Der erste KI-Anwendungsfall muss billig scheitern dürfen

Wie weit muss ein Unternehmen seine Daten aufbereiten, bevor es mit KI anfängt? Unsere Antwort: Vorher gar nicht.

Für einen CIO, der ein unternehmensweites Datenprogramm verantwortet, und für den CFO, der es bewilligt hat, klingt das nach einem Dienstleister, der schnell zum Auftrag kommen will. Datenarbeit beginnt aber nicht vor dem ersten KI-Anwendungsfall, sondern mit ihm, und sie umfasst dann nur, was dieser Anwendungsfall braucht. Solange er fehlt, arbeitet ein Harmonisierungsprojekt, also der Versuch, Daten aus verschiedenen Systemen vorab zu vereinheitlichen, gegen Anforderungen, die niemand aufgeschrieben hat.

TL;DR? Direkt zum Managment Summary.

Gartner empfiehlt, die Daten am KI-Anwendungsfall auszurichten

Für „erst die Daten“ kursieren zwei Gartner-Belege. Der erste stammt von Gartners Datenmanagement-Analysten: Seit Februar 2025 vertreten sie die Position, dass fehlende AI-Readiness der Daten KI-Vorhaben gefährdet, samt der Prognose, dass bis Ende 2026 60 Prozent der KI-Projekte ohne AI-ready Daten aufgegeben werden. Die Aufforderung „erst die Daten, dann die KI“ steht darin aber gar nicht. AI-ready heißt bei Gartner: repräsentativ für den konkreten Anwendungsfall, mit allen Mustern, Fehlern und Ausreißern, die dieser eine Zweck braucht. Gartners erster empfohlener Schritt lautet, die Daten an den KI-Anwendungsfällen auszurichten; die Datenpraxis soll mit jedem weiteren Anwendungsfall wachsen, statt vorab fertig zu sein.

Der zweite Beleg ist eine Zahl, die sich auf die Gartner-Erhebung vom April 2026 beruft: 72 Prozent der KI-Projekte scheitern, sieben von zehn davon an der Datenqualität. Auch das gibt die Erhebung nicht wirklich her. Die 72 Prozent sind dort alle KI-Anwendungsfälle, die die ROI-Erwartung nicht vollständig erfüllen; ganz gescheitert sind 20 Prozent. Datenqualität nennen 38 Prozent der Befragten als Ursache, ebenso viele Kompetenzlücken (Mehrfachnennungen möglich), und Gartners Analystin Melanie Freeze führt die Fehlschläge vor allem auf Vorhaben zurück, die zu ehrgeizig angelegt oder schlecht zugeschnitten waren. Zur Reihenfolge von Daten und Anwendungsfall sagt die Erhebung nichts.

Aus Gartners Definition folgern wir, dass sich Tauglichkeit nur gegen einen konkreten Anwendungsfall prüfen lässt: Einem Monatsreporting genügen Summen, ein KI-System braucht die Einzelfälle samt ihren Ausreißern.

Datenarbeit mit Auftraggeber: ein Beispiel aus einem Agentenprojekt

Ohne den Anwendungsfall als Auftraggeber weiß ein Harmonisierungsprojekt nicht, wann es fertig ist. Nach unserer Erfahrung aus fast dreißig Jahren Softwareentwicklung versanden reine Datenprojekte deshalb oft nach anderthalb Jahren: Die Beteiligten verlieren die Geduld, weil kein Abnehmer sagt, was gut genug ist.

Ein Agentensystem, also ein KI-System, das mehrstufige Aufgaben selbstständig plant und dafür Datenquellen und Werkzeuge aufruft, sollte in einem Projekt im letzten Jahr auf eine Datenbank mit Ortsdaten zugreifen, eine sogenannte Point-of-Interest-Datenbank. Die Schnittstelle dazu war für eine Android-App gebaut und lieferte nur die Ausschnitte, die diese App abfragt. Ein Agent braucht einen allgemeineren Zugriff auf dieselben Daten. Die Quelle umzubauen hätte das Vorhaben vom Zeitplan eines fremden Teams abhängig gemacht. Stattdessen bauten wir eine Zwischenschicht: eine kleine Datenbank im Arbeitsspeicher, die bei jeder Nutzeranfrage mit rund 50 Millionen Zeilen neu aufgebaut wird, in etwa 50 Millisekunden. Der Agent fragt diese Kopie direkt ab, die Quelle bleibt unverändert.

Wo ein Feld nie gepflegt wurde, hilft allerdings keine Schicht davor; dann bleibt Datenarbeit an der Quelle der einzige Weg. Hier hatte die Datenarbeit einen Auftraggeber und war fertig, als die Kopie stand.

Der erste Anwendungsfall darf scheitern, die Basis darunter nicht

Der Anwendungsfall selbst ist in so einem Projekt schnell gebaut. Der Aufwand steckt in der Basis darunter, also in vier Bausteinen: der Anbindung der Quellsysteme; einem Gateway, der zentralen Durchgangsstelle, über die jeder Aufruf des KI-Systems läuft und protokolliert wird; den Freigaben, den Stellen, an denen das System auf das Ja eines Menschen wartet; und einem Qualitäts-Gate, das Ergebnisse prüft, bevor sie weitergehen. Zur Basis gehört, was der zweite Anwendungsfall unverändert mitbenutzt: am Beispiel oben der Zugang zur Schnittstelle der Datenbank, nicht die Kopie in der Form, die dieser eine Agent brauchte.

Scheitert der erste Anwendungsfall, verlierst du ihn und behältst die Basis. Du bewilligst also zwei Posten mit verschiedenem Risiko: den Anwendungsfall, dessen Verlust begrenzt ist, und die Basis, auf der die nächsten Anwendungsfälle laufen. Klein sind am ersten Anwendungsfall Fehlerpreis und Umfang, nicht die Basis: Wer sie auf diesen einen Fall zuschneidet, baut sie beim zweiten noch einmal; wer sie unabhängig vom einzelnen Anwendungsfall baut, refinanziert sie über den zweiten und dritten. Die Rechnung dazu steht in unserem Artikel zur Verifikation von KI-Agenten: Was nur ein Anwendungsfall nutzt, rechnet sich über die Zahl seiner Durchläufe, das was alle nutzen, über die Zahl der Anwendungsfälle.

Was von der Basis bei euch vielleicht schon steht

Was die Basis kostet, hängt davon ab, was davon bei euch schon steht: für die Freigaben ein Identitätsmanagement, also die zentrale Verwaltung, wer im Haus was darf; für das Gateway eine Protokollierung, die eure Revision akzeptiert; für die Anbindung Schnittstellen zu den Quellsystemen. Von null bauen müsst ihr die Basis nicht. Unsere KI-Plattform mAIstack ist eine solche erste Basis: Sie bindet ERP, CRM und Dokumentenmanagement mit den Rechten der jeweiligen Nutzer an, leitet die Aufrufe der Agenten über ein Gateway mit lückenlosem Audit-Log, holt Freigaben im laufenden Dialog ein und zeichnet jeden Schritt für Auswertung und Überwachung auf. Sie läuft auf eurer Infrastruktur oder startet zunächst auf unserer und zieht später um. In unserem Vorgehen steht sie in den ersten zwei Wochen, der erste Anwendungsfall geht in den Wochen drei und vier in Betrieb.

Wähle den ersten KI-Anwendungsfall nach dem Preis eines Fehlers

Ein Anwendungsfall übernimmt einen Vorgang, der in eurem Fachbereich heute schon regelmäßig läuft, und bettet die KI damit in bestehende Systeme und Abläufe ein, was Gartners Befragte als häufigsten Grund ihrer Erfolge nennen. Ob ein Vorgang ein Kandidat ist, prüfen wir an drei Fragen:

• question_exchange Wiederholt sich der Vorgang täglich, wöchentlich oder alle zwei Wochen?
• question_exchange Lässt sich der Vorgang in Schritte zerlegen, an deren Ende eindeutig feststeht, ob der Schritt erledigt ist?
• question_exchange Liegen die Eingaben digital vor?

Die zweite Frage entscheidet, ob sich das System prüfen lässt: Nur wo ein Schritt ein klares Erledigt hat, kann jemand kontrollieren, ob das Zwischenergebnis stimmt, statt am Ende ein Gesamtergebnis glauben oder verwerfen zu müssen. Ein Nein bei der dritten Frage heißt nur „noch nicht“: Handschriftliches lässt sich abfotografieren, Telefonate aufzeichnen, sofern die Einverständniserklärungen stehen.

Suche unter den Kandidaten den Vorgang, dessen Ausfall eine Woche lang niemandem auffällt, statt des Vorgangs, an dem ein Großteil eures Umsatzes hängt. Geringer Fehlerpreis heißt nicht geringer Nutzen: Wettbewerbsmonitoring, die Anreicherung von Leads (Kontaktdaten möglicher Kunden um Angaben aus öffentlichen Quellen ergänzen) oder ein Bericht über Auffälligkeiten in euren Marketingkampagnen am Montagmorgen sparen Arbeit und kosten eine Woche lang nichts, wenn sie ausbleiben.

Der erste Anwendungsfall prüft eure Zuständigkeiten, nicht die Technik des Anbieters

Warum dann nicht gleich der Vorgang, an dem der Umsatz hängt? Weil der erste Anwendungsfall dir eine Antwort darauf kaufen soll, ob Freigabe, Protokoll und Betrieb in eurem Haus funktionieren. Freigabe heißt, jemand legt fest, was das System allein tun darf; Protokoll heißt, eure Revision kann jeden Aufruf nachvollziehen; Betrieb heißt, jemand in eurer IT greift ein, wenn das System vom Weg abkommt. Kein Anbieter kann dir das vorab beantworten, weil es an euren Zuständigkeiten und eurer Revision hängt und nicht an seiner Technik. Der umsatzkritische Vorgang liefert natürlich dieselbe Antwort, aber ein Fehler kostet euch dort den Umsatz. Was ohne diese Absicherung passiert, haben wir in der Risiko-Staffel beim Kontrollverlust über KI-Agenten beschrieben: gelöschte Datenbestände, ausgezahlte Beträge und Kettenreaktionen in anderen Systemen, die sich nicht zurücknehmen lassen.

Einholen kannst du diese Antwort erst im Betrieb, was anfangs durchaus doppelt läuft: Bis das Vertrauen da ist, arbeitet der automatisierte Vorgang neben dem bisherigen Ablauf, was der Fachbereich natürlich tragen muss. Vor dem Start muss deshalb feststehen, wann abgeschaltet wird, damit daraus kein Dauerzustand wird. Sprich außerdem vorher mit den Leuten, die den Vorgang heute machen. Wer das nachholt, bekommt den Widerstand später und größer.

Was du mitnimmst

Wenn bei euch ein Datenprogramm läuft, nimm seine nächste Stufe und suche den Anwendungsfall, der von ihr abhängt. Findet sich einer, hat das Programm seinen ersten Auftraggeber und eine Priorisierung, die jede Budgetrunde übersteht. Findet sich keiner, weißt du, welche Stufe warten kann.

Für den ersten Anwendungsfall stehen vier Schritte an:

• Mit einer Fachbereichsleitung drei wiederkehrende Vorgänge gegen die drei Eignungsfragen prüfen und den auswählen, dessen Ausfall eine Woche lang niemand merkt.
• Für diesen einen Vorgang aufschreiben, welche Daten er braucht und in welcher Qualität. Diese Liste ist die Anforderung an die Datenarbeit.
• Mit der IT-Leitung festhalten, was von der Basis schon steht (Identitätsmanagement, Protokollierung, Schnittstellen zu den Quellsystemen) und was für den ersten Anwendungsfall fehlt. Das ist der Teil der Investition, der bleibt, wenn der Anwendungsfall scheitert.
• Festlegen, wie lange der bisherige Ablauf parallel läuft, wer den doppelten Aufwand trägt und an welchem Kriterium ihr ihn abschaltet.

Wenn du deine Kandidaten beisammen hast, gehen wir sie mit dir durch: zuerst die Auswahl nach dem Preis eines Fehlers, dann, was der gewählte Vorgang von der Basis braucht und was davon bei euch schon steht. An mAIstack siehst du dabei, wie eine Freigabe abläuft und welche Spur die Revision bekommt.

summarize Management Summary

Gartner definiert AI-ready Daten am konkreten Anwendungsfall und empfiehlt als ersten Schritt, die Daten daran auszurichten. Bei gescheiterten KI-Anwendungsfällen nennt gut ein Drittel der Befragten die Datenqualität als Ursache, Gartners Analystin vor allem überzogenen Anspruch und schlechten Zuschnitt. Wer trotzdem erst ein unternehmensweites Datenprojekt abschließt und dann automatisiert, fängt nach unserer Erfahrung erst Jahre später wirklich an. Suche stattdessen einen wiederkehrenden Vorgang, dessen Ausfall eine Woche lang niemandem wehtut. An ihm zeigt sich, welche Daten ihr in welcher Qualität braucht, und ob eure Organisation ein KI-System freigeben, nachvollziehen und betreiben kann.