Daten AI-ready machen: warum saubere Daten trotzdem raten

SAP Sapphire in Amerika, vor einigen Jahren. Der Probedurchlauf mit den deutschen Folien war gut gelaufen, die englische Übersetzung kam erst am Abend vor der Demo zurück, poliert und sauber gesetzt. Ein kurzer Blick, Erleichterung, das sieht professionell aus. Am Morgen der letzte Durchgang durch die gesamte Präsentation, dann der Schock: Aus Lift, der Kennzahl für die Aussagekraft eines Klassifikationsmodells, war Elevator geworden. Der Aufzug, stand da sinngemäss, sei auf 2.7 gestiegen. Alle prusteten los, die Folie war in Minuten korrigiert. Die Frage danach war nicht mehr lustig: Welche Fehler stecken noch drin?

Der Übersetzer kannte das Wort, aber nicht den Fachkontext. Genau dieser Fehler passiert heute in jedem Unternehmen, das seine Daten AI-ready machen will, bevor die Begriffe geklärt sind: Ein System ohne Fachkontext übersetzt Ihre Kennzahlen in die wahrscheinlichste Bedeutung, nicht in die richtige. Bei einer Folienübersetzung ist so ein Fehler sichtbar und korrigierbar. In einem AI-System, das Ihre Zahlen beantwortet, bleibt er unsichtbar. Teuer wird er, wenn ein Entscheid darauf baut und Ihre Unterschrift darunter steht.

Die Frage hinter diesem Übersetzungs-Fauxpax steht heute auf fast jeder Vorstandsagenda, nur grösser: Wie machen wir unsere Daten AI-ready? Die gängigen Antworten darauf, von Beratungshäusern bis Datenplattform-Anbietern, kommen als Liste: Datenqualität verbessern, Governance einführen, Zugriffsrechte klären. Richtig, aber unvollständig. Die Folie mit dem Aufzug hätte jede dieser Prüfungen bestanden, die Zahlen stimmten, die Quelle war sauber, am Prozess gab es nichts auszusetzen. Gefehlt hat etwas, das auf keiner dieser Listen steht: der Fachkontext. Dieser Beitrag zeigt, warum genau diese Hürde vor der Technik liegt, welche vier Schichten Daten tatsächlich AI-ready machen und wer im Haus entscheidet, womit angefangen wird.

Was «AI-ready» bei Daten wirklich bedeutet

AI-ready heisst: Ein System beantwortet die Frage zu einer Kennzahl nicht nur, es kann die Antwort auch begründen, mit genau der Bedeutung, die diese Kennzahl in Ihrem Haus hat. Nicht die Verfügbarkeit der Daten ist der Massstab, sondern die Nachvollziehbarkeit der Antwort. Eine Datenbank kann vollständig, aktuell und technisch fehlerfrei sein und trotzdem Antworten liefern, die niemand im Haus verteidigen kann, weil das System rät, wo eine Definition fehlt.

Diese Verwechslung führt dazu, dass viele Unternehmen in die Technik investieren, bevor sie geklärt haben, was ihre wichtigsten Begriffe bedeuten. Der Effekt zeigt sich zuerst nicht als Fehler, sondern als Unsicherheit: Niemand traut der AI-Antwort ganz, also prüft jemand nach, und der Zeitgewinn der Automatisierung ist wieder aufgebraucht.

Warum Datenqualität allein nicht reicht

Data Governance und Datenqualität sind notwendig, aber nicht hinreichend. Databricks-CEO Ali Ghodsi hat es an der Data and AI Summit Keynote im Juni 2026 so zugespitzt: AI habe kein Intelligenzproblem, sondern ein Kontextproblem. Die Erfahrung aus 124 Projekten in regulierten und datenintensiven Branchen deckt sich damit. Die Systeme scheitern selten an Rechenleistung oder an fehlenden Feldern. Sie scheitern daran, dass niemand vorher hingeschrieben hat, was ein Begriff im eigenen Haus bedeutet, welche Abgrenzung gilt und welches Beispiel dazugehört.

Wie oft das vorkommt, zeigen die Projekte, die wir vor einer AI-Einführung prüfen: Die drei bis fünf wichtigsten Steuerungskennzahlen tragen fast immer mehrere Definitionen gleichzeitig. Bemerkt wird das erst, wenn ein System zwei davon nebeneinander ausgibt. Das ist der Normalzustand, kein Ausreisser, denn in gewachsenen Organisationen treffen mehrere Systeme, mehrere Bereiche und Jahrzehnte an eigenem Sprachgebrauch aufeinander.

Der Reflex, mit dem die meisten Unternehmen reagieren, ist derselbe: mehr Daten sammeln, mehr Tools anschaffen, die nächste Plattform migrieren. Das behandelt ein Symptom. Der Kontext, der eine Kennzahl eindeutig macht, entsteht dabei nicht von selbst, er muss explizit gebaut werden, bevor ein AI-System ihn nutzen kann.

Der Kontextlayer: die vier Schichten, die Daten wirklich AI-ready machen

Zwischen der Rohdatenbank und einer vertrauenswürdigen AI-Antwort liegen vier Schichten. Fehlt eine davon, rät das System an genau dieser Stelle, so unauffällig wie damals bei der Lift-Folie.

Die erste Schicht ist das Glossar: die verbindliche Definition jedes wichtigen Begriffs, mit Formel, Abgrenzung und Beispiel, an einem einzigen Ort geführt statt in den Köpfen einzelner Mitarbeitender. Die zweite Schicht ist der Semantic Layer, die technische Verbindung zwischen dem Glossareintrag und der Berechnung in der Datenbank. Er sorgt dafür, dass dieselbe Frage in der Datenplattform und im AI-System zur selben Zahl führt.

Die dritte Schicht ist die Ontologie oder der Knowledge Graph: die Beziehungen zwischen den Begriffen. Sie sorgt dafür, dass ein System weiss, dass eine Kundenmarge zu einem Kunden, einem Produkt und einem Zeitraum gehört und keine isolierte Zahl ist. Die vierte Schicht ist der Agentenkontext: die Regeln, die einem AI-Agenten bei der Anfrage mitgeben, welcher Ausschnitt der ersten drei Schichten für diese Rolle, diesen Nutzer und diese Frage gilt.

Die meisten Projekte, die stecken bleiben, haben die vierte Schicht ohne die ersten drei gebaut: ein leistungsfähiger AI-Agent auf einer Datenbank, die nie ein Glossar hatte. Das Ergebnis ist ein System, das schnell antwortet und niemandem sagen kann, warum die Antwort stimmt.

Wie es aussieht, wenn die Schichten stehen, zeigt ein Prototyp für Management Accounting, den wir diesen Sommer getestet haben. Fragt jemand nach «Deckungsbeitrag III», liefert das System die verbindliche Definition mit Beleg aus dem Kennzahlenkatalog. Fragt jemand nur nach «Deckungsbeitrag», kommt keine Zahl, sondern eine Rückfrage mit den hinterlegten Bedeutungen zur Auswahl. Das wirkt in der Demo unspektakulär und ist im Betrieb der ganze Unterschied: Das System rät nicht, es fragt. Wie die vier Schichten im Detail zusammenspielen, von der Glossar-Pflege bis zum Agentenkontext, steht im Whitepaper Kontextlayer v3.0.

Governance und Rollen: wer die Reihenfolge entscheidet

Kein Unternehmen macht alle Daten gleichzeitig AI-ready, die Frage ist immer, womit angefangen wird. Das ist keine technische Entscheidung. Sie gehört auf die Ebene, die für die Kennzahl haftet: den Bereichsleiter, den Leiter Controlling, die Geschäftsleitung. Governance heisst hier zuerst priorisieren nach Kriterien, nicht eine neue Abteilung einrichten.

Drei Fragen tragen diese Entscheidung. Erstens: Welche Kennzahl wird Ihr AI-System am häufigsten beantworten, sobald es produktiv ist? Zweitens: Welche Kennzahl hat heute schon mehrere Definitionen im Umlauf? Drittens: Welche falsche Antwort wäre am teuersten, gemessen in Fehlentscheiden, Nacharbeit oder verlorener Sitzungszeit? Die Kennzahl, die bei allen drei Fragen weit oben steht, bekommt zuerst ein Glossar, einen Semantic Layer und einen Agentenkontext. Alles andere wartet, mit einer Cadence, zu der jemand Termin und Ergebnis führt, nicht mit einem Grundsatzbeschluss, der im Protokoll verschwindet.

Der Massstab, der bleibt

Daten AI-ready machen heisst nicht, jedes Feld zu säubern, bevor ein System live geht. Es heisst, für die Begriffe mit dem grössten Gewicht vier Dinge zu bauen: Definition, Berechnung, Beziehung und Zugriffsregel. So, dass dieselbe Antwort in einem Jahr noch gilt und jemand im Haus erklären kann, warum. Die Frage, die vor jeder Unterschrift unter ein AI-Projekt stehen sollte: Führt dieselbe Frage nächste Woche zu derselben Zahl, und wer im Raum kann die Herleitung erklären?

Wenn Sie prüfen wollen, welche Ihrer Kennzahlen diesen Test heute nicht bestehen würde: Schreiben Sie mir, oder hinterlassen Sie einen Kommentar mit der Kennzahl, bei der Sie sich am wenigsten sicher sind. Wer es lieber strukturiert angeht, findet im Clarity Audit eine 90-minütige Bestandsaufnahme mit vier Artefakten, darunter der erste Entwurf eines Glossareintrags für die Kennzahl, die am meisten kostet.