KI-Bereitschaft ist kein IT-Problem. Es ist ein Datenproblem.

Jede Organisation, mit der wir sprechen, will KI nutzen. Die meisten können es nicht, nicht weil die Technologie nicht verfügbar ist, sondern weil ihre Daten nicht dafür bereit sind. KI-Tools schaffen keine Struktur aus Chaos. Sie verstärken jede Struktur, die bereits existiert. Wenn Ihre Eingabedaten inkonsistent, fragmentiert und schlecht klassifiziert sind, wird die KI-Ausgabe selbstbewusst und kostspielig falsch sein.

Was KI-Tools tatsächlich von Ihren Daten verlangen

Moderne KI-Plattformen, einschließlich Microsoft Copilot, Power BI mit KI-Funktionen, Microsoft Fabric und Procurement-Intelligence-Tools von Drittanbietern, teilen eine gemeinsame Annahme: Die Daten, mit denen sie arbeiten, sind strukturiert, konsistent und vertrauenswürdig.

Strukturiert bedeutet, dass Felder das enthalten, was sie enthalten sollen. Anlagentyp ist ein Anlagentyp, kein Freitextfeld, das „Pumpe (bei Brian nachfragen)" liest. Konsistent bedeutet, dass dasselbe Konzept im gesamten Datensatz gleich beschrieben wird. Vertrauenswürdig bedeutet, dass die Daten gegen einen bekannten Standard validiert wurden, nicht nur ohne Qualitätsprüfungen angesammelt wurden.

Wenn diese Bedingungen nicht erfüllt sind, versagen KI-Tools nicht sauber. Sie erzeugen Ausgaben, die maßgeblich aussehen, gut formatierte Dashboards, selbstbewusste Prognosen, aber auf Eingaben basieren, die das Geschäft nicht genau abbilden.

Die Microsoft-Fabric-Realität

Viele Organisationen in Hard Services, Bau und Infrastruktur planen oder führen derzeit eine Migration zu Microsoft Fabric durch. Das ist eine vernünftige strategische Richtung. Fabric ist leistungsstark und gut in das Microsoft-Ökosystem integriert.

Das Problem ist das Timing. Fabric-Migrationen bringen Datenqualitätsprobleme auf unangenehme Weise ans Licht, genau in dem Moment, in dem die Organisation am stärksten investiert ist, die Plattform zum Laufen zu bringen. Das Muster ist konsistent: Die Migration beginnt, die Daten werden geladen, und die Dashboards zeigen Inkonsistenzen, die vorher nicht sichtbar waren. Die ersten Monate einer Fabric-Einführung werden von Datenbereinigung statt Wertschöpfung aufgezehrt.

Die Organisationen, die am meisten aus Fabric herausholen, sind diejenigen, die ihre Datenqualitätsprobleme vor der Migration lösen. Die Daten, die in die Plattform fließen, sind sauber, klassifiziert und konsistent strukturiert. Die Einführung liefert Wert vom ersten Tag an.

KI-Bereitschaft: eine praktische Checkliste

Bevor Ihre Organisation bereit ist, Wert aus KI-Tools zu ziehen, müssen fünf Datenbedingungen erfüllt sein:

• Konsistente Spend-Klassifizierung – Sind alle Procurement-Positionen nach einem anerkannten Standard wie UNSPSC oder eClass klassifiziert? Oder in Freitext beschrieben, der je nach Nutzer, Standort und System variiert?
• Deduplizierte Lieferantendatensätze – Erscheint jeder Lieferant als ein Datensatz? Siemens Building Technologies Ltd, Siemens BT und Siemens Rechnung sind drei Datensätze, die einer sein sollten.
• Genaue Anlagendaten – Enthalten Anlagendatensätze Herstellername, Modellnummer und Installationsdatum, oder nur ein Etikett und einen Standort?
• Validierte Dateneingabe – Wenn neue Daten ins System gelangen, werden sie automatisch gegen Ihre bestehende Datenstruktur geprüft, oder kommen sie in welchem Format auch immer der Absender verwendet hat?
• Historische Datenqualitäts-Baseline – Wissen Sie, welcher Prozentsatz Ihrer aktuellen Daten korrekt klassifiziert, vollständig und konsistent ist, oder ist das eine offene Frage?

Wenn zwei oder mehr dieser Bedingungen nicht erfüllt sind, ist Ihre KI-Bereitschaft geringer, als die IT-Roadmap suggeriert.

Wie gute Datenvorbereitung aussieht

Phase 1 – Baseline-Bewertung. Eine strukturierte Bewertung der aktuellen Daten: was fehlt, was ist inkonsistent, und wo die größten Qualitätslücken liegen. Ergebnis: ein bereinigter Beispieldatensatz und ein klarer Aktionsplan.

Phase 2 – Automatisierte Bereinigung und Anreicherung. Machine Learning übernimmt die hochvolumigen Korrekturen. Fälle, die Urteilsvermögen erfordern, werden zur menschlichen Prüfung markiert. Diese Phase erledigt typischerweise 85–95 % der Bereinigungsarbeit ohne manuellen Eingriff.

Phase 3 – Laufende Qualitätskontrolle. Eine kontinuierliche Ebene, die neue Daten validiert, sobald sie ins System gelangen, und den Qualitätsstandard aufrechterhält, statt ihn über die Zeit verfallen zu lassen.

Wenn Sie verstehen möchten, wie bereit Ihre Daten tatsächlich sind, ist eine Datenqualitäts-Baseline der richtige Ausgangspunkt.

„Pearstop hat ein System gebaut, das automatisch die richtigen Positionen aus unseren Besuchsberichten in ein sauberes Angebotsdokument zieht. Es spart unserem Team viel Zeit, indem es die sich wiederholenden Aufgaben des Zusammenstellens der richtigen Positionen eliminiert."

– Vince Out, Lemtech · Manufacturing & Air Filtration

Dania Butt

Full Stack Developer, Pearstop

Dania is a full stack developer at Pearstop. Recent work includes the classification ruleset upload flow, giving procurement teams direct control over how their data is labelled through override, boost and block rules, and the onboarding experience that takes a client from raw file to classified spend.

LinkedIn →