NEWS / KI im Unternehmen: Warum Datenintegration wichtiger ist als das nächste Modell

Ein neuer Rechner, mehr Arbeitsspeicher oder ein schnelleres Sprachmodell lösen kein Datenproblem. Liegen Informationen verstreut in ERP, CRM, Ticketsystem und Dateiablagen, bleibt auch moderne Künstliche Intelligenz auf unvollständige Grundlagen angewiesen. Was vor dem produktiven KI-Einsatz wirklich zählt, ist deshalb eine integrierte, verlässliche Datenbasis – nicht das nächste größere Modell. Dieser Beitrag ordnet ein, welche technischen Voraussetzungen dafür entscheidend sind und warum die Systemarchitektur wichtiger ist als das einzelne Tool.

Wer einen PC zusammenstellt, kennt das Prinzip: Die schnellste Grafikkarte bringt wenig, wenn Treiber, Software und Datenpfade nicht zusammenpassen. Für Künstliche Intelligenz im Unternehmen gilt Ähnliches. Die öffentliche Debatte dreht sich meist um Modellgröße, Antwortqualität und Rechenleistung. In der Praxis entscheidet sich der Nutzen eines KI-Systems jedoch erst dort, wo es auf echte Unternehmensinformationen trifft.

Für unternehmensspezifische Antworten kann ein Sprachmodell nur die Unternehmensinformationen nutzen, die ihm über geeignete Datenquellen und Prozesse zugänglich gemacht werden. In vielen Betrieben liegen diese Inhalte getrennt voneinander: Auftragsdaten im ERP-System, Kundenkontakte im CRM, Supportfälle im Ticketsystem, Dokumente in Dateiablagen und Postfächern – dazu unterschiedliche Formate, uneinheitliche Benennungen und veraltete Stände. Fragt der Kundenservice etwa nach einem Lieferstatus aus dem ERP, der KI-Assistent kann aber nur auf das Ticketsystem zugreifen, bleibt die Antwort lückenhaft. Zwischen Modellqualität und praktischem Nutzen liegen deshalb drei weitere Ebenen: die Qualität der Daten, der kontrollierte Zugriff auf den richtigen Kontext und die Einbettung in den Arbeitsprozess.

KI kann speziell im Unternehmen in vielen Anwendungen eingesetzt werden. (Bildquelle: pexels.com)

Wie dieser Weg konkret aussehen kann, zeigt das Vorgehen von neura7, einer professionellen KI-Agentur in Stuttgart, die sich ausdrücklich auf mittelständische Unternehmen spezialisiert hat. Auf der eigenen Website nennt das Unternehmen als Leistungsfelder KI-Beratung und -Strategie, Datenintegration, KI-Agenten, personalisierte Chat- und Telefonbots, Wissensdatenbanken sowie eine zentralisierte Datenplattform, die unterschiedliche Datenquellen für KI-Anwendungen zusammenführt.

Bemerkenswert ist dabei weniger die Werkzeugliste als die beschriebene Reihenfolge: Zuerst werden Ziele geklärt und geeignete Anwendungsfälle ausgewählt, danach folgen die Prüfung von Daten und Systemen, ein Prototyp, die technische Integration, Rollout und Schulung sowie der laufende Betrieb. Die Angebote werden als DSGVO-konform und schnell umsetzbar beschrieben. Gerade für Betriebe ohne eigene KI-Abteilung senkt ein solch begleiteter Ablauf die Einstiegshürde: Strategie, Datenarbeit und Umsetzung greifen ineinander, statt einzeln vergeben zu werden.

Ob ein KI-Vorhaben reif für den produktiven Einsatz ist, lässt sich an vier Punkten prüfen – unabhängig davon, welches Modell oder welcher Anbieter später zum Einsatz kommt.

• Datenqualität und Zuständigkeiten: Sind die relevanten Informationen vollständig, aktuell und konsistent gepflegt? Jeder Datenbestand braucht eine fachliche Verantwortung, sonst korrigiert niemand Fehler an der Quelle. Auch Dubletten und uneinheitliche Schreibweisen gehören zu den klassischen Bremsen.
• Schnittstellen und Datenflüsse: ERP, CRM, Ticketsystem und Dateiablagen müssen technisch angebunden werden können – über dokumentierte Schnittstellen, nicht über manuelle Exporte. Wo keine standardisierte Schnittstelle existiert, wächst der Abstimmungsaufwand mit jeder Erweiterung.
• Berechtigungen und Datenschutz: Ein KI-System darf nur auf die Daten zugreifen, die für seine Aufgabe nötig sind. Rollen- und Rechtekonzepte aus den Quellsystemen müssen sich auch in der KI-Anwendung abbilden lassen; Datenminimierung gilt hier genauso wie überall sonst.
• Tests, Protokollierung und menschliche Kontrolle: Antworten und Aktionen des Systems brauchen Qualitätsprüfungen, nachvollziehbare Protokolle und eine definierte Stelle, an der Menschen eingreifen können. Gerade bei automatisierten Antworten muss klar sein, wann ein Mensch die abschließende Entscheidung trifft.
• Die typischen Stolpersteine liegen selten in der KI selbst: veraltete Dokumente, doppelte Datensätze, zu weit gefasste Zugriffsrechte oder fehlende Protokollierung machen aus einem vielversprechenden Pilotprojekt schnell ein Risiko. Eine integrierte oder föderiert zugängliche, sauber gepflegte Datenbasis vereinfacht diese Prüfung. Je nach Use Case kann dabei eine zentrale Plattform sinnvoll sein; eine vollständige Zentralisierung ist jedoch nicht immer der erste Schritt. Wer die vier Grundlagen früh prüft, erkennt Schwachstellen, bevor sie teuer werden.

Viele KI-Projekte beginnen mit einem Werkzeug und suchen dann ein Problem dazu. Die umgekehrte Reihenfolge ist belastbarer. Am Anfang steht ein klar abgegrenzter Prozess: etwa die Beantwortung wiederkehrender Supportanfragen, die Zusammenfassung langer Dokumente oder die Pflege einer Wissensdatenbank. Erst wenn Problem und Prozess definiert sind, lassen sich Nutzen, Risiko und Datenlage realistisch bewerten. Ein guter erster Use Case verbindet einen messbaren Prozessnutzen mit einer tragfähigen Datenlage, einem überschaubaren Risiko und einem vertretbaren Integrationsaufwand.

Der nächste Schritt ist ein kleiner Prototyp unter realen Bedingungen – mit echten, aber kontrolliert freigegebenen Daten und einem begrenzten Nutzerkreis. Ein Pilot, der nach wenigen Wochen belastbare Ergebnisse liefert, sagt mehr aus als ein Großvorhaben, das monatelang im Verborgenen läuft. Parallel werden Schnittstellen und Verantwortlichkeiten festgelegt: Wer pflegt die Quellen, wer prüft Ergebnisse, wer darf das System wofür einsetzen? Erst danach folgen Integration in den Arbeitsalltag und die Schulung des Teams. Nach dem Rollout zählt die Beobachtung: Wie häufig wird das System genutzt, wo liegen Fehlerquellen, welche Anpassungen sind nötig? Dieser Zyklus aus Test, Integration und iterativer Verbesserung unterscheidet ein tragfähiges Projekt vom Tool-Hopping.

Datenschutz ist kein Feinschliff nach der Implementierung, sondern ein Entwurfskriterium. Sobald personenbezogene Daten verarbeitet werden, sind Zweck und Rechtsgrundlage zu klären, das Prinzip der Datenminimierung greift, und es muss feststehen, wer auf welche Daten zugreifen darf und wo die Verarbeitung stattfindet. Auch klassische Fragen der IT-Sicherheit, etwa der Schutz vor unbefugtem Zugriff auf Modelle und Datenbestände, gehören in diese frühe Planungsphase.

Auf europäischer Ebene ordnet der EU AI Act KI-Systeme nach abgestuften Risikoklassen ein; die konkrete Einstufung hängt vom jeweiligen Anwendungsfall ab. Erste Pflichten gelten bereits, weitere Anforderungen werden schrittweise wirksam – darunter die Erwartung, dass Unternehmen für ausreichende KI-Kompetenz bei ihren Mitarbeitenden sorgen. Bei risikoreicheren Anwendungen rücken zusätzlich menschliche Aufsicht und lückenlose Dokumentation in den Vordergrund. Da konkrete Übergangsfristen je nach Quelle unterschiedlich dargestellt werden, empfiehlt sich ein Blick in die jeweils aktuelle offizielle Fassung der Verordnung. Für die Architektur heißt das: Zugriffswege, Protokollierung und Verantwortlichkeiten sollten von Anfang an so geplant werden, dass sie diesen Anforderungen standhalten. Eine verbindliche rechtliche Einstufung des Einzelfalls bleibt Aufgabe der Fachberatung.

KI-Regulierung und Datenschutz sind beim Einsatz sehr wichtige Bestandteile. (Bildquelle: pexels.com)

Für Unternehmen, die zwischen Modellwahl, Pilotprojekt und Datenaufbereitung stehen, ergibt sich daraus eine klare Reihenfolge: Erst das Prozessproblem und einen überschaubaren Anwendungsfall definieren, dann Datenlage und Berechtigungen klären, danach Modell und Betriebsform auswählen – und schließlich Prototyp, Integration, Schulung und laufende Kontrolle angehen. Diese Reihenfolge verhindert, dass Budget in Werkzeuge fließt, deren Voraussetzungen im eigenen Haus noch nicht erfüllt sind.

Eigene Hochleistungs-Hardware ist für den Einstieg übrigens nicht automatisch erforderlich. Ob ein Modell lokal, in einer eigenen Infrastruktur oder als Dienst betrieben werden sollte, hängt von Einsatzszenario, Datenzugriff, Sicherheitsanforderungen und Budget ab – nicht von der maximal verfügbaren Rechenleistung. Wer vor dem nächsten KI-Tool zuerst Datenflüsse, Zugriffsrechte und einen konkreten Use Case prüft, trifft die Modellfrage am Ende deutlich entspannter.