Wenn ein Automatisierungsprojekt scheitert, hört man fast immer denselben Satz: Das Tool taugt nichts. In den seltensten Fällen stimmt das.
„Die KI funktioniert nicht." Meistens stimmt das nicht.
Wenn ein Automatisierungs- oder Digitalisierungsprojekt nicht liefert, ist die Diagnose schnell gestellt: Die Software passt nicht. Die KI liefert Unsinn. Das System taugt nichts.
In den seltensten Fällen stimmt das. Was wie ein Technologieproblem aussieht, ist fast immer ein Datenproblem. Die Eingangsdaten waren unvollständig, widersprüchlich oder schlicht nicht da. Und kein System der Welt kann aus schlechten Daten gute Ergebnisse machen.
Die Informatik kennt dafür seit Jahrzehnten einen Begriff: Garbage in, garbage out. Wer Müll hineingibt, bekommt Müll heraus.
Was sich verändert hat: Früher hat ein erfahrener Mensch diesen Müll im Kopf korrigiert, ohne dass es jemand merkte. Der Sachbearbeiter wusste schon welche Angabe im Auftrag fehlte und hat nachgefragt. Sobald aber automatisiert wird, fällt dieser stille Korrekturmechanismus weg. Der Fehler wird sichtbar. Und teuer.
Deshalb beginnt jeder Prozess im IPO-Framework beim Input. Nicht weil er der spannendste Teil ist, sondern weil alles andere darauf aufbaut.
Warum Input im Mittelstand besonders schwierig ist
In einem typischen Industrieunternehmen leben Daten an vielen Orten gleichzeitig. Im ERP-System. In dutzenden Excel-Dateien auf verschiedenen Laufwerken. In E-Mail-Postfächern. Auf Papier. Und zunehmend in Maschinensensoren die im Sekundentakt Werte liefern.
Diese Quellen sind über Jahre gewachsen, nicht geplant. Jede für sich erfüllt ihren Zweck. Das Problem entsteht im Zusammenspiel: Keine dieser Quellen hat Vorrang.
sagt die Wahrheit?
Wenn das ERP einen Lagerbestand von 40 zeigt und die Excel-Liste 35, weiß niemand mit Sicherheit was stimmt. Beide werden genutzt, je nachdem wer gerade draufschaut. Das ist der Normalzustand im Mittelstand. Und es ist kein Versäumnis, sondern eine logische Folge organischen Wachstums. Aber es ist die Wurzel der meisten Prozessprobleme.
Die sechs Dimensionen der Datenqualität
Ob ein Input überhaupt verarbeitbar ist, lässt sich an sechs Dimensionen messen. Sie klingen technisch, aber jede hat eine sehr konkrete Konsequenz im Alltag.
Vollständigkeit
Sind alle Pflichtfelder gefüllt? Ein Auftrag ohne Stückliste kann nicht in die Produktion, wird aber trotzdem angenommen.
Korrektheit
Stimmen die Werte mit der Realität überein? Ein Lieferant der seit einem Jahr nicht mehr liefert blockiert den Einkauf.
Konsistenz
Sagen alle Systeme dasselbe? Wenn Vertrieb, Lager und Buchhaltung abweichen, entscheidet das Bauchgefühl statt der Daten.
Aktualität
Wie alt sind die Daten? Eine ungepflegte Materialpreisliste produziert Angebote die Aufträge verlieren oder Marge verbrennen.
Eindeutigkeit
Gibt es Duplikate? Derselbe Kunde dreimal angelegt verfälscht jede Auswertung, bevor sie beginnt.
Verfügbarkeit
Sind die Daten zur richtigen Zeit am richtigen Ort? Eine Information die zu spät eintrifft, hätte auch fehlen können.
Wer einen Prozess automatisieren will, muss für jede dieser sechs Dimensionen eine Antwort haben. Nicht für jedes Feld, aber für die, von denen der Output abhängt.
Vom Chaos zur Struktur
Die gute Nachricht: Man muss nicht alles auf einmal lösen. Aber man braucht ein Zielbild und die richtige Reihenfolge.
Der erste Schritt ist fast immer Datenbereinigung, also das systematische Entfernen von Duplikaten, das Auffüllen von Lücken und das Vereinheitlichen von Formaten. Unspektakulär, aber unverzichtbar. Es ist die Arbeit die niemand sehen will und die über Erfolg oder Misserfolg entscheidet.
Der zweite ist das Prinzip der Single Source of Truth, einer führenden Quelle. Für jede wichtige Information muss definiert sein, welches System die Wahrheit sagt. Nicht drei Systeme die sich widersprechen, sondern eine Quelle der man vertraut, und der Rest leitet sich davon ab.
Mit wachsender Datenmenge und steigenden Anforderungen kommen dann zwei Konzepte ins Spiel, die jeweils ihren eigenen Zweck erfüllen:
Entscheidend ist die Reihenfolge: Erst Struktur, dann das passende Werkzeug. Ein Data Lake der mit ungeprüften Daten gefüllt wird, entfaltet seinen Wert nicht, er wird zum Datensumpf. Wer zuerst seine Datenqualität in den Griff bekommt, trifft die Technologieentscheidung später aus einer Position der Klarheit. Und dann sind Data Warehouse und Data Lake mächtige Werkzeuge die echten Mehrwert schaffen.
Wo Input wirklich bricht: die Schnittstellen
Die häufigste Fehlerquelle ist nicht die einzelne Datenquelle. Es ist die Übergabe zwischen ihnen.
Jedes Mal wenn Daten von einem System in ein anderes fließen, von einer Abteilung zur nächsten, von einem Format ins andere, entsteht eine Schnittstelle. Und jede Schnittstelle ist eine potenzielle Bruchstelle. Wer seine Input-Qualität verbessern will, schaut deshalb zuerst auf die Schnittstellen. Nicht auf die Quellen selbst, sondern auf die Wege dazwischen.
Was das für Automatisierung und KI bedeutet
Hier schließt sich der Kreis. Eine Automatisierung ist nur so gut wie der Input den sie bekommt. Eine KI die auf widersprüchlichen Daten betrieben wird, trifft widersprüchliche Entscheidungen, nur schneller und in größerem Maßstab.
Saubere Input-Arbeit ist kein Vorgeplänkel. Sie ist die eigentliche Grundlage.
Wer hier investiert, automatisiert später auf festem Boden. Wer es überspringt, baut auf Sand. Im nächsten Artikel geht es um den Processing-Sektor: was mit dem Input passiert, wo die Wertschöpfung entsteht, und warum Optimierung immer vor Automatisierung kommt.