Data Preparation: Warum 80 Prozent des KI-Erfolgs in der Datenvorbereitung liegt

Die Begeisterung für künstliche Intelligenz ist im deutschen Mittelstand größer denn je. Unternehmen investieren in Foundation Models, trainieren Chatbots und experimentieren mit KI-Agenten. Doch eine unbequeme Wahrheit wird dabei regelmäßig übersehen: Der eigentliche Erfolgsfaktor liegt nicht im Modell, sondern in den Daten, die es füttern. Erfahrungsgemäß entfallen rund 80 Prozent des Gesamtaufwands eines Data-Science-Projekts auf die Datenvorbereitung – also auf jene Arbeit, die vor der eigentlichen Analyse und dem Training stattfindet. Diese Zahl ist keine Übertreibung, sondern eine branchenweit anerkannte Erfahrungsgröße, die sich auch 2025 und 2026 unverändert bestätigt. Wer diesen Aufwand unterschätzt, riskiert gescheiterte KI-Projekte, verschwendete Budgets und verpasste Wettbewerbschancen. Dieser Beitrag erklärt, warum Data Preparation so entscheidend ist, welche konkreten Schritte notwendig sind und wie kleine und mittlere Unternehmen den Prozess systematisch meistern können.

Das Problem: Warum so viele KI-Projekte an Daten scheitern

Die Statistiken sind ernüchternd. Laut einer aktuellen Gartner-Prognose werden Organisationen bis Ende 2026 rund 60 Prozent ihrer KI-Projekte aufgeben, weil die zugrunde liegenden Daten nicht KI-bereit sind. Gleichzeitig zeigt die KI-Studie 2025 von maximal.digital, dass 83 Prozent der KMU in Deutschland über keine umfassende Datenstrategie verfügen. Das bedeutet: Die große Mehrheit der mittelständischen Unternehmen startet KI-Initiativen auf einem Fundament, das den Anforderungen nicht standhält.

Die 80/20-Regel der Datenwissenschaft

Die sogenannte 80/20-Regel ist eines der am häufigsten zitierten Erfahrungswerte in der Datenwissenschaft. Datenwissenschaftler verbringen bis zu 80 Prozent ihrer Arbeitszeit mit der Datenvorverarbeitung – also mit dem Sammeln, Bereinigen, Transformieren und Validieren von Daten. Nur 20 Prozent der Zeit bleiben für die eigentliche Analyse, das Modelltraining und die Ableitung von Erkenntnissen. Die Computerwoche bestätigt dieses Verhältnis und betont, dass der Prozess explorativ und iterativ ist: Was für einen Datensatz hilfreich ist, muss nicht zwingend auch bei anderen Daten sinnvoll sein. Daher gilt es, empirisch verschiedene Verfahren zu erproben.

Diese Realität steht im scharfen Kontrast zur öffentlichen Wahrnehmung. In der Berichterstattung dominieren leistungsstarke Modelle, beeindruckende Benchmarks und spektakuläre Use Cases. Die mühsame Arbeit der Datenvorbereitung findet dagegen kaum Beachtung – obwohl sie den Löwenanteil des Erfolgs ausmacht.

Was Datenvorverarbeitung konkret umfasst

Data Preparation ist kein einzelner Arbeitsschritt, sondern ein mehrstufiger Prozess mit zahlreichen Teilaufgaben. Die folgende Tabelle gibt einen Überblick über die wichtigsten Phasen, ihren typischen Zeitanteil und die häufigsten Herausforderungen:

• Phase: Datenerfassung | Beschreibung: Identifikation und Zusammenführung relevanter Datenquellen | Typischer Zeitanteil: 15 bis 20 Prozent | Häufigste Herausforderungen: Datensilos, unterschiedliche Formate, fehlende Schnittstellen
• Phase: Datenbereinigung | Beschreibung: Erkennung und Korrektur von Fehlern, Dubletten und Inkonsistenzen | Typischer Zeitanteil: 25 bis 30 Prozent | Häufigste Herausforderungen: Manuelle Eingabefehler (durchschnittliche Fehlerrate 4,8 Prozent), veraltete Einträge
• Phase: Datentransformation | Beschreibung: Umwandlung in einheitliche Formate, Normalisierung, Feature Engineering | Typischer Zeitanteil: 15 bis 20 Prozent | Häufigste Herausforderungen: Unterschiedliche Maßeinheiten, Datumsformate, Kodierungen
• Phase: Datenanreicherung | Beschreibung: Ergänzung fehlender Werte, Zusammenführung mit externen Quellen | Typischer Zeitanteil: 10 bis 15 Prozent | Häufigste Herausforderungen: Fehlende Referenzdaten, Lizenzkosten externer Datenquellen
• Phase: Datenvalidierung | Beschreibung: Qualitätsprüfung, Plausibilitätschecks, Dokumentation | Typischer Zeitanteil: 10 bis 15 Prozent | Häufigste Herausforderungen: Fehlende Qualitätskriterien, mangelnde Testdaten

Die Fraunhofer Academy weist darauf hin, dass dieser Prozess in der Praxis selten linear verläuft. Wenn schlechte Analyseergebnisse auf die Daten zurückführbar sind, muss die Datenaufbereitung wiederholt und der gesamte Analyseprozess erneut durchlaufen werden. Dieses iterative Vorgehen erklärt, warum der Zeitaufwand so hoch ausfällt.

Kerninhalt: Data Preparation als strategischer Erfolgsfaktor

Die wirtschaftlichen Kosten schlechter Daten

Die finanziellen Auswirkungen mangelhafter Datenqualität sind erheblich. Laut Gartner kostet schlechte Datenqualität Unternehmen durchschnittlich 12,9 Millionen US-Dollar pro Jahr. Eine Studie des IBM Institute for Business Value belegt, dass über ein Viertel der befragten Organisationen Verluste von mehr als 5 Millionen US-Dollar jährlich durch mangelhafte Datenqualität verzeichnet. In den USA allein summieren sich die Kosten schlechter Daten laut IBM auf über 3,1 Billionen US-Dollar pro Jahr.

Für den deutschen Mittelstand mögen diese Zahlen zunachest abstrakt wirken. Doch die relativen Auswirkungen sind vergleichbar: Falsche Lagerbestände führen zu Fehllieferungen, doppelte Kundendatensätze verfälschen Umsatzprognosen, veraltete Lieferanteninformationen verursachen Beschaffungsprobleme. MIT Sloan Management Review beziffert den jährlichen Umsatzverlust durch schlechte Datenqualität auf 15 bis 25 Prozent – eine Größenordnung, die kein Unternehmen ignorieren kann.

Branchenbeispiel: Data Preparation in der mittelständischen Fertigung

Ein praxisnahes Beispiel verdeutlicht die Dimension. Ein mittelständischer Maschinenbauer mit 280 Mitarbeitenden und einem Jahresumsatz von 45 Millionen Euro wollte eine KI-gestützte vorausschauende Wartung (Predictive Maintenance) einführen. Das Ziel: ungeplante Maschinenstillstände um 30 Prozent reduzieren und die Wartungskosten um 15 Prozent senken.

Die Ausgangslage war typisch für den Mittelstand: Sensordaten lagen in drei verschiedenen Formaten vor, weil die Maschinen von unterschiedlichen Herstellern stammten. Wartungsprotokolle existierten teils digital im ERP-System, teils als handschriftliche Einträge. Ersatzteildaten waren über vier separate Tabellenkalkulationen verteilt. Historische Ausfallzeiten waren nur lückenhaft dokumentiert.

Das Ergebnis: Von den geplanten zwölf Projektmonaten entfielen neun Monate – also 75 Prozent – auf die Datenvorbereitung. Konkret umfasste das die Vereinheitlichung der Sensordatenformate (8 Wochen), die Digitalisierung und Strukturierung der Wartungsprotokolle (10 Wochen), die Konsolidierung der Ersatzteildaten in einer zentralen Datenbank (6 Wochen), die Bereinigung und Ergänzung der Ausfalldokumentation (8 Wochen) sowie die Validierung und Qualitätssicherung des gesamten Datensatzes (4 Wochen).

Erst nachdem diese Grundlagenarbeit abgeschlossen war, konnte das eigentliche KI-Modell trainiert werden. Das Training selbst dauerte lediglich sechs Wochen. Das Ergebnis nach einem Jahr Betrieb: 28 Prozent weniger ungeplante Stillstände und 12 Prozent niedrigere Wartungskosten. Ohne die gründliche Datenvorbereitung wäre das Modell an inkonsistenten und lückenhaften Daten gescheitert.

Warum der Mittelstand besonders betroffen ist

Die KI-Studie 2025 von maximal.digital zeichnet ein klares Bild der Herausforderungen. 76 Prozent der KMU kämpfen mit unzureichender Datenqualität und Datensilos. Nur 23 Prozent haben konkrete KI-Projekte erfolgreich umgesetzt. 68 Prozent der befragten Unternehmen verfügen über keine ausgearbeitete KI-Roadmap, und lediglich 19 Prozent haben einen dedizierten KI-Verantwortlichen oder ein KI-Team etabliert.

Großkonzerne begegnen diesen Herausforderungen mit spezialisierten Data-Engineering-Teams, Chief Data Officers und mehrköpfigen Data-Governance-Abteilungen. KMU haben diese Ressourcen in der Regel nicht. Daten werden in verschiedenen Abteilungen, Systemen und Formaten gepflegt – oft ohne zentrale Verantwortlichkeit und ohne verbindliche Standards. Gleichzeitig steigt der regulatorische Druck: Der EU AI Act wird 2026 vollumfänglich wirksam und stellt strenge Anforderungen an Dokumentation, Risikomanagement und Datenqualität, insbesondere für Hochrisiko-KI-Systeme.

Die Zukunft der Datenvorbereitung: KI als Werkzeug für bessere Daten

Ein vielversprechender Ansatz ist der Einsatz von KI selbst zur Verbesserung der Datenvorbereitung. Laut einer Prognose von Gartner werden bis 2027 rund 75 Prozent der Analytics-Inhalte durch generative KI kontextualisiert und angereichert. Der Data Economist sieht das Potenzial, das traditionelle 80/20-Verhältnis umzukehren: KI-gestützte Automatisierung könnte den Aufwand für die Datenaufbereitung auf 20 Prozent reduzieren und 80 Prozent der Kapazitäten für die eigentliche Analyse und Entscheidungsfindung freisetzen.

Allerdings warnt die Fraunhofer Academy vor übertriebenen Erwartungen. Die vollständige Automatisierung der Datenvorbereitung sei der „Heilige Gral“ der Datenwissenschaft, aber aufgrund der Komplexität verschiedener Qualitätsaspekte, Kontexte und Analysealgorithmen bisher nicht erreichbar. Der Erfolg der Datenaufbereitung hängt weiterhin stark von den Fähigkeiten der involvierten Datenexperten ab.

Für KMU bedeutet das: KI-gestützte Data-Preparation-Tools können Routineaufgaben wie Dublettenbereinigung, Formatstandardisierung und Anomalieerkennung deutlich beschleunigen. Aber sie ersetzen nicht die strategische Planung, die Festlegung von Qualitätskriterien und die fachliche Beurteilung der Datenrelevanz.

Praxis-Leitfaden: Data Preparation in fünf Schritten meistern

Der folgende Leitfaden richtet sich speziell an kleine und mittlere Unternehmen, die ihre Datenvorbereitung systematisch aufbauen möchten. Er basiert auf den Best Practices, die Mittelstand-Digital, die Computerwoche und das KIWise-Whitepaper 2025 übereinstimmend empfehlen.

Schritt 1: Dateninventur durchführen

Bevor Sie Daten bereinigen oder transformieren können, müssen Sie wissen, welche Daten überhaupt vorhanden sind. Führen Sie eine vollständige Bestandsaufnahme aller Datenquellen durch. Erfassen Sie für jede Quelle das Format, den Aktualisierungszyklus, die Verantwortlichkeit und die aktuelle Qualitätseinschätzung. Nutzen Sie dafür strukturierte Workshops mit allen relevanten Fachabteilungen.

Praktischer Tipp: Beginnen Sie mit den Kernprozessen Ihres Unternehmens. In einem produzierenden Betrieb sind das typischerweise Auftragsabwicklung, Produktion, Lagerhaltung und Finanzbuchhaltung. Für jede dieser Domänen sollten Sie die primären Datenquellen identifizieren und dokumentieren.

Schritt 2: Datenqualität bewerten und bereinigen

Führen Sie einen systematischen Readiness-Check durch, der den Reifegrad Ihrer Daten in vier Dimensionen bewertet: Vollständigkeit (fehlen relevante Datenpunkte?), Korrektheit (stimmen die Werte mit der Realität überein?), Konsistenz (liefern verschiedene Quellen für den gleichen Sachverhalt die gleichen Werte?) und Aktualität (sind die Daten auf dem neuesten Stand?).

Priorisieren Sie die Bereinigung nach dem Geschäftsnutzen. Nicht alle Daten müssen sofort perfekt sein. Konzentrieren Sie sich auf die Datenbereiche, die für Ihren geplanten KI-Anwendungsfall am relevantesten sind.

Schritt 3: Standards und Governance etablieren

Definieren Sie verbindliche Regeln für die Dateneingabe und -pflege. Dazu gehören Namenskonventionen, Pflichtfelder, erlaubte Wertelisten und Formatvorgaben. Bestimmen Sie für jeden Datenbereich einen Data Owner, der für die Qualität verantwortlich ist.

Dieser Schritt ist entscheidend, weil er verhindert, dass bereinigte Daten sofort wieder verschmutzen. Ohne Governance ist jede Bereinigung ein Kampf gegen Windmühlen – die Datenqualität wird nach kurzer Zeit wieder auf das vorherige Niveau sinken.

Schritt 4: Datenpipelines automatisieren

Erst wenn die Grundlagen stehen, lohnt sich die Investition in Automatisierung. Ersetzen Sie manuelle Datenübertragungen durch automatisierte Schnittstellen und Pipelines. Nutzen Sie ETL-Tools (Extract, Transform, Load) oder Workflow-Automatisierungsplattformen wie n8n, um wiederkehrende Datenverarbeitungsschritte zu standardisieren.

Wichtig: Automatisieren Sie nur Prozesse, deren Datenqualität bereits gesichert ist. Andernfalls automatisieren Sie den Fehler – fehlerhafte Daten fließen dann schneller und zuverlässiger durch das System, aber sie bleiben fehlerhaft.

Schritt 5: Monitoring und kontinuierliche Verbesserung

Data Preparation ist kein einmaliges Projekt, sondern ein fortlaufender Prozess. Implementieren Sie Dashboards, die zentrale Datenqualitäts-KPIs in Echtzeit anzeigen. Definieren Sie Schwellenwerte und Alerts, die bei Qualitätsabweichungen automatisch Alarm schlagen. Führen Sie quartalsweise Data-Quality-Reviews durch.

Die Technovice-Prognose für 2026 bestätigt diesen Ansatz: Datenvorbereitung wird zunehmend als kontinuierliches System verstanden, das Aufnahme, Labeling, Anreicherung, Transformation, Versionierung und Zugriffskontrolle umfasst. Jeder Datensatz muss nachvollziehbar dokumentiert sein.

Häufig gestellte Fragen (FAQs)

Stimmt es wirklich, dass 80 Prozent des Aufwands auf Data Preparation entfallen?

Ja, diese Erfahrungsgröße wird von zahlreichen Quellen bestätigt, darunter die Computerwoche, die Fraunhofer Academy und das Portal ki.engineering. Der genaue Prozentsatz variiert je nach Projekt und Datenqualität zwischen 60 und 80 Prozent, aber die Größenordnung ist branchenweit anerkannt. Forbes berichtet, dass davon etwa 60 Prozentpunkte allein auf das Bereinigen und Organisieren der Daten entfallen.

Was kostet schlechte Datenqualität ein mittelständisches Unternehmen konkret?

Die Kosten hängen von der Unternehmensgröße und Branche ab. Laut MIT Sloan Management Review verlieren Unternehmen 15 bis 25 Prozent ihres Jahresumsatzes durch schlechte Datenqualität. Für ein KMU mit 10 Millionen Euro Umsatz bedeutet das potenzielle Verluste von 1,5 bis 2,5 Millionen Euro jährlich – durch Fehllieferungen, manuelle Nacharbeit, verpasste Chancen und falsche Entscheidungen.

Können KI-Tools die Datenvorbereitung nicht automatisieren?

Teilweise. KI-gestützte Data-Preparation-Tools können Routineaufgaben wie Dublettenbereinigung, Formaterkennung und Anomaliedetektion deutlich beschleunigen. Die Fraunhofer Academy warnt jedoch, dass die vollständige Automatisierung aufgrund der Komplexität verschiedener Qualitätsaspekte und Kontexte bisher nicht möglich ist. Menschliche Expertise bleibt für die strategische Planung und fachliche Beurteilung unverzichtbar.

Wie lange dauert eine gründliche Datenvorbereitung für ein KI-Projekt?

Das hängt stark vom Ausgangszustand der Daten und der Komplexität des Anwendungsfalls ab. Für ein typisches mittelständisches KI-Projekt sollten Sie mit 3 bis 9 Monaten rechnen. Das Branchenbeispiel des Maschinenbauers zeigt, dass 75 Prozent der gesamten Projektlaufzeit auf die Datenvorbereitung entfallen können. Unternehmen, die bereits über eine gute Datengovernance verfügen, können diesen Zeitraum deutlich verkürzen.

Welche Rolle spielt der EU AI Act bei der Datenvorbereitung?

Der EU AI Act wird ab August 2026 vollumfänglich wirksam und stellt strenge Anforderungen an Datenqualität, Dokumentation und Nachvollziehbarkeit – insbesondere für Hochrisiko-KI-Systeme. DSGVO, EU AI Act und der Data Governance Act erfordern den Nachweis der Datenherkunft und die Dokumentation von Trainingsdaten. Unternehmen, die ihre Datenvorbereitung nicht systematisch dokumentieren, riskieren nicht nur technisches Scheitern, sondern auch regulatorische Konsequenzen.

Quellenverweise

Die folgenden Quellen bilden die Grundlage dieses Beitrags und wurden im Zeitraum von 2025 bis März 2026 veröffentlicht beziehungsweise ausgewertet:

• Computerwoche (2025): „Data Preparation: So bereiten Sie Daten für KI-gestützte Prognosen vor“ – Detaillierte Darstellung des iterativen Datenvorbereitungsprozesses und der 80/20-Regel in Data-Science-Projekten. https://www.computerwoche.de/a/so-bereiten-sie-daten-fuer-ki-gestuetzte-prognosen-vor,3550857
• Fraunhofer Academy (2025): „Richtig eingestimmt: Die zentrale Rolle der Datenvorbereitung“ – Wissenschaftliche Einordnung der Datenvorverarbeitung als Erfolgsfaktor und Grenzen der Automatisierung. https://blog.academy.fraunhofer.de/blogbeitraege/richtig-eingestimmt-die-zentrale-rolle-der-datenvorbereitung/
• maximal.digital – KI-Studie 2025 (2025): „KI im Mittelstand und KMU“ – Umfangreiche Erhebung zu Datenstrategien, KI-Readiness und Herausforderungen im deutschen Mittelstand. https://maximal.digital/studie-ki-im-mittelstand-und-kmu-2025-einblicke-und-impulse-aus-der-ki-studie-2025
• Gartner (2025): „Lack of AI-Ready Data Puts AI Projects at Risk“ – Prognose zu gescheiterten KI-Projekten aufgrund fehlender Datenbereitschaft. https://www.gartner.com/en/newsroom/press-releases/2025-02-26-lack-of-ai-ready-data-puts-ai-projects-at-risk
• IBM Institute for Business Value (2025): „The True Cost of Poor Data Quality“ – Analyse der finanziellen Auswirkungen mangelhafter Datenqualität auf Unternehmen weltweit. https://www.ibm.com/think/insights/cost-of-poor-data-quality
• Technovice (2026): „Dateninfrastruktur 2026: Sieben wegweisende Prognosen“ – Zukunftsprognosen zur Rolle von Datenpipelines und Data Preparation als kontinuierlichem System. https://www.technovice.net/post/dateninfrastruktur-2026-sieben-wegweisende-prognosen
• The Data Economist (2025): „Die Zukunft der Datenaufbereitung mit KI“ – Analyse des Potenzials KI-gestützter Automatisierung zur Umkehrung der 80/20-Regel. https://www.the-data-economist.com/blog/blog-data-driven-strategy-culture/die-zukunft-der-datenaufbereitung-mit-ki-eine-revolution-in-der-datenanalyse