AI-Readiness: Eignung der Datengrundlage – Kriterien für Datenqualität, die über den AI-Erfolg entscheiden

Viele AI-Initiativen scheitern nicht am Modell, sondern eine Ebene tiefer: an Daten, die lückenhaft, inkonsistent oder rechtlich nicht nutzbar sind. Das zeigt sich möglicherweise erst, wenn bereits erheblich investiert wurde. Dieser Beitrag zeigt Ihnen, wie Finanzinstitute die Eignung Ihrer Datengrundlage prüfen, bevor AI-Modelle in die Produktion gehen: anhand von neun Kriterien mit konkreten Prüffragen, eingeordnet in den regulatorischen Rahmen von EU AI Act bis BCBS 239. Und Sie erfahren, warum die vier klassischen Datenqualitätskriterien für AI-Vorhaben allein nicht ausreichen.

Dies betrifft einen wichtigen Aspekt von AI-Readiness, der Fähigkeit einer Organisation, AI nicht nur punktuell zu erproben, sondern verlässlich, skalierbar und regelkonform in den Betrieb zu überführen. Die geeignete Datengrundlage, eine tragfähige Strategie mit priorisierten Anwendungsfällen, die passende technische Infrastruktur und eine belastbare Governance, einschließlich Kompetenzen und Rollen, sind die Aspekte, die zusammenspielen müssen.

Was ist die Datengrundlage im Kontext von AI-Readiness?

Die Datengrundlage ist die Gesamtheit der Daten, auf die ein AI-Modell zugreift, das heißt, nicht nur der einzelne Trainingsdatensatz, sondern der gesamte Datenbestand über den Lebenszyklus hinweg: Daten für Pre-Training, Fine-Tuning oder eine RAG-Architektur, Validierungs- und Testdaten ebenso wie die Daten, die das Modell später im Produktivbetrieb verarbeitet. Zur Datengrundlage gehören dabei nicht allein die Werte selbst, sondern auch ihre Struktur und Bedeutung (Metadaten und Definitionen), um ein semantisches Verständnis erreichen zu können.

Ebenso zu beachten sind die Herkunft der Daten und ihr Aufbereitungspfad von der Quelle bis ins Modell sowie die Governance, die regelt, wer welche Daten für welchen Zweck nutzen darf.

Damit ist auch die begriffliche Abgrenzung gesetzt: Die Datengrundlage ist der Gegenstand der Betrachtung; ihre Eignung ist das Urteil, das eine systematische, kriterienbasierte Prüfung darüber fällt.

Warum die Datengrundlage über den Erfolg von AI-Projekten entscheidet

AI-Readiness wird häufig als eine Frage der Infrastruktur diskutiert: Welche Plattform? Welches Modell? Welches Budget? Das ist berechtigt, greift aber zu kurz. Denn keine AI-Anwendung ist besser als die Daten, auf denen sie basiert. Diese Aussage kennt jeder, aber nicht jeder zieht daraus die operative Konsequenz: eine systematische, kriterienbasierte Prüfung der Datengrundlage, bevor eine AI-Anwendung in den Betrieb geht.

Wenn AI-Anwendungen, die auf lückenhaften, inkonsistenten oder veralteten Daten basieren, fehlerhafte Ergebnisse produzieren, kann auch hervorragende Modelltechnologie dieses Problem nur schlecht beheben.

Die Frage nach der Eignung der Datengrundlage gehört deshalb nicht nur in den Rahmen eines technischen Vorprojekts, sondern ist eine strategische Voraussetzung für jede erfolgreiche AI-Readiness-Initiative. Wer die Eignung der Datengrundlage ernstnimmt, beginnt nicht mit der Modellauswahl, sondern mit einer strukturierten Beurteilung der Eignung der Datenbasis.

Zugekaufte AI-Modelle: Wer verantwortet die Datengrundlage?

Wenn das Unternehmen ein AI-Modell nicht selbst trainiert, sondern zukauft, hat es keinen Einfluss auf die Trainingsdaten.

Dann braucht das Unternehmen erstens Prüfungskriterien, gerade weil es als Betreiber die Trainingsdaten nicht selbst steuert. Wer selbst trainiert, kann nachbessern. Wer zukauft, kann nur prüfen, vertraglich absichern und überwachen. Das macht die Eignungsprüfung nicht überflüssig, sondern zur einzigen verbleibenden Kontrollmöglichkeit.

Zweitens ist zu berücksichtigen, dass wenn die Datengrundlage mehr als der Trainingsdatensatz des Anbieters ist, die anderen Daten in der Hand des Betreibers sind. Gerade diese Daten, wie beispielsweise ein veralteter Dokumentenbestand bei einer RAG-Architektur, können fehlerhaften Output einer AI-Anwendung herbeiführen.

Darüber hinaus ist zu beachten, dass nach Artikel 25 AI Act ein Betreiber zum Anbieter werden kann, wenn er ein System unter eigenem Namen vermarktet, es wesentlich verändert oder den Verwendungszweck ändert.

Der regulatorische Rahmen: Ist Datenqualität für AI regulatorisch Pflicht?

Wer im Risikomanagement eines Finanzinstituts die Eignung einer Datenbasis prüft, bewegt sich dabei längst nicht mehr im rechtsfreien Raum. Datenqualität ist in mehreren, sich überlagernden Regelwerken normiert. Auf der bankaufsichtlichen Ebene verpflichtet in Deutschland die MaRisk Institute zu einer angemessenen Datenqualität in Risikosteuerung und -reporting. Für bedeutende europäische Institute treten die Grundsätze des BCBS 239 zur Risikodatenaggregation hinzu, die die EZB mit ihrem RDARR-Leitfaden vom Mai 2024 aufsichtlich konkretisiert hat. Auch die Datenintegritätspflichten der DORA wirken in dieselbe Richtung: Belastbare, nachvollziehbare Daten sind regulatorisch notwendig.

Rahmenbedingungen werden weiterhin durch die DSGVO gesetzt, die mit ihrem Richtigkeitsgrundsatz Datenqualität für personenbezogene Daten unmittelbar zur Rechtspflicht macht und zugleich die Grundlage für den regulatorisch sensiblen Umgang mit Verzerrungen und personenbezogenen Daten bildet.

Hinzu kommt künftig eine AI-spezifische Ebene: Der EU AI Act schreibt in Artikel 10 für Hochrisiko-AI-Systeme vor, dass Trainings-, Validierungs- und Testdaten soweit möglich Qualitäts- und Governance-Anforderungen unterliegen. Diese Hochrisiko-Pflichten wurden durch den „Digital Omnibus" auf den 2. Dezember 2027 verschoben.

Ein strukturiertes AI-Readiness-Assessment der Datengrundlage ist damit immer auch ein Instrument zur Minimierung regulatorischer und rechtlicher Risiken.

Vier Kriterien für Datenqualität bei AI-Modellen

Die Fachliteratur kennt insbesondere die vier folgenden Kriterien zur Beurteilung der Datenqualität. Sie sind der notwendige Einstiegspunkt.

1. Genauigkeit: Richtigkeit und Präzision der Daten

Daten müssen die Realität korrekt abbilden. Richtigkeit meint die inhaltliche Übereinstimmung mit dem tatsächlichen Sachverhalt, also ob der Wert stimmt. Präzision betrifft die Frage von Schwankungen bei der Wiederholung von Messungen, die für die Bestimmung von Datenpunkten benötigt werden.

• Prüffrage: Gibt es definierte Toleranzbereiche für Abweichungen von Datenwerten, und werden diese aktiv überwacht?

2. Vollständigkeit der Datenbasis

Ein Datensatz ist vollständig, wenn alle relevanten Datenpunkte vorhanden sind: keine fehlenden Werte. Für AI-Anwendungen ist Vollständigkeit keine binäre Eigenschaft. Es kommt nicht nur darauf an, wie viele Werte fehlen, sondern warum Werte fehlen.

Fehlende Werte können rein zufällig auftreten, zum Beispiel auf Grund unzuverlässiger Prozesse der Datenerfassung.

Noch kritischer ist, wenn das Fehlen selbst einem Muster folgt, wenn also Werte bei bestimmten Gruppen, Zeiträumen oder Ausprägungen systematisch häufiger fehlen als bei anderen. Fehlen beispielsweise Einkommensangaben überdurchschnittlich oft bei einer bestimmten Kundengruppe, dann lernt das Modell aus einem verzerrten Ausschnitt der Realität. Nicht die Menge der Lücken ist dann das Problem, sondern ihre Systematik.

• Prüffrage: Sind fehlende Werte zufällig verteilt, oder folgen sie einem Muster, das das Modell verzerren könnte?

3. Aktualität der Daten

Daten müssen aktuell sein. Aktualität ist dabei eine Größe, die auch vor dem Hintergrund zu beurteilen ist, was für den Anwendungszweck der AI tatsächlich nötig ist.

• Prüffrage: Wie häufig werden die Daten aktualisiert, und entspricht diese Frequenz dem Zeithorizont der AI-Anwendung?

4. Konsistenz der Daten

Konsistenz im Kontext der Datenqualität meint die einheitliche und übereinstimmende Darstellung des gleichen Sachverhalts, über verschiedene Datenquellen, Systeme und Zeitpunkte hinweg. Dieses Kriterium ist nicht zu unterschätzen, weil Inkonsistenzen zwischen verschiedenen Systemen in den Einzelsystemen noch unsichtbar bleiben, aber beim Zusammenführen in einer AI-Pipeline schlagend werden.

• Prüffrage: Gibt es eine zentrale Definition und Metadatenstruktur, die über alle Systeme hinweg einheitlich angewendet wird?

Fünf weitere Kriterien für die AI-Readiness der Datengrundlage

Die vier Kriterien Genauigkeit, Vollständigkeit, Aktualität und Konsistenz sind für jede datenverarbeitende Anwendung relevant.

Eine andere Anforderung verliert die Bedeutung im AI-Kontext, nämlich die klassische Strukturierung der Daten. Regelbasierte Systeme und klassisches Reporting setzten voraus, dass Daten in festen Tabellen und Schemata vorliegen. Strukturierung war dort tatsächlich eine harte Voraussetzung. AI-Modelle verarbeiten dagegen genau das, was früher praktisch unbrauchbar war: Verträge, E-Mails, Bilder, Audio. Die Strukturierung der Daten ist für AI keine Anforderung mehr, sondern eher das Gegenteil ihres Wertversprechens.

Was für AI relevant bleibt, sind aber fünf weitere Kriterien zur Eignung der Datengrundlage.

5. Verfügbarkeit und Nutzbarkeit der Daten

Daten können qualitativ hochwertig sein und trotzdem für den Modellbetrieb unbrauchbar, wenn sie nicht erreichbar, nicht verarbeitbar oder nicht freigegeben sind.

Die Verfügbarkeit der Daten im engeren Sinn ist zugleich eines der drei Schutzziele der Informationssicherheit neben Vertraulichkeit und Integrität. Gemeint ist, dass die benötigten Daten überhaupt und zuverlässig erreichbar sind, geschützt vor Ausfall, Verlust oder Blockade. Für den AI-Kontext ist dieses Sicherheitsziel notwendig, aber nicht hinreichend; es ist um zwei weitere Aspekte zu ergänzen.

Daten müssen in einer Form vorliegen, die sich tatsächlich maschinell verarbeiten lässt, was aber für AI-Anwendungen nicht mit Strukturierung der Daten zu verwechseln ist.

Der Zugriff auf die Daten muss rechtlich und organisatorisch freigegeben sein. Hier berührt das Kriterium das Schutzziel Vertraulichkeit – ausreichende Zugriffsrechte sind gewissermaßen dessen Kehrseite. Verfügbarkeit ist damit nicht nur eine Frage der IT-Implementierung, sondern auch ein Thema der Data Governance für AI: Wer darf welche Daten für welchen Zweck verwenden?

Demgemäß gilt eine Freigabe dem Zweck, nicht dem Datensatz. Eine bestehende Freigabe für ein konventionelles System deckt einen Verarbeitungszweck ab. Der Einsatz derselben Daten in einem AI-System ist regelmäßig eine Zweckänderung, die neu zu bewerten ist. In konventionellen Systemen ist „freigegeben" ein dauerhafter Zustand; im AI-Kontext kann es nur eine Aussage pro Anwendungsfall sein.

• Prüffrage: Sind Datenzugriffe für den AI-Anwendungsfall rechtlich, organisatorisch und technisch freigegeben?

6. Repräsentativität der Daten und Daten-Bias

Ein Datensatz kann die vier fundamentalen Kriterien für Datenqualität erfüllen und trotzdem für das Training eines AI-Modells ungeeignet sein, wenn er strukturell bestimmte Gruppen, Zeiträume oder Szenarien unterrepräsentiert oder überrepräsentiert. Fehlende Repräsentativität kann mit Bias in den Daten verbunden sein. Bias in den Daten wiederum kann Bias im AI-Modell herbeiführen, oder sogar Diskriminierung bei der Anwendung der AI.

• Prüffrage: Spiegelt die Datenbasis die tatsächliche Zusammensetzung der Zielpopulation wider?

7. Data Lineage: Anforderungen für AI

Für jeden Datenpunkt, der in ein Hochrisiko-AI-System einfließt, muss nachvollziehbar sein, woher er stammt, wie er transformiert wurde und welche Qualitätsprüfungen er durchlaufen hat. Data Lineage – die dokumentierte Herkunft und der vollständige Transformationspfad eines Datenpunkts – ist das zentrale Instrument, um diese Rückverfolgbarkeit herzustellen. Sie bildet die gesamte Kette der Datenaufbereitung ab. Die Data-Lineage-Anforderungen für AI ergeben sich dabei nicht nur aus internen Qualitätszielen, sondern auch aus regulatorischen Vorgaben wie dem EU AI Act und BCBS 239.

Vor allem mit Blick auf Data Lineage ist zu empfehlen, trotz der Verschiebung der Hochrisiko-Pflichten des AI Acts mit dem Beginn der Umsetzung nicht bis 2027 abzuwarten. Fehlende diesbezügliche Dokumentation lässt sich rückwirkend nicht rekonstruieren, ein Mangel, den auch ein großzügiges Budget später nicht heilt.

• Prüffrage: Ist der vollständige Transformationspfad jedes Datenpunkts von der Quelle bis ins Modell dokumentiert?

8. Eindeutigkeit der Daten

Jede reale Entität – eine Kundin, ein Vertrag, eine Transaktion – sollte in der Datenbasis genau einmal repräsentiert sein. Doppelte Einträge sind in jedem datenverarbeitenden System problematisch; im AI-Training interpretiert ein Modell mehrfach vorhandene Datenpunkte als häufigere Ereignisse und übergewichtet sie entsprechend. Das Modell lernt eine Realität, in der bestimmte Fälle scheinbar öfter vorkommen, als es tatsächlich der Fall ist. Um dies zu vermeiden, ist deshalb eine konsequente Deduplizierung auf Entitätsebene erforderlich.

• Prüffrage: Gibt es eine definierte Entity-Resolution-Strategie, die Duplikate systematisch identifiziert und auflöst?

9. Zweckeignung

Das Querschnittskriterium: Verschiedene Kriterien wurden diskutiert, aber die Angemessenheit der Bezugnahme auf diese Kriterien hängt auch davon ab, diese relativ zum konkreten Anwendungsfall zu bewerten. Daten, die für periodische Berichterstellung ausreichen, können für ein Echtzeit-Risikomonitoring völlig ungeeignet sein. Um solche Unterschiede zu beachten, erfordert Zweckeignung eine eigene Anforderungsdefinition für jeden AI-Anwendungsfall.

• Prüffrage: Ist für jeden AI-Anwendungsfall ein Anforderungsprofil an die Datengrundlage definiert, gegen das die Eignung gemessen wird?

Key Takeaways: AI-Projektrisiken im Schnellcheck

Wenn Sie die Eignung Ihrer Datengrundlage für AI-Anwendungen bewerten, entscheiden die feinen Nuancen über den operativen Erfolg und die Konformität mit regulatorischen Vorgaben. Die Nichterfüllung der Eignungskriterien führt zu Risiken im Betrieb von AI:

• Mangelnde Generalisierungsfähigkeit: Unvollständige Daten führen zu schlechtem AI-Output für ungesehene Fälle.
• Verzerrung ohne Signal: Ungenaue Daten verfälschen AI-Output unbemerkt.
• Widersprüche: Inkonsistente Daten aus verschiedenen Quellen bringen Verarbeitungsfehler in die AI-Pipeline.
• Statistische Übergewichtung: Unentdeckte Duplikate in den Daten verzerren den AI-Output.
• Diskriminierungsrisiko: Fehlende Repräsentativität der Daten kann zu Bias und Diskriminierung führen.
• Realitätsverlust: Veraltete Datensätze spiegeln aktuelle Entwicklungen nicht wider.
• Projektabbruch vor Go-Live: Mangelnde Verfügbarkeit der Daten verhindert die Inbetriebnahme der AI-Anwendung.
• Regulatorische Sanktionen: Lückenhafte Data Lineage gefährdet die Compliance nach EU AI Act und BCBS 239.
• Strategische Fehlentwicklung: Ohne dokumentierte Zweckeignung scheitert das AI-System am Einsatzzweck.

Fazit und Handlungsempfehlung für die Praxis

Unternehmen, die den Erfolg ihrer AI-Projekte nicht dem Zufall überlassen oder aufsichtsrechtliche Sanktionen riskieren wollen, etablieren einen standardisierten Kriterienkatalog für die Prüfung der Datengrundlage. Eine fundierte Prüfung ist das strategische Fundament jeder tatsächlich wertstiftenden AI-Strategie. Erst wenn die Datengrundlage die Anforderungen an AI-Readiness erfüllt, folgt der Schritt in Richtung AI-Entwicklung und Skalierung.

Häufige Fragen zu AI-Readiness und Datenqualität

Was ist Data Governance?

Data Governance bezeichnet das Regelwerk aus Rollen, Verantwortlichkeiten und Prozessen, das festlegt, wer welche Daten für welchen Zweck nutzen darf und wie Qualität, Herkunft und Schutz der Daten sichergestellt werden. Im AI-Readiness-Kontext ist Data Governance kein Selbstzweck, sondern die organisatorische Voraussetzung dafür, dass die Eignungskriterien der Datengrundlage von Verfügbarkeit über Data Lineage bis Zweckeignung überhaupt verlässlich durchgesetzt werden können.

Ist Datenqualität für AI ein Gegenstand der Bankenregulatorik?

Für regulatorisch relevante AI-Anwendungen in der Finanzbranche handelt es sich um eine regulatorische Pflicht. Datenqualität für AI ist dann keine reine Best Practice, sondern in mehreren Regelwerken normiert. Für Finanzinstitute wirken MaRisk, BCBS 239 und DORA, übergreifend die DSGVO. Mit dem EU AI Act kommt eine AI-spezifische Ebene hinzu. Ein strukturiertes AI-Readiness-Assessment der Datengrundlage dient damit unmittelbar der Minimierung regulatorischer Risiken.

Was schreibt der EU AI Act in Artikel 10 zur Datenqualität vor?

Der EU AI Act verlangt in Artikel 10 für Hochrisiko-AI-Systeme, dass Trainings-, Validierungs- und Testdaten strengen Qualitäts- und Governance-Anforderungen genügen. Damit werden Anforderungen an AI-Trainingsdaten – von Repräsentativität über Data Governance bis zu dokumentierter Herkunft – erstmals verbindlich werden.

Was sind Kriterien für die Eignung der Daten für AI-Anwendungen?

Als notwendiger Einstieg gelten die vier klassischen Kriterien für Datenqualität: Genauigkeit, Vollständigkeit, Aktualität und Konsistenz. Für AI-Anwendungen reichen diese jedoch nicht aus. Mindestens fünf weitere Kriterien treten hinzu: Verfügbarkeit und Nutzbarkeit, Repräsentativität, Data Lineage, Eindeutigkeit sowie Zweckeignung.

Welche Anforderungen gelten für AI-Trainingsdaten?

AI-Trainingsdaten sollen die Zielpopulation ausreichend repräsentativ abbilden, um Daten-Bias und Diskriminierung zu reduzieren, und sie müssen dedupliziert sein. Trainiert eine Organisation AI-Modelle nicht selbst, sondern setzt vortrainierte oder zugekaufte Modelle ein, verlagern sich die Fragen der Data Governance auf die Lieferkette: Dann ist entscheidend, welche Dokumentation der Anbieter über Herkunft, Zusammensetzung und Rechtmäßigkeit der Trainingsdaten bereitstellt.

Was bedeutet Datenverfügbarkeit im AI-Kontext?

Datenverfügbarkeit im AI-Kontext meint mehr als die klassische technische Erreichbarkeit der Daten. Sie umfasst drei Aspekte: dass die benötigten Daten zuverlässig und geschützt vor Ausfall erreichbar sind (das Schutzziel Verfügbarkeit der Informationssicherheit), dass sie in maschinell verarbeitbarer Form vorliegen und dass der Zugriff rechtlich und organisatorisch freigegeben ist. Gerade der letzte Punkt macht Verfügbarkeit auch zu einer Frage der Data Governance und nicht allein der IT-Implementierung.

Welche Data-Lineage-Anforderungen bestehen für AI?

Für jeden Datenpunkt, der in ein Hochrisiko-AI-System einfließt, soll nachvollziehbar sein, woher er stammt, wie er transformiert wurde und welche Qualitätsprüfungen er durchlaufen hat. Diese Data-Lineage-Anforderungen für AI ergeben sich aus internen Qualitätszielen, je nach Kontext der Anwendung aber auch aus regulatorischen Vorgaben wie dem EU AI Act und BCBS 239.