Bringen Sie Ihre eigenen Daten in Ordnung, bevor KI daraus Vorhersagen macht

Worum es geht

Bevor Sie ein KI-Werkzeug einrichten, das aus Ihrer eigenen Vergangenheit lernt, prüfen Sie die Daten, aus denen es lernen wird. Die Daten müssen vollständig sein, jedes Mal auf dieselbe Weise erfasst und an einem Ort gespeichert. Wenn sie das nicht sind, beheben Sie das zuerst.

Solche Werkzeuge schätzen den Preis eines neuen Auftrags aus früheren Aufträgen, die Dauer einer Aufgabe aus früheren Aufgaben oder den nächsten Schritt mit einem Kunden aus dessen Akte.

Ein allgemeiner Chat-Assistent zum Entwerfen von Texten braucht diesen Schritt nicht. Ein Werkzeug, das aus Ihren eigenen Daten Vorhersagen macht, braucht ihn.

Was die Evidenz zeigt

Die Firmenfälle, die unten unter „Firmenfälle“ aufgeführt sind, sind die Grundlage für diesen Rat. Keine Studie hat ihn geprüft.

• Die Bereinigung war die Hauptarbeit. Ein Metallbaubetrieb mit sechs Beschäftigten wollte, dass KI Sonderteile anhand seiner Produktionsgeschichte kalkuliert. Ein großer Teil des Projekts ging in die Aufbereitung der Daten. Der Inhaber sagt: “If the data is not clean, the tool will not be reliable.” [„Wenn die Daten nicht sauber sind, ist das Werkzeug nicht zuverlässig.“] Ein Angebot dauert jetzt etwa zehn Minuten, wo es manchmal zwei Stunden dauerte.
• Die Daten mussten erst entstehen. Ein Stahlbaubetrieb hatte seine Fertigungszeiten von Hand notiert. Die Zeiten für identische Teile wichen um bis zu 30 Minuten voneinander ab und waren daher kaum brauchbar. Die erste Hälfte des Projekts war eine einfache App, in der die Werker die tatsächlichen Zeiten erfassten. Das KI-Modell, das mit diesen Zeiten trainiert wurde, lag etwa fünfmal näher an der tatsächlichen Zahl als die Fachleute des Betriebs.
• Ein Ort für jeden Kunden. Eine Beratungsfirma mit zwei Personen arbeitete mit E-Mails und Tabellen. Die Firma nennt eine Akte je Kunde statt verstreuter Dateien als eine der Entscheidungen, von denen ihr Projekt abhing. Ein Reinigungsunternehmen führte seine Kunden in Tabellen. Das Unternehmen übertrug seine Kunden in ein einziges Kundensystem, und die KI in diesem System schlägt jetzt Antworten aus der Akte jedes Kunden vor.
• Schlechte Daten rein, falsche Antworten raus. Rite Aid ließ Bilder von schlechter Qualität in die Datenbank, mit der sein Gesichtserkennungssystem Kunden abglich. Die Aufsichtsbehörde sagte, das habe falsche Treffer wahrscheinlicher gemacht. Kunden wurden zu Unrecht beschuldigt, und der Kette wurde die Technik für fünf Jahre verboten.

Wo lange, vollständige Daten schon vorliegen, ist dieser Schritt kurz. Ein Chipwerk hatte die Daten von 1.197 früheren Produktionschargen, jede mit 3.614 erfassten Werten. Ein damit trainiertes KI-Modell zeigte auf zwei Produktionsschritte, die Chips verdarben.

Ein KI-Anbieter macht einen ähnlichen Punkt anhand eigener Daten. Anthropic, das das KI-Modell Claude verkauft, hat eingeordnet, wie Unternehmen das Modell nutzen. In seinem Bericht vom September 2025 argumentiert es, dass anspruchsvolle Nutzung eher durch den Zugang zum richtigen Kontext gebremst wird als durch das Modell selbst. Das ist die Deutung des Anbieters zur Nutzung durch seine eigenen Kunden, kein Test.

So gehen Sie vor

1. Benennen Sie die eine Sache, die vorhergesagt werden soll. Der Metallbaubetrieb wollte den Preis eines neuen Teils. Der Stahlbaubetrieb wollte die Zeit zum Walzen eines Blechs. Eine einzige Vorhersage zeigt Ihnen, welche Daten zählen.
2. Listen Sie die Daten auf, die die Vorhersage braucht, und wo sie liegen. Beim Metallbaubetrieb waren das die Einträge in der Unternehmenssoftware, die Stücklisten, die 3D-Dateien und die Standard-Arbeitspläne.
3. Prüfen Sie, ob den Daten zu trauen ist. Nehmen Sie zehn identische oder fast identische frühere Aufträge und vergleichen Sie, was erfasst wurde. Der Stahlbaubetrieb fand Abweichungen von bis zu 30 Minuten zwischen identischen Teilen. Daran sah der Betrieb, dass er neu anfangen musste.
4. Wenn die Daten nicht gut genug sind, fangen Sie an zu erfassen. Halten Sie es einfach. Der Stahlbaubetrieb zerlegte einen Prozess in Schritte und gab den Werkern eine App, in der sie jeden Schritt zum Auftrag erfassten. Der Betrieb passte die App gemeinsam mit den Werkern an und schulte sie darin.
5. Erfassen Sie, was tatsächlich passiert ist. Die Fachleute des Stahlbaubetriebs hatten Nebentätigkeiten wie das Bewegen von Material überschätzt. Ein Werkzeug, das mit Schätzungen trainiert wird, hätte diesen Fehler übernommen. Trainieren Sie mit gemessenen Zeiten, echten Kosten und echten Ergebnissen.
6. Verknüpfen Sie jeden Datensatz mit seinem Auftrag oder Kunden. Der Metallbaubetrieb verknüpfte jede 3D-Datei mit dem Datensatz darüber, wie das Teil gefertigt wurde. Die Beratungsfirma legte alles zu einem Kunden in eine Akte.
7. Legen Sie fest, was hinein darf. Setzen Sie einen Mindeststandard für einen neuen Datensatz und benennen Sie, wer ihn prüft.
8. Erfassen Sie weiter, wenn das Werkzeug läuft. Der Stahlbaubetrieb erfasst noch heute jeden neuen Auftrag und aktualisiert sein Modell in regelmäßigen Abständen mit diesen Daten.

Was Sie messen

• Die Abweichung zwischen den Daten identischer Aufträge, vor und nach der Bereinigung.
• Den Anteil früherer Aufträge mit vollständigen Daten.
• Wie weit die Vorhersagen des Werkzeugs bei Aufträgen, die es nicht kennt, von dem abweichen, was tatsächlich passiert ist. Siehe an einer Ausgangsmessung messen.

Woran es scheitert

• Alles bereinigen. Der Stahlbaubetrieb beschränkte sein Projekt auf einen Prozess. Bereinigen Sie die Daten, die eine Vorhersage braucht, und machen Sie dann weiter. Siehe mit einem kostspieligen Prozess beginnen.
• Erfassung, mit der die Beschäftigten nicht Schritt halten. Das Zentrum, das das Projekt des Stahlbaubetriebs begleitete, berichtet, dass Probleme mit Menschen die Datenerfassung immer wieder bremsten und das Projekt in die Länge zogen. Machen Sie das Erfassen schnell und beziehen Sie die Menschen ein, die es tun.
• Niemand ist danach für die Daten verantwortlich. Neue Einträge fallen auf den alten Standard zurück. Benennen Sie eine Person.
• Mit dem Werkzeug anfangen. Ein Werkzeug, das gekauft wird, bevor die Daten geprüft sind, wird an Antworten gemessen, die es gar nicht richtig geben konnte.

Nach Unternehmensgröße

• Kleinst- und Kleinunternehmen: Der Inhaber kann das selbst tun. Der Inhaber des Metallbaubetriebs führte das Projekt selbst mit seiner Assistenz durch, ohne Beratungsfirma.
• Mittlere Unternehmen: Wählen Sie einen Prozess und übertragen Sie seine Daten einer benannten Person. Rechnen Sie damit, dass Erfassen und Bereinigen einen großen Teil des Projekts ausmachen.
• Gehobener Mittelstand und Großunternehmen: Die Daten gibt es meist, verteilt auf mehrere Systeme. Die Arbeit besteht darin, sie zu verknüpfen und sich über Standorte und Teams hinweg auf eine Art der Erfassung zu einigen.

Firmenfälle

Unternehmen, die das getan haben

• EIST Bevor die KI eingesetzt wurde, bereinigte der Betrieb die Datensätze in seiner Unternehmenssoftware, ordnete seine Stücklisten und verknüpfte jede 3D-Datei mit den Aufzeichnungen dazu, wie das Teil gefertigt wurde. Vom Unternehmen gemeldetes Ergebnis
• Herges Stahl- und Blechbau Der erste Schritt des Projekts war eine einfache App, in der Beschäftigte echte Fertigungszeiten erfassen, weil die handschriftlichen Aufzeichnungen bei identischen Teilen um bis zu 30 Minuten abwichen. Gemessenes Ergebnis
• Ministry of Clean Die Firma holte ihre Kundenliste aus den Tabellen in ein einziges Kundensystem. Die KI schlägt Antworten und nächste Schritte aus den dort gespeicherten Kundendaten vor. Vom Unternehmen gemeldetes Ergebnis
• SAM Die Firma nennt zentral gespeicherte Daten, eine Akte je Kunde statt verstreuter Dateien, als eine der Entscheidungen, die über den Erfolg des Projekts entschieden. Vom Unternehmen gemeldetes Ergebnis

Was ohne sie passiert ist

• Rite Aid Die Behörde sagte, Rite Aid habe nicht verhindert, dass Bilder schlechter Qualität in seine Datenbank für Gesichtserkennung kamen. Das machte falsche Treffer wahrscheinlicher. Ging schief

Quellen

Keine veröffentlichte Studie prüft diese Praktik direkt, deshalb ist sie mit Vorläufig bewertet. Die Bewertung stützt sich auf die Firmenfälle oben und auf die Quellen unten.

1. Anthropic (15 September 2025). Anthropic Economic Index report. A report by an AI vendor on how its own customers use its model. anthropic.com

Verwandte Praktiken

• Beginnen Sie mit einem kostspieligen Prozess, nicht mit einer unternehmensweiten Einführung Wählen Sie einen Prozess, der sichtbar Zeit oder Geld kostet. Setzen Sie dort KI ein, mit einem Menschen, der die Ergebnisse prüft, und weiten Sie erst aus, wenn sich die Zahlen bewegen. Zuerst · Aufwand: mittel (Wochen, einige Personen) Evidenz: Gängige Praxis Strategie · Erkunden
• Messen Sie die eingesparte Zeit je Aufgabe an einer Ausgangsmessung Halten Sie fest, wie lange eine Aufgabe dauert und wie gut das Ergebnis ist, bevor Sie KI einsetzen. Ohne diesen Ausgangswert können Sie einen echten Gewinn nicht von einem erhofften unterscheiden. Zuerst · Aufwand: gering (Tage, eine Person) Evidenz: Gängige Praxis Messung · Einführen
• Planen Sie Budget für Menschen und Prozesse ein, nicht nur für Werkzeuge Lizenzen sind der kleine Teil der Kosten. Planen Sie den Großteil von Zeit und Geld für Schulung, die Umgestaltung der Arbeit und die Begleitung der Menschen durch die Veränderung ein. Zuerst · Aufwand: gering (Tage, eine Person) Evidenz: Vorläufig Strategie · Einführen
• Legen Sie fest, welche Daten in welche KI-Werkzeuge dürfen Teilen Sie Ihre Daten in zwei oder drei Gruppen ein und sagen Sie, in welche KI-Werkzeuge jede Gruppe darf. Kundengeheimnisse und personenbezogene Daten bleiben aus öffentlichen Werkzeugen heraus. Wo ein Fehler schwer wöge, sperren Sie das Hochladen, statt sich auf eine Regel zu verlassen. Zuerst · Aufwand: gering (Tage, eine Person) Evidenz: Gängige Praxis Daten und Werkzeuge · Einführen