Manche Sätze klingen so vernünftig, dass sie kaum noch geprüft werden. „Bevor Sie über KI nachdenken, müssen Sie Ihren Datenhaushalt in den Griff bekommen“ ist so ein Satz. Er steht sinngemäß in Beratungs-Whitepapern, fällt in Lenkungsausschüssen, wird von großen Häusern publiziert und von kleineren Beratungen weitergereicht. Er klingt nach dem verantwortungsvollen Erwachsenen, der das übermütige Kind vom KI-Spielzeug wegzieht.

Eine Vorbemerkung zum Titel: Was folgt, ist ein Test, kein Urteil über Personen. Geprüft wird der Satz mit den Kriterien, die der Philosoph Harry Frankfurt für eine bestimmte Sorte von Aussagen entwickelt hat. Bemerkenswert an dieser Sorte ist gerade, dass sie sich ohne böse Absicht verbreitet. Dazu später mehr. Erst der Prüfling selbst.

KPMG formuliert es im hauseigenen Klardenker-Magazin (März 2026) so: Ohne verknüpfte, unternehmensweite Daten sei beim KI-Einsatz „nicht mehr als ein eloquenter Chatbot möglich“. Die empfohlene Reihenfolge steht daneben, in fünf Schritten: Dateninventur, Datenqualität, Governance, Datenplattform und erst an fünfter Stelle Use Cases, priorisiert nach vorhandener „starker Datenbasis“. Deloitte Digital rät, vor dem Start eines GenAI-Projekts eine Datenqualitätsstrategie aufzusetzen. PwC erklärt Datenmanagement zum Fundament jeder Dateninitiative, „ob klassisches Reporting, fortgeschrittene Analytics oder KI“. Viele Boutiquen und Mittelstandsberatungen wiederholen die Formel in eigenen Worten. Die Botschaft ist fast überall dieselbe: Erst aufräumen. Dann denken. KI kommt später.

Nehmen wir die Behauptung ernst. Was wird gesagt? Dass ein Unternehmen mit fragmentierten Stammdaten und Excel-Wildwuchs aus KI keinen Wert ziehen kann. Was wird mitgesagt? Dass jeder KI-Einsatz auf unperfekten Daten ein Risiko ist. Compliance. Halluzination. Garbage in, garbage out. Die Suggestion arbeitet mit Angst. Genau da beginnt das Problem.

Ein sachliches Risikoargument hat eine erkennbare Form. Es benennt einen konkreten Fehlermodus, eine Eintrittswahrscheinlichkeit, eine Schadenshöhe und differenziert nach Anwendungsfall. Jeder Risikomanager kennt diese Form. Banken leben sie täglich. Das ist die erste Prüfstufe: Erfüllt der Satz die Form des Arguments, als das er auftritt?

Er erfüllt keines der vier Kriterien. Er benennt keinen Fehlermodus, sondern ruft eine diffuse Katastrophenkulisse auf: widersprüchliche Ergebnisse, Compliance-Verstöße, falsche Entscheidungen. Er nennt keine Wahrscheinlichkeit, weil die Drohung als Möglichkeit genügt. Er beziffert keinen Schaden. Und er differenziert nicht nach Use Case, dem entscheidenden Punkt. Erste Prüfstufe: durchgefallen.

Ein Argument, das die Form des Risikoarguments imitiert, ohne dessen Substanz zu liefern, ist kein Risikoargument. Für diese Sorte Aussage hat Frankfurt 1986 den präzisen Begriff geprägt: Bullshit. Gemeint ist Rede, deren Geltung nicht daraus kommt, dass jemand sie geprüft hat, sondern daraus, dass sie wirkt. Der Lügner kennt die Wahrheit und verschleiert sie. Beim Bullshit ist die Wahrheitsfrage gar nicht erst gestellt worden. Die Aussage zirkuliert, weil sie plausibel klingt, verantwortungsvoll wirkt und niemandem wehtut, der sie ausspricht. Das ist keine Charakterdiagnose. Es ist eine Diagnose darüber, wie ein Satz durch eine Branche wandert, ohne dass ihn unterwegs jemand anhält und fragt: Stimmt das eigentlich, und wofür genau?

Dass ihn niemand anhält, lässt sich prüfen. Das ist die zweite Prüfstufe: der Konsistenztest. Interessiert sich irgendjemand dafür, ob der Satz zu dem passt, was dieselben Absender sonst publizieren? Am saubersten sieht man es in den Veröffentlichungen der Häuser selbst.

Hier kommt die gute Nachricht dieses Textes: Die differenzierte Sicht existiert längst. Sie steht in den eigenen Veröffentlichungen derselben Organisationen, nur eben selten auf den Folien mit der großen Schlagzeile.

KPMG publiziert im Financial-Services-Hub einen Artikel darüber, wie KI in der CMDB fehlerhafte, doppelte und fehlende Datensätze automatisch identifiziert: KI als Werkzeug der Datenbereinigung, nicht als deren Nutznießer. Ein weiterer Klardenker-Text hält fest, Perfektion sei nicht das Ziel; Unternehmen müssten abwägen, welche Datenqualität für ihre Zwecke ausreicht. Das ist fitness for purpose, also die fachlich richtige Position, aus demselben Haus wie der „eloquente Chatbot“.

PwC wirbt auf der eigenen Data-&-AI-Seite damit, die Datenqualität mit GenAI zu steigern: automatisierte Regeln, KI-gestützte Datenpflege, Lösungen für unstrukturierte Daten. Die PwC-Microsoft-Allianzseite empfiehlt, „noch heute“ zu beginnen und Anwendungsbereiche schrittweise zu erweitern. Beides ist klug. Beides widerspricht der Fundament-zuerst-Formel von der eigenen Datenmanagement-Seite.

Deloitte hostet unter eigenem Logo ein IDC-Spotlight mit dem Befund, Unternehmen könnten es sich nicht leisten, die KI-Adoption zu verzögern, bis langwierige Datenmodernisierungen abgeschlossen sind – während Deloitte Digital die Datenqualitätsstrategie vor jedes GenAI-Projekt schaltet.

EY hat sich am klarsten positioniert: Die Americas AI & Data Leader beschreibt den Umbau der eigenen Services „from scratch“ nach einem AI-First-Ansatz und warnt ausdrücklich vor Entscheidungsparalyse. EY-Parthenon liefert das Praxisbeispiel: Erkenntnisse steckten in PDFs und Tabellen fest, KI-gestützte Dokumentenverarbeitung brachte 30 bis 50 Prozent Effizienzgewinn. Unstrukturierte, fragmentierte Daten, kein vorgeschaltetes Single-Source-of-Truth-Projekt.

Was folgt daraus? Nicht, dass die Häuser täuschen. Eher etwas Interessanteres: In den Fachabteilungen dieser Organisationen ist das differenzierte Wissen vorhanden. Die Praktiker wissen, dass KI mit unperfekten Daten arbeiten kann, dass Datenqualität use-case-abhängig ist und dass man heute anfangen sollte. Der pauschale Satz überlebt trotzdem auf Übersichtsseiten, in Keyfacts, in Lenkungsausschuss-Folien. Er überlebt dort, wo niemand mehr prüft, weil er etabliert klingt. Wäre er eine geprüfte Erkenntnis, müssten vier Häuser mit zehntausenden Datenexperten konvergieren. Stattdessen koexistiert er in jedem Haus mit seinem eigenen Gegenteil. Genau das meint Frankfurt: Die Wahrheitsfrage wurde nie gestellt. Der Satz läuft auf Plausibilität, nicht auf Prüfung.

Und die vielen kleineren Beratungen, die ihn weiterreichen? Sie sind der dritte Teil des Befundes. Sie haben nicht einmal das Plattform- oder Transformationsportfolio, das den Satz für die Großen attraktiv macht. Sie wiederholen ihn, weil er von den Großen kommt, seriös klingt und Vorsicht nie falsch wirkt. So funktioniert die Verbreitung von Bullshit in Reinform: nicht durch Absicht, sondern durch Weiterreichen ohne Anhalten. Jede Wiederholung erhöht die Plausibilität für den nächsten, der nicht prüft. Damit ist der Test abgeschlossen: Der Satz läuft auf Wirkung, nicht auf Wahrheit. Bleibt die Frage, was an seine Stelle gehört.

Wenn der pauschale Satz nicht stimmt, was stimmt dann? Die Datenqualitätsfrage hat eine bessere Antwort. Sie ist präziser als „erst aufräumen“ und präziser als „einfach loslegen“: Es kommt auf die Fehlerkostenasymmetrie an.

Das „Garbage in, garbage out“-Argument stammt aus einer Welt, in der es weitgehend galt: klassische BI, Data Warehouses, regelbasierte Systeme, deterministische Automatisierung. Ein Transaktionsmonitoring auf falschen Stammdaten produziert falsche Alerts, ungeprüft, in Serie, mit aufsichtsrechtlichen Folgen. Hier ist Datenqualität nicht verhandelbar, und zwar nicht nur technisch, sondern rechtlich: Der EU AI Act schreibt für Hochrisiko-KI-Systeme in Artikel 10 Daten-Governance ausdrücklich vor, die MaRisk verlangt beherrschtes Modellrisiko, das GwG knüpft Sorgfaltspflichten an belastbare Kundendaten. Für produktive, automatisierte, risikotragende Systeme ist die Vorsicht der Berater berechtigt. Die Gründe stehen im Gesetz.

Der Denkfehler liegt im unausgesprochenen Ausrollen dieser Wahrheit auf alles andere. Sprachmodelle sind gerade dort stark, wo klassische Systeme brechen: Ambiguität, inkonsistente Formate, Freitext, Lücken. Und bei Augmentierung, also Entscheidungsvorbereitung, Synthese, Exploration, steht ein Mensch zwischen Modell-Output und Konsequenz. Eine fehlerhafte Zusammenfassung, die ein Fachexperte liest, kostet eine Korrekturschleife. Eine fehlerhafte automatisierte Entscheidung kann ein Bußgeld kosten.

Zwei Einschränkungen wirken in die andere Richtung. Erstens: Der Mensch im Loop ist kein Freifahrtschein. Wer fünfzig KI-Zusammenfassungen am Tag prüft, prüft die einundfünfzigste nicht mehr wirklich; Automation Bias ist real. Eine plausibel klingende falsche Hypothese kann in Compliance-Kontexten teurer werden als eine Korrekturschleife. Der Loop muss gestaltet werden, nicht nur behauptet. Zweitens: „Verträgt Unsauberkeit“ heißt nicht „braucht keine Daten“. Auch ein Retrieval-System bricht ein, wenn dieselbe Gegenpartei in fünf Schreibweisen durch die Systeme geistert. Die korrekte Formel: KI verträgt deutlich mehr Unsauberkeit als SQL-Reporting. Produktive, risikotragende Use Cases brauchen gezielte Qualität an den kritischen Stellen, nicht flächendeckende Perfektion.

Die Tabelle, die in den Lenkungsausschuss gehört, sähe so aus:

Selbst Gartner hält fest, dass „hochwertige“ Daten nach traditionellen Qualitätsmaßstäben nicht dasselbe sind wie AI-ready Data. Die alte Checkliste misst also nicht automatisch die richtige Größe. Wer sie zur Eintrittsbedingung erklärt, prüft Schwimmkenntnisse vor dem Betreten der Bibliothek.

Die eigentliche Gegenthese geht über „man kann trotzdem schon was machen“ hinaus. Die Abhängigkeit ist verkehrt herum aufgeschrieben.

Niemand kennt den Zustand seines Datenhaushalts, bevor er ihn systematisch befragt hat. Die Datenqualitätsprobleme auf Vorstandsfolien sind oft Anekdoten: Der eine Fachbereich erinnert sich an die doppelten Kundensätze, der andere an das ERP-Feld, das seit der Migration 2017 leer läuft. Eine Landkarte der Datenqualität, also wo es schlimm, egal oder geschäftskritisch ist, hat fast kein Unternehmen. Und das wirksamste Werkzeug, diese Landkarte zu zeichnen, ist genau die Technologie, vor deren Einsatz die unperfekten Daten angeblich schützen müssen. Die Belege dafür liefert die Branche selbst: KPMG beschreibt im CMDB-Artikel, wie KI fehlerhafte, doppelte und fehlende Datensätze findet. PwC verkauft die Steigerung der Datenqualität mit GenAI als eigenes Beratungsprodukt.

Datenqualität ist kein Vorprojekt. Sie ist ein Ergebnis, und zwar eines, das nur dort bezahlt wird, wo ein konkreter Use Case sie rechtfertigt. Die Großprojekte der Gegenrichtung kennt jeder, der lange genug in Konzern-IT gearbeitet hat: das dreijährige Data-Governance-Programm ohne Use Case, politisch tot nach dem zweiten Budgetzyklus, weil niemand sagen konnte, wofür die saubere Single Source of Truth gebraucht wird. Der KI-Use-Case erzeugt erst den Pull, der Datenqualität dort finanzierbar macht, wo sie wirkt.

Bleibt die Frage, warum eine so leicht prüfbare Behauptung so ungeprüft durch die Lenkungsausschüsse geistert. Die Antwort ist unbequem, aber sie braucht keinen Schurken: Botschaften, die Folgeprojekte erzeugen, überleben interne Reviews leichter als Botschaften, die welche überflüssig machen.

Man sieht die Anreizstruktur in den Artefakten. Der KPMG-Text mit dem „eloquenten Chatbot“ empfiehlt namentlich eine Datenplattform und endet mit einem Download-Formular für die hauseigene Plattform-Studie; unter dem Label Data.AI bietet dasselbe Haus Datenstrategie, Data Engineering und Data Governance an. Diagnose und Therapie kommen aus einem Haus. Diese Konstellation muss niemand böse meinen, damit sie wirkt. Kein Autor hat sich morgens vorgenommen, Angst zu verkaufen. Aber ein Satz, der ein mehrjähriges Engagement plausibilisiert, wird seltener hinterfragt als einer, der dem Kunden sagt: Fangen Sie klein an, das meiste davon können Sie selbst.

An diesem Punkt wird aus einem ungeprüften Satz ein Problem. „Readiness“ ist als Produkt strukturell tückisch: Sie ist nie ganz erreicht, ihr Fortschritt wird vom Anbieter gemessen, und ausbleibende Wirkung lässt sich stets als Beleg lesen, dass noch mehr Readiness nötig ist. Ein Kunde, der zwei Jahre auf seine Datenreife wartet, verliert genau die Lernzeit, in der sein Wettbewerb Erfahrungen sammelt. Das muss man aussprechen dürfen, gerade weil es nicht an den handelnden Personen liegt, sondern an einer Anreizstruktur, gegen die auch gute Berater jeden Tag arbeiten müssen. Viele tun das übrigens. Die differenzierten Positionen aus Abschnitt III stammen von ihnen.

Der Satz „erst Datenhaushalt, dann KI“ wird nicht verschwinden, nur weil ihn jemand widerlegt. Bullshit stirbt nicht an Widerlegung, sondern an Gewohnheit. Aber jeder Lenkungsausschuss, der beim nächsten Mal zurückfragt „für welchen Use Case genau, und was kostet dort ein Fehler?“, hat den Satz angehalten. Mehr braucht es nicht.