Eine alte Regel, die weiterhin gilt
„Garbage in, garbage out“ ist ein Prinzip aus den 1950er-Jahren – und gilt im KI-Zeitalter unverändert. Ein Sprachmodell kann eine beeindruckend formulierte, gut strukturierte Antwort liefern, die trotzdem auf lückenhaften, veralteten oder verzerrten Eingabedaten beruht. Die sprachliche Qualität einer KI-Ausgabe sagt nichts über die Qualität der zugrunde liegenden Daten aus.
Die Kompetenz-Lücke, die viele Projekte gefährdet
Eine aktuelle Erhebung zeigt eine deutliche Wahrnehmungslücke: 75 Prozent der Führungskräfte glauben, ihre Mitarbeitenden seien im Umgang mit Daten kompetent – aber nur 21 Prozent der Mitarbeitenden fühlen sich tatsächlich sicher darin. Für Projektleitende bedeutet das: Die Annahme, das Team könne Datenqualität schon selbst einschätzen, hält der Realität oft nicht stand.
Bias ist die Regel, nicht die Ausnahme
Datensammlungs-Bias betrifft laut aktuellen Erhebungen 85 Prozent der KI-Projekte – er ist damit eher die Regel als die Ausnahme. Gartner geht noch weiter: Bis Ende 2026 werden Organisationen voraussichtlich 60 Prozent der KI-Projekte abbrechen, die nicht auf ausreichend KI-tauglichen Daten aufgebaut sind. Datenqualität ist damit kein nachgelagertes IT-Thema, sondern ein direktes Projekterfolgs-Risiko.
Praxis-Teil: vier Fragen an jede Datengrundlage
Bevor eine KI-gestützte Prognose, ein Dashboard oder eine Auswertung in eine Projektentscheidung einfließt, lohnen sich vier Fragen: Woher stammen die zugrunde liegenden Daten, und wie aktuell sind sie? Bilden sie die relevante Grundgesamtheit vollständig ab, oder nur einen Ausschnitt? Gibt es bekannte Lücken, und wie füllt das System sie – mit einem klaren Hinweis oder unbemerkt? Und: Wer hat die Datenherkunft dokumentiert, sodass sich die Antworten auf die ersten drei Fragen im Zweifel nachprüfen lassen?