Ihre Daten sind noch nicht bereit für KI. So beheben Sie das.

Gerade erzählen alle Softwareanbieter Inhabern kleiner Unternehmen dasselbe: KI einführen, oder abgehängt werden. Chatbots, die Kundenfragen beantworten. Tools, die Rechnungen entwerfen. Systeme, die "vorhersagen", was nachbestellt werden muss. In der Demo klingt das alles fantastisch. Dann versucht man, es an das echte Geschäft anzuschließen, und innerhalb einer Woche fällt alles auseinander. Das Problem liegt fast nie am KI-Tool selbst. Es liegt daran, womit man es füttert. KI-bereit bedeutet nicht "wir haben viele Daten." Die meisten Unternehmen haben bereits jede Menge Daten. Es bedeutet, dass diese Daten an einem Ort liegen, einem einzigen Format folgen und jedes Mal dasselbe bedeuten, wenn jemand (oder etwas) sie liest. Das ist eine deutlich höhere Hürde, als den meisten kleinen Unternehmen bewusst ist, und hat nichts damit zu tun, wie viel bereits digitalisiert wurde. So sieht ein "nicht bereites" Unternehmen in der Praxis meistens aus, denn die Chancen stehen gut, dass mindestens einer dieser Punkte gerade zutrifft. Kundendaten liegen teils in einem E-Mail-Postfach, teils in den Kontakten eines Telefons, und teils im Kopf der Person, die sich merkt, dass ein bestimmter Kunde immer freitags geliefert bekommen möchte. Rechnungen stapeln sich in einem Ordner voller PDFs mit Namen wie "Rechnung_final_v3_ENDGUELTIG.pdf." Produktnamen werden je nach Person leicht unterschiedlich eingetippt, sodass das Lagersystem "500g Widget" und "500 g Widget" für zwei verschiedene Artikel hält. Daten werden in drei verschiedenen Tools auf drei verschiedene Arten geschrieben. Nichts davon ist ein Problem, solange ein Mensch die Arbeit macht, denn Menschen können Lücken mit Kontext füllen. Ein KI-Tool kann das nicht. Füttert man einen Chatbot mit widersprüchlichen Preisdaten, nennt er einem Kunden selbstbewusst die falsche Zahl. Füttert man ein Prognosetool mit doppelten Lagerbestandseinträgen, sagt es einem, man solle etwas nachbestellen, wovon bereits drei Stück vorhanden sind. Das ist die älteste Regel der Informatik, und sie stimmt mit einem Sprachmodell hinter den Kulissen genauso wie früher mit einer simplen Tabelle: Müll rein, Müll raus. KI repariert keine unordentlichen Daten. Sie trifft aus diesem Durcheinander nur schneller schlechte Entscheidungen, und mit mehr Selbstbewusstsein. Bevor man also ein KI-Produkt einkauft, besteht die eigentliche Arbeit darin, das aufzuräumen, was es füttert. Diese Reihenfolge ergibt meistens Sinn. 1. Kunden- und Transaktionsdaten in einem einzigen System zusammenführen. Es muss nichts Ausgefallenes sein. Ein echtes CRM, eine gemeinsam genutzte Datenbank, sogar eine sauber gepflegte Tabelle mit einer klar zuständigen Person schlägt Daten, die über fünf Tools verstreut sind und niemandem gehören. 2. Vereinheitlichen, wie Dinge erfasst werden. Ein Datumsformat festlegen, eine Art, Produkte zu benennen, eine Art, einen Verkauf einzutragen. Irgendwo aufschreiben, damit auch neue Mitarbeiter sich daran halten. Klingt langweilig, verhindert aber allein schon die meisten seltsamen Fehler, die später auftauchen. 3. Vor dem Kauf entscheiden, bei welcher Entscheidung tatsächlich Unterstützung gewünscht ist. "Häufige Kundenfragen automatisch beantworten" und "vorhersagen, welche Produkte nachbestellt werden sollten" brauchen völlig unterschiedlich aufbereitete Daten. Vage Ziele führen zu teuren Tools, die nie richtig passen. 4. Die Leitungen verlegen, bevor der Wasserhahn kommt. Sprich: eine richtige Datenbank oder ein Dokumentensystem, das ein zukünftiges Tool tatsächlich abfragen kann, statt eines Stapels Dateien, die jemand bei jeder Änderung von Hand neu exportieren muss. Nichts davon ist glamourös, und nichts davon fühlt sich an wie "KI nutzen." Es ähnelt eher einem Frühjahrsputz als einer Innovation. Aber genau das macht den Unterschied zwischen einem KI-Tool, das wirklich Zeit spart, und einem, das zu einer neuen Sache wird, die man ständig gegenprüfen und aufräumen muss. Genau das ist die Vorarbeit, die wir leisten, bevor wir überhaupt ein KI-Projekt anfassen, und ehrlich gesagt macht sie den Großteil der eigentlichen Arbeit aus. Eine Datenprüfung, ein echtes System als Ersatz für die verstreuten Tabellen, eine API, an die ein zukünftiges Tool sauber andocken kann. Das verkauft sich weniger gut als "KI-gestützt," aber genau das sorgt dafür, dass der KI-Teil am Ende wirklich funktioniert. Wer eine zweite Meinung dazu möchte, ob die eigenen Systeme dafür bereit sind, spricht direkt mit der Person, die die Arbeit macht, nicht mit einem Kundenbetreuer, der ein Skript vorliest, und nicht mit einer Ticket-Warteschlange. So arbeiten wir einfach.