KI ist keine Abkürzung an BI vorbei

Die KI-Verkaufsargumentation, die auf mittelständischen Schreibtischen landet, hat einen verlockenden Unterton. Sie können sich das Aufräumen der Daten sparen. Sie können sich die langsame Arbeit am Reporting-Fundament sparen. Richten Sie das Modell auf Ihre bestehenden Systeme aus, und es regelt den Rest.

Das verkauft sich, weil das Aufräumen der Zahlen tatsächlich langsam ist, und jeder, der einmal ein BI-Projekt geleitet hat, weiß das. Nur gibt es diese Abkürzung nicht. Das Modell läuft auf den Daten, die da sind, und was dort fehlt, ersetzt es nicht.

In welchem Zustand diese Daten sind, haben Nagle, Redman und Sammon 2017 für die Harvard Business Review untersucht. 75 Führungskräfte prüften je rund 100 frisch angelegte Datensätze aus dem eigenen Bereich. In 47 % der Datensätze steckte mindestens ein kritischer Fehler, und nur 3 % der Auswertungen erreichten ein Niveau, das die Autoren als akzeptabel werteten.¹

Für die KI-Phase gibt es inzwischen Zahlen. Gartner hat im Februar 2025 vorhergesagt, dass Unternehmen bis Ende 2026 60 % der KI-Projekte abbrechen werden, denen keine KI-fähigen Daten zugrunde liegen. In einer Gartner-Befragung von Datenmanagement-Verantwortlichen vom Juli 2024 hatten 63 % entweder keine passenden Datenmanagement-Praktiken für KI oder wussten es nicht.² Das IBM Institute for Business Value hat im November 2025 eine Befragung von 1.700 Chief Data Officers veröffentlicht. 81 % priorisieren Investitionen, die KI beschleunigen. 26 % trauen ihren Daten zu, neue KI-gestützte Erlöse zu tragen.³

Drei Muster, die wir in solchen Projekten immer wieder sehen.

1. Natürlichsprachliche Abfragen auf undefinierten Kennzahlen

Die Frage „Wie war der Umsatz im letzten Quartal?“ beantwortet das Modell nach zwei Sekunden mit 18,4 Millionen Euro. Ein Dashboard ist nicht nötig.

Das Problem beginnt oberhalb des Modells. Umsatz bedeutet in unterschiedlichen Abteilungen unterschiedliche Dinge. Der Vertrieb zählt Auftragseingang, das Finanzwesen rechnet mit fakturierten Beträgen abzüglich Retouren, das Controlling wendet den Rechnungslegungsstandard an. Die 18,4 Millionen stimmen unter einer dieser drei Definitionen. Ein gutes Werkzeug zeigt an, welche Abfrage hinter der Zahl steckt. Ob es die richtige Definition ist, lässt sich nur prüfen, wenn das Unternehmen irgendwo festgelegt hat, was Umsatz heißt.

Wie oft ein Modell bei solchen Fragen danebenliegt, lässt sich messen. BIRD, der akademische Standardtest für die Übersetzung von Fragen in Datenbankabfragen, liefert zu jeder Frage den fachlichen Kontext als Hinweis mit, etwa wie eine Kennzahl berechnet wird. Mit diesem Hinweis beantwortete GPT-4 beim Start des Tests 2023 55 % der Fragen richtig, ohne ihn 35 %. Menschliche Datenexperten kamen auf 93 % und 72 %. Das beste einzelne Modell lag im Juni 2026 mit Hinweis bei 80 %.⁴ Diesen Hinweis hat ein Unternehmen nur, wenn die Kennzahlen vorher definiert wurden.

2. KI-Zusammenfassungen von Dashboards, die niemand entworfen hat

Ein Unternehmen hat Dutzende Dashboards, von denen keines erkennbar eine Entscheidung treibt, und legt eine KI-Ebene darüber, die daraus Zusammenfassungen in ganzen Sätzen erzeugt. „Der Umsatz in der Region Süd ist um 14 % gesunken, vor allem durch eine Verlangsamung bei der Akquise mittelständischer Kunden. Empfehlung: Überprüfung der Preisstrategie.“

Die Zusammenfassung liest sich gut und würde in einer Beiratssitzung niemandem auffallen. Sie stammt aber aus Dashboards, die nie von einer konkreten Entscheidung her gebaut wurden. Welche Entscheidung sie unterstützen sollen, hat niemand festgelegt, und daran ändert eine Textebene darüber nichts.

Der Test aus dem Dashboard-Artikel gilt hier unverändert. Kann jemand eine Entscheidung nennen, die getroffen wurde, weil das Dashboard etwas gezeigt hat? Wenn nicht, fasst die KI ein Dashboard zusammen, das nichts zu sagen hatte.

3. Prognosen ohne Vergleichsmaßstab

Ein Unternehmen setzt ein Modell ein, um Nachfrage zu prognostizieren, Abwanderung vorherzusagen oder Preise zu empfehlen. Das Modell liefert Zahlen, und niemand kann sagen, ob sie gut sind, weil vorher niemand festgelegt hat, was gut hieße.

Das ist ein BI-Problem. Eine Prognose nützt nur, wenn man weiß, wie die letzte abgeschnitten hat, welche Schwankung im Geschäft normal ist und ab welcher Genauigkeit jemand danach handeln würde. Diese Messarbeit bleibt in mittelständischen Unternehmen oft liegen, weil sie sich nicht nach Fortschritt anfühlt.

Ohne Vergleichsmaßstab ist die KI-Prognose eine Schätzung wie die Excel-Tabelle davor, nur aufwendiger und schwerer zu hinterfragen, weil sie aus einem Modell kommt.

Was zum Fundament gehört

Bevor ein Modell eingeführt wird, sollten drei Dinge stehen, und in den meisten Gesprächen über KI werden sie übersprungen.

Die Kennzahlen, die für das Geschäft zählen, müssen definiert sein, schriftlich, mit benannten Verantwortlichen. Die genutzten Dashboards müssen rückwärts von konkreten Entscheidungen aufgebaut sein, und diese Entscheidungen müssen so dokumentiert sein, dass eine neue Führungskraft sie findet. Die historische Leistung des Geschäfts muss gut genug bekannt sein, dass eine Prognose gegen etwas Reales geprüft werden kann.

Das ist die Arbeit, die das Verkaufsargument den Unternehmen ersparen will, und nach unserer Erfahrung ist sie auch das, was die Unternehmen mit messbarem Nutzen aus KI von den anderen unterscheidet. Wer sie gemacht hat, bekommt von einer natürlichsprachlichen Abfrage tatsächlich in zwei Sekunden eine Antwort, bei der klar ist, welche Definition dahintersteht. Wer sie überspringt, holt sie später nach, dann allerdings mit einem Modell, das inzwischen auf den falschen Zahlen läuft.