KI und Daten

Warum Daten allein kein Vorteil sind und was Unternehmen wirklich brauchen

Wer Daten hat, glaubt oft, auf einem Schatz zu sitzen. In vielen Unternehmen lagern riesige Mengen an Rohdaten in Systemen, die kaum jemand kennt, in Formaten, die kaum jemand lesen kann, und für Zwecke, die kaum jemand noch benennen kann. Der Glaube: Irgendwann werden wir damit etwas anfangen. Das Ergebnis: Meistens nichts.

Anna Neureiter, ursprünglich aus dem Bezirk Leoben, beschäftigt sich genau mit diesem Problem. Als Data Governance Managerin bei IT Power Services berät sie Unternehmen beim Umgang mit Daten, und als ehrenamtliches Mitglied bei der Data Intelligence Offensive (DIO) arbeitet sie daran, wie Datenaustausch in Österreich auf europäischer Basis gelingen kann. In Folge 113 des Podcasts Mind/Machine spricht sie mit Manuela Machner (KI-Expertin, KiNET.ai) und Eliot Mannoia (digitaler Psychologe, brandkarma) über das, was in der Praxis wirklich zählt.

Daten sind kein Gold

Der Vergleich, der die Diskussion prägt: Daten sind nicht das neue Gold. Sie sind eher wie ein Samen. Gold liegt im Tresor und behält seinen Wert, egal wie lange. Ein Samen braucht Pflege, den richtigen Boden, den richtigen Zeitpunkt. Wer Daten fünf Jahre unberührt lagert und dann erwartet, dass eine KI daraus Erkenntnisse zieht, wird enttäuscht.

Das klingt einfach. Aber der Zeitaspekt wird in den meisten Unternehmen systematisch unterschätzt. Daten veralten. Kontext geht verloren. Was vor drei Jahren noch relevant war, kann heute irreführend sein.

80 Prozent der Arbeit passiert vor dem Modell

Eine Zahl, die viele überrascht: Rund 80 Prozent der Arbeitszeit in KI-Projekten entfällt auf Datenaufbereitung und Qualitätsprüfung, bevor das eigentliche Modell auch nur gestartet wird. Daten bereinigen, Formate vereinheitlichen, Lücken identifizieren, Quellen bewerten.

Das ist kein technisches Problem. Es ist ein organisatorisches. In vielen Unternehmen weiß die IT-Abteilung, wo Daten liegen. Die Fachabteilung weiß, was sie eigentlich braucht. Beide reden nicht miteinander. Das Ergebnis: ein KI-Projekt, das sechs Monate läuft und dann still eingestellt wird.

Erst der Use Case, dann die Daten

Was wäre die Alternative? Anna Neureiter hat eine klare Empfehlung: zuerst den Use Case definieren, dann prüfen, welche Daten dafür gebraucht werden. Nicht umgekehrt.

Der häufigste Fehler ist genau dieser: Wir haben Daten, also fangen wir an. Ohne zu wissen, was das Ziel ist, ohne zu wissen, welche Frage beantwortet werden soll, ohne zu wissen, wer am Ende mit dem Ergebnis arbeiten muss.

Sauberes Scoping zu Beginn bedeutet: Das Problem klar beschreiben. Die Beteiligten von Anfang an einbinden. Einen realistischen ersten Schritt festlegen. Und dann klein anfangen. Quick Wins, also frühe, sichtbare Ergebnisse, sind in Datenprojekten oft wichtiger als ambitionierte Langzeitpläne. Sie zeigen, dass etwas funktioniert. Das schafft Vertrauen und Rückhalt.

Data Literacy: Nicht alle müssen Datenwissenschaftlerinnen sein

Ein weiteres Thema im Gespräch: Data Literacy. Damit ist nicht gemeint, dass alle Mitarbeitenden Programmieren oder Statistik lernen sollen. Es geht um etwas Grundlegenderes: die Fähigkeit, Daten zu lesen, zu interpretieren und kritisch zu hinterfragen.

Wer ein Diagramm sieht, soll in der Lage sein zu fragen: Woher kommen diese Zahlen? Was wird hier nicht gezeigt? Könnte das verzerrt sein? Diese Fragen zu stellen ist keine Spezialfähigkeit. Es ist eine Grundkompetenz, die viele Unternehmen noch nicht ausreichend fördern.

Anna Neureiter setzt auf Enablement: Menschen befähigen, selbst Fragen zu stellen, anstatt KI-Outputs unreflektiert zu übernehmen. Besonders in einer Zeit, in der generative KI immer selbstbewusster formuliert und damit die Gefahr steigt, falsche Ergebnisse als richtig zu akzeptieren.

Datenaustausch ohne Kontrollverlust

Ein konkretes Beispiel für neue Ansätze sind sogenannte Data Spaces: technische und rechtliche Infrastrukturen, die Unternehmen ermöglichen, Daten gezielt und kontrolliert zu teilen, ohne sie vollständig aus der Hand zu geben. Die Data Intelligence Offensive (DIO) entwickelt solche Strukturen für Österreich auf Basis europäischer Standards.

Die Idee dahinter ist simpel: Zusammenarbeit braucht Vertrauen. Vertrauen braucht klare Spielregeln. Wer Daten teilen will, ohne die Kontrolle zu verlieren, braucht Infrastrukturen, die das technisch und rechtlich absichern. Diese Infrastrukturen werden gerade aufgebaut.

Was bleibt

Keine KI ist besser als die Daten, auf denen sie basiert. Dieser Satz klingt banal, wird aber im Alltag ständig ignoriert. Daten zu sammeln ist einfach. Zu wissen, warum man sie sammelt, ist selten. Und der Unterschied zwischen beidem entscheidet darüber, ob ein KI-Projekt funktioniert oder nicht.

Mind/Machine, Folge 113 mit Anna Neureiter, ist jetzt auf Spotify, Apple Podcasts, Amazon Music und www.mind-machine.at zu hören.

Über die Autorin: Manuela Machner ist KI-Beraterin mit Schwerpunkt Tourismus und KMU sowie Gründerin von KiNET.ai. Sie begleitet Unternehmen dabei, KI sinnvoll und praxisnah einzusetzen, ohne Buzzwords, ohne Theorie um der Theorie willen. Mehr auf www.kinet.ai.