch keine KI-fähigen Daten
Viele Unternehmen gehen davon aus, dass sie für KI gut vorbereitet sind, weil ihre Daten bereits digital vorhanden sind.Das ist ein Trugschluss.
Für den produktiven Einsatz von KI reicht es nicht, dass Daten irgendwo gespeichert sind. Sie müssen in einem konkreten fachlichen Zusammenhang nutzbar sein.
KI-fähige Daten müssen nicht perfekt sein. Aber sie müssen für den jeweiligen Zweck ausreichend belastbar sein.
Dazu gehören mehrere Fragen:
- Sind die Daten vollständig genug?
- Sind sie aktuell genug?
- Sind sie widerspruchsfrei genug?
- Ist fachlich eindeutig, was ein Datenfeld bedeutet?
- Ist klar, welches System führend ist?
- Sind Berechtigungen und Datenschutz geklärt?
- Sind historische Daten noch gültig oder bereits fachlich überholt?
- Kann die KI den Kontext der Daten verstehen?
- Gibt es eine verantwortliche Stelle für diese Daten?
Der eigentliche Engpass liegt oft in der Unternehmensarchitektu
In gewachsenen Unternehmen entstehen über Jahre viele Einzellösungen. Jede davon hatte einmal einen guten Grund.- Ein System wurde eingeführt, weil eine Fachabteilung schnell handeln musste.
- Eine Excel-Liste entstand, weil das zentrale System eine Auswertung nicht liefern konnte.
- Eine Schnittstelle wurde gebaut, weil zwei Anwendungen irgendwie verbunden werden mussten.
- Ein Workaround blieb bestehen, weil er funktionierte und niemand Zeit für eine saubere Lösung hatte.
Solange erfahrene Mitarbeiter diese Zusammenhänge kennen, bleibt das Unternehmen handlungsfähig. Aber diese Handlungsfähigkeit beruht dann nicht auf sauberer Architektur, sondern auf Erfahrungswissen, Gewohnheit und manueller Korrektur.
Für KI ist das problematisch.
Denn KI benötigt nicht nur Daten. Sie benötigt verständliche, strukturierte und fachlich eingeordnete Daten.
Wenn ein Unternehmen selbst nicht mehr klar sagen kann, welcher Prozess welche Daten erzeugt, welches System führend ist und welche Information für eine Entscheidung maßgeblich sein soll, kann eine KI diese Ordnung nicht zuverlässig nachträglich herstellen.
Wie Unternehmen ihre Datenbasis sanieren
Die Lösung besteht nicht darin, alle Daten sofort perfekt zu machen. Das wäre für viele Unternehmen unrealistisch, zu teuer und häufig auch unnötig.Die bessere Frage lautet:
Welche Daten müssen für welchen unternehmerischen Zweck so gut wie nötig sein?
Datenqualität ist kein Selbstzweck. Sie muss wirtschaftlich priorisiert werden.
Ein sinnvoller Sanierungsweg beginnt deshalb nicht in der Datenbank, sondern bei den wertschöpfenden Prozessen.
Schritt 1: Wertschöpfende Prozesse identifizieren
Am Anfang steht die Frage:Welche Prozesse sind für
- Umsatz,
- Marge,
- Qualität,
- Lieferfähigkeit,
- Kundenzufriedenheit
- oder Liquidität
Nicht jeder Prozess muss zuerst betrachtet werden. Nicht jede Datenquelle ist gleich wichtig. Nicht jede Abweichung rechtfertigt ein großes Sanierungsprojekt.
Für einen Geschäftsführer ist wichtig, die Reihenfolge richtig zu setzen.
- Wo entstehen wirtschaftliche Schäden durch schlechte Daten?
- Wo werden Entscheidungen zu langsam oder unsicher getroffen?
- Wo hängen Abläufe von Einzelpersonen ab?
- Wo führen falsche Informationen zu Reklamationen, Verzögerungen oder Kosten?
- Wo wäre bessere Entscheidungsqualität besonders wertvoll?
Schritt 2: Datenquellen sichtbar machen
Für die priorisierten Prozesse müssen die tatsächlichen Datenquellen sichtbar gemacht werden.Dabei geht es nicht nur um offizielle Systeme.
Wichtig sind auch die inoffiziellen Quellen:
- Excel-Dateien,
- E-Mail-Verteiler,
- lokale Access-Datenbanken,
- geteilte Ordner,
- manuelle Listen,
- PowerPoint-Berichte,
- persönliche Notizen,
- alte Schnittstellen,
- Schattenprozesse
- und Erfahrungswissen einzelner Mitarbeiter.
Für KI ist diese Transparenz unverzichtbar.
Denn eine KI kann nur auswerten, was ihr zugänglich gemacht wird. Und sie kann nur richtig einordnen, was fachlich erklärt und strukturiert wurde.
Schritt 3: Datenverantwortung klären
Eine der wichtigsten Fragen lautet:Wer ist fachlich für welche Daten verantwortlich?
Nicht technisch. Fachlich.
Die IT kann Systeme betreiben. Sie kann Verfügbarkeit, Sicherheit und Schnittstellen verantworten. Aber sie kann nicht allein festlegen, was ein korrekter Kunde, ein gültiger Artikel, ein belastbarer Projektstatus oder ein vollständiger Auftrag ist.
Dafür braucht es fachliche Verantwortung.
- Wer verantwortet Kundendaten?
- Wer verantwortet Artikeldaten?
- Wer verantwortet Lieferantendaten?
- Wer verantwortet Projektdaten?
- Wer entscheidet, welches System führend ist?
- Wer darf Definitionen ändern?
- Wer prüft Datenqualität regelmäßig?
Mit KI wird diese Verantwortung noch wichtiger. Denn aus schlechten oder unklar verantworteten Daten können automatisiert Empfehlungen entstehen, die auf Managementebene wirksam werden.
Schritt 4: Widersprüche und Redundanzen aufdecken
Der nächste Schritt ist die Suche nach widersprüchlichen Wahrheiten.- Gibt es denselben Kunden mehrfach?
- Unterscheiden sich Kundendaten zwischen Vertrieb und Buchhaltung?
- Weicht der Lagerbestand im ERP vom tatsächlichen Lager ab?
- Sind Projektstatus im Ticketsystem und im Managementbericht identisch?
- Gibt es mehrere Listen für dieselben Produkte, Preise oder Liefertermine?
- Werden Stammdaten manuell überschrieben?
- Gibt es Felder, die jeder anders interpretiert?
Denn KI kann nicht zuverlässig entscheiden, welche von drei widersprüchlichen Wahrheiten die richtige ist.
Sie wird entweder eine davon verwenden, eine scheinbare Synthese bilden oder eine plausibel klingende Antwort erzeugen. Aber Plausibilität ist nicht dasselbe wie Richtigkeit.
Gerade für Geschäftsführer ist das gefährlich. Denn gut formulierte KI-Ergebnisse können eine Sicherheit erzeugen, die die Datenbasis nicht verdient
Schritt 5: Datenqualität wirtschaftlich bewerten
Datenqualität darf nicht perfektionistisch verstanden werden.Ein Unternehmen muss nicht jede historische Information fehlerfrei bereinigen. Es muss auch nicht jede Datenquelle sofort modernisieren.
Entscheidend ist die wirtschaftliche Bewertung.
- Welche Daten sind für kritische Entscheidungen relevant?
- Welche Fehler verursachen messbare Kosten?
- Welche Datenfehler gefährden Kundenbeziehungen, Qualität, Compliance oder Liquidität?
- Welche Daten werden für konkrete KI-Anwendungsfälle benötigt?
- Wo reicht eine pragmatische Verbesserung?
- Wo braucht es sehr hohe Genauigkeit?
Daten müssen nicht so gut wie möglich sein. Sie müssen für ihren Zweck so gut wie nötig sein.
Das schützt vor zwei Fehlern.
Der erste Fehler ist Nachlässigkeit: Man setzt KI auf schlechte Daten und hofft, dass es schon funktionieren wird.
Der zweite Fehler ist Perfektionismus: Man startet ein endloses Datenbereinigungsprogramm und kommt nie zur Umsetzung.
Der richtige Weg liegt dazwischen: wirtschaftlich priorisieren, fachlich bewerten und gezielt sanieren.
Schritt 6: Prozesse und Daten gemeinsam bereinigen
Datenbereinigung allein reicht nicht aus.Wenn die Prozesse unverändert bleiben, entstehen dieselben Datenprobleme nach kurzer Zeit erneut.
Wer Dubletten löscht, aber weiterhin mehrere Stellen Kundendaten unabhängig voneinander anlegen lässt, löst das Problem nicht. Wer Pflichtfelder korrigiert, aber niemandem erklärt, warum sie fachlich wichtig sind, bekommt bald wieder schlechte Eingaben. Wer eine Excel-Liste abschafft, aber die benötigte Auswertung im System nicht bereitstellt, erzeugt nur die nächste Schattenlösung. Wer Schnittstellen repariert, aber Verantwortlichkeiten nicht klärt, verschiebt das Problem.
Datenqualität entsteht im Prozess.
Deshalb müssen Prozesse und Daten gemeinsam betrachtet werden.
- Wo entstehen Daten?
- Wer erzeugt sie?
- Wer nutzt sie?
- Wer prüft sie?
- Wann werden sie verändert?
- Welches System ist führend?
- Welche Daten dürfen manuell überschrieben werden?
- Welche Kontrollen sind notwendig?
Schritt 7: KI-fähige Datenbereitstellung aufbauen
Erst nach dieser Vorarbeit wird die technische Bereitstellung sinnvoll.Dann geht es darum, relevante Datenquellen kontrolliert anzubinden, Daten zu filtern, zu strukturieren, fachlich zu mappen und für KI-Systeme nutzbar zu machen.
Dabei müssen
- Berechtigungen,
- Datenschutz,
- Vertraulichkeit,
- Aktualität
- und Nachvollziehbarkeit berücksichtigt werden.
Das erfordert häufig eine saubere Zwischenschicht zwischen bestehenden Systemen und KI-Anwendungen.
Diese Schicht muss Daten aus Altsystemen, Fachanwendungen, Dokumenten und anderen Quellen so aufbereiten, dass sie technisch verwendbar und fachlich verständlich werden.
Hier entsteht der Übergang zum nächsten wichtigen Thema: der Integrationsschicht zwischen vorhandener Unternehmens-IT und KI.
Warum das Chefsache bleibt
Datenqualität klingt zunächst nach IT.Tatsächlich ist sie ein Führungsthema.
Denn die entscheidenden Fragen kann nicht allein die IT beantworten:
- Welche Prozesse sind wertschöpfend?
- Welche Daten sind führungsrelevant?
- Welche Qualität ist ausreichend?
- Welche Risiken sind akzeptabel?
- Welche Verantwortung liegt bei welcher Fachabteilung?
- Welche Altsysteme müssen weiterleben, welche müssen modernisiert werden?
- Welche Entscheidungen sollen künftig daten- oder KI-gestützt getroffen werden?
Deshalb darf die Geschäftsführung Datenqualität nicht als nachgelagertes IT-Aufräumprojekt behandeln.
Wer KI nutzen will, muss Datenqualität als Voraussetzung für Entscheidungsqualität verstehen.
Fazit: Vor KI-Reife kommt Datenreife
Künstliche Intelligenz kann Unternehmen leistungsfähiger machen. Sie kann Informationen schneller auswerten, Zusammenhänge sichtbar machen und Entscheidungen vorbereiten.Aber sie kann keine saubere Unternehmenswirklichkeit erzeugen, wenn diese in Prozessen, Daten und Verantwortlichkeiten nicht angelegt ist.
Schlechte Daten sind selten nur ein technisches Problem. Sie sind meist ein Symptom unklarer Prozesse, verteilter Verantwortung und historisch gewachsener Systeme.
Wer KI auf eine solche Grundlage setzt, erhält keine intelligente Organisation. Er erhält schnelleres Chaos mit besserer Oberfläche.
Der richtige Weg beginnt deshalb vor der KI:
bei den wertschöpfenden Prozessen, bei den relevanten Datenquellen, bei fachlicher Verantwortung, bei wirtschaftlich priorisierter Datenqualität, bei der gemeinsamen Sanierung von Prozessen und Daten, und erst danach bei der technischen Bereitstellung für KI.
Vor KI-Reife kommt Datenreife. Vor Datenreife kommt Prozessverständnis.
Wer diesen Zusammenhang ernst nimmt, reduziert nicht nur das Risiko falscher KI-Ergebnisse. Er schafft die Grundlage dafür, dass KI im Unternehmen tatsächlich Nutzen stiften kann.
Nicht als technisches Spielzeug. Nicht als digitale Fassade. Sondern als belastbares Führungsinstrument.
Teil 1: Künstliche Intelligenz ist kein reines IT-Projekt - sie ist Chefsache!
Next:
Teil 3: Zwischen Altsystem und KI: Warum der Mittelstand eine saubere Daten- und Integrationsschicht braucht
4WT wird meist von Unternehmen aus dem DACH-Raum hinzugezogen, wenn sie:
Kein Vertrieb.
Kein Marketing.
reine Ingenieur-Analyse.
Austausch zwischen zwei Unternehmer, die Klartext reden.
Wenn Sie eine fachlich saubere Zweitmeinung brauchen:
📞 +49 30 8687094010 (Bitte Zeitverschiebung nach Bangkok beachten.)
✉️ anfrage@it-e-com.de
🔗 4WT Kontaktseite
🔗 4WT Firmenseite
🤙 Sofort VideoCall zu 4WT
📅 JETZT ein kostenfreies Infogespräch reservieren!
Ich sage Ihnen auch ehrlich, wenn kein Handlungsbedarf besteht.
- den südostasiatischen Markt mit Thailand als Ausgangspunkt prüfen oder schrittweise erschließen wollen – beispielsweise durch Expansion, Markteintritt oder die Diversifizierung ihrer Lieferketten;
- einen in Thailand ansässigen Vertragspartner suchen, der den technischen Sachverstand eines deutschen Diplom-Ingenieurs mit lokaler Präsenz, thailändischer Unternehmensführung und deutscher Ingenieur- und Managementpraxis verbindet – und die Umsetzung vor Ort begleitet, statt lediglich Folien und Handlungsempfehlungen abzuliefern;
- für ihre Aktivitäten in Thailand einen operativen und technischen verlängerten Arm benötigen, der innerhalb eines schriftlich festgelegten Mandats prüft, koordiniert, umsetzt und an die Geschäftsführung berichtet;
- eine zusätzliche und offen eingebundene Kontroll- und Kommunikationsebene benötigen, weil zwischen der deutschen Zentrale, der thailändischen Geschäftsführung und der Werkhalle wichtige Informationen verloren gehen oder kulturell unterschiedlich interpretiert werden – Cultural Broker;
- ihre thailändische Geschäftsführung bei der kulturell angepassten Umsetzung deutscher Qualitäts-, Führungs- und Prozessanforderungen unterstützen wollen, ohne deren Verantwortung und Entscheidungsbefugnis infrage zu stellen;
- die hohen Kosten eines eigenen Expats vermeiden und stattdessen eine skalierbare Ergänzung oder Alternative mit dauerhafter Präsenz in Thailand einsetzen wollen;
- eine örtliche Repräsentation oder operative Koordination in einer Liaison-Funktion, als Business Proxy oder als Corporate Service Provider benötigen – jeweils innerhalb eines klar vereinbarten und rechtlich zulässigen Aufgabenbereichs;
- ihren geplanten Markteintritt zunächst kontrolliert innerhalb einer Sandbox erproben wollen, bevor sie eine eigene Gesellschaft, Niederlassung oder größere Investition aufbauen. Die rechtlichen, steuerlichen und branchenspezifischen Voraussetzungen einschließlich des Foreign Business Act werden dabei vor Beginn durch die jeweils zuständigen Fachleute geprüft.;
Kein Vertrieb.
Kein Marketing.
reine Ingenieur-Analyse.
Austausch zwischen zwei Unternehmer, die Klartext reden.
Wenn Sie eine fachlich saubere Zweitmeinung brauchen:
📞 +49 30 8687094010 (Bitte Zeitverschiebung nach Bangkok beachten.)
✉️ anfrage@it-e-com.de
🔗 4WT Kontaktseite
🔗 4WT Firmenseite
🤙 Sofort VideoCall zu 4WT
📅 JETZT ein kostenfreies Infogespräch reservieren!
Ich sage Ihnen auch ehrlich, wenn kein Handlungsbedarf besteht.
Zufällige Auswahl von Artikeln zum Thema: KI
- 4WT-Sandbox-Plattform: Den Markteintritt in Thailand kontrolliert testen
- KI im Mittelstand beginnt nicht bei der IT (Serie, Teil 13 von 14)
- KI im Mittelstand beginnt nicht bei der IT (Serie, Teil 5 von 14)
- KI, Standortanalyse oder Sanierung: Strategische Entscheidungshilfe für Geschäftsführer
- Die Rückkehr des Realismus: Ihr Unternehmen benötigt in der Krise keinen „Berater“, sondern einen System-Architekten.
- Wie mittelständische Unternehmen ihre Daten KI-fähig machen
In welchem Blogartikel kommt folgendes Suchwort vor? Über 4WT
Dieser Beitrag spiegelt die Perspektive von 4WT wider – einem Ingenieurbüro, das Unternehmen dabei unterstützt, komplexe IT-Landschaften wieder beherrschbar zu machen.
Unser Fokus liegt nicht auf schnellen Lösungen oder Methodentrends, sondern auf Klarheit, Entscheidungsfähigkeit und verantwortungsvoller Automatisierung an der Schnittstelle zwischen Unternehmertum und IT.
🔗 Kontrollierter Markteintritt und operative Unterstützung in Thailand unter Verantwortung deutscher Ingenieure von 4WT.
