„Unsere Daten taugen nicht für KI“
Lemur Media · Autor: Dominik Dębski · aktualisiert am 28.10.2026
Daten, die für das Reporting gesammelt werden, sind meist nicht für die Nutzung durch KI-Modelle aufbereitet: Es fehlen Metadaten, Taxonomien und geordnete Zugriffsrechte. Sinnvoll ist ein Start mit den Daten für 1–2 konkrete Anwendungsfälle.
Woran erkennt man das Problem?
- Der KI-Assistent gibt falsche Antworten zu den Produkten des Unternehmens.
- Das Wissen des Unternehmens ist über PDF-Dateien, E-Mails und Tabellen verstreut.
- Die Daten haben keine Beschreibungen, daher kennen nur wenige Personen ihre Bedeutung.
- Die Zugriffsrechte auf Daten sind nicht geordnet.
Was sind die Ursachen?
- 01Für Reports gesammelte DatenDie Datenstruktur bedient Reports und beschreibt nicht den Kontext, den Modelle brauchen.
- 02Keine Metadaten und TaxonomieOhne Beschreibungen und gemeinsame Begriffe kann ein Modell aktuelle nicht von veralteten Informationen unterscheiden.
- 03Ungeordnete ZugriffsrechteEs besteht das Risiko, Daten Personen zugänglich zu machen, die keinen Zugriff haben sollten.
| Mitarbeitende | Typisches Bild |
|---|---|
| 50–249 Mitarbeitende | Nötig sind ein Datenverantwortlicher für den gewählten Anwendungsfall und eine Basistaxonomie. |
| 250–999 Mitarbeitende | Nötig sind Regeln für Data Governance und Verantwortliche für Datendomänen. |
| 1.000+ Mitarbeitende | Nötig sind ein gemeinsamer Datenkatalog und eine Zugriffskontrolle über viele Systeme hinweg. |
Welche Fragen sollte die Geschäftsführung stellen?
- Welche Daten braucht der erste Anwendungsfall, und wo liegen sie?
- Haben Dokumente ein Ablaufdatum und einen Verantwortlichen?
- Wer hat heute Zugriff auf die Daten, die in das Modell einfließen werden?
Welche Kennzahlen sollten Sie prüfen?
- Anteil der Dokumente mit Metadaten für den gewählten Anwendungsfall
- Treffsicherheit der Antworten auf einen Satz von Testfragen
- Anzahl der Quellen mit zugeordnetem Verantwortlichen
Welche Fehler sollten Sie vermeiden?
- Bereinigung aller Unternehmensdaten vor dem ersten Pilotprojekt.
- Einem Modell Daten zugänglich machen, ohne die Zugriffsrechte zu prüfen.
Wie läuft die Lösung ab?
Methoden: Datenwertschöpfungskette + LEMUR AI Readiness Index. Die Reihenfolge der Maßnahmen bestimmt der Lemur-Kompass anhand von Wachstumsphase, Größe, Geschäftsmodell und Rentabilität des Unternehmens.
- 01QuellenkarteNur für 1–2 ausgewählte Anwendungsfälle.
- 02Metadaten und TaxonomieBeschreibungen und gemeinsame Begriffe.
- 03Qualität und ZugriffsrechteVollständigkeit, Aktualität, DSGVO-konformer Zugriff.
- 04Pilotprojekt mit einem DatenausschnittPrüfung mit Produktivdaten, bevor der Umfang erweitert wird.
Womit sollten Sie beginnen?
Diagnose mit Schwerpunkt auf Dimension M (Datenmodell).