— warum KI mehr braucht als Daten
Alle reden davon, KI brauche vor allem eins: Daten. Viele Daten.
Stimmt nur halb. Eine KI braucht vor allem Kontext.
Daten sind die Fäden. Kontext ist das Wissen, wohin jeder Faden führt. Ein Netz aus Fäden, von denen keiner weiß, wo er endet, ist kein Netz. Es ist ein Haufen.
Was die KI wirklich wissen muss
Eine KI erkennt eine Störung. Und steht sofort vor Fragen, die ein Mensch im Schlaf beantwortet:
Welches System ist betroffen? Wozu gehört es? Wer ist zuständig? Welche anderen Systeme hängen dran? Wie kritisch ist das für den Betrieb?
Sind diese Antworten sauber gepflegt — in einer CMDB, einer klaren Struktur — dann ordnet die KI das Problem korrekt ein, weist das richtige Team zu, setzt Prioritäten, erkennt ähnliche Fälle, schlägt Lösungen vor. Die Spinne liest das Netz und weiß, wo es zappelt.
Fehlen die Antworten, passiert das Gefährlichste, was passieren kann: Die KI entscheidet trotzdem. Nur eben falsch.
Falsche Zuweisungen. Unnötige Eskalationen. Längere Bearbeitung. Manuelle Korrekturen hinterher. Und mit jedem Fehler sinkt das Vertrauen in die Automatisierung, die eigentlich helfen sollte.
Das Problem ist nicht die KI
In den Diskussionen steht immer die KI im Mittelpunkt. Welche, wie schlau, wie teuer. Das eigentliche Problem liegt eine Ebene tiefer:
Daten, die nicht eindeutig strukturiert sind. Systeme, die historisch gewachsen sind statt sauber modelliert. Verantwortlichkeiten, die keiner klar benennt. Prozesse, die jeder ein bisschen anders lebt. Abhängigkeiten, die niemand vollständig dokumentiert hat.
Und jetzt der Satz, um den sich alles dreht:
Die KI übernimmt diese Realität. Nicht eine geschönte Version davon.
Das ist Shit in, Shit out — auf der Ebene der ganzen Organisation. Gibst du der KI ein sauberes Netz, macht sie es schneller. Gibst du ihr dein gewachsenes Chaos, automatisiert sie das Chaos. Sie putzt nicht auf. Sie beschleunigt, was sie vorfindet.
Warum das genau jetzt kritisch wird
Bisher haben Menschen die Lücken ausgeglichen. Der erfahrene Kollege wusste, welches System „eigentlich“ gemeint ist, welches Team „in Wirklichkeit“ zuständig ist, welche Auswirkung „real“ zählt. Dieses implizite Wissen hat das schlampige Netz zusammengehalten.
KI-Agenten haben dieses Wissen nicht. Sie können nicht raten. Sie kennen nur, was geschrieben steht.
Alles, was nicht dokumentiert ist, existiert für die KI nicht.
Der Kollege mit den dreißig Jahren im Kopf — die KI hat ihn nicht. Sie hat nur das Netz, so wie es wirklich gespannt ist. Mit allen Löchern.
Was KI-Readiness wirklich heißt
KI-Readiness heißt nicht „KI einführen“. Das ist der Denkfehler.
KI-Readiness heißt: die bestehende Landschaft so strukturieren, dass eine Maschine sie überhaupt korrekt lesen kann. Eindeutige Anwendungen statt Sammelobjekte. Klare Verantwortlichkeiten. Konsistent gepflegte Daten. Standardisierte Prozesse. Nachvollziehbare Abhängigkeiten.
Erst wenn das Netz sauber gespannt und beschriftet ist, kann die Spinne darin arbeiten.
Der häufigste Irrtum
Die meisten fragen zuerst: „Welche KI sollen wir einsetzen?“
Die richtige Frage lautet: „Kann die KI unsere Umgebung überhaupt verstehen?„
Denn KI scheitert selten an der Technologie. Sie scheitert an der Struktur, auf die sie trifft.
Der Kern
KI wird nicht dadurch zuverlässig, dass sie besser wird. KI wird zuverlässig, wenn ihre Umgebung verständlich ist.
Das ist keine Vorbereitung auf ein KI-Projekt. Das ist die Voraussetzung dafür, dass KI im echten Betrieb überhaupt funktioniert.
Und es ist der erste Schritt von allem hier: die Bestandsaufnahme. Erst sehen, was da ist. Dann verstehen, wie es zusammenhängt. Dann — und erst dann — automatisieren.
Erst verstehen. Dann standardisieren. Danach automatisieren.
→ Wie viel Realität die KI anfasst: [Die vier Risikostufen]
→ Was der AI Act damit zu tun hat: [Was der AI Act (für mich) ist]
→ Wer wissen will, wo seine Systeme gerade stehen: der KI Readiness Index ist kein Fragebogen — es ist ein Werkzeug. Zwei Achsen, ein Ergebnis. Tier auswählen, Netz prüfen, fertig.