# Warum KI-Projekte an Daten scheitern: und wie du das vermeidest

> Die typischen Datenprobleme in KI-Projekten, warum ungeschriebenes Wissen, Datenqualität und Rechte entscheiden, wie wir heute anfangen und wann du besser noch wartest.

- Veröffentlicht: 2026-09-27
- Aktualisiert: 2026-09-27
- Quelle: https://art-kon-tor-digital.de/wissen/ki-projekte-scheitern-an-daten/

---

Die meisten KI-Projekte in kleinen und mittleren Unternehmen scheitern nicht am Modell, sondern an den Daten: Sie liegen verteilt in Postfächern, Excel-Listen und Köpfen, sind doppelt, veraltet oder widersprüchlich, niemand ist für sie verantwortlich, und oft darf die KI sie aus Datenschutz- oder Rechtegründen gar nicht sehen. Vermeiden lässt sich das mit einer Bestandsaufnahme vor dem ersten Prototyp, einem Piloten mit genau einer Datenquelle, festgelegten Testfragen und einer Person, die für die Daten zuständig ist. Marcel beschreibt, was wir in Projekten immer wieder sehen, und wie wir heute anders anfangen.

## Eine Vorbemerkung zu Prozentzahlen

Im Netz kursieren viele Zahlen dazu, wie viele KI-Projekte scheitern. Wir zitieren hier keine davon, weil die Methoden selten nachvollziehbar sind und „gescheitert“ jedes Mal etwas anderes bedeutet. Was wir beschreiben, ist unsere eigene Erfahrung aus Projekten mit Wissensdatenbanken, Dokumentenverarbeitung und Datenanalyse. Sie ist nicht repräsentativ, aber sie wiederholt sich erstaunlich oft.

## Die typischen Datenprobleme

| Was du merkst | Was dahintersteckt | Was hilft |
| --- | --- | --- |
| Die KI findet Dinge nicht, die „doch da sind“ | Wissen liegt in Postfächern, auf privaten Laufwerken oder nur im Kopf erfahrener Kollegen | Vorher klären, welche Quellen es gibt, und die wichtigste zuerst zugänglich machen |
| Die Antworten sind veraltet oder widersprechen sich | Mehrere Versionen desselben Dokuments, keine Kennzeichnung, was gilt | Aufräumen an der Quelle, gültige Fassungen markieren, Altes archivieren |
| Auswertungen liefern Unsinn | Doppelte Kunden, uneinheitliche Schreibweisen, leere Pflichtfelder, Freitext statt Auswahl | Datenqualität messen, Regeln für die Eingabe, Bereinigung vor der Analyse |
| Das Projekt stockt nach dem Prototyp | Die Daten des Prototyps waren ein Export von Hand, eine laufende Anbindung gibt es nicht | Von Anfang an eine automatische Datenstrecke planen |
| Datenschutz stoppt das Projekt | Personenbezogene Daten oder Berufsgeheimnisse, ohne dass vorher jemand gefragt hat | Datenschutzbeauftragten früh einbinden, lokale Verarbeitung prüfen |
| Niemand weiß, ob es besser geworden ist | Kein Maßstab, keine Testfragen, nur Bauchgefühl | Vor dem Start messbare Kriterien und Testfälle festlegen |

Stand: 09/2026. Zusammenfassung aus unseren Projekten, keine Studie.

## Wissen, das nirgends aufgeschrieben ist

Das häufigste Problem ist das unscheinbarste. Ein Unternehmen möchte eine KI, die Fragen der Mitarbeiter beantwortet, zu Abläufen, Produkten, Kundenbesonderheiten. Dann stellt sich heraus, dass die Hälfte dieses Wissens nie aufgeschrieben wurde. Es steckt in E-Mail-Verläufen, in der Erfahrung von zwei Kollegen und in handschriftlichen Notizen neben der Maschine.

Keine KI kann Wissen finden, das nicht existiert. Die ehrliche Antwort ist dann: Erst dokumentieren, dann automatisieren. Das klingt nach Rückschritt, ist aber oft der eigentliche Gewinn des Projekts. Wir haben erlebt, dass allein das Zusammentragen und Aufräumen der Dokumente für eine [Wissensdatenbank](/ki/wissensdatenbank/) mehr bewirkt hat als die KI danach. Wie eine KI mit Dokumenten arbeitet und warum sie an schlechten Vorlagen scheitert, erklärt der Artikel [RAG einfach erklärt](/wissen/rag-einfach-erklaert/).

## Qualität, Zuständigkeit und Rechte

Bei strukturierten Daten, Kunden, Aufträge, Maschinendaten, Shop-Bestellungen, sind die Probleme andere, aber genauso vorhersehbar. Derselbe Kunde steht dreimal im System, einmal mit GmbH, einmal ohne, einmal mit Tippfehler. Ein Pflichtfeld wird seit Jahren mit „x“ gefüllt, weil es sonst nicht speichert. Die Maschinendaten wurden nach einem Sensortausch anders skaliert, ohne dass es jemand notiert hat. Jede Analyse, jede Vorhersage und jedes Dashboard erbt diese Fehler.

Dahinter steht fast immer dieselbe Lücke: Niemand ist für die Daten verantwortlich. Die IT betreibt das System, die Fachabteilung gibt ein, aber keiner fühlt sich zuständig dafür, dass die Inhalte stimmen. Ein KI-Projekt ohne diese Rolle endet regelmäßig mit dem Satz „Die Zahlen stimmen nicht“, und dann mit dem Vertrauensverlust in das ganze Vorhaben.

Der dritte Punkt sind Rechte. Darf die KI die Personalakten sehen? Die Mandantenakten? E-Mails der Geschäftsführung? Diese Fragen müssen vor dem ersten Test beantwortet sein, nicht danach. Für Berufsgeheimnisträger und für personenbezogene Daten ist die Verarbeitung auf eigener Hardware oft der Weg, der das Projekt überhaupt erst möglich macht, dazu mehr in der [Entscheidungshilfe zur lokalen KI](/wissen/lokale-ki-eu-cloud-oder-chatgpt-eine-entscheidungshilfe/).

## So fangen wir heute an

Aus diesen Erfahrungen hat sich ein Ablauf ergeben, den wir inzwischen bei jedem KI- oder Datenprojekt einhalten:

1. **Mit der Frage beginnen, nicht mit dem Werkzeug.** „Wir wollen KI“ ist kein Projekt. „Der Innendienst soll Lieferzeiten für Standardteile ohne Rückfrage beantworten können“ ist eins.
2. **Bestandsaufnahme der Daten.** Welche Quellen gibt es, in welchem Zustand, wer ist zuständig, was darf verarbeitet werden? Das dauert meist ein bis zwei Wochen und endet mit einer klaren Empfehlung, manchmal auch mit der, erst aufzuräumen.
3. **Pilot mit genau einer Quelle.** Ein Ordner, ein System, ein Prozess. Wer mit allem gleichzeitig anfängt, findet die Fehler nie.
4. **Testfragen und Erfolgskriterien vorab.** Zwanzig bis fünfzig echte Fälle mit bekannter Antwort. Daran misst sich der Pilot, nicht an einer Vorführung.
5. **Datenstrecke automatisieren.** Statt Exporte von Hand holt eine Automatisierung, etwa mit n8n, die Daten regelmäßig aus der Quelle. Sonst ist der Prototyp nach vier Wochen veraltet.
6. **Zuständigkeit festlegen.** Eine Person in der Fachabteilung, die entscheidet, was gilt, und Fehler an der Quelle behebt.

## Wann du lieber noch nicht anfängst

Nicht jedes Unternehmen ist bereit für ein KI-Projekt, und das ist kein Makel. Wenn die wichtigsten Daten nur in einzelnen Excel-Dateien auf lokalen Rechnern liegen, wenn es keine gemeinsame Ablage gibt oder wenn niemand Zeit hat, Testfragen zu beantworten, ist der bessere erste Schritt ein anderer: eine saubere Dateiablage, etwa mit [Nextcloud](/it/nextcloud/), eine bereinigte Kundendatenbank oder ein erster Bericht, der zeigt, was in den Daten steckt. Unter [Datenanalyse](/ki/datenanalyse/) beschreiben wir, wie so ein Einstieg aussieht. Die KI kommt dann ein halbes Jahr später, und funktioniert.

## Fazit

KI-Projekte scheitern selten an der Technik und oft an Daten, die verteilt, unvollständig, widersprüchlich oder gesperrt sind, und an fehlender Zuständigkeit. Wer mit einer konkreten Frage beginnt, die Daten vorher ansieht, mit einer Quelle pilotiert, Testfragen festlegt und die Datenstrecke automatisiert, erhöht die Chancen deutlich. Manchmal ist die ehrlichste Empfehlung, erst aufzuräumen. Wie wir KI-Projekte angehen, steht unter [KI und Automatisierung](/ki/).

## Häufige Fragen

Wie viele Daten braucht ein KI-Projekt?
Weniger, als viele denken, aber in besserer Qualität. Für eine Wissensdatenbank reichen die gültigen Dokumente eines Bereichs. Für Vorhersagen aus strukturierten Daten braucht es eine ausreichend lange, saubere Historie. Wie viel genau, zeigt die Bestandsaufnahme.

Müssen die Daten vorher perfekt sein?
Nein. Sie müssen gut genug für die konkrete Frage sein, und die größten Fehler müssen bekannt sein. Perfekte Daten gibt es nicht; ein Projekt, das darauf wartet, beginnt nie.

Was kostet eine Datenbestandsaufnahme?
Das hängt von der Zahl der Quellen und Systeme ab. Einen verbindlichen Rahmen nennen wir nach einem ersten Gespräch, in dem wir Frage und Datenlage grob kennenlernen.

Dürfen personenbezogene Daten in ein KI-Projekt?
Unter Umständen ja, aber nicht ohne Prüfung. Zweck, Rechtsgrundlage und technische Schutzmaßnahmen klärst du mit deinem Datenschutzbeauftragten. Die Verarbeitung auf eigener Hardware ohne Cloud-Anbieter macht diese Prüfung oft einfacher.

*Stand: September 2026, wir aktualisieren diesen Artikel, wenn sich Rechtslage oder Technik ändern.*