Dateninkonsistenz und Silostrukturen
Nordshop Insights · Enterprise Memory
Künstliche Intelligenz benötigt saubere, strukturierte und kontextualisierte Daten.
In typischen KMU liegen Daten jedoch verstreut in Altsystemen, Excel-Tabellen und unstrukturierten PDFs vor. Ohne eine einheitliche, semantische Repräsentationsepoche (Wissensgraphen) verbringen KI-Systeme 90 % ihrer Rechenzeit mit der Verarbeitung fehlerhafter Daten.
Stell Sie sich ein Unternehmen vor, in dem Informationen über einen Kunden an fünf Stellen liegen:
ERP: „Kunde 4711 – Beispielunternehmen AG“
CRM: „Beispielunternehmen“
E-Mail-System: „ Werk Bremen“
Service-System: „Beispielunternehmen Werk Bremen“
SharePoint: „Beispielunternehmen Produkte Bremen“
Ein Mensch erkennt sofort: Das hängt vermutlich alles zusammen. Für eine KI sind das zunächst aber fünf unterschiedliche Zeichenketten. Genau hier kommt die semantische Repräsentation ins Spiel. Ein Wissensgraph würde beispielsweise festhalten
Damit weiß das System nicht nur, dass irgendwo die Wörter „Beispielunternehmen“ und „Bremen“ vorkommen. Es weiß, was diese Information bedeutet und wie sie mit anderen Informationen zusammenhängt. Das ist der entscheidende Unterschied zwischen Daten und Wissen.
Ein klassisches Datenbanksystem könnte etwa enthalten und der Wissensgraph ergänzt die Beziehungen
Jetzt kann ein KI-Agent beispielsweise gefragt werden: „Bei unserem Kunden in Bremen ist wieder Fehler E471 aufgetreten. Was sollen wir tun?“ Ohne diese semantische Struktur muss das KI-System vielleicht ERP, Tickets, PDFs, E-Mails, Handbücher und Servicedaten durchsuchen, ähnliche Begriffe erkennen und anschließend versuchen, die Zusammenhänge selbst zu rekonstruieren.
Warum herkömmliche Unternehmensdaten für KI schwierig sind
In einem typischen Unternehmen existiert nicht „die Wahrheit“, sondern viele Teilwahrheiten.
Das ERP sagt beispielsweise:
„Müller GmbH, Kundennummer 0815“
Salesforce sagt:
„Müller Maschinenbau“
Outlook enthält:
„Herr Müller“
Excel enthält:
„Mueller GmbH“
Und eine PDF-Rechnung sagt wiederum etwas anderes.
Das Problem ist deshalb nicht primär: „Die KI ist nicht intelligent genug.“ Das Problem lautet:
„Die KI weiß nicht zuverlässig, welche Informationen dieselbe Sache beschreiben.“
Hier setzt semantische Datenintegration an.
Und was bedeutet „semantisch“?
Semantik bedeutet schlicht: Bedeutung. Nehmen wir das Wort: „Bremen“ Eine klassische Suche erkennt: Bremen
Eine semantische Struktur versteht beispielsweise: Bremen
ist eine → Stadt
liegt in → Deutschland
gehört zu → Bundesland Bremen
enthält → Beispielfirma Werk Bremen
besitzt → Hafenstandorte
verbunden mit → Bremerhaven
Und damit kann eine KI Schlussfolgerungen ziehen.
Zum Beispiel:
„Zeige alle Kunden in einem Radius von 100 km um unseren Showroom in Bremen, die Laserschneidanlagen besitzen und deren Maschinen älter als acht Jahre sind.“
Dafür muss sie mehrere Wissensbereiche verbinden:
Genau dafür sind Wissensgraphen ausgesprochen interessant.
Warum das für KI-Agenten noch wichtiger wird
Bei ChatGPT alleine kann man mit einem gewissen Maß an Ungenauigkeit leben. Wenn aber ein KI-Agent selbstständig handelt, wird Datenqualität kritisch.
Stell Sie sich einen digitalen Vertriebsmitarbeiter (Agent) vor.
Er bekommt die Aufgabe:
„Identifiziere alle interessanten Automobilzulieferer in Norddeutschland und erstelle eine Prioritätenliste.“
Er braucht dafür vielleicht:
Sind diese Informationen nicht sauber miteinander verbunden, entstehen Fehler. Zum Beispiel könnte das System:
denselben Kunden dreimal erfassen, eine Tochtergesellschaft mit der Mutter verwechseln, einen ehemaligen Ansprechpartner anschreiben, eine alte Maschine als aktuelle Maschine interpretieren, einen Servicekontakt für einen Einkaufsleiter halten. Ein Wissensgraph reduziert genau diese Mehrdeutigkeiten.
Was BCG (Boston Consulting Group) in ihrer AI- Studie von 2024 dazu sagt
BCG beschreibt Datenmanagement ausdrücklich als zentralen Faktor für AI. Dazu gehören unter anderem Datenherkunft, Klassifikation, Data Lineage, Metadaten-Vollständigkeit und Datenqualität. BCG weist außerdem darauf hin, dass die zunehmende Menge unstrukturierter und multimodaler Daten die Anforderungen an das Datenmanagement noch einmal erhöht.
In einer weiteren BCG-Untersuchung über die Skalierung von GenAI wurden Datenaufbereitung und Datenmanagement neben Systemintegration, organisatorischen Fähigkeiten und Anforderungen an die Genauigkeit als zentrale Hindernisse genannt.
Und in BCGs größerer AI-Studie von 2024 werden Datenqualität und Datenmanagement ausdrücklich als kritische technologische Fähigkeiten bezeichnet. Nur 26 % der untersuchten Unternehmen verfügten demnach über die Fähigkeiten, AI über Proof-of-Concepts hinaus in Richtung messbarer Wertschöpfung zu skalieren.
Ohne eine einheitliche semantische Repräsentation des Unternehmenswissens müssen KI-Systeme Informationen aus unterschiedlichen Datenquellen immer wieder neu identifizieren, abgleichen und kontextualisieren. Inkonsistente Stammdaten, fehlende Beziehungen, unvollständige Metadaten und unstrukturierte Informationen werden damit zu einem zentralen Skalierungshemmnis für Enterprise AI. BCG zählt Datenqualität und Datenmanagement deshalb zu den kritischen technologischen Voraussetzungen erfolgreicher KI-Transformationen.
Ein Unternehmen braucht für AI nicht einfach mehr Daten. Es braucht ein maschinenlesbares Modell seiner eigenen Realität.
Und genau dann wird aus „ChatGPT im Unternehmen“ tatsächlich ein digitales AI Headquarters.