The Implementers GmbH
Tradition trifft KI-Praxis

Blog

Daten und Prozesse sind keine Ausrede – sie sind der Startpunkt für KI

Datenqualität und Prozessreife beeinflussen KI-Projekte, sind aber kein legitimer Grund für Verzögerung.

Zur ÜbersichtNächster Artikel
Daten und Prozesse sind keine Ausrede – sie sind der Startpunkt für KI

These

Datenqualität und Prozessreife beeinflussen KI-Projekte, sind aber kein legitimer Grund für Verzögerung.

Warum das Thema jetzt relevant ist

Auf LinkedIn, X und YouTube häufen sich Beiträge mit immer gleichen Erklärungen: KI-Projekte scheitern wegen schlechter Daten. KI-Projekte scheitern wegen fehlender Prozesse.

Das stimmt – teilweise. Aber es greift zu kurz.

Wer aus Lean Management oder Six Sigma kommt, kennt diese Diskussion seit Jahrzehnten. Kein Verbesserungsprojekt startet mit perfekten Daten oder stabilen Prozessen. Im Gegenteil: Die meisten Projekte beginnen genau dort, wo Transparenz fehlt. (Quelle: [ASQ DMAIC](https://asq.org/quality-resources/dmaic), (externer Link) [Imai, *Kaizen*](https://books.google.com/books/about/Kaizen_The_Key_To_Japan_s_Competitive_Su.html?id=ABNmzwEACAAJ)) (externer Link)

Die entscheidende Frage ist daher nicht: Sind unsere Daten perfekt? Sondern: Sind sie gut genug, um zu starten?

---

Kernargumente

Argument 1: Kein Verbesserungsansatz wartet auf perfekte Daten

In Six Sigma ist Datenerhebung häufig der erste Schritt im DMAIC-Zyklus (Define–Measure–Analyze–Improve–Control). Ohne Messphase keine Analyse – aber die Messphase entsteht im Projekt, nicht davor. (Quelle: [ASQ DMAIC](https://asq.org/quality-resources/dmaic)) (externer Link)

Auch Lean und Kaizen basieren auf kontinuierlicher Verbesserung in kleinen Schritten – nicht auf Perfektion vor dem Start. Kaizen bedeutet wörtlich „Veränderung zum Besseren“ und beschreibt inkrementelle Optimierung direkt im Prozess. (Quelle: [Imai, *Kaizen*](https://books.google.com/books/about/Kaizen_The_Key_To_Japan_s_Competitive_Su.html?id=ABNmzwEACAAJ), (externer Link) [Kaizen Definition](https://www.kaizen.com.sg/kaizen/)) (externer Link)

Hat jemals ein nicht perfekter Prozess Projekte verhindert? Selten. In der Regel sind gerade instabile Prozesse der Grund, warum Projekte gestartet werden.

Warum sollte das bei KI anders sein?

---

Argument 2: KI kann mit Unschärfe umgehen – besser als klassische Systeme

Moderne KI-Modelle – insbesondere Large Language Models – arbeiten direkt auf Text und anderen unstrukturierten Inhalten und werden über Textinteraktion für Aufgaben genutzt. (Quelle: [OpenAI GPT-3 Paper Summary](https://openai.com/index/language-models-are-few-shot-learners/)) (externer Link)

Das unterscheidet sie von klassischen Business-Intelligence- oder Regel-basierten Systemen, die saubere, strukturierte Daten benötigen. (Quelle: [IBM Structured vs. Unstructured Data](https://www.ibm.com/think/topics/structured-vs-unstructured-data)) (externer Link)

Zudem zeigen Praxisberichte aus der Industrie, dass KI besonders dort schnell Nutzen stiftet, wo manuelle Tätigkeiten dominieren – etwa bei:

  • Angebots- und Lastenhefterstellung
  • Ticket-Klassifikation
  • Wissensmanagement
  • Code-Generierung
  • Dokumentation
  • ERP-Text- und Workflow-Anpassungen

Gerade generative KI beschleunigt Softwareentwicklung messbar. Eine randomisierte Studie von Brynjolfsson et al. (2023) zeigte Produktivitätssteigerungen von 14 % im Kundensupport durch KI-Assistenz. (Quelle: [NBER Working Paper 31161](https://www.nber.org/papers/w31161)) (externer Link) GitHub berichtet, dass Entwickler mit Copilot Aufgaben signifikant schneller lösen konnten. (Quelle: [GitHub Copilot Research 2023](https://github.blog/news-insights/research/research-quantifying-github-copilots-impact-on-developer-productivity-and-happiness/)) (externer Link)

Die Daten sind dabei nicht perfekt. Sie sind „gut genug“.

---

Risiken, Grenzen, Gegenpositionen

Natürlich gibt es reale Grenzen:

Es stimmt also: Daten- und Prozessqualität beeinflusst KI-Erfolg. (Quelle: [EU AI Act – Regeln für Hochrisiko-KI](https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai)) (externer Link)

Aber: Sie sind kein valider Grund für Nichtstun.

Oft ist „unsere Daten sind schlecht“ weniger eine technische Hürde als eine organisatorische Schutzbehauptung.

---

Fazit: Haltung & Ausblick

Daten und Prozesse waren noch nie perfekt. Weder in Lean. Noch in Six Sigma. Noch in klassischer IT.

KI ist kein Sonderfall.

Wer wartet, bis alles sauber modelliert, strukturiert und standardisiert ist, wird nicht starten. Wer startet, wird im Projekt Daten erheben, Prozesse stabilisieren und nebenbei Mehrwert schaffen.

Die sinnvolle Strategie ist:

  • Klein anfangen
  • Konkrete Use Cases wählen
  • Prozesse stabilisieren statt theoretisch optimieren
  • KI als Werkzeug für Verbesserung nutzen – nicht als Ersatz für Denken

Startet jetzt. Nicht mit Perfektion. Sondern mit Fortschritt.

---

Quellen / Weiterführende Links

---

Executive Summary

Viele KI-Projekte scheitern nicht primär an Daten oder Prozessen, sondern an einer falschen Erwartungshaltung: dem Wunsch nach Perfektion vor dem Start. Klassische Verbesserungsmethoden wie Six Sigma oder Kaizen zeigen, dass Datenerhebung und Prozessstabilisierung Teil des Projekts sind – nicht Voraussetzung. Moderne KI zeigt messbare Produktivitätsgewinne in realen Arbeitskontexten. Datenqualität beeinflusst den Erfolg, ist aber kein legitimer Grund für Stillstand. Wer KI erfolgreich einführen will, muss klein starten und iterativ verbessern.

---

Key Takeaways

---

FAQ

1. Scheitern KI-Projekte wirklich primär an schlechten Daten? Teilweise. Datenqualität beeinflusst Modellgüte, ist aber selten der alleinige Grund für das Scheitern.

2. Sollte man erst Prozesse perfektionieren, bevor man KI einführt? Nein. Prozessstabilisierung ist häufig Teil des KI-Projekts, nicht dessen Voraussetzung.

3. Ist KI ohne strukturierte Daten sinnvoll einsetzbar? Ja. Insbesondere Large Language Models können mit unstrukturierten Textdaten arbeiten.

4. Wann sind gute Daten zwingend erforderlich? Bei sicherheitskritischen oder regulierten Anwendungen, z. B. in Medizin oder Industrieanlagen.

5. Was ist der pragmatische Startpunkt? Ein klar abgegrenzter Use Case mit überschaubarem Risiko und messbarem Nutzen.