Von Data Quality über Context Quality zu Business Decision Quality: Das neue Paradigma für das KI-Zeitalter

Die unbequeme Wahrheit zuerst: Die meisten Unternehmen investieren Millionen in KI-Initiativen, während sie ein fundamentales Problem ignorieren – nicht die Qualität ihrer Daten ist der Engpass, sondern die Qualität des Kontexts, den sie ihren Systemen zur Verfügung stellen. Wer heute noch glaubt, saubere Datenbanken allein seien das Fundament intelligenter Entscheidungen, denkt in Kategorien des vergangenen Jahrzehnts.

Das alte Problem in neuer Dringlichkeit

Data Quality Management (DQM) führt seit Jahrzehnten ein Schattendasein in den Organisationsstrukturen großer Unternehmen. Es wurde stets als notwendig erachtet, selten jedoch als strategisch prioritär behandelt. Die Budgets waren knapp, die Aufmerksamkeit des Top-Managements flüchtig, die Verankerung als nachhaltiges Managementsystem die Ausnahme.

Mit dem Aufstieg generativer KI hat sich die Ausgangslage grundlegend verschoben. Nicht, weil Datenqualität plötzlich wichtiger geworden wäre – sie war es immer. Sondern weil die Konsequenzen mangelhafter Qualität nun in Echtzeit sichtbar werden: in halluzinierenden Sprachmodellen, in fehlerhaften Agenten-Entscheidungen, in KI-Outputs, denen kein Entscheider vertrauen kann. Was jahrelang als technisches Hygienethema galt, wird zum strategischen Imperativ.

Der blinde Fleck: Kontextqualität

Die entscheidende Erkenntnis lautet: Datenqualität ist eine notwendige, aber keine hinreichende Bedingung für den Erfolg dateninspirierter Unternehmen im KI-Zeitalter. Was fehlt, ist eine systematische Auseinandersetzung mit Kontextqualität– einem Konzept, das weit über klassische DQM-Dimensionen wie Vollständigkeit, Konsistenz und Aktualität hinausgeht.

Kontextqualität umfasst die Fähigkeit einer Organisation, nicht nur korrekte Zahlen vorzuhalten, sondern das gesamte Wissensökosystem so aufzubereiten, dass KI-Systeme – und Menschen – daraus belastbare Schlüsse ziehen können. Dazu gehören drei zentrale Dimensionen, die bislang weitgehend unbeachtet geblieben sind:

Erstens: Die Fragmentierung des Organisationswissens. In den meisten Unternehmen existieren identische Informationen redundant über zahlreiche Datensilos hinweg – in unterschiedlichen Granularitäten, Formaten und Interpretationen. Stammdaten und Bewegungsdaten passen nicht vollständig übereinander – nicht jede Transaktion lässt sich lückenlos einem Kunden, Lieferanten oder Produkt zuordnen. Das KI-System selbst verarbeitet diese Lücken anstandslos. Doch die Ergebnisse, die es liefert, und die Entscheidungen, die daraus abgeleitet werden, tragen diesen Kontextverlust in sich – gleich ob ein Mensch auf Basis des Outputs entscheidet oder ein autonomer Agent eigenständig handelt. Die Entscheidungsqualität ist gefährdet, und das bedeutet ein reales unternehmerisches Risiko. Was technisch „das Gleiche" meint, ist semantisch längst auseinandergedriftet. Für ein Sprachmodell, das Zusammenhänge herstellen soll, ist diese Inkonsistenz Gift.

Zweitens: Die Dokumentationsqualität als unterschätzte Variable. Unternehmenswissen steckt nicht nur in Datenbanken. Es verteilt sich über PowerPoint-Präsentationen, Word-Dokumente, PDFs, Wiki-Systeme, Atlassian-Instanzen und dutzende weitere Medien. Jeder Formatwechsel erzeugt potenzielle Medienbrüche – Kontexte gehen verloren, Zahlen in einem Strategiepapier stimmen nicht mehr mit jenen im Controlling-Report überein, Definitionen variieren je nach Dokumententyp. Diese Inkohärenz ist für menschliche Leser ärgerlich; für KI-Systeme, die kontextübergreifend arbeiten sollen, ist sie ein systemisches Risiko. Eine bemerkenswerte Erkenntnis aus der Praxis: Generative KI arbeitet nachweislich besser mit strukturiertem Markdown als mit den fragmentierten Formaten, die in den meisten Organisationen vorherrschen. Allein diese Tatsache sollte CDOs aufhorchen lassen – sie bedeutet, dass Dokumentationsstandards künftig nicht mehr nur eine Frage der Ordnung, sondern ein direkter Hebel für KI-Performance sind.

Drittens: Die Anfälligkeit für Bias und Halluzination. Wenn der Kontext, aus dem KI-Systeme schöpfen, in sich widersprüchlich ist, steigt die Wahrscheinlichkeit für Halluzinationen und verzerrte Outputs exponentiell. Bias entsteht nicht nur in Trainingsdaten – er entsteht in jeder schlecht dokumentierten Annahme, in jeder inkonsistenten Kennzahl, in jedem undokumentierten Definitionswechsel.

Das eigentliche Ziel: Business Decision Quality

Die Evolution von DQM muss in ihrer letzten Konsequenz zu Ende gedacht werden. Datenqualität sichert die Integrität der Inputs. Kontextqualität sichert die Kohärenz des Wissensraums. Doch der eigentliche Maßstab, an dem sich beides messen lassen muss, ist Business Decision Quality – die Qualität der Entscheidungen, die aus diesem Fundament hervorgehen.

Diese Perspektive verändert die gesamte Diskussion. Nicht mehr die Frage „Sind unsere Daten sauber?" steht im Zentrum, sondern: „Führen unsere Daten, Dokumente und Kontexte dazu, dass bessere Entscheidungen getroffen werden – von Menschen wie von Maschinen?"

Im Zeitalter agentischer KI gewinnt diese Frage eine zusätzliche Dimension. Wenn autonome Agenten eigenständig Entscheidungen treffen – Bestellungen auslösen, Kreditanträge bewerten, Ressourcen allokieren –, dann wird die Qualität des zugrunde liegenden Kontexts zum operativen Risikofaktor. Die Entscheidungsqualität eines Agenten kann nur so gut sein wie der Kontext, aus dem er schöpft, und die Präzision des Prompts, der ihn leitet. Unternehmen, die hier nicht investieren, delegieren Entscheidungen an Systeme, deren Urteilsbasis sie nie systematisch geprüft haben.

Was das für die Praxis bedeutet

Die Implikationen sind weitreichend. Wer Decision Quality als strategische Zielgröße etabliert, muss drei Bereiche gleichzeitig adressieren: die klassische Datenqualität in den Quellsystemen, die Dokumentations- und Formatqualität des gesamten Wissensfundus sowie die systematische Messung der resultierenden Entscheidungsqualität – einschließlich der Entscheidungen, die KI-Agenten treffen.

Das erfordert ein neues organisatorisches Verständnis. Data Quality Teams müssen zu Context Quality Teams werden. CDOs müssen nicht nur Datenarchitekturen verantworten, sondern den gesamten Wissenskreislauf einer Organisation. Und das Management muss lernen, Entscheidungsqualität nicht retrospektiv zu bewerten, sondern prospektiv zu gestalten.

Handlungsempfehlungen für das Management

Erweitern Sie den Scope Ihres DQM-Programms. Klassische Datenqualitätsdimensionen sind der Anfang, nicht das Ziel. Integrieren Sie Dokumentationsqualität, Formatstandardisierung und semantische Konsistenz in Ihr Qualitätsframework. Prüfen Sie, in welchen Formaten Ihr Organisationswissen vorliegt, und entwickeln Sie eine Migrationsstrategie hin zu KI-kompatiblen Standards.

Machen Sie Decision Quality messbar. Definieren Sie KPIs, die nicht nur die Qualität Ihrer Daten, sondern die Qualität der daraus resultierenden Entscheidungen erfassen. Das gilt für menschliche Entscheidungen ebenso wie für jene, die KI-Agenten autonom treffen. Fragen Sie systematisch: Wie gut war der Kontext? Wie präzise war der Prompt? Wie belastbar war das Ergebnis?

Schaffen Sie organisatorische Verantwortung für Kontextqualität. Die Verantwortung für die Kohärenz des Wissensraums darf nicht in den Silos einzelner Fachbereiche verbleiben. Etablieren Sie eine bereichsübergreifende Governance-Struktur, die Daten, Dokumente und Entscheidungsprozesse integriert betrachtet.

Investieren Sie in Literacy und Befähigung. Kontextqualität entsteht nicht in der IT-Abteilung. Sie entsteht dort, wo Wissen produziert und dokumentiert wird – in jedem Fachbereich. Ohne eine breite Datenkompetenz und ein Verständnis dafür, wie KI Kontexte verarbeitet, bleibt jede technische Maßnahme wirkungslos.

Die Evolution von DQM zu einem umfassenden Context- und Decision-Quality-Management ist kein optionales Upgrade. Sie ist die Voraussetzung dafür, dass die Milliarden, die derzeit in KI fließen, tatsächlich bessere Entscheidungen hervorbringen – und nicht nur schnellere Fehler.

Weitere interessante Artikel:

• Advisory | Impulse Talks | Trainings
• Datenqualität: Der verborgene Wettbewerbsvorteil einer digitalen und AI geprägten Zukunft
• Data Governance: Der schlafende Riese, der unsere KI-Zukunft sichert
• Gute Datenqualität fördert Operational Excellence und sichert den erfolgreichen Einsatz von KI.
• Das Data Governance Wheel: Navigieren zum Erfolg
• Die große Denkfalle der Datenstrategie: Warum wir Datenprodukte am falschen Ort bauen