Datenaufbereitung für KI: So machen KMU ihre Daten startklar

Datenaufbereitung für KI heißt: Rohdaten aus ERP, CRM, Excel-Listen, Maschinensteuerungen oder Dokumentenablagen so prüfen, bereinigen, vereinheitlichen und umformen, dass ein KI-Modell verlässlich damit arbeiten kann. Das ist selten der spannendste Teil eines KI-Projekts, entscheidet aber am stärksten darüber, ob am Ende brauchbare Prognosen, Klassifikationen oder Antworten herauskommen. Hier lesen Sie, welche Daten eine KI braucht, wie die Aufbereitung Schritt für Schritt abläuft, was Feature Engineering und Datenannotation bedeuten und an welchen Fehlern Projekte in kleinen und mittleren Unternehmen am häufigsten scheitern.

Menter

Daten für den KI-Einsatz vorbereiten

Menter unterstützt KMU mit praxisnaher KI-Beratung, Workshops und Keynotes, zugeschnitten auf Branche und Unternehmensgröße.

KI-Beratung kennenlernen

Kurz gesagt

Gute KI beginnt mit einem klaren Anwendungsfall. Erst er bestimmt, welche Daten Sie brauchen und wie Sie diese aufbereiten müssen.
Prüfen Sie Ihre Daten auf Vollständigkeit, Aktualität, Konsistenz und Repräsentativität, bevor Sie in Tools oder Modelle investieren.
Die Aufbereitung folgt einer festen Kette: zusammenführen, bereinigen, bei Bedarf ergänzen, reduzieren und in eine modellgerechte Form bringen.
Feature Engineering und Datenannotation machen aus Rohdaten Lernmaterial. Gerade die Annotation kostet oft am meisten Zeit.
Datenqualität ist keine Einmalaufgabe: Zuständigkeiten, laufende Kontrollen und Datenschutz gehören von Anfang an dazu.

Inhaltsverzeichnis

Was Datenaufbereitung für KI genau umfasst
Welche Daten eine KI braucht und wie Sie die Eignung prüfen
Datenaufbereitung in fünf Schritten
Feature Engineering: Merkmale, mit denen ein Modell lernen kann
Datenannotation: Wann Ihre Daten Labels brauchen
Typische Fehler, die KI-Ergebnisse verfälschen
Datenschutz, Governance und laufende Pflege
Unsere Sicht: Erst der Nutzen, dann die Datenbaustelle
So unterstützen wir Sie bei der Datenaufbereitung
Häufige Fragen zur Datenaufbereitung für KI
Quellen

Was Datenaufbereitung für KI genau umfasst

Der Praxisleitfaden des Mittelstand-Digital Zentrums Augsburg beschreibt Datenaufbereitung, auch Datenvorverarbeitung genannt, als den Weg von rohen Daten aus verschiedenen Quellen zu einer Grundlage für Analysen und KI-Anwendungen: durch Bereinigung, Transformation, Harmonisierung und Strukturierung. Wichtig ist dabei ein Punkt, der in vielen Tool-Broschüren untergeht: Die Vorverarbeitung hängt vom gewählten Modell ab. Ein Entscheidungsbaum braucht andere Daten als ein neuronales Netz, ein Sprachmodell, das Ihre Handbücher durchsucht, wieder andere.

In der Praxis eines KMU sieht das zum Beispiel so aus:

Ein Metallbauer will Liefertermine besser prognostizieren. Aufbereitet werden Auftragsdaten aus dem ERP, Fertigungszeiten und Lieferantendaten.
Ein Handwerksbetrieb will Angebote schneller kalkulieren. Aufbereitet werden alte Angebote, Nachkalkulationen und Materialpreise.
Ein Vertriebsteam will Kundenanfragen automatisch zuordnen. Aufbereitet werden E-Mails und CRM-Einträge, die mit Kategorien versehen werden müssen.

Drei Fälle, drei völlig verschiedene Aufbereitungen. Deshalb gibt es kein Standardrezept, wohl aber einen bewährten Ablauf.

Welche Daten eine KI braucht und wie Sie die Eignung prüfen

Wie viele und welche Daten nötig sind, hängt nach einer Fraunhofer-Veröffentlichung zu Daten als Treibstoff der KI vom Anwendungsfall und vom Algorithmus ab. Die Qualität sollte anhand passender Kriterien beurteilt werden. Die häufigsten Mängel sind laut derselben Quelle unvollständige Datensätze, Inkonsistenzen, veraltete Informationen und fehlerhafte Eingaben.

Für eine erste Bestandsaufnahme reichen vier Fragen:

Kriterium	Prüffrage	Typisches Warnsignal im KMU
Vollständigkeit	Sind die relevanten Felder in den meisten Datensätzen gefüllt?	Pflichtfelder im ERP werden mit „0“ oder „x“ umgangen
Aktualität	Bilden die Daten Ihre heutigen Abläufe ab?	Daten stammen aus der Zeit vor einer Umstellung von Maschinen oder Software
Konsistenz	Passen zusammengehörige Angaben logisch zusammen?	Lieferdatum liegt vor dem Bestelldatum
Repräsentativität	Deckt der Datenbestand alle Fälle ab, die die KI später sieht?	Nur Daten eines Standorts oder einer Produktlinie

Eine Tabelle wie diese ersetzt aber kein Urteil. Das KI-Observatorium stellt klar, dass sich die Prüfung der Datenqualität nicht vollständig automatisieren lässt. Je nach Kontext braucht es Data-Science-Know-how und Domänenwissen, also Menschen, die wissen, warum ein Wert im Lager so aussieht, wie er aussieht. Die Frage, ob Daten geeignet sind, bleibt damit eine fachliche Gestaltungsaufgabe. Wer verstehen will, wie andere mittelständische Betriebe diese Aufgabe mit deutschen KI-Lösungen für KMU angehen, sieht schnell: Die Technik ist austauschbarer als das Wissen über die eigenen Daten.

Einen weiteren Maßstab setzt die britische Regierung in ihren Leitlinien für KI-fähige Datensätze: Ein KI-tauglicher Datensatz ist nicht nur technisch optimiert, sondern auch qualitativ hochwertig, rechtlich konform und über seinen ganzen Lebenszyklus verantwortungsvoll verwaltet. Diese drei Ebenen, Technik, Recht und Pflege, tauchen in jedem guten Projekt wieder auf.

Datenaufbereitung in fünf Schritten

Das Fraunhofer IPT hat eine standardisierte Pipeline mit fünf Schritten entwickelt: Integration, Cleaning, Augmentation, Reduction und Transformation. Wir ergänzen sie in der Praxis um einen Schritt null, ohne den die anderen ins Leere laufen.

Sechs Schritte der Datenaufbereitung für KI

Schritt 0: Ziel festlegen und Daten auswählen

Formulieren Sie, was die KI vorhersagen, erkennen oder beantworten soll, und wie Sie den Erfolg messen. Daraus folgt, welche Datenquellen überhaupt relevant sind. Alles andere bleibt außen vor, auch wenn es verfügbar ist.

Schritt 1: Daten zusammenführen

Daten liegen in KMU fast immer verteilt: Auftragsdaten im ERP, Kundenhistorie im CRM, Prüfergebnisse in Excel, Wissen in PDFs. Bei der Integration verbinden Sie diese Quellen über eindeutige Schlüssel wie Auftragsnummer, Kundennummer oder Seriennummer. Fehlt ein gemeinsamer Schlüssel, ist das oft der erste echte Engpass des Projekts.

Schritt 2: Daten bereinigen und vereinheitlichen

Nach der Auswahl werden laut Leitfaden des Digitalzentrums Augsburg fehlerhafte, inkonsistente oder unvollständige Daten korrigiert oder entfernt. Konkret heißt das:

Duplikate finden und zusammenführen, etwa denselben Kunden mit drei Schreibweisen.
Fehlende Werte behandeln: ergänzen, wenn die richtige Angabe rekonstruierbar ist, sonst kennzeichnen oder den Datensatz ausschließen.
Offensichtliche Fehleingaben korrigieren, zum Beispiel eine Bearbeitungszeit von 800 Stunden statt 8,00.
Formate, Einheiten und Kodierungen vereinheitlichen.

Für den letzten Punkt lohnt der Blick in den Kriterienkatalog QUAIDAL des BSI. Er unterscheidet Einheitlichkeit von Konsistenz: Einheitlichkeit verlangt gemeinsame Formate, Strukturen und Darstellungsregeln, Konsistenz prüft zusätzlich, ob zusammengehörige Inhalte widerspruchsfrei sind. Als Beispiel für ein durchgängiges Datumsformat nennt das BSI YYYY-MM-DD. Wenn Ihre Buchhaltung „24.10.26“ schreibt und die Fertigung „2026-10-24“, stolpert jedes Modell.

Schritt 3: Daten ergänzen, wenn sie knapp sind

Manche Anwendungen brauchen mehr Beispiele, als vorhanden sind, etwa seltene Fehlerbilder in der Qualitätsprüfung. Für solche Fälle kann Datenaugmentation zusätzliche Datenpunkte durch Transformation oder Synthese erzeugen, bei Bildern zum Beispiel durch Drehen, Spiegeln oder veränderte Helligkeit. Augmentation ersetzt aber keine echten Daten aus Situationen, die im Bestand gar nicht vorkommen.

Schritt 4: Daten reduzieren

Mehr Spalten heißt nicht bessere KI. Entfernen Sie Merkmale, die nichts zur Fragestellung beitragen, doppelt vorhanden sind oder rechtlich nicht genutzt werden dürfen. Das macht Modelle schneller, robuster und leichter erklärbar.

Schritt 5: Daten transformieren

Zum Schluss bringen Sie die Daten in die Form, die der Algorithmus verlangt. Dazu gehören je nach Modell Normalisierung und Skalierung, also das Angleichen von Wertebereichen, damit ein Umsatz in Euro nicht nur wegen seiner großen Zahlen wichtiger erscheint als eine Fehlerquote in Prozent. Hier beginnt der Übergang zum Feature Engineering.

Feature Engineering: Merkmale, mit denen ein Modell lernen kann

Feature Engineering heißt auf Deutsch am treffendsten Merkmalsgestaltung oder Merkmalsaufbereitung. Gemeint ist, aus Rohdaten genau die Merkmale abzuleiten, mit denen ein Modell gut lernt. Google for Developers erklärt den Hintergrund: Modelle verarbeiten in der Regel keine Rohwerte, sondern Feature-Vektoren aus Gleitkommazahlen. Und veränderte Darstellungen der Rohwerte können zu besseren Vorhersagen führen. Feature Engineering ist also keine Formatierungsarbeit, sondern die Übersetzung von Fachwissen in eine Sprache, die das Modell versteht.

Ein Beispiel aus dem Handwerk: Sie wollen vorhersagen, ob ein Auftrag das kalkulierte Budget überschreitet. Die Rohdaten enthalten Auftragsdatum, Adresse, Gewerk und Angebotsbetrag. Sinnvolle Merkmale daraus wären:

Monat oder Saison statt des genauen Datums, weil Witterung und Auslastung schwanken.
Entfernung zum Betriebssitz statt der Adresse, weil Anfahrtszeiten die Kosten treiben.
Anzahl beteiligter Gewerke statt einer Liste, weil Abstimmungsaufwand mit jedem Gewerk wächst.
Abweichung früherer Aufträge desselben Kunden als Durchschnittswert, weil Kundenverhalten sich wiederholt.

Genau diese Ableitungen kommen aus dem Betrieb, nicht aus dem Tool. Wann lohnt sich der Aufwand? Immer dann, wenn Sie mit strukturierten Tabellendaten klassische Modelle für Prognosen oder Klassifikationen trainieren. Nutzen Sie dagegen ein fertiges Sprachmodell, um Fragen zu Ihren Dokumenten zu beantworten, verschiebt sich die Arbeit: Statt Merkmale zu bauen, pflegen Sie Dokumente, entfernen veraltete Fassungen und strukturieren Inhalte. Wie das im Wissensmanagement aussieht, beschreiben wir in unserem Beitrag zu Wissensmanagement mit KI.

Datenannotation: Wann Ihre Daten Labels brauchen

Datenannotation bedeutet, Rohdaten wie Bildern, Texten oder Messreihen manuell oder automatisiert Kontextinformationen zuzuordnen, sogenannte Labels. Laut Leitfaden des Digitalzentrums Augsburg ist sie vor allem beim überwachten Lernen entscheidend und mitunter der zeitaufwendigste Schritt im gesamten Entwicklungszyklus.

Sie brauchen Annotation, wenn die KI etwas erkennen soll, das nicht schon als Feld in Ihren Daten steht:

Fotos von Bauteilen werden als „in Ordnung“ oder mit einem bestimmten Fehlertyp markiert.
Kundenanfragen werden Kategorien wie Reklamation, Angebot oder Terminwunsch zugeordnet.
Abschnitte in Verträgen werden als Haftung, Zahlungsbedingung oder Laufzeit gekennzeichnet.

Für die Qualität der Labels empfiehlt derselbe Leitfaden Reviewer nach dem Vier-Augen-Prinzip und statistische Kennzahlen. Im Alltag hat sich bewährt, vorab eine kurze Annotationsrichtlinie mit eindeutigen Beispielen zu schreiben, eine Stichprobe von zwei Personen unabhängig labeln zu lassen und strittige Fälle gemeinsam zu klären. Weichen die beiden oft voneinander ab, liegt das Problem meist in unklaren Kategorien, nicht bei den Menschen. Prüfen Sie vor dem Start außerdem, ob es bereits indirekte Labels gibt: Eine Reklamationsnummer im CRM ist oft schon die halbe Annotation.

Typische Fehler, die KI-Ergebnisse verfälschen

Die Fraunhofer-Veröffentlichung nennt vier Ursachen, die Ergebnisse verzerren: unvollständige oder veraltete Daten, ungenaue oder falsche Labels, nicht repräsentative Daten und Informationen, die beim Training, aber nicht zum Zeitpunkt der Vorhersage verfügbar sind. Den letzten Fehler übersehen selbst erfahrene Teams am häufigsten.

Ein Beispiel: Ein Modell soll bei Auftragseingang vorhersagen, ob ein Kunde spät zahlt. Im Trainingsdatensatz steht das Feld „Anzahl Mahnungen“. Das Modell lernt damit hervorragend, im Einsatz ist es nutzlos, denn bei Auftragseingang gibt es noch keine Mahnung. Google for Developers betont deshalb, dass die im Training genutzten Features auch zum Zeitpunkt der Vorhersage verfügbar sein müssen.

Weitere Stolperfallen aus Projekten in KMU:

Bereinigung ohne Dokumentation: Niemand weiß später, warum Datensätze fehlen, und die Aufbereitung lässt sich für neue Daten nicht wiederholen.
Ausreißer pauschal löschen: Manchmal ist der Ausreißer genau der Fall, den die KI erkennen soll, etwa ein seltener Maschinenfehler.
Trainings- und Testdaten vermischen: Dann misst der Test nur, wie gut sich das Modell erinnert, nicht wie gut es verallgemeinert.
Einmalaufbereitung statt Prozess: Die Daten werden für das Pilotprojekt sauber gemacht, aber die Erfassung im Alltag bleibt unverändert. Nach wenigen Monaten ist der Ausgangszustand zurück.

Wie Sie die Erfassung selbst verbessern, damit die Aufbereitung nicht jedes Mal von vorn beginnt, zeigt unser Praxis-Fahrplan zur Datenqualität.

Datenschutz, Governance und laufende Pflege

Sobald personenbezogene Daten im Spiel sind, Kundendaten, Mitarbeiterdaten oder freie Texte in E-Mails, ist die Aufbereitung auch eine Datenschutzfrage. Die deutschen Datenschutzaufsichtsbehörden haben 2025 eine Orientierungshilfe der DSK zu technischen und organisatorischen Maßnahmen bei KI-Systemen veröffentlicht, die Entwicklung und Betrieb abdeckt. In der Aufbereitung heißt das praktisch: nur die Felder übernehmen, die der Zweck erfordert, Namen und Kontaktdaten früh pseudonymisieren oder entfernen und festhalten, welche Daten in welches Modell geflossen sind. Bei Mitarbeiterdaten oder sensiblen Kundendaten sollten Sie Ihre Datenschutzbeauftragte oder Ihren Datenschutzbeauftragten einbinden, bevor die erste Datei exportiert wird, nicht erst, wenn das Modell steht.

Für Hochrisiko-KI-Systeme macht die EU-KI-Verordnung die Datenqualität zur Pflicht: Nach Artikel 10 der KI-Verordnung müssen Trainings-, Validierungs- und Testdatensätze hochwertig und für den Zweck relevant sein und unterliegen Daten-Governance-Verfahren. Die meisten KI-Anwendungen in KMU fallen nicht in diese Kategorie, die Grundsätze sind aber ein guter Maßstab für jedes Projekt.

Für die laufende Pflege empfehlen die britischen Leitlinien klare Zuständigkeiten, Data Governance, regelmäßige Qualitätskontrollen und die Verwaltung von Datensätzen als strategische Datenprodukte. Für ein KMU bedeutet das: Jeder wichtige Datenbestand hat eine verantwortliche Person, die Aufbereitungsschritte sind als Skript oder Checkliste festgehalten, und einmal im Quartal prüft jemand, ob die Qualität noch stimmt. Wie Sie diese Rollen schlank organisieren, beschreibt unser Beitrag zur KI-Governance für KMU.

Unsere Sicht: Erst der Nutzen, dann die Datenbaustelle

Wir erleben in Beratungen und Workshops mit mittelständischen Unternehmen und Handwerksbetrieben immer wieder dasselbe Muster: Ein Unternehmen beschließt, „erst einmal die Daten in Ordnung zu bringen“, und startet ein großes Bereinigungsprojekt ohne konkreten Anwendungsfall. Nach Monaten sind die Stammdaten etwas sauberer, aber kein Prozess ist schneller geworden. Die Motivation ist weg.

Wir gehen umgekehrt vor. Zuerst suchen wir gemeinsam mit Ihnen den Anwendungsfall mit dem schnellsten messbaren Nutzen, etwa eine Angebotskalkulation, eine Anfragensortierung im Service oder eine Prognose im Controlling. Dann bereiten wir genau die Daten auf, die dieser Fall braucht, und nicht mehr. Das hält den Aufwand überschaubar, liefert früh ein Ergebnis, an dem sich der Return on Investment ablesen lässt, und zeigt nebenbei, wo Ihre Datenerfassung im Alltag hakt.

Datenschutz behandeln wir dabei nicht als Prüfschritt am Ende, sondern als Designentscheidung am Anfang. Und wir binden immer die Menschen ein, die die Daten täglich erzeugen: Meisterinnen, Disponenten, Vertriebsleute. Ihr Wissen entscheidet, ob eine Datenaufbereitung trägt, denn kein Tool weiß, warum in Ihrem Lager manche Artikel doppelt angelegt sind.

— Shaun

So unterstützen wir Sie bei der Datenaufbereitung

Wenn Sie wissen möchten, ob Ihre Daten für einen konkreten KI-Anwendungsfall reichen, ist ein strukturierter Einstieg sinnvoller als ein Tool-Kauf. Bei menter.digital analysieren wir Ihre Geschäftsprozesse, entwickeln einen individuellen KI-Fahrplan und schulen Ihr Team branchenspezifisch, begleitet von zertifizierten INQA-Coaches, persönlich und deutschlandweit. Auf Wunsch übernehmen wir auch das Förderungsscouting und unterstützen Sie beim Antrag. Einen kompakten Start bietet unser KI-ROI-Tag. Alle Formate von der Strategieberatung bis zum Mitarbeitertraining finden Sie unter unseren Leistungen, einen Termin für ein Erstgespräch können Sie direkt vereinbaren.

Häufige Fragen zur Datenaufbereitung für KI

Wie viele Daten brauche ich für ein KI-Projekt?

Eine feste Zahl gibt es nicht, der Bedarf hängt vom Anwendungsfall und vom Algorithmus ab. Einfache Prognosen auf Tabellendaten kommen oft mit einigen Tausend sauberen Datensätzen aus, Bilderkennung braucht meist viel mehr Beispiele. Wichtiger als die Menge ist, dass die Daten die Fälle abdecken, die die KI später bearbeiten soll.

Wie viel Zeit kostet die Datenaufbereitung?

In vielen Projekten ist sie der größte Einzelblock, und die Annotation gilt als besonders zeitaufwendig. Wie lange es konkret dauert, hängt davon ab, wie verstreut und uneinheitlich Ihre Daten heute sind. Wer mit einem eng zugeschnittenen Anwendungsfall startet, begrenzt den Aufwand deutlich.

Kann ich Datenaufbereitung mit Tools automatisieren?

Teilweise. Wiederkehrende Schritte wie Dubletten entfernen, Formate vereinheitlichen oder Einheiten umrechnen lassen sich gut mit Skripten oder Tools erledigen. Die Entscheidung, ob Daten für einen Zweck geeignet sind, braucht aber weiterhin Fachwissen aus Ihrem Betrieb.

Muss ich für ChatGPT und ähnliche Sprachmodelle auch Daten aufbereiten?

Wenn das Modell mit Ihren eigenen Dokumenten arbeiten soll, ja. Statt Merkmale zu bauen, geht es dann darum, veraltete Fassungen auszusortieren, Dokumente sauber zu strukturieren und personenbezogene oder vertrauliche Inhalte vorab zu prüfen. Je sauberer die Ablage, desto verlässlicher die Antworten.