Erst die Inhalte, dann die KI: Warum 90 % eures Datenbestands nicht KI-reif sind
Einleitung
Im Sommer 2025 hat das MIT eine Zahl veröffentlicht, die in Vorstandsetagen eingeschlagen ist wie eine Bombe: Von den KI-Pilotprojekten in Unternehmen bringen rund fünf Prozent einen messbaren Schub. Die übrigen 95 Prozent versanden, nachdem Geld, Zeit und Hoffnung hineingeflossen sind. Der Reflex lautet dann: Die KI taugt nichts. Genau das aber schreiben die Forscher ausdrücklich nicht. Das Problem sei nicht die Qualität der Modelle, sondern die Art, wie Unternehmen sie einbinden. Gartner nennt als ersten Grund für eingestellte Projekte — noch vor Kosten und unklarem Nutzen — schlechte Datenqualität. IDC formuliert die Konsequenz am schärfsten: Eine KI-Strategie ohne Datenstrategie ist keine Strategie.
Das Versprechen, mit dem solche Projekte starten, ist verführerisch und nicht einmal falsch: Ihr werft Verträge hinein, Akten, Handbücher, fragt in normaler Sprache und bekommt verlässliche Antworten. Ende der Zettelwirtschaft. Man kann solche Anwendungen bauen — nur steckt zwischen „im Prinzip“ und „im Betrieb“ die Arbeit, über die keine Hochglanzfolie spricht. Die Demo zeigt die schöne Frage und die schöne Antwort. Sie zeigt nicht das Dazwischen, und sie arbeitet mit drei handverlesenen Dokumenten, die sauber strukturiert sind und keine Überraschungen enthalten.
Im echten Bestand wartet dagegen Versionenchaos. Rund 90 Prozent der Unternehmensdaten liegen unstrukturiert vor, und das hat sich seit Jahren kaum verändert: PDFs, Word-Dateien, schlimmstenfalls Scans und Faxe. Wissen in E-Mails, die nur in einer einzigen Inbox existieren. Präsentationen, die in Wirklichkeit Prozessdokumente sind, weil es damals eben in PowerPoint gemacht wurde. Dazu Dubletten, Fast-Dubletten, alte Vertragsstände, Anlagenketten, Nachträge per E-Mail. Ein Mensch hangelt sich da mühsam durch, weil er Kontext mitbringt. Ein Large Language Model sieht Fetzen, verliert den roten Faden und liefert überzeugend klingende Antworten, die schlicht falsch sind. Am größten ist dieses Problem ausgerechnet dort, wo der Druck am höchsten ist: in Banken, Versicherungen, Kanzleien und der Pharmabranche, wo der Bestand am komplexesten und eine falsche Auskunft am teuersten ist.
Schlüsselzitate
Auf Deutsch heißt das, es liegt nicht an der KI, es liegt an dem, womit wir sie füttern.
— 00:01:00
Die ganze Folge hängt an diesem Satz. Er verschiebt die Frage von der Technologieauswahl zur Bestandsaufnahme — und damit an eine Stelle, an der man ohne Lizenzvertrag arbeiten kann.
Ohne Hoheit über die Inhalte ist jede KI-Strategie aufs Sand gebaut.
— 00:06:01
Wer ein Center of Excellence gründet, bevor irgendjemand weiß, welche Vertragsfassung gilt, hat ein Gremium gebaut, kein Fundament.
Das heißt, die Fußnote mit der Quellenangabe ist echt, aber der Satz, hinter dem sie steht, ist erfunden.
— 00:11:35
Das ist Missgrounding, und es ist heimtückischer als eine klassische Halluzination: Es hält jeder oberflächlichen Prüfung stand und erfüllt sogar die Forderung, die KI solle ihre Quellen nennen. Auf dem Papier sieht die Antwort belegt aus. Nachvollziehbarkeit und Belegpflicht sind damit trotzdem nicht erfüllt.
Der Pilot stirbt dann quasi an diesem Vertrauensschock und nicht daran, dass er nichts Sinnvolles tut.
— 00:22:57
Eine einzige selbstbewusst vorgetragene Falschauskunft vor einem Fachbereich — oder schlimmer, vor einem Kunden — kostet mehr Vertrauen, als zwanzig richtige Antworten wieder aufbauen.
Ein weiteres Problem an dieser Sache ist natürlich, dass der Bestand dummerweise nicht ein Foto ist, sondern ein Film.
— 00:23:57
Deshalb ist Aufbereitung kein Projekt mit Enddatum, sondern ein Prozess. Wer einmal aufräumt und dann weitermacht wie bisher, hat in zwölf Monaten denselben Zustand — nur mit Rechnung.
Was man in dieser Episode erfährt
Warum RAG kein Zauberstab ist — Retrieval Augmented Generation kann Halluzinationen deutlich senken, aber nur wenn Retrieval, Chunking, Metadaten, Zugriffsschichten und Quellenführung stimmen. Sonst entstehen neue Fehlerbilder statt weniger. Selbst Legal-AI-Tools mit kuratierten Gesetzes- und Urteilsdatenbanken liefern zwischen 17 und 34 Prozent falsche Antworten — mehr als jede dritte. Und das sind teure Spezialwerkzeuge, kein Nachmittagsprojekt.
Wie Verweisketten ein Modell in die Irre führen — § 2 verweist auf Anlage 7, Anlage 7 weicht ab von den AGB Stand März, und die gibt es in vier Ständen. Der gültige Satz steht in einem Nachtrag per E-Mail von zwei Jahren später. Die entscheidende Frage lautet deshalb nicht: Welches Modell kaufen wir? Sondern: Finden wir zuverlässig das richtige Dokument in der richtigen Version?
Was Missgrounding ist und warum es schwerer zu entdecken ist als eine Halluzination — Die Quelle existiert, das Modell greift sie auch, aber die Aussage wird von ihr nicht getragen. Der Grund ist meist, dass das richtige Dokument gar nicht auffindbar war.
Warum ein roher Prompt in Nutzerhand gefährlich ist — Modelle neigen dazu, nach dem Mund zu reden. Wer eine falsche Prämisse in die Frage einbaut, bekommt bei Legal-Tools sehr oft eine juristisch sauber gebaute Begründung auf falschem Fundament — statt eines Widerspruchs oder einer Rückfrage. Die Quellen werden dann gar nicht erst befragt.
Eine Selbstdiagnose in vier Fragen — Gibt es wichtige Dokumente, die nur als Bild existieren? Mehrere Fassungen, bei denen niemand die gültige kennt? Stark verweisende Verträge und Akten? Zusammenhänge, die nur in wenigen Köpfen existieren? Zwei Ja genügen, um zu wissen, wo das Problem sitzt — und das kostet keinen Euro Modellbudget.
Was Aufbereitung praktisch bedeutet — Scans per OCR in echten Text überführen und die OCR-Version sauber ablegen. Querverweise auflösen, komplexe Vertragswerke in einer Vorverarbeitung denormalisieren, sodass Anlagen und Referenzen in einer lesbaren Fassung zusammenstehen. Dokumentstruktur erhalten, damit Überschrift, Klausel und Fußnote sichtbar bleiben. Metadaten wie Namen, Fristen und Beträge einmal extrahieren, statt sie bei jeder Frage neu raten zu lassen.
Warum es ohne Governance nicht geht — Endfassungen markieren, Arbeitsstände von Endergebnissen trennen, Dubletten und veraltete Versionen aus dem Zugriff der KI nehmen. Das ist kein technisches, sondern ein organisatorisches Thema — und es entscheidet darüber, ob die saubere Basis nach ein paar Monaten wieder ins Chaos driftet.
Warum sich diese Arbeit doppelt rechnet — Ein aufbereiteter Bestand ist kein Wegwerfaufwand, sondern ein Vermögenswert. Er trägt nicht nur die eine Anwendung, sondern auch die nächste: Suche, Fristenüberwachung, Risikoanalyse, Quartalsbericht. Und er hilft zuerst den Menschen, die endlich wissen, welche Vertragsversion gilt.
Die Modelle tauscht ihr mehrfach aus, die Anwendungen kommen immer neu hinzu. Der Bestand bleibt. Er ist die Statik unter dem schönen Raum, den die Demo zeigt — unsichtbar, und ohne sie fällt alles zusammen.
