KI-Datenqualität für produktive Anwendungen

Ein KI-Modell kann im Test überzeugen und im Fachbetrieb trotzdem scheitern. Der häufigste Grund ist nicht das gewählte Modell, sondern die Datenbasis: Stammdaten sind unvollständig, Zeitstempel uneinheitlich, Prozessschritte fehlen im Ereignisprotokoll oder historische Entscheidungen enthalten nicht mehr gültige Regeln. KI Datenqualität für produktive Anwendungen entscheidet deshalb nicht nur über die Trefferquote eines Modells, sondern über seine Verlässlichkeit im Betrieb, die Nachvollziehbarkeit seiner Ergebnisse und die Akzeptanz bei Fachbereichen.

Für Unternehmen mit SAP-Landschaften, gewachsenen Datenflüssen und regulatorisch relevanten Prozessen reicht es nicht, Daten einmalig für einen Proof of Concept aufzubereiten. Produktive KI benötigt einen steuerbaren Datenprozess. Dieser muss fachliche Bedeutung, technische Herkunft, Qualitätsprüfungen und Verantwortlichkeiten zusammenführen.

Warum Datenqualität im Produktivbetrieb anders bewertet wird

In einer Erprobung lässt sich ein Datensatz begrenzen und manuell prüfen. Im Produktivbetrieb treffen dagegen neue Daten aus mehreren Quellsystemen ein, Prozessvarianten verändern sich und Schnittstellen werden angepasst. Ein Modell verarbeitet dann nicht mehr nur bekannte Beispiele, sondern reale Geschäftsvorfälle mit Ausnahmen, Nachträgen und Fehlern.

Datenqualität ist dabei mehr als korrekte Feldwerte. Für eine KI-Anwendung müssen Daten zum vorgesehenen Entscheidungszeitpunkt verfügbar sein, fachlich eindeutig interpretierbar bleiben und den konkreten Anwendungsfall abbilden. Ein Modell zur Priorisierung offener Aufträge benötigt beispielsweise andere Qualitätsmerkmale als eine Anwendung zur Prüfung von Rechnungsabweichungen oder zur Analyse von Instandhaltungsereignissen.

Die zentrale Frage lautet daher nicht: Sind unsere Daten gut? Sie lautet: Sind die Daten für diese Entscheidung, diesen Prozess und dieses Risikoniveau geeignet? Diese Einordnung verhindert sowohl unnötige Bereinigungsprogramme als auch den Einsatz ungeeigneter Daten in kritischen Abläufen.

Die relevanten Qualitätsdimensionen für KI

Vollständigkeit bleibt eine Grundvoraussetzung, ist aber allein nicht ausreichend. Fehlen etwa Statuswechsel oder Freigabezeitpunkte, kann ein Modell Prozessverzögerungen falsch erklären. Sind Kundengruppen, Materialklassen oder Anlagenkennzeichen uneinheitlich gepflegt, entstehen Verzerrungen, die sich später als scheinbar plausible Empfehlung zeigen können.

Besonders relevant sind Konsistenz, Aktualität und Herkunft. Konsistenz bedeutet, dass identische Geschäftsobjekte in SAP, CRM, Data Warehouse und angebundenen Fachanwendungen nicht widersprüchlich beschrieben werden. Aktualität betrifft nicht nur die Ladefrequenz, sondern auch fachliche Gültigkeit. Ein historischer Preis, eine stillgelegte Anlage oder eine inzwischen geänderte Kreditrichtlinie kann für die Modellentscheidung ungeeignet sein, obwohl der Datensatz technisch korrekt gespeichert wurde.

Die Herkunft, häufig als Data Lineage bezeichnet, ist für produktive Anwendungen unverzichtbar. Teams müssen nachvollziehen können, aus welchem System ein Merkmal stammt, welche Transformationen vorgenommen wurden und welche Version eines Datenbestands für Training, Test und Betrieb verwendet wurde. Ohne diese Kette lassen sich Abweichungen kaum analysieren, Korrekturen nicht belastbar priorisieren und Berichte nur eingeschränkt revisionssicher erstellen.

Hinzu kommt die Repräsentativität. Ein Modell, das anhand von Daten aus einem stabilen Zeitraum trainiert wurde, kann bei neuen Produktgruppen, geänderten Lieferketten oder einem S/4HANA-Umstieg an Aussagekraft verlieren. Das ist kein automatischer Ausschlussgrund. Es verlangt jedoch definierte Schwellenwerte und eine fachliche Entscheidung darüber, wann ein Modell nachtrainiert, eingeschränkt oder ausgesetzt werden muss.

KI-Datenqualität für produktive Anwendungen beginnt beim Prozess

Datenprobleme entstehen selten ausschließlich in der Datenplattform. Häufig liegen ihre Ursachen im Prozess: Pflichtfelder werden aus Zeitgründen umgangen, Rollen pflegen dieselben Attribute unterschiedlich oder Statusänderungen werden erst nachgelagert gebucht. Wer ausschließlich technische Bereinigung plant, behandelt damit oft nur die Symptome.

Ein belastbarer Startpunkt ist die Verbindung von Geschäftsprozess und KI-Entscheidung. Zunächst wird festgelegt, welche Entscheidung die Anwendung vorbereitet, unterstützt oder automatisiert. Danach werden die notwendigen Datenobjekte, Qualitätsmerkmale und zulässigen Ausnahmen bestimmt. Erst dann sollte die technische Datenflussanalyse beginnen.

Bei einem Anwendungsfall im Großhandel kann dies bedeuten, dass Lieferfähigkeit nicht allein aus dem Lagerbestand abgeleitet wird. Reservierungen, offene Wareneingänge, Sperrbestände, ATP-Logik und manuelle Dispositionseingriffe verändern die fachliche Aussage. Für ein Energieszenario können Messwertlücken, Zeitzonen und Ersatzwertkennzeichen entscheidend sein. In Life-Sciences-Prozessen kommen Chargenbezug, Freigabestatus und dokumentierte Änderungen hinzu.

Diese Unterschiede zeigen: Eine allgemeine Datenqualitätskennzahl ist für die Steuerung produktiver KI meist zu grob. Sinnvoller sind anwendungsbezogene Qualitätsregeln mit klarer fachlicher Begründung.

Von der Analyse zur kontrollierten Datenpipeline

Die Umsetzung sollte nicht mit einem flächendeckenden Data-Cleansing-Projekt starten. Zunächst braucht das Team ein belastbares Bild der Datenlage im ausgewählten Anwendungsfall. Ein strukturierter Quick Check untersucht dafür Datenquellen, Datenflüsse, fachliche Regeln, bestehende Kontrollen und erkennbare Risiken für den Betrieb.

Darauf aufbauend werden Datenverträge zwischen Datenlieferanten und der KI-Anwendung konkretisiert. Sie beschreiben beispielsweise erwartete Felder, erlaubte Wertebereiche, Aktualitätsgrenzen, Schlüsselbeziehungen und das Verhalten bei fehlerhaften Daten. Entscheidend ist, dass diese Regeln nicht nur in einem Konzeptpapier stehen. Sie müssen als Prüfungen in der Datenpipeline oder am Übergang zur Anwendung wirksam werden.

Nicht jede Abweichung muss den Prozess stoppen. Bei einer unterstützenden Anwendung kann ein fehlendes Merkmal zu einer niedrigeren Konfidenz oder zur Übergabe an einen Sachbearbeiter führen. Bei automatisierten Entscheidungen mit hohen finanziellen, sicherheitsbezogenen oder regulatorischen Folgen sind strengere Sperr- und Eskalationsregeln erforderlich. Die passende Ausgestaltung hängt vom Anwendungsfall, der Fehlerfolgenanalyse und den vorhandenen Kontrollmöglichkeiten ab.

Für den stabilen Betrieb gehören auch Versionierung und Freigaben dazu. Teams sollten dokumentieren, welcher Datenstand für das Training verwendet wurde, welche Merkmale in welcher Definition eingehen und welche Änderungen vor einem Deployment geprüft werden müssen. Bei SAP-Transformationen ist das besonders relevant: Neue Datenmodelle, geänderte Extraktionen oder angepasste Rollen können Merkmalslogiken verändern, ohne dass die KI-Anwendung selbst angepasst wurde.

Verantwortlichkeiten verhindern stille Qualitätsverluste

Produktive Datenqualität lässt sich nicht dauerhaft an ein einzelnes Data-Science-Team delegieren. Fachbereiche verantworten die fachliche Bedeutung und die tolerierbaren Ausnahmen. Datenverantwortliche steuern Definitionen, Qualitätsregeln und Bereinigungsmaßnahmen. IT verantwortet Schnittstellen, Berechtigungen, technische Kontrollen und Betriebsprozesse. Die KI-Verantwortung bewertet, wie Qualitätsabweichungen die Modellleistung und die Entscheidung beeinflussen.

Diese Aufgaben müssen nicht zwangsläufig neue Gremien erzeugen. In laufenden Projekten reichen oft klar definierte Rollen, ein festes Entscheidungsformat und ein nachvollziehbarer Eskalationsweg. Wichtig ist, dass eine Qualitätsabweichung einen benannten Eigentümer, eine Priorität und eine dokumentierte Behandlung erhält.

Für Governance und regulatorische Nachweise sind Kennzahlen hilfreich, wenn sie handlungsfähig machen. Dazu zählen etwa der Anteil verworfener Datensätze, Regelverletzungen je Quelle, Laufzeit bis zur Fehlerbehebung, Abdeckung kritischer Merkmale und Veränderungen der Datenverteilung. Solche Kennzahlen verbinden technische Überwachung mit Fachverantwortung und liefern eine belastbare Grundlage für Management- und Projektberichte.

Monitoring: Qualität ist kein Abnahmekriterium

Nach dem Go-Live beginnt die eigentliche Bewährungsphase. Datenquellen ändern sich, Schnittstellen liefern verspätet und operative Teams entwickeln neue Arbeitsweisen. Daher sollten Datenqualitätskontrollen mit dem Betriebsmonitoring der KI-Anwendung verbunden sein.

Auffälligkeiten sind nicht nur technische Fehler. Wenn sich die Verteilung zentraler Merkmale deutlich verschiebt, kann dies auf einen geänderten Prozess, eine fehlerhafte Schnittstelle oder eine nicht mehr passende Trainingsbasis hinweisen. Wird eine Qualitätsgrenze unterschritten, muss vorab festgelegt sein, wer informiert wird und welche Konsequenz folgt: Kennzeichnung der Ergebnisse, Rückfall auf einen Regelprozess, manuelle Prüfung oder vorübergehende Deaktivierung.

Diese Regeln schaffen keinen fehlerfreien Betrieb. Sie machen Fehler sichtbar, begrenzen ihre Wirkung und erlauben eine nachvollziehbare Reaktion. Gerade bei Anwendungen mit Bezügen zu EU AI Act, Datenschutz oder internen Kontrollsystemen ist diese Steuerbarkeit wesentlicher als eine punktuell hohe Modellkennzahl.

Datenqualität als Teil der Go-Live-Planung

KI-Datenqualität für produktive Anwendungen gehört deshalb in Testmanagement, Cutover-Planung und Betriebsübergabe. Vor dem Go-Live sollten nicht nur Modellmetriken geprüft werden, sondern auch Datenvolumina, Ausnahmeszenarien, Berechtigungskonzepte, Protokollierung und Eskalationswege. Ein fachlicher Abnahmetest mit realistischen Prozessfällen zeigt oft früher als ein technischer Test, ob die Datenlogik im Alltag trägt.

Der messbare Nutzen liegt in weniger manuellen Korrekturen, besser erklärbaren Ergebnissen und einem stabileren Betrieb. Entscheidend ist jedoch die Reihenfolge: Erst den Prozess und seine Risiken verstehen, dann Datenregeln festlegen, technische Kontrollen umsetzen und die Verantwortung im Betrieb verankern.

Datenqualität vor dem produktiven Einsatz prüfen

Quteco unterstützt mit Quick Checks und Workshops dabei, Datenflüsse, kritische Qualitätsregeln und Verantwortlichkeiten für konkrete KI-Anwendungsfälle zu strukturieren. In laufenden SAP-, Daten- und KI-Projekten lassen sich daraus prüfbare Anforderungen für Test, Cutover und Betrieb ableiten. So wird aus einer allgemeinen Dateninitiative ein steuerbarer Weg zu belastbaren Entscheidungen im Fachprozess.