|
15.10.2026
12:00 Uhr
|
Die meisten KI-Vorhaben scheitern nicht am Modell, sondern kranken bereits im Unterbau. Eine praktische Handreichung für Unternehmen vor dem LLM-Einsatz.
Wenn ein KI-Projekt mit einem großen Sprachmodell im Mittelstand strauchelt, fällt der Verdacht zuerst auf das Modell: Es halluziniert oder zieht aus der Firmendatenbank Informationen zusammen, die niemand so abgefragt hat. In den allermeisten Fällen ist das Modell aber nicht der Kern des Problems. Die Ursachen liegen eine Schicht tiefer, dort, wo Daten und Verantwortlichkeiten geklärt sein müssten, bevor man überhaupt ein Modell anschließt. Diese unspektakuläre Vorarbeit überspringen Betriebe gerne – und genau das rächt sich später.
Jede größere Digitalisierung der vergangenen fünfzehn Jahre hat ein Erbe hinterlassen. Daten liegen in getrennten Systemen, sind halb strukturiert oder veraltet, und die Silos sprechen nicht miteinander. Entsprechend kann auch ein hervorragendes KI-Modell keine verlässlichen Antworten geben, weil die dafür erforderlichen Grundlagen fehlen.
In der Praxis zeigt sich dasselbe Muster immer wieder: Ein Unternehmen startet ein KI-Vorhaben, stellt nach den ersten Tests fest, dass die Datenqualität schlechter ist als angenommen, und landet wieder am Anfang – diesmal bei der Datenbereinigung. Wer diesen Schritt vorzieht, spart sich die Schleife. Bevor ein Modell auf einen Datenbestand zugreift, sollte geklärt sein, welche Quellen es überhaupt sehen darf, welche davon als verbindliche Wahrheitsquelle (Golden Source) gilt und wer als Data Owner für ihre Pflege geradesteht. Ohne dieses Fundament aus klarer Data Ownership und nachvollziehbarer Datenherkunft ist selbst die beste KI-Anwendung auf Sand gebaut.