Datenbereitschaft: die richtige, aber unbequeme Antwort

Digitalisierung & AI2025-10-177 Min. LesezeitAtlas Strategy Group

Fragt man einen AI-Anbieter, ob die Daten eines Unternehmens bereit sind, lautet die Antwort: eine Folie mit dem Wort „Reise“. Fragt man ehrlich, lautet die Antwort meist „noch nicht“ – und genau diese Antwort trennt Unternehmen, bei denen sich der Nutzen ihrer AI vervielfacht, von jenen, deren AI nur Demos hervorbringt. Datenbereitschaft ist das glamourloseste Thema in diesem Bereich und zugleich das mit der größten Vorhersagekraft: Fast jedes enttäuschende AI-Projekt lässt sich nicht auf das Modell zurückführen, sondern auf die Daten, mit denen es gespeist wurde.

Was „bereit“ tatsächlich bedeutet

Auffindbar: Die Daten sind vorhanden und jemand kann sie lokalisieren – in benannten Systemen, mit benannten Verantwortlichen, nicht auf dem Laptop des ausgeschiedenen Managers. Die meisten mittelständischen Unternehmen scheitern an diesem Test, noch bevor über Technologie gesprochen wird.
Konsistent: Dieselbe Sache wird systemübergreifend gleich bezeichnet; der Kunde hat eine einzige Identität; die Statusangaben bedeuten, was sie besagen. Ein Unternehmen mit vier Definitionen von „aktivem Kunden“ hat noch keine Daten – es hat vier Gewohnheiten, die sich als Datenbank verkleiden.
Ausreichend vollständig: nicht „umfangreich“ – ausreichend. Zehn Monate saubere Historie zu dem zu automatisierenden Prozess sind besser als zehn Jahre voller Störsignale. Die Bereitschaft wird auf den Anwendungsfall abgestimmt; deshalb folgt das Audit derAuswahlund geht ihr nicht voraus.
Rechtlich einwandfrei: Die erforderlichen Berechtigungen zur Nutzung der Daten für den vorgesehenen Zweck liegen vor – und werden vor dem Projekt geprüft, nicht erst während der anwaltlichen Prüfung der Markteinführung.

Warum niemand die ehrliche Antwort hören möchte

Das ehrliche Audit kommt schlecht an, weil es zu Verzögerungen führt: Das Budget ist genehmigt, die Strategie ist angekündigt, und nun liegt ein Dokument vor, dem zufolge zunächst zwei Quartale lang die Grundlage geschaffen werden muss. Der bequeme Weg – trotzdem anzufangen und die Daten „nebenbei“ zu bereinigen – führt dazu, dass aus den zwei Quartalen innerhalb des Projekts zwei Jahre werden, unbemerkt und zu Projektpreisen. Erfolgreiche Unternehmen behandeln das „noch nicht“ als ersten Liefergegenstand des Projekts: eine klar abgegrenzte, zeitlich befristete Bereinigung, die genau auf die ausgewählten Anwendungsfälle ausgerichtet ist –die Auswahlliste der Bewertung, nicht die gesamte Unternehmensgeschichte; die Readiness-Arbeit verschafft das Recht, alles andere zu überspringen.

Datenbereitschaft ist der einzige Bereich einer AI-Strategie, in dem „Das beheben wir später“ zuverlässig mehr kostet als eine sofortige Behebung.

Die pragmatische Variante

Das pragmatische Audit ist auf die Ambitionen abgestimmt: Für jeden möglichen Anwendungsfall werden die vier Kriterien – auffindbar, konsistent, ausreichend und sauber – innerhalb weniger Wochen geprüft; das Ergebnis ist eine mit Kosten versehene Liste der erforderlichen Maßnahmen. Es ist die Eintrittsschwelle fürdie Chancenbewertung, die stille Hälfte vonP&L-Frage, und die standardmäßige Eröffnungsphase vonder AI-Praxis— denn die Wahl des Modells, des Anbieters und der Architektur ist weniger wichtig als die Grundlage, auf der alles beruht, und „noch nicht“ ist nur dann eine schlechte Antwort, wenn sie ignoriert wird.