KI-ready Daten: Leitfaden zur Vorbereitung von Unternehmensdaten

KI-ready Daten sind Unternehmensdaten, die genau, einheitlich strukturiert, gut dokumentiert, auffindbar und angemessen gesteuert sind, vorbereitet für den verlässlichen, verantwortungsvollen Einsatz in Modellen des maschinellen Lernens, in großen Sprachmodellen (LLMs) und in Abläufen mit Agentic AI. Es sind nicht einfach saubere Daten. Es sind Daten, deren Herkunft nachvollziehbar ist, deren Semantik festgelegt ist, deren Zugriff gesteuert wird und deren Qualität fortlaufend überwacht wird. Ohne KI-ready Daten scheitern KI-Vorhaben nicht daran, dass die Modelle zu schwach wären, sondern daran, dass die Daten, die sie verbrauchen, mehrdeutig, unvollständig oder unzuverlässig sind.

Was KI-ready Daten sind

Der Ausdruck „KI-ready Daten“ fasst eine Verschiebung darin, wie Organisationen über die Aufbereitung von Daten denken. Die klassische Datenbereitschaft richtete sich auf die analytische Nutzung: Sind die Daten genau genug für ein Dashboard, einen Bericht oder ein statistisches Modell? Die Bereitschaft für KI ergänzt neue Anforderungen: Kann ein Modell, ein Agent oder ein LLM diese Daten nutzen, ohne unzuverlässige, verzerrte oder halluzinierte Ausgaben zu erzeugen? Kann ein Abrufsystem im richtigen Moment die richtigen Daten finden? Können automatische Pipelines auf den Daten arbeiten, ohne dass ein Mensch zusieht?

Diese Anforderungen betreffen im Kern die Metadaten genauso wie die Datenwerte. Eine Tabelle voller genauer Zahlen ist nicht KI-ready, wenn kein Modell sie finden kann, wenn ihre Spaltennamen kryptische Abkürzungen sind, wenn ihre Herkunft unbekannt ist oder wenn der Zugriff darauf ungesteuert ist. KI-ready Daten verlangen beides: technische Qualität und reichen Kontext aus Metadaten.

Die Bedeutung KI-ready Daten hat mit der Verbreitung von LLMs und Retrieval-Augmented Generation (RAG) zugenommen. Wenn ein LLM eine Frage zu Unternehmensdaten beantwortet, stützt es sich auf den Kontext, der aus internen Datenquellen geholt wird. Enthalten diese Quellen veraltete, schlecht beschriftete oder widersprüchliche Informationen, spiegelt die Antwort des LLM diese Mängel wider, und Nutzer haben womöglich nicht das Fachwissen, den Fehler zu erkennen. Siehe auch: aktive Metadaten, Datenkatalog, Data Lineage.

Fünf Dimensionen KI-ready Daten

1. Datenqualität

Die Datenqualität ist die grundlegendste Dimension: KI-Modelle, die auf ungenauen, unvollständigen oder widersprüchlichen Daten trainiert oder angefragt werden, erzeugen unzuverlässige Ausgaben. Für LLMs und RAG-Systeme führen veraltete oder widersprüchliche Informationen im abgerufenen Kontext unmittelbar zu Halluzinationen oder zu selbstbewusst falschen Antworten. Datenqualität für KI umfasst Genauigkeit (die Werte bilden die Wirklichkeit ab), Vollständigkeit (keine kritischen Lücken), Konsistenz (dieselbe Entität wird über Datensätze hinweg gleich dargestellt), Aktualität (die Daten werden in einem Takt aktualisiert, der zum Anwendungsfall passt) und Eindeutigkeit (keine unerwünschten Dubletten, die das Verhalten des Modells verzerren).

Anders als in der klassischen BI verbrauchen KI-Systeme Daten oft auf Spaltenebene, ohne dass ein Mensch jeden Datensatz prüft. Qualitätsprobleme, die eine Analystin bemerken würde, bleiben einem Modell verborgen, das Tausende Zeilen je Sekunde verarbeitet. Das macht eine automatische Überwachung der Datenqualität, nicht nur eine einmalige Prüfung, für KI-ready Daten unverzichtbar.

2. Data Lineage

Data Lineage beantwortet die Frage: Woher stammen diese Daten, und welche Transformationen haben sie durchlaufen? Für KI-Systeme erfüllt die Lineage zwei entscheidende Zwecke. Erstens ermöglicht sie die Bewertung von Vertrauen: Ein Modell oder eine Entwicklerin kann einschätzen, ob die Kette der Transformationen eines Datensatzes tragfähig ist, bevor er für Training oder Inferenz genutzt wird. Zweitens ermöglicht sie die Wirkungsanalyse: Ändert sich ein Quellsystem, sagt die Lineage, welche KI-Modelle und Merkmale nachgelagert sind und betroffen sein können.

Lineage auf Spaltenebene ist für KI-Anwendungsfälle besonders wichtig. Viele KI-Merkmale hängen an bestimmten abgeleiteten Spalten, deren Logik mehrere Transformationen von der Quelle entfernt liegt. Ohne Lineage auf Spaltenebene lässt sich diese Ableitung weder prüfen noch bemerken, wenn sich vorgelagerte Logik ändert. Siehe auch: Data Lineage.

3. Auffindbarkeit

Auffindbarkeit heißt, dass KI-Systeme und die Menschen, die sie bauen, einschlägige Daten wirtschaftlich finden können. In einem typischen Unternehmen liegen nützliche Daten verteilt über Dutzende Datenbanken, Data Warehouses, Data Lakes und SaaS-Anwendungen. Ohne einen durchsuchbaren Datenkatalog verlieren Entwicklerinnen Wochen damit, passende Datensätze zu finden, und automatische agentische Abläufe können die richtigen Datenquellen zur Laufzeit gar nicht bestimmen.

Auffindbarkeit verlangt mehr als nur Suche: Datensätze brauchen fachliche Beschreibungen, festgehaltene Verantwortlichkeiten, Signale zur Aktualität und Qualitätswerte, damit Menschen wie automatische Systeme beurteilen können, ob ein gefundener Datensatz für den gedachten Zweck taugt.

4. Semantik und Kontext

Semantische Klarheit heißt, dass die Bedeutung von Daten eindeutig ist. Eine Spalte namens „rev“ kann für „revenue“, „review“ oder „revision“ stehen, denn Schemata sind meist englisch benannt und die drei Wörter beginnen gleich. Eine Spalte namens „customer_id“ kann in einem System eine UUID sein und in einem anderen eine fortlaufende Ganzzahl. LLMs und Pipelines zur Merkmalsbildung müssen verstehen, was Daten bedeuten, nicht nur, wie sie aussehen. Business Glossaries, Ontologien der Fachdomäne und eine Schemadokumentation liefern den Semantic Layer, der aus rohen Daten deutbare, für KI nutzbare Informationen macht. Aktive Metadaten, also Metadaten, die programmatisch aktualisiert werden und auf die hin gehandelt wird, gehen noch weiter, indem sie den semantischen Kontext aktuell halten, während sich die Daten entwickeln.

5. Sicherheit und Governance des Zugriffs

Governance der Sicherheit stellt sicher, dass KI-Systeme nur auf Daten zugreifen, zu deren Nutzung sie berechtigt sind, und dass sensible Daten, die beim Training oder bei der Inferenz verbraucht werden, in Compliance mit den Datenschutzregeln behandelt werden. Dazu gehören rollenbasierte Zugriffskontrolle, Regeln zur Maskierung von PII, die auch dann greifen, wenn LLMs zur Inferenzzeit Daten holen, der Nachweis von Einwilligungen für personenbezogene Daten im KI-Training und Protokolle darüber, welche KI-Systeme auf welche Daten zugegriffen haben.

KI-Systeme, die ohne saubere Governance auf Daten zugreifen, schaffen neue Angriffsflächen: Prompt-Injection kann sensible Daten abziehen, die ein RAG-System geholt hat, und feinabgestimmte Modelle können Trainingsdaten auswendig lernen und wörtlich wiedergeben. In regulierten Branchen ist die Governance der Sicherheit für KI-ready Daten nicht optional.

Häufige Blockaden

Die meisten Organisationen haben leistungsfähige KI-Werkzeuge und fähige Data Scientists. Der Engpass auf dem Weg zu KI-ready Daten liegt fast immer in der Schicht aus Daten und Metadaten. Die häufigsten Blockaden sind:

• Datensilos: einschlägige Daten liegen in mehreren Systemen ohne einheitlichen Katalog und ohne gemeinsame Schlüssel, sodass KI-Systeme kein vollständiges Bild einer Entität zusammensetzen können.
• Schwache Dokumentation: Tabellen und Spalten haben weder Beschreibungen noch Verantwortliche noch fachlichen Kontext, sodass Modelle nicht sicher sein können, was sie verbrauchen.
• Veraltete Qualitätsprüfungen: eine einmalige Prüfung bei der ersten Aufnahme wurde bestanden, doch es gibt keine laufende Überwachung, sodass die Datenqualität still verfällt.
• Unverfolgte Transformationen: abgeleitete Spalten und verdichtete Tabellen bestehen ohne dokumentierte Lineage, sodass sich die Eingaben eines Modells nicht prüfen lassen.
• Engpässe beim Zugriff: sensible Daten, die für KI wertvoll wären, liegen hinter manuellen Freigabeprozessen ohne programmatischen Weg für eine gesteuerte Nutzung durch KI.
• Uneinheitliche Semantik: derselbe Begriff (etwa „aktiver Kunde“) ist über Systeme hinweg unterschiedlich festgelegt, sodass KI-Systeme unvereinbare Daten verbinden.

Sieben Schritte zur Bereitschaft für KI

1. Alle Datenbestände aufnehmen und katalogisieren. Setzen Sie einen Datenkatalog ein, der Tabellen, Schemata und Metadaten über alle angebundenen Quellen hinweg automatisch findet. Ohne vollständiges Verzeichnis lässt sich die Bereitschaft für KI weder systematisch beurteilen noch verbessern.
2. Qualitätsprüfungen einrichten und automatisieren. Legen Sie die Qualitätsdimensionen fest, die für den KI-Anwendungsfall jedes Datensatzes zählen, und richten Sie eine automatische Überwachung ein. Qualitätsprüfungen sollten bei jedem Lauf der Pipeline greifen, nicht nur beim ersten Anschluss.
3. Lineage auf Spaltenebene aufbauen. Erfassen Sie die Lineage auf Ebene der Spalten, nicht nur der Tabellen. Sie ist unverzichtbar, um Ableitungen für KI-Merkmale zu prüfen und die Wirkung vorgelagerter Änderungen zu beherrschen.
4. Ein Business Glossary anlegen. Legen Sie maßgebliche Begriffe für alle fachlichen Konzepte fest, die in KI-Merkmalen vorkommen. Verknüpfen Sie die Begriffe des Glossars mit den Spalten und Tabellen, die sie abbilden. Das ist der Semantic Layer, der Daten für Menschen wie für KI-Systeme deutbar macht.
5. Sensible Daten klassifizieren und steuern. Lassen Sie eine automatische Klassifizierung laufen, die PII, Finanzdaten und andere sensible Inhalte erkennt. Wenden Sie Maskierungsregeln, Zugriffskontrolle und den Nachweis von Einwilligungen an, damit KI-Systeme sensible Daten nur gesteuert und regelkonform nutzen.
6. Verantwortung für Daten zuweisen. Jeder Datensatz, den KI-Systeme nutzen, sollte einen benannten Verantwortlichen für Qualität, Dokumentation und Zugriffsregeln haben. Daten ohne Verantwortliche sind Daten ohne Vertrauen.
7. Data Contracts für KI veröffentlichen und überwachen. Legen Sie für Datensätze in produktiven KI-Systemen ausdrückliche Verträge fest: erwartetes Schema, SLA für die Aktualität, Schwellen für die Qualität. Überwachen Sie diese Verträge und schlagen Sie Alarm, wenn sie verletzt werden, damit KI-Systeme nicht still verschlechterte Daten verbrauchen.

Die Rolle der Metadaten

Metadaten sind das Bindegewebe KI-ready Daten. Die Werte eines Datensatzes sind nur so nützlich wie die Metadaten, die sie beschreiben. Für KI-Systeme erfüllen Metadaten drei Aufgaben: Sie ermöglichen das Finden (die KI findet die richtigen Daten), sie ermöglichen die Bewertung von Vertrauen (die KI kann einschätzen, ob die Nutzung angemessen ist), und sie liefern Kontext (die KI kann deuten, was die Daten bedeuten).

Aktive Metadaten, also Metadaten, die programmatisch aktualisiert, überwacht und in Handlungen umgesetzt werden, sind für KI-Anwendungsfälle besonders wichtig. Eine statische Dokumentation in einem Wiki veraltet binnen Wochen. Systeme mit aktiven Metadaten aktualisieren Zeitstempel zur Aktualität, Qualitätswerte, Lineage-Graphen und Nutzungsstatistiken fortlaufend und sorgen so dafür, dass die Metadaten, auf die sich KI-Systeme stützen, den aktuellen Stand des Datenbestands abbilden.

Metadaten ermöglichen auch eine verantwortungsvolle Governance von KI. Wenn ein KI-System eine verzerrte oder falsche Ausgabe erzeugt, beginnt die Untersuchung bei den Daten: Welche Datensätze wurden genutzt, woher kamen sie, welche Transformationen wurden angewandt, wer verantwortet sie, und welche Qualitätsprobleme lagen vor? Reiche Metadaten machen solche Untersuchungen handhabbar; fehlende machen sie nahezu unmöglich.

Besondere Anforderungen für LLMs

Große Sprachmodelle bringen eigene Anforderungen an die Bereitschaft für KI mit, über die klassischer ML-Modelle hinaus. Für Systeme mit RAG (Retrieval-Augmented Generation) bestimmt die Qualität des abgerufenen Kontexts unmittelbar die Qualität der Antwort. Das bedeutet:

• Qualität der Abschnitte: Texte, die aus Wissensbeständen geholt werden, müssen zusammenhängend, gut beschriftet und aktuell sein. Veraltete oder zerrissene Abschnitte erzeugen veraltete oder unzusammenhängende Antworten des LLM.
• Semantische Einheitlichkeit: Wird derselbe Begriff in den abgerufenen Dokumenten unterschiedlich beschrieben, bekommt das LLM widersprüchlichen Kontext und halluziniert womöglich einen Ausgleich.
• Abruf mit Metadaten angereichert: Abrufsysteme, die neben der Vektorähnlichkeit auch Metadaten nutzen (Verantwortung, Aktualität, Kennzeichnungen der Domäne), liefern passendere und verlässlichere Ergebnisse als eine reine Vektorsuche.
• Zugriffskontrolle beim Abruf: RAG-Systeme, die aus Beständen mit gemischter Sensibilität holen, müssen die Zugriffskontrolle zum Zeitpunkt des Abrufs durchsetzen, damit keine sensiblen Informationen für unberechtigte Nutzer in den Kontext des LLM geraten.
• Nachvollziehbarkeit: Antworten eines LLM, die in Unternehmensdaten verankert sind, müssen auf ihre Quelldokumente oder Datensätze zurückführbar sein, damit Nutzer sie prüfen und Auditoren die Ausgaben untersuchen können.

Für Systeme mit Agentic AI, die eigenständig Unternehmensdaten abfragen und auf ihnen handeln, liegen die Anforderungen noch höher. Agenten müssen einschlägige Datenquellen finden, die Datenqualität vor der Nutzung beurteilen, den semantischen Kontext verstehen und innerhalb der Grenzen der Zugriffs-Governance arbeiten, und das alles ohne menschliche Aufsicht über die einzelnen Schritte.

Dawiso und KI-ready Daten

Dawiso behandelt die Bereitschaft von Daten für KI als eingebaute Fähigkeit, nicht als eigenes Vorhaben. Seine Plattform für das Metadatenmanagement findet Datenbestände über die angebundenen Quellen hinweg automatisch, erzeugt und überwacht Kennzahlen zur Datenqualität, baut Lineage-Graphen auf Spaltenebene und liefert das Business Glossary und die Schicht der Klassifizierung, die den Daten semantische Klarheit und eine Struktur für Governance geben.

Speziell für Anwendungsfälle mit LLM und RAG sorgen die Fähigkeiten von Dawiso für aktive Metadaten dafür, dass der Kontext, den KI-Systeme holen, aktuell, verlässlich und angemessen gesteuert ist. Über den MCP Server von Dawiso können KI-Agenten den Metadatenkatalog unmittelbar abfragen, also Datensätze finden, Qualitätswerte prüfen, Lineage abrufen und Kennzeichnungen der Klassifizierung auswerten, sodass KI-Abläufe auf geprüften, gesteuerten Daten arbeiten statt auf dem, was sie zufällig finden.

Das Rahmenwerk von Dawiso für Data Governance bringt die Dimension Sicherheit unter Kontrolle: Kennzeichnungen der Klassifizierung steuern die Maskierungsregeln, die Zugriffskontrolle wird einheitlich angewandt, und Metadaten zu Einwilligung und Zweckbindung werden neben den Daten geführt, für die sie gelten. Das macht es möglich, KI-Systeme zu bauen, die nicht nur technisch leistungsfähig sind, sondern die Anforderungen des Datenschutzes nachweislich erfüllen.