Das unsichtbare Fundament: Warum KI-Projekte am Datenmodell scheitern, nicht an der KI

Wenn ein KI-Projekt im Mittelstand scheitert, liegt es fast nie an der KI. Die Modelle sind gut genug. Es liegt an etwas, das im Angebot meist gar nicht auftaucht, weil es unspektakulär klingt: am Datenmodell. Dieser Artikel erklärt ohne Fachbegriffe, was das ist — und warum es die wichtigste Entscheidung Ihres Projekts ist.

Was ein Datenmodell ist — am Beispiel

Stellen Sie sich Ihren Betrieb als Fragenkatalog vor: Welche Aufträge hat Kunde Meier dieses Jahr? Welche Rechnungen zu Auftrag 4711 sind offen? Wer hat den Termin am Dienstag durchgeführt, und was wurde dabei verbraucht?

Ein Datenmodell ist nichts anderes als die Festlegung, welche Dinge es in Ihrem Betrieb gibt und wie sie zusammenhängen: Ein Kunde hat Aufträge. Ein Auftrag hat Termine. Ein Termin erzeugt eine Leistung. Eine Leistung landet auf einer Rechnung. Ein Dokument gehört zu einem Vorgang. Wenn diese Verbindungen sauber definiert sind, lässt sich jede Frage von oben mit einem Klick beantworten. Wenn nicht, beantwortet sie ein Mensch — durch Suchen, Erinnern und Nachtelefonieren.

Der Ist-Zustand in den meisten Betrieben

Gewachsene Realität sieht so aus: Kundendaten in der Buchhaltung, nochmal in Excel, nochmal im E-Mail-Adressbuch — in drei Schreibweisen. Termine im Outlook-Kalender ohne Verbindung zum Auftrag. Dokumente in Ordnerstrukturen, deren Logik nur eine Person kennt. Die Information existiert, aber sie hängt nicht zusammen.

Und jetzt kommt der entscheidende Punkt für jedes KI-Vorhaben:

KI kann Zusammenhänge auswerten — aber nicht erraten. Was in Ihren Daten nicht verbunden ist, kann auch die beste KI nicht verbinden.

Fragen Sie ein Sprachmodell auf unverbundenen Daten „Was ist bei Kunde Meier offen?", bekommen Sie eine Antwort aus dem Dokument, das zufällig gefunden wurde — nicht aus allen relevanten. Das Ergebnis wirkt intelligent und ist unvollständig. Das ist gefährlicher als gar keine Antwort.

Warum „erst mal KI drauf" schiefgeht

Die Versuchung ist groß, den Zwischenschritt zu überspringen: Man kippt die vorhandenen Dokumente in ein KI-Werkzeug und hofft, dass Intelligenz Struktur ersetzt. Das funktioniert für Spielereien, aber nicht für Verlässlichkeit:

• Ohne eindeutige Zuordnung weiß das System nicht, dass „Müller GmbH", „Fa. Mueller" und „Müller" derselbe Kunde sind.
• Ohne Historie kann es nicht unterscheiden, welcher Vertragsstand der aktuelle ist.
• Ohne definierte Zusammenhänge kann es nicht garantieren, alle relevanten Unterlagen einbezogen zu haben — nur die ähnlichsten.

Deshalb gilt bei uns die Reihenfolge aus der Stufe-2-Umsetzung: erst das Modell, dann die Funktionen, dann die KI. Nicht weil es dogmatisch schön ist, sondern weil jede andere Reihenfolge später doppelt bezahlt wird.

Woran Sie ein gutes Datenmodell erkennen — ohne IT-Studium

• Jede Information lebt an genau einer Stelle. Die Adresse eines Kunden wird einmal geändert und stimmt danach überall.
• Jede Frage aus dem Alltag ist mit einem Klick beantwortbar. „Alles zu Kunde X", „alle offenen Vorgänge", „alle Dokumente zu Auftrag Y" — ohne Suchen in drei Systemen.
• Die Historie bleibt erhalten. Man sieht nicht nur den aktuellen Stand, sondern wer wann was geändert hat.
• Es bildet Ihren Betrieb ab, nicht einen Durchschnittsbetrieb. Wenn bei Ihnen ein Auftrag mehrere Objekte betrifft oder ein Termin mehrere Mitarbeiter braucht, muss das Modell genau das können.

Die gute Nachricht

Ein Datenmodell ist keine Millioneninvestition. Für einen kleinen oder mittleren Betrieb ist es einige Tage konzentrierter Arbeit — Zuhören, Strukturieren, Festlegen. Aber es ist die Entscheidung, auf der die nächsten zehn Jahre aufbauen. Deshalb steht sie bei uns am Anfang jedes Systemprojekts, und deshalb ist sie der Teil, an dem wir am wenigsten sparen. Was danach kommt — Oberflächen, Automatisierung, KI-Assistenz auf den eigenen Daten — wird durch ein gutes Fundament billiger, nicht teurer.