Wie Unternehmen ihre Daten für KI vorbereitenHow companies prepare their data for AICómo preparar los datos de una empresa para IA
Datenqualität, Struktur und Zugriffsrechte sind die Grundlage für belastbare KI-Anwendungen.Data quality, structure and access rights are the foundation for reliable AI applications.La calidad, estructura y permisos de acceso son la base de aplicaciones de IA fiables.
KI-Projekte scheitern selten am Modell. Sie scheitern daran, dass die Daten, mit denen das Modell arbeiten soll, verstreut, widersprüchlich oder nicht zugänglich sind. Wer KI im Unternehmen einsetzen will, sollte deshalb zuerst auf die eigenen Daten schauen.
Mit dem Anwendungsfall beginnen
„Unsere Daten KI-fähig machen“ ist kein Projekt, das je fertig wird. Sinnvoller ist eine konkrete Frage: Soll ein Assistent Fragen zu internen Dokumenten beantworten? Sollen Eingangsrechnungen automatisch erfasst werden? Aus dem Anwendungsfall ergibt sich, welche Daten gebraucht werden – und nur diese müssen vorbereitet werden.
Vier Fragen an Ihre Daten
Qualität: Sind die Daten vollständig, aktuell und frei von Dubletten? Ein KI-System gibt Fehler nicht nur weiter, es formuliert sie überzeugend. Schlechte Daten fallen dadurch später auf als in einer Tabelle.
Struktur: Liegen die Informationen in einer Form vor, die sich maschinell lesen lässt? Eine gepflegte Datenbank ist einfach. Eingescannte PDFs, Tabellen mit verbundenen Zellen oder Wissen, das nur in E-Mails steht, brauchen Vorarbeit.
Zugriff: Wer darf was sehen? Ein Assistent, der auf alle Dokumente zugreift, zeigt im Zweifel auch Gehaltslisten. Berechtigungen müssen technisch durchgesetzt werden, nicht nur organisatorisch gelten.
Bedeutung: Ist dokumentiert, was ein Feld bedeutet? „Umsatz“ kann brutto oder netto, mit oder ohne Stornos gemeint sein. Was Menschen aus dem Zusammenhang wissen, muss für ein KI-System ausdrücklich beschrieben sein.
Datenschutz von Anfang an mitdenken
Sobald personenbezogene Daten im Spiel sind, gilt die DSGVO. Zu klären ist, welche Daten das KI-System wirklich braucht, wo sie verarbeitet werden und ob sich Namen und Kennungen vorher entfernen oder pseudonymisieren lassen. Diese Fragen lassen sich am Anfang leichter beantworten als nach dem Start.
Ein realistischer erster Schritt
- Einen Anwendungsfall auswählen, der einen klaren Nutzen hat.
- Die dafür nötigen Datenquellen auflisten und einen Verantwortlichen je Quelle benennen.
- Eine Stichprobe prüfen: Vollständigkeit, Dubletten, Aktualität.
- Zugriffsrechte und Datenschutz für genau diese Daten klären.
- Erst danach das KI-Werkzeug auswählen.
Diese Reihenfolge wirkt langsam, spart aber Umwege. Ein KI-Projekt auf geprüften Daten kommt schneller in den produktiven Einsatz als eines, das mit dem Werkzeug beginnt und die Datenprobleme unterwegs entdeckt.
AI projects rarely fail because of the model. They fail because the data the model is supposed to work with is scattered, contradictory or inaccessible. Anyone who wants to use AI in a company should therefore look at their own data first.
Start with the use case
“Making our data AI-ready” is not a project that is ever finished. A concrete question is more useful: should an assistant answer questions about internal documents? Should incoming invoices be captured automatically? The use case determines which data is needed – and only that data has to be prepared.
Four questions to ask of your data
Quality: is the data complete, current and free of duplicates? An AI system does not just pass errors on, it phrases them convincingly. Bad data is therefore noticed later than it would be in a spreadsheet.
Structure: is the information in a form that machines can read? A well-maintained database is easy. Scanned PDFs, spreadsheets with merged cells or knowledge that only exists in emails need preparatory work.
Access: who is allowed to see what? An assistant with access to every document may also show the payroll list. Permissions have to be enforced technically, not just agreed organisationally.
Meaning: is it documented what a field means? “Revenue” can be gross or net, with or without cancellations. What people know from context has to be described explicitly for an AI system.
Consider data protection from the start
As soon as personal data is involved, the GDPR applies. You need to clarify which data the AI system really needs, where it is processed and whether names and identifiers can be removed or pseudonymised beforehand. These questions are easier to answer at the beginning than after launch.
A realistic first step
- Choose one use case with a clear benefit.
- List the data sources it needs and name a person responsible for each.
- Check a sample: completeness, duplicates, currency.
- Clarify access rights and data protection for exactly this data.
- Only then choose the AI tool.
This order seems slow, but it avoids detours. An AI project built on checked data reaches production faster than one that starts with the tool and discovers the data problems along the way.
Los proyectos de IA rara vez fracasan por el modelo. Fracasan porque los datos con los que el modelo debe trabajar están dispersos, son contradictorios o no son accesibles. Por eso, quien quiera usar IA en su empresa debería mirar primero sus propios datos.
Empezar por el caso de uso
«Preparar nuestros datos para la IA» no es un proyecto que termine nunca. Es más útil una pregunta concreta: ¿debe un asistente responder dudas sobre documentos internos?, ¿deben registrarse automáticamente las facturas recibidas? Del caso de uso se deduce qué datos hacen falta, y solo esos hay que preparar.
Cuatro preguntas para sus datos
Calidad: ¿están los datos completos, actualizados y sin duplicados? Un sistema de IA no solo transmite los errores: los formula de manera convincente. Por eso los datos malos se detectan más tarde que en una tabla.
Estructura: ¿está la información en un formato que una máquina pueda leer? Una base de datos bien mantenida es fácil. Los PDF escaneados, las tablas con celdas combinadas o el conocimiento que solo está en correos necesitan trabajo previo.
Acceso: ¿quién puede ver qué? Un asistente con acceso a todos los documentos puede acabar mostrando la lista de nóminas. Los permisos deben imponerse técnicamente, no solo acordarse en la organización.
Significado: ¿está documentado qué significa cada campo? «Ventas» puede ser con o sin impuestos, con o sin anulaciones. Lo que las personas saben por el contexto debe describirse de forma explícita para un sistema de IA.
Pensar en la protección de datos desde el principio
En cuanto intervienen datos personales, se aplica el RGPD. Hay que aclarar qué datos necesita de verdad el sistema de IA, dónde se tratan y si es posible eliminar o seudonimizar antes los nombres e identificadores. Estas preguntas se responden mejor al principio que después del lanzamiento.
Un primer paso realista
- Elegir un caso de uso con un beneficio claro.
- Enumerar las fuentes de datos necesarias y nombrar un responsable para cada una.
- Revisar una muestra: integridad, duplicados, actualidad.
- Aclarar los permisos de acceso y la protección de datos para esos datos concretos.
- Solo después, elegir la herramienta de IA.
Este orden parece lento, pero evita rodeos. Un proyecto de IA sobre datos revisados llega antes a producción que uno que empieza por la herramienta y descubre los problemas de datos por el camino.