Warum die Daten den größten Teil der Arbeit machen

Drei Angebote für dieselbe Lüftungsanlage, drei Datenträger, drei Firmen. Dieselbe Position steht dreimal anders da: einmal in Stück, einmal in Metern, einmal in „lfm". Der Kurztext ist bei einer Firma gekürzt, bei der zweiten aus dem eigenen Artikelstamm überschrieben, die dritte führt eine Artikelnummer, die es beim Hersteller heuer gar nicht mehr gibt. Wer den Preisspiegel von Hand macht, sieht das nach zehn Minuten. Wer diese drei Dateien einem Modell gibt, sieht es womöglich nie.

Denn das Modell stockt nicht. Es liefert eine Tabelle, sauber formatiert, mit einer Summe unten. Stehen „Stück" und „m" nebeneinander, kann es sein, dass es einfach addiert. Bei „lfm" gegen „m" wäre das sogar richtig, die beiden meinen dasselbe; genau deshalb ist die Einheit allein kein verlässliches Zeichen. Kommt eine Artikelnummer doppelt vor, nimmt es womöglich eine davon. Das Ergebnis liest sich gut. Genau das ist das Problem: Ein Sprachmodell versteckt schlechte Daten hinter guter Sprache. Warum es das tut, steht im Beitrag Warum KI erfindet.

Wie viel diese Arbeit ausmacht, kann ich nur an meinem eigenen Fall zeigen: Bei der Wissensdatenbank habe ich mehr Zeit mit dem Zerlegen und Prüfen der Dokumente verbracht als mit allem anderen zusammen. Das Modell war der uninteressanteste Teil.

Fünf Fragen an jeden Datenbestand

Ich stelle sie in dieser Reihenfolge, weil die erste die billigste ist und die letzte die teuerste.

• Vollständig: Ist alles da? Fehlt eine Position, fehlt sie im Ergebnis auch, nur ohne Warnung.
• Richtig: Stimmt der Wert? Ein Tippfehler in der Menge wird zum Tippfehler im Preisspiegel.
• Einheitlich: Heißt dieselbe Sache überall gleich? Einheit, Schreibweise, Nummernkreis.
• Aktuell: Ist es die gültige Fassung? Der alte Artikelstamm liefert alte Preise, mit derselben Sicherheit wie der neue.
• Eindeutig: Kann man jede Zeile genau einem Ding zuordnen? Zwei Positionen mit gleichem Text und verschiedenem Inhalt sind das Ende jeder Auswertung.

Bei meiner Angebotsprüfung war der schwierige Teil nicht das Modell, sondern das Auslesen der Tabellen aus den PDFs, also genau diese Arbeit. Von 25 Minuten auf zwei ist es erst gegangen, als die Positionen in einer Form vorlagen, in der die fünf Fragen mit Ja zu beantworten sind.

Auch die EU-KI-Verordnung setzt bei den Daten an. Für Hochrisiko-Systeme verlangt Artikel 10, dass Trainings-, Validierungs- und Testdaten relevant, hinreichend repräsentativ und so weit wie möglich fehlerfrei und vollständig sind, und sie zählt Bereinigung, Aktualisierung und Kennzeichnung ausdrücklich als Datenaufbereitung auf (Verordnung (EU) 2024/1689, Artikel 10¹). Ein Preisspiegel ist kein Hochrisiko-System. Aber die Aufzählung zeigt, dass der Gesetzgeber die Datenarbeit als eigene Arbeit begreift.

Wer das macht

Nicht die IT. Die IT sieht ein Feld namens „Einheit" mit dem Inhalt „Stück" und ein zweites mit „m" und weiß nicht, ob dahinter dieselbe Leistung steht. Ich weiß es, weil ich die Positionen kenne. Ob der Kurztext „Rohr DN 100 verz." dasselbe meint wie „Stahlrohr verzinkt DN 100", entscheidet die Fachabteilung. Sie kennt die Herstellerlisten, sie weiß, welche Nummer heuer noch gilt, sie sieht, wenn eine Menge nicht zum Plan passt.

Das ist unbequem, weil es keine spannende Arbeit ist. Es ist Zeilen vergleichen, Einheiten angleichen, Nummern nachschlagen. Aber wer sie überspringt, bekommt ein Werkzeug, das schnell falsche Tabellen liefert. Wie das aussieht, wenn zwei Angebote dieselbe Position mit anderen Bezeichnungen und Einheiten führen, lässt sich in der Station Angebote vergleichen der KI-Werkstatt Schritt für Schritt durchklicken. Wie man rechnet, ob sich der Aufwand trägt, steht in Rechnen, bevor man baut.

Darauf achte ich

Bevor ein Modell die Daten sieht, prüfe ich zwei Dinge. Erstens: Gibt es für jedes Feld eine einzige erlaubte Schreibweise, und ist sie irgendwo aufgeschrieben? Zweitens: Wer meldet, wenn eine neue Fassung kommt, ein neuer Artikelstamm, eine neue Preisliste? Ohne Antwort auf beides ist der Datenbestand nicht fertig, egal wie gut das Modell ist.

Und ich lasse das Modell zeigen, woraus es gerechnet hat: Datei, Position, Zeile. Dann fällt auf, dass Stück und Meter addiert wurden, bevor jemand die Summe unterschreibt.