Datenqualität und KI: Vertrauenswürdige Entscheidungen für KMU

Im ersten Teil unserer Serie haben wir gezeigt, warum Datenqualität die neue Unternehmenswährung für KMU ist.

Ohne saubere, zuverlässige Daten entstehen ungenaue KI-Ergebnisse, Fehlentscheidungen und Vertrauensverlust.

Auch aktuelle Untersuchungen zeigen: Selbst KI-Assistenten liefern oft unzuverlässige Daten.

Eine europaweite Medienanalyse der EBU (kurze Zusammenfassung der BBC) ergab, dass 45 % der Antworten von ChatGPT, Copilot, Gemini und Perplexity mindestens ein wesentliches Problem aufwiesen – von falschen Quellen bis zu erfundenen Fakten.

Besonders kritisch:

👉 31 % der Antworten hatten fehlerhafte Quellenangaben, bei
👉 Gemini traten in über 75 % gravierende Probleme auf,
👉 Download der Studie als PDF von DrKPI® BBC-Report-AI-Fehlerquote-beim-Beantworten-von-30-Newsfragen-europaweit.pdf 600 KB.

Das zeigt, wie wichtig geprüfte, saubere Daten sind. Das gilt nicht nur für KI-Modelle, sondern auch um das Vertrauen der Öffentlichkeit insgesamt zu bekommen.

In diesem Beitrag gehen wir einen Schritt weiter: Wie können KMU Datenqualität messen, sichern und für KI nutzen, um Wettbewerbsvorteile zu erzielen?

📚 Weiterführende Beiträge aus der Serie:

• 🤖 KI in der Unternehmenskommunikation: Produktiver oder nur schneller?
• 💬 Chatbots im Alltag: Usability-Frust und KI-Grenzen
• 📈 KI und Produktivität: Was Studien wirklich zeigen
• 🚖 Waymo-Robotaxi bricht Regeln – wer haftet?
• 👗 KI und Marketing: Fashion und Verkauf
• 🏢 KI für KMU – Was wirklich zählt und welche Trends 2026 entscheiden
• 📊 KI und Datenqualität – Teil 1
• 📊 KI und Datenqualität – Teil 2

Dieser Beitrag beantwortet zentrale Fragen für KMU:

1. Wie generiere ich zuverlässige und genaue Daten?
2. Welche KI-Trends in der Datenqualität sind 2026 entscheidend für KMU?

Vertrauensverlust in Umfragen: Ein Praxisbeispiel aus Grossbritannien

Der Labour Force Survey (LFS) zeigt, wie sinkende Teilnahmequoten die Datenqualität beeinflussen können. Zwischen Juni–August 2013 lag die Antwortquote bei 47,9 %, 2023 nur noch bei 14,6 %.

Parallel schrumpfte die Stichprobe von 78.994 auf 36.526 Personen. Besonders während der COVID-19-Pandemie fiel die Teilnahme stark ab.

Folge: Sinkende Antwortquoten erhöhen das Risiko von Verzerrungen und unterrepräsentierten Bevölkerungsgruppen – ein Risiko, das auch KI-Modelle betrifft, die auf diesen Daten basieren.

Grafik: Rückgang der Antwortquoten im LFS (UK, 2013–2023)

Die Grafik verdeutlicht somit nicht nur einen technischen Trend, sondern auch eine gesellschaftliche Herausforderung:

Wie können Umfragen auch unter schwierigen Bedingungen verlässliche Daten liefern?

Eine Frage, die nicht nur für Grossbritannien, sondern für viele Länder relevant ist.

Stärken und Grenzen des LFS

Der Labour Force Survey (LFS) ist eine zentrale Erhebung in Grossbritannien, die private Haushalte erfasst.

Natürlich weiss das ONS – Office for National Statistics sehr wohl über Stärken und Schwächen der von ihm gesammelten Daten (siehe auch hier) wie z.B.:

Stärken:

• Grösste Haushaltsbefragung Grossbritanniens – auch kleine Regionen abgedeckt
• Umfangreiche Daten zu Arbeitsmarkt, Bildung & Einkommen
• Geringe Stichprobenfehler durch Wellendesign

Grenzen:

• Keine Garantie für Branchenabdeckung
• Kommunale Einrichtungen nur teilweise erfasst
• Unter 16-Jährige und Streitkräfte ausgeschlossen
• Primär Arbeitsmarktdaten, kein Fokus auf Migration

Die Beispiele aus dem LFS zeigen: Datenqualität ist mehr als eine technische Herausforderung.

Fehlende, verzerrte oder unvollständige Daten wirken sich nicht nur auf Analysen und KI-Modelle aus, sondern auch auf strategische Entscheidungen in Unternehmen, etwa bei der Personalplanung, Ausbildung und Qualifizierung von Nachwuchskräften.

Gerade KMU müssen sicherstellen, dass ihre Datengrundlage verlässlich und valide ist, bevor KI-Lösungen sinnvoll eingesetzt werden können.

👉 Mehr dazu im ersten Teil der Serie: KI und Datenqualität – Grundlagen für KMU

Auch das KMU-Portal der Bundesverwaltung in Bern bietet Informationen zum Thema Künstliche Intelligenz. Doch die Inhalte bleiben allgemein – zentrale Themen wie Datenqualität, Reliabilität und Validität werden kaum behandelt.

KMU, die jetzt handeln, sichern sich Wettbewerbsvorteile – nicht durch Hype, sondern durch klare Umsetzung. KI muss sich lohnen.

KI, Schlüsselqualifikationen und Karriereplanung: Datenqualität ist entscheidend 📊

Die Ergebnisse aus dem Labour Force Survey (LFS) zeigen deutlich, wie sehr die Qualität und Struktur von Arbeitsmarktdaten politische und wirtschaftliche Entscheidungen beeinflusst.

Doch die britischen Daten decken nur einen Teil der Realität ab – und lassen sich nicht ohne Weiteres auf die DACH-Region übertragen.

Hier spielt das duale Ausbildungssystem seine Stärken aus:

Praxis und Theorie sind eng verzahnt und bereiten junge Talente gezielt auf Berufe vor, in denen KI zunehmend zum Arbeitsalltag gehört – etwa im Handwerk, in der Elektronik oder in technischen MINT-Berufen.

👉 Rund 60 % der Jugendlichen in der Schweiz absolvieren eine 2- bis 4-jährige Lehre – in keinem anderen europäischen Land ist dieser Anteil so hoch. Quelle: Eidgenössisches Hochschulinstitut für Berufsbildung (EHB)

Die Idee von Sarah O’Connor (siehe Financial Times-Video), dass Arbeitnehmer:innen künftig wieder für ihre Ausbildung bezahlt werden müssten oder sich verpflichten sollten, mehrere Jahre im Ausbildungsbetrieb zu bleiben, zeigt die Herausforderungen im angelsächsischen Raum.

In der DACH-Region erhalten Auszubildende ein Gehalt, Betriebe investieren systematisch in Nachwuchs – und profitieren von stabiler Qualifizierung und tiefer Jugendarbeitslosigkeit.

Unternehmen hier müssen jedoch sicherstellen, dass ihre Ausbildungsprogramme kontinuierlich auf die Veränderungen durch KI vorbereitet sind.

👉 Siehe auch: DRKPI: Berufsbildung und Recruiting für Lehrstellen – Trends 2025.

Nur so lässt sich die traditionell niedrige Jugendarbeitslosigkeit in der Schweiz halten – während in Grossbritannien rund 13 % der 16- bis 24-Jährigen weder in Ausbildung noch in Arbeit sind (Learning and Work Institute).

Daten aus Strategie, Personal- und Produktionsplanung müssen verknüpft werden.
Nur wenn diese Systeme zusammenspielen, gelingt es Unternehmen, den Bedarf an Nachwuchskräften frühzeitig zu erkennen und gezielt zu decken.

📝 Hinweis zum Video (Financial Times): Einsteigerjobs verschwinden. KI und wirtschaftliche Unsicherheit führen dazu, dass viele Unternehmen beim Einstellen zögern. Die Folge: Rekordarbeitslosigkeit unter Hochschulabsolvent:innen.

Was passiert, wenn es weniger Einstiegs- und mittlere Managementpositionen gibt? Unternehmen müssen ihre Nachwuchsförderung und Karrierewege neu denken – doch wie genau?

Lokale Datenprobleme erschweren die Planung

Auch auf lokaler Ebene fehlen häufig verlässliche Informationen:

In Grossbritannien erschwert das „Local Inequality Problem“ die politische und wirtschaftliche Steuerung – gute Einkommensdaten sind rar, Debatten laufen ins Leere.

KI kann helfen, diese Lücken zu schließen – aber nur, wenn sie auf verlässlichen, konsistenten und validen Daten basiert.

Wie z.B. Lauren Leek auf Substack beschreibt, sind hochwertige Datensätze die Grundlage für faktenbasierte Entscheidungen und gesellschaftliches Vertrauen.

Fazit: Datenqualität ist der Schlüssel für KI-Erfolg in KMU

Datenqualität ist kein einmaliges Projekt, sondern ein kontinuierlicher Prozess.

• Wer Validität, Reliabilität und Bias berücksichtigt, trifft bessere Entscheidungen, vermeidet Fehlentwicklungen und stärkt das Vertrauen in KI.

Für 2026 gilt:

• KMU, die ihre Datengrundlage jetzt sichern, profitieren von verlässlichen KI-Ergebnissen und langfristigem Wettbewerbsvorteil.