KI-Readiness Check: Sind eure Daten bereit für KI?

Viele KI-Projekte scheitern nicht an der KI – sondern an der Basis: Daten, Zugriff, Integration und Verantwortlichkeiten. Das ist keine schlechte Nachricht, sondern eine praktische: Wer diese Grundlagen früh prüft, spart Zeit, Budget und Frust.

In diesem Beitrag zeigen wir einen einfachen KI-Readiness Check, den mittelständische Unternehmen (und auch Konzerne) nutzen können, um realistisch einzuschätzen: Sind wir bereit für KI – und wo starten wir am besten?

Was bedeutet „KI-Readiness“ überhaupt?

KI-Readiness heißt nicht „Wir haben perfekte Daten“. Es bedeutet: Wir können einen sinnvollen Use Case auswählen, die nötigen Daten zuverlässig bereitstellen und das Ergebnis sicher im Alltag betreiben.

Die wichtigste Frage lautet nicht: „Welche KI ist die beste?“ Sondern: „Sind wir organisatorisch und technisch so aufgestellt, dass KI wirklich wirkt?“

Der EnableIT KI-Readiness Check (6 Punkte)

Wenn du diese 6 Punkte sauber beantworten kannst, bist du sehr gut aufgestellt.

1) Ziel & KPI: Was soll KI messbar verbessern?

„Wir wollen KI“ ist kein Ziel. Gute Ziele sind messbar, zum Beispiel:

• Bearbeitungszeit pro Vorgang -30%

• Ticket-Antwortzeit -25%

• Fehlerquote -15%

• Durchlaufzeit von Anfrage bis Abschluss -20%

  
  

2) Use Case: Passt der Anwendungsfall wirklich?

Ein guter Start-Use-Case erfüllt meist 2 von 3 Kriterien:

• Häufigkeit: Der Prozess passiert oft (täglich/mehrmals pro Woche).

• Wirkung: Es steckt spürbar Zeit/Geld/Qualität drin.

• Messbarkeit: Es gibt klare Vorher/Nachher-Kennzahlen.

Beispiel: „Rechnungen automatisch auslesen und ins ERP übernehmen“ ist oft besser als „KI-Strategie für alles“.

3) Datenquellen: Wo liegen die Daten wirklich?

Typische Datenquellen in Unternehmen:

• ERP/CRM (Stammdaten, Transaktionen)

• Ticketsystem, E-Mail-Postfächer

• SharePoint/Drive (PDFs, Dokumente, Handbücher)

• Excel-Listen (ja, kommt häufig vor)

• Maschinen-/Sensordaten (Produktion)

Mini-Check: Erstelle eine Liste mit Quelle – Verantwortliche Person – Zugriff – Format – Aktualität.

4) Datenqualität: Sind die Daten „gut genug“?

Perfektion ist selten nötig. Aber drei Basics sollten stimmen:

• Vollständigkeit: fehlen wichtige Felder (z. B. Kunden-ID, Artikelnummer)?

• Konsistenz: gleiche Begriffe/IDs überall gleich?

• Aktualität: sind Daten zuverlässig aktuell?

  
  

Praxisregel: Für Piloten reicht oft „gut genug“, wenn der Scope klein ist (z. B. nur ein Bereich, ein Team, eine Produktgruppe).

5) Zugriff & Integration: Kommen wir technisch sauber an die Daten?

Hier wird aus „guter Idee“ entweder ein schneller Pilot – oder ein zähes Projekt.

Fragen:

• Gibt es APIs, Exporte oder Datenbankzugriff?

• Wer darf zugreifen (IT, Datenschutz, Fachbereich)?

• Wie werden Daten aktualisiert: Batch (z. B. täglich) oder Echtzeit?

  
  

Wichtig: Eine KI-Lösung muss am Ende dort landen, wo gearbeitet wird (CRM/ERP/Ticketsystem) – nicht in einer separaten Insellösung.

6) Verantwortung & Betrieb: Wer nutzt, pflegt und kontrolliert das Ergebnis?

KI ist kein „einmal bauen und fertig“.

Fragen:

• Wer ist fachlich verantwortlich (Owner im Fachbereich)?

• Wer ist technisch verantwortlich (IT/Partner)?

• Wie wird Qualität überwacht (Feedback, Monitoring, Reviews)?

• 
  

Gerade bei Chatbots oder Klassifikationen gilt: Wenn Inhalte/Prozesse sich ändern, muss die Lösung mitgehen.

Die 3 häufigsten Stolperfallen (und wie man sie vermeidet)

1) Der Use Case ist zu groß

„Wir automatisieren alles“ klingt gut, scheitert aber oft. Besser: klein starten, schnell messen, dann ausbauen.

2) Datenzugriff ist unklar

„Daten haben wir irgendwo“ reicht nicht. Besser: früh klären, wer Zugriff gibt, welche Systeme betroffen sind, welche Daten erlaubt sind.

3) Kein KPI = kein Erfolg

Ohne Messgröße wird KI zur Meinungsfrage. Besser: ein KPI wählen, Vorher-Wert notieren, nach dem Pilot vergleichen.

Mini-Checkliste

•  Ziel/KPI definiert (z. B. Zeit, Kosten, Qualität)

•  Use Case klar abgegrenzt (Scope klein genug)

•  Datenquellen identifiziert (Owner + Zugriff)

•  Datenqualität bewertet (vollständig/konsistent/aktuell)

•  Integration geklärt (API/Export, Zielsystem)

•  Datenschutz/Compliance berücksichtigt

•  Betrieb geregelt (Owner, Monitoring, Verbesserungsprozess)

  
  

So nutzt du den Check in 30 Minuten (Quick Guide)

1. Wähle einen Prozess, der aktuell nervt (z. B. Ticket-Triage, Rechnungen, Wissenssuche).

2. Definiere eine Kennzahl (z. B. Bearbeitungszeit).

3. Liste die Datenquellen + Zugriff auf.

4. Bewerte Datenqualität grob (Ampel: grün/gelb/rot).

5. Entscheide: Pilot starten oder zuerst Daten/Prozess sauberziehen.

Final Thoughts

KI ist kein Risiko, wenn man sie richtig angeht: klarer Use Case, saubere Datenwege, transparente Regeln, menschliche Kontrolle. Genau das ist KI-Readiness.