Warum KI schlechte Daten nicht repariert (sondern Fehler skaliert)

Weshalb Tabellenhygiene Handwerk bleibt – Ein Fachbeitrag für E-Commerce und Agenturen.

Die Verlockung des KI-Prompts

„Bereinige mir bitte diese CSV-Datei, korrigiere die Umlaute und bringe die Spalten in die richtige Reihenfolge.“

In Zeiten von ChatGPT, Claude und modernen LLM-Assistenten ist die Versuchung groß, die KI Datenbereinigung für zerschossene Exporte zu nutzen: Warum Stunden mit unübersichtlichen Tabellenkalkulationen, widerspenstigen Trennzeichen oder fehlerhaften Warenwirtschafts-Exporten verbringen, wenn man die Datei einfach in ein KI-Fenster werfen kann?

Die Ernüchterung folgt meistens kurz nach dem vermeintlichen Erfolg. Entweder bricht der Shop-Import trotz „erfolgreicher Bereinigung“ mit kryptischen Fehlermeldungen ab, oder – noch gefährlicher – die Daten werden importiert, enthalten aber schleichende, fatale Fehler: veränderte Artikelnummern, abgeschnittene Postleitzahlen oder klammheimlich gerundete Preise.

Der Leitsatz aus der klassischen Informatik hat im Zeitalter generativer Algorithmen nicht an Gültigkeit verloren, sondern sich potenziert:

Garbage In, Garbage Out. Wer unsaubere Daten mit KI verarbeitet, löst das Problem nicht – er automatisiert das Chaos.

Warum KI Datenbereinigung mit Large Language Models scheitert

Um zu verstehen, warum KI-Tools bei der Bereinigung von Rohdaten regelmäßig versagen, muss man ihren grundlegenden Funktionsmechanismus betrachten.

Ein Large Language Model (LLM) „berechnet“ oder „analysiert“ Tabellen nicht wie eine relationale Datenbank. Es funktioniert im Kern über Wahrscheinlichkeiten: Es sagt voraus, welches Zeichen oder Wort (Token) statistisch am besten auf die vorherigen folgt.

Für Fließtexte, E-Mail-Entwürfe oder kreative Ideen ist dieses probabilistische Verhalten genial. Für strukturierte Unternehmensdaten ist es toxisch:

• Stille Halluzinationen: Wenn ein Sprachmodell ein unklares Muster in einer Datenzeile erkennt, erfindet es im Zweifelsfall plausible Werte. Aus einer Artikelnummer 4821-A wird plötzlich 4821-B, weil das Modell ein fortlaufendes Muster „vermutet“.
• Verlust von Präzision bei Zahlen: Preise, Gewichte oder Maßeinheiten werden bei der Textgenerierung mitunter unbemerkt gerundet oder in gängige Schreibweisen umgewandelt.
• Keine deterministische Garantie: Derselbe Prompt auf dieselbe unsaubere Tabelle liefert an drei verschiedenen Tagen drei minimal unterschiedliche Ergebnisse. Für geschäftskritische Warenwirtschafts- oder ERP-Systeme ist dieses Verhalten inakzeptabel.

Ein deterministisches Skript hingegen kennt keinen Zufall: Eine definierte Regel greift entweder zu 100 % exakt oder bricht mit einer protokollierten Fehlermeldung ab.

Technische Hürden: Token-Limits und Zeilenverlust

Neben der prinzipiellen Arbeitsweise stoßen Cloud-KI-Tools bei realen Datenbeständen schnell an fundamentale technische Grenzen:

1. Kontextfenster- und Ausgabelimits: Ein typischer Katalogexport im E-Commerce umfasst schnell 5.000, 20.000 oder 50.000 Zeilen. Selbst Modelle mit großen Kontextfenstern können solche Datenmengen nicht zuverlässig in einem Zug transformieren und vollständig wieder ausgeben. Die Ausgabe bricht mittendrin ab, überspringt unbemerkt Zeilenblöcke oder fasst Zeilen zusammen.
2. Parsing-Konflikte (Delimiter Collisions): Befinden sich in Fließtexten unmaskierte Semikolons oder ungeschlossene Anführungszeichen, interpretiert die KI den Zeilenaufbau oft fehl. Anstatt den Strukturfehler im Quelltext sauber zu isolieren, interpretiert das Modell den Versatz als eigenständige Spalten und verschiebt die Daten über Tausende Zeilen hinweg asynchron.

Der rechtliche B2B-Kollateralschaden: Datenschutz & DSGVO

Ein oft verdrängter, aber im professionellen B2B-Umfeld entscheidender Punkt ist die Datensicherheit.

Wer Kundendateien (Namen, E-Mails, Telefonnummern, Adressen), Bestelldaten oder sensible Artikelkalkulationen in webbasierte KI-Dienste hochlädt, begeht ohne spezielle Enterprise-Vereinbarungen einen handfesten Verstoß gegen die DSGVO:

• Drittlandübermittlung: Die Daten landen auf Servern von US-amerikanischen Cloud-Anbietern.
• Trainingsdaten-Nutzung: Sofern nicht explizit und vertraglich ausgeschlossen, werden Eingaben unter Umständen für zukünftige Modelliterationen ausgewertet.
• Haftungsrisiko für Agenturen: Agenturen, die Kundendaten ihrer Auftraggeber unberechtigt an externe KI-Modelle weiterleiten, riskieren erhebliche rechtliche Konsequenzen und den Vertrauensverlust des Kunden.

Die saubere Alternative: Professionelle Datenaufbereitung muss zwingend lokal auf geschützten, isolierten Systemen (z. B. gehärteten Linux-Umgebungen) erfolgen – ohne Cloud-Injektion, vollständig DSGVO-konform und vertraglich über eine Auftragsverarbeitung (AVV nach Art. 28 DSGVO) abgesichert.

Die richtige Rollenverteilung: Erst das Fundament, dann der Hebel

Bedeutet das, dass Künstliche Intelligenz in der Datenverarbeitung völlig nutzlos ist? Keineswegs. Aber die Reihenfolge muss stimmen:

1. Schritt 1: – Das deterministische Fundament (Datenhygiene): Bevor Automatisierungen, KI-Agenten oder Analysetools auf Daten losgelassen werden, müssen die Rohdaten auf Systemebene bereinigt werden:
   • Zeichensatz-Reparatur (strikte Bit-Konvertierung nach UTF-8 ohne BOM)
   • Delimiter- und Textqualifizierer-Validierung (keine zerschossenen Spalten)
   • Wiederherstellung führender Nullen bei Postleitzahlen und EAN/SKU-Schlüsseln
   • Vereinheitlichung numerischer Felder (Dezimaltrenner, Währungsbereinigung)
   • Duplikatsprüfung und Feld-Mapping
2. Schritt 2 – Der KI-Einsatz: Erst wenn die Datenstruktur mathematisch und logisch einwandfrei steht, kann KI ihre Stärken ausspielen – beispielsweise bei der automatisierten Generierung von SEO-Produkttexten, Übersetzungen oder Kategorisierungsvorschlägen auf Basis verlässlicher Rohdaten.

Wer versucht, Schritt 1 mit den Werkzeugen von Schritt 2 zu lösen, baut ein Haus auf Treibsand.

Fazit: Datenqualität ist kein Zufallsprodukt

Künstliche Intelligenz ist ein herausragender Beschleuniger. Doch ein Beschleuniger macht aus fehlerhaften Rohdaten keine Goldgrube, sondern beschleunigt lediglich den Ausschuss.

Unternehmen und Agenturen, die Zeit, Nerven und teure Fehlimporte vermeiden wollen, setzen bei der Datenbereinigung auf deterministische Methoden, exakte Skripte und handwerkliche Kontrolle.

Benötigen Sie Unterstützung bei Ihren Produktdaten oder Altsystem-Exporten?

Stehst du vor einer Shop-Migration (Shopify, WooCommerce, Shopware) oder musst du zerschlagene CSV-, Excel- und ERP-Kataloge bereinigen?

MaLo Digital übernimmt die strukturierte, bitgenaue Aufbereitung deiner Datenbestände:

• 100 % deterministisch via Python- & Linux-Pipelines – keine Zufallsergebnisse.
• Vollständig lokale Verarbeitung ohne Cloud- oder KI-Upload.
• DSGVO-konform inklusive AVV (Art. 28 DSGVO) und Festpreisgarantie.

Nimm unverbindlich Kontakt auf für eine schnelle Ersteinschätzung Ihrer Datenstichprobe: