Warum die meisten KI-Initiativen scheitern, noch bevor das Modell überhaupt zum Einsatz kommt

KI-Initiativen scheitern, wenn die Daten, auf denen KI-Agenten ihre Schlussfolgerungen stützen, unvollständig, inkonsistent oder nicht geregelt sind.

Solide Stammdaten bilden die Grundlage, die verhindert, dass KI vom Kurs abkommt. Es sind die geregelten, präzisen Produkt-, Kunden-, Lieferanten- und Standortdaten, auf die sich jeder KI-Agent stützt, um zuverlässige Entscheidungen zu treffen.

Die meisten Unternehmen, die sich auf die Einführung von KI vorbereiten, begehen denselben Fehler: Sie planen ausführlich das Modell – Anbieterauswahl, Integration, Feinabstimmung –, versäumen es jedoch, ihre Stammdaten so zu gestalten, dass sie als kontextbezogene, einheitliche Informationsquelle dienen.

Das Ergebnis sind KI-Agenten, die auf der Grundlage der ihnen zur Verfügung gestellten Informationen selbstbewusst und in großem Maßstab handeln.

Bis eine falsche Entscheidung zutage tritt, hat sie in der Regel bereits Schaden angerichtet – beispielsweise bei einer Bestellung oder einer Compliance-Meldung.

Stellen Sie sich die Vorbereitung auf KI wie die Vorbereitung auf ein Rennen vor.

Sie können den besten Trainer und die beste Ausrüstung haben – sogar die perfekte Strategie für den Renntag –, aber all das ist nur so effektiv wie Ihre zugrunde liegende Fitness. Bei der KI sind vertrauenswürdige Stammdaten diese Fitness. Sie verleihen Ihrem Unternehmen die Kraft und Ausdauer, im entscheidenden Moment Leistung zu bringen.

Die meisten Unternehmen konzentrieren sich auf den Tag des Rennens: die KI-Modelle, Agenten und Anwendungen. Sie überspringen das „Konditionstraining“, das darüber entscheidet, ob sie tatsächlich Leistung bringen werden. Dieser Artikel ist Teil einer Reihe darüber, was dieses Konditionstraining beinhaltet, und bereitet Sie auf das Rennen unserer Zeit vor.

Warum scheitern die meisten KI-Initiativen, noch bevor das Modell überhaupt zum Einsatz kommt?

KI-Bereitschaft wird als technologische Entscheidung behandelt.

Unternehmen bewerten Modelle, vergleichen Anbieter und messen die Leistung anhand von Anwendungsfällen. Die Aufbereitung der Daten spielt dabei selten eine Rolle. Sie fällt in den Zuständigkeitsbereich eines anderen Teams, folgt einem anderen Zeitplan und wird oft erst als Bereinigungsprojekt in Angriff genommen, wenn alles bereits in Gang ist.

Unternehmen erkennen die dadurch verursachten Probleme oft erst nach der Einführung:

• Produktdatensätze, die systemübergreifend miteinander in Konflikt stehen
• Kundendaten, die unter leicht abweichenden Namen doppelt vorhanden sind
• Lieferanteninformationen, die seit über einem Jahr nicht mehr validiert wurden
• Keine einheitliche Datenquelle für die Entitäten, auf deren Grundlage die KI Schlussfolgerungen ziehen soll

Nichts davon wird in einer Demo sichtbar. Pilotprojekte laufen mit kuratierten, handverlesenen Daten, sodass das Modell im Demonstrationsraum gute Leistungen erbringt.

Die Schwachstellen treten erst zutage, sobald der KI-Agent mit der vollständigen, unübersichtlichen Realität von Unternehmenssystemen konfrontiert wird. Und bis dahin haben sich die Geschäftsanwender bereits auf seine Ergebnisse verlassen – und Vertrauen wiederherzustellen ist schwieriger, als es aufzubauen.

Das ist die Vorbereitungsarbeit, die Unternehmen oft überspringen. Nicht, weil sie unwichtig wäre, sondern weil niemand vor dem Renntag die Grundfitness überprüft.

Was läuft schief, wenn KI-Agenten fehlerhafte Stammdaten verwenden?

Mangelhafte Stammdaten zeigen sich unterschiedlich, je nachdem, an welcher Stelle das KI-Modell versagt. Es gibt jedoch ein einheitliches Muster. Ein KI-Agent handelt auf der Grundlage der ihm zur Verfügung gestellten Daten, und wenn diese Daten unvollständig, inkonsistent oder veraltet sind, spiegelt sich dies in den Ergebnissen wider.

Es gibt vier Fehlermuster.

1. Halluzination

Der KI-Agent füllt Lücken mit plausiblen Annahmen. Ein fehlendes Produktmerkmal oder ein unvollständiges Kundenprofil wird durch eine plausibel klingende Vermutung ersetzt, die mit derselben Überzeugung präsentiert wird wie eine verifizierte Tatsache.

2. Inkonsistente Entscheidungen

Ein und dieselbe Entität wird in verschiedenen Systemen unterschiedlich dargestellt – beispielsweise ein Kunde mit drei leicht abweichenden Adressen oder ein Produkt mit zwei unterschiedlichen Spezifikationen.

Der KI-Agent stützt sich auf widersprüchliche Versionen derselben Daten, was je nach den abgefragten Systemen zu inkonsistenten Antworten auf dieselbe Frage führt.

3. Verstöße gegen Compliance-Vorgaben

Ohne vertrauenswürdige Governance und einen klaren Richtlinienkontext kann KI Maßnahmen empfehlen oder ausführen, die gegen Compliance-Anforderungen verstoßen: beispielsweise eine genehmigte Transaktion für einen Kunden, der eigentlich hätte markiert werden müssen, oder ein Produkt, das auf einem Markt gelistet ist, auf dem es nicht zugelassen ist.

4. Widersprüchliche Datensätze, die falsche Maßnahmen auslösen

Zwei Systeme stimmen beispielsweise hinsichtlich Lagerbestand, Preisgestaltung oder Verfügbarkeit nicht überein, und der KI-Agent orientiert sich an einem der beiden. Die Bestellung wird auf der Grundlage des falschen Lagerbestands versandt. Oder der Rabatt wird auf die falsche Preisstufe angewendet.

So sieht eine mangelhafte Konditionierung aus, wenn KI von der Erstellung von Inhalten zur Entscheidungsfindung übergeht. Kein einzelner dramatischer Fehler, sondern kleine, sich summierende Unstimmigkeiten, die das Vertrauen in jedes nachfolgende Ergebnis untergraben.

Warum versagen Ihre KI-Agenten trotz Daten, die Ihre letzte Prüfung bestanden haben?

Berichterstellung und KI-Agenten stellen unterschiedliche Anforderungen an dieselben Daten. Deshalb können Daten, die jede Prüfung im Rahmen der Berichterstellung bestehen, bei der ersten Ausführung eines KI-Agenten dennoch versagen.

Dafür gibt es mehrere Gründe:

Die Berichterstellung toleriert Annäherungswerte. KI-Agenten tun dies nicht.

Ein Dashboard rundet eine Zahl ab oder zeigt eine leicht veraltete Gesamtsumme an, und ein menschlicher Leser passt sich daran an. Ein KI-Agent behandelt dieselbe Zahl als Referenzwert und handelt direkt danach.

Die Berichterstattung erfolgt stapelweise. KI-Agenten arbeiten in Echtzeit.

Die meisten Berichtsdaten werden über Nacht oder wöchentlich aktualisiert, was für eine vierteljährliche Überprüfung ausreichend ist. Ein KI-Agent, der gerade jetzt eine Entscheidung trifft, benötigt den aktuellen Stand und nicht die Momentaufnahme der letzten Woche.

Berichte lassen fragmentierte Domänenansichten zu. KI-Agenten ziehen daraus Schlussfolgerungen.

Ein Berichts-Dashboard kann Produkt-, Kunden- und Lieferantendaten separat analysieren. Ein KI-Agent, der eine einzelne Anfrage bearbeitet – beispielsweise die Bestätigung, ob eine Bestellung versendet werden kann –, benötigt oft, dass alle drei Datenquellen übereinstimmen.

Das Berichtswesen kann Fehler in geringem Umfang auffangen. KI-Agenten hingegen nicht.

Ein menschlicher Analyst erkennt einen offensichtlichen Ausreißer, bevor dieser in eine Präsentation gelangt. Ein KI-Agent, der täglich Tausende von autonomen Entscheidungen trifft, verfügt über keine vergleichbare Kontrollinstanz, sodass dieselbe Fehlerquote zu einer viel größeren Anzahl von Fehlern führt.

Das sind die Unterschiede zwischen dem Training für einen lockeren Jogginglauf und dem Training für den Wettkampftag. Wenn Sie Ihre Daten so weit bereinigt haben, dass sie eine Berichtsprüfung bestehen, sind Sie fit genug für den Jogginglauf.

KI-Agenten befinden sich jedoch jeden Tag im Wettkampf, und die meisten Unternehmen treten mit dem falschen Trainingsplan an.

Was benötigen Ihre Stammdaten, bevor Sie KI einsetzen?

Drei grundlegende Eigenschaften sind unerlässlich: Herkunft, Konsistenz und Verantwortlichkeit.

Herkunft bedeutet, dass jeder Datensatz eine nachvollziehbare Historie enthält – woher er stammt, wann er zuletzt geändert wurde und wer oder was ihn geändert hat.

Ohne Herkunftsnachweis können weder das Unternehmen noch die KI-Plattform erklären, woher die Informationen stammen, wie sie sich verändert haben oder ob sie vertrauenswürdig sind.

Konsistenz ist das schwierigere Thema. Ein „Kunde“ im CRM muss dieselbe Entität sein wie ein „Kunde“ im Bestellsystem – gleiche Definition, gleiche Kennung, keine Beinahe-Übereinstimmungen, bei denen der KI-Agent raten muss.

Dies gilt für jeden Datenbereich, den ein Unternehmen betreibt:

• Produkt
• Kunde
• Lieferant
• Standort

Schwächen in einem Bereich wirken sich schnell auf andere Bereiche aus, da KI über miteinander verbundene Geschäftseinheiten hinweg Schlussfolgerungen zieht.

Verantwortlichkeit bedeutet, dass jede kritische Geschäftseinheit über ein geregeltes System zur Datenerfassung sowie eine klare Verantwortlichkeit für deren Qualität verfügt.

Ohne klare Zuständigkeiten bleiben widersprüchliche Daten ungelöst, was die Wahrscheinlichkeit erhöht, dass die KI auf der Grundlage unvollständiger oder falscher Informationen handelt.

Wenn Daten in Berichtsqualität das lockere Joggen wären, dann sieht ein echter Trainingsplan so aus, sobald man ihn aufschreibt. Nicht glamourös. Einfach die konkrete, unspektakuläre Konditionsarbeit, die darüber entscheidet, ob der Wettkampftag gut verläuft.

Nichts davon ist neu.

Starke Datenteams streben dies schon seit Jahren an. Was sich geändert hat, sind die Folgen, wenn man dies überspringt. Eine Lücke, die früher als unübersichtliche Tabelle zutage trat, zeigt sich nun als falsche Entscheidung, die automatisch und in großem Maßstab getroffen wird.

Zusammenfassung

Für starke Datenteams ist all dies nichts Neues. Der Unterschied liegt darin, was auf dem Spiel steht, wenn man diesen Schritt überspringt.

Früher führten Konsistenzprobleme zu unübersichtlichen Tabellenkalkulationen. Heute führen sie zu falschen Entscheidungen, die automatisch und in großem Maßstab getroffen werden.

Und es gibt keinen Menschen im System, der dies frühzeitig erkennen könnte.

In dem Wettkampf, auf den Sie sich vorbereiten, ist die korrekte Pflege der Stammdaten die Grundlage, die darüber entscheidet, wie gut Sie abschneiden. Je früher Sie darin investieren, desto stärker wird jede nachfolgende KI-Initiative.