Foto von Luke Chesser
Gib einer KI genug Zahlen, und sie findet ein Muster. Immer. Das ist keine gute Nachricht, sondern die eigentliche Gefahr bei der Auswertung mit KI.
Denn ein Muster ist noch keine Antwort. Die Zahlen liefern die Frage nicht mit, und sie sagen dir auch nicht, ob das gefundene Muster etwas bedeutet oder purer Zufall ist. Wer eine Tabelle in ein Modell kippt und fragt „Was fällt dir auf?“, bekommt zuverlässig etwas zurück, das klug klingt. Ob es stimmt und ob es zu deiner Frage passt, ist eine andere Sache, und die bleibt deine.
Dieser Beitrag gehört zur KI in der Marketingarbeit und nimmt sich einen Arbeitsschritt vor, der verlockend einfach aussieht und es nicht ist: die eigenen Zahlen von einer KI auswerten lassen.
Ein Muster ist noch keine Antwort
Ein Sprachmodell ist darauf gebaut, Zusammenhänge zu finden. Das ist seine Stärke bei Texten und seine Falle bei Daten. Wirf ihm genug Zahlen hin, und es liefert dir Korrelationen, die keiner gesucht hat. Der Umsatz steigt an Regentagen. Newsletter am Dienstag öffnen mehr Leute. Kunden aus einer Region kaufen teurer.
Manche dieser Funde sind echt. Viele sind Zufall, ein paar sind schlicht falsch abgeleitet aus einer schief gebauten Tabelle. Das Modell unterscheidet das nicht von selbst. Es hat keine Vorstellung davon, was in deinem Geschäft plausibel ist, und es kennt den Unterschied zwischen „hängt zusammen“ und „verursacht“ nur als Vokabel, nicht als Urteil.
Der Umsatz steigt an Regentagen, weil an Regentagen deine wichtigste Messe läuft, nicht wegen des Wetters. Diese Einordnung bringt kein Datensatz mit. Sie kommt aus dem, was du über dein eigenes Geschäft weißt.
Der Schaden entsteht, wenn du dem Muster folgst, ohne die Ursache zu kennen. Verdoppelst du das Budget für einen Kanal, der nur zufällig mit einer starken Saison zusammenfiel, zahlst du mehr und erntest den Rückgang, der ohnehin gekommen wäre. Die Zahl hatte recht, deine Schlussfolgerung nicht. Genau diese Verwechslung ist teuer, und die KI warnt dich nicht davor.
Die Frage bringst du mit, nicht das Werkzeug
Deshalb beginnt eine brauchbare Auswertung nicht mit den Daten, sondern mit einer Frage. Nicht „Was fällt dir auf?“, sondern „Steigt der Anteil der Bestandskunden am Umsatz, seit wir die Wartungsverträge stärker bewerben?“. Eine Frage grenzt ein. Sie sagt dem Modell, worauf es schauen soll, und sie gibt dir einen Maßstab, an dem du die Antwort prüfen kannst.
Eine Frage ohne Vermutung ist nur Neugier. Marketing, das aus Zahlen lernt, arbeitet mit Hypothesen, die es bestätigt oder verwirft, pragmatisch statt perfekt. Die KI beschleunigt diesen Kreislauf, sie ersetzt ihn nicht. Wer keine Vermutung mitbringt, bekommt vom Modell eine geliehen, und die stammt aus dem statistisch Naheliegenden, nicht aus deinem Markt.
Woher die Zahlen kommen, entscheidet mit. Deine Web-Analytics, dein CRM, deine Auftragshistorie: Das sind die Quellen, in denen echte Fragen echte Spuren hinterlassen. Ein Export aus diesen Systemen ist der bessere Rohstoff als jede allgemeine Zahl aus dem Netz.
Saubere Daten schlagen jeden Prompt
Der häufigste Grund für eine falsche Auswertung ist nicht das Modell. Es sind die Daten, die hineingehen. Eine KI liest eine Spalte „Datum“ nicht anders als du, aber sie fragt nicht nach, wenn zwei Zeiträume vermischt sind, wenn eine Spalte mal Netto und mal Brutto enthält, wenn Testbestellungen mitzählen oder wenn die Hälfte der Zeilen leer ist. Sie rechnet weiter und liefert ein Ergebnis, das genauso selbstsicher aussieht wie ein richtiges.
Ein konstruiertes Beispiel, das den Punkt zeigt: Eine Tabelle listet Umsätze, in einer Spalte stehen Aufträge mit und ohne Storno gemischt. Die KI meldet einen Einbruch im März. In Wahrheit wurden im März nur viele Altbestellungen storniert und doppelt geführt. Das Muster ist da, im Datensatz. In der Wirklichkeit ist es nicht.
Also gilt vor jeder Auswertung: Kenn deine Tabelle. Sag dem Modell, was jede Spalte bedeutet, welcher Zeitraum gilt, was nicht hineingehört. Eine Auswertung ist nur so gut wie die Datei darunter, und diese Datei kennst nur du.
Ein selbstsicherer Ton ist kein Beweis
Kommt eine Zahl aus dem Modell, ist sie erst einmal eine Behauptung. Modelle erfinden Details, wenn welche fehlen, und sie tun es im gleichen ruhigen Ton wie den Rest. Ein Prozentwert, ein Mittel, ein „signifikanter Anstieg“, ohne dass je gerechnet wurde und ohne dass du den Weg dahin siehst.
Die Gegenmaßnahme ist Routine, keine Kunst. Lass dir den Rechenweg zeigen, nicht nur das Ergebnis. Frag, auf wie vielen Fällen eine Aussage beruht, denn ein Trend aus sieben Datenpunkten ist keiner. Und prüf die entscheidende Zahl gegen die Rohdaten, von Hand, an einer Stelle. Stimmt die Stichprobe, gewinnst du Vertrauen. Stimmt sie nicht, hast du dir eine falsche Entscheidung erspart.
Das ist dieselbe Disziplin, die schon für die Recherche mit KI gilt. Das Werkzeug nimmt dir das Suchen ab, nicht das Prüfen. Bei der Recherche prüfst du die Quelle. Bei der Auswertung prüfst du die Rechnung.
Wofür sich die Auswertung mit KI trotzdem lohnt
Das alles klingt nach Abraten. Ist es nicht. Für einen bestimmten Teil der Arbeit ist die KI ein echter Gewinn, nur selten der, den die Werbung verspricht.
Stark ist sie überall dort, wo die Aufgabe stumpf ist und du das Ergebnis leicht prüfen kannst. Eine große Tabelle in Worte fassen. Ausreißer markieren, die einen zweiten Blick verdienen. Zahlen umformen, gruppieren, in ein anderes Raster bringen, damit du selbst schneller siehst, was los ist. Eine erste grobe Sichtung, bevor du entscheidest, welche Frage sich überhaupt zu verfolgen lohnt. Das ist die Vorarbeit, die sonst liegen bleibt, weil sie mühsam ist und niemand Zeit dafür hat.
Der Nutzen liegt also vorn, im Sortieren und Sichten, nicht hinten beim fertigen Urteil. Wer die KI die lästige erste Runde übernehmen lässt und die Ergebnisse danach selbst prüft, holt echte Zeit heraus, ohne die Kontrolle abzugeben.
Ein Fund ist noch keine Entscheidung
Angenommen, das Muster hält der Prüfung stand. Es ist echt, sauber gerechnet, plausibel erklärt. Dann hast du einen Fund, und ein Fund ist noch keine Entscheidung.
Ob aus „Bestandskunden kaufen im zweiten Jahr mehr“ ein höheres Wartungsbudget wird oder nur eine interessante Fußnote, entscheidet nicht die Zahl. Das entscheidest du, im Kontext deiner Ziele, deiner Mittel und dessen, was du ohnehin vorhast. Und bevor die Zahl bei jemandem ankommt, der darüber entscheidet, muss sie etwas werden, das man lesen und beantworten kann. Wie aus einem Fund eine Entscheidungsvorlage wird, ist ein eigener Schritt, den die KI dir nicht abnimmt.
So sieht der Ablauf am Ende aus, und er ist kürzer als die Warnung davor. Bring eine Frage mit. Gib dem Modell saubere Daten und sag ihm, was jede Spalte bedeutet. Lass dir den Rechenweg zeigen und prüf die eine Zahl, auf die es ankommt, gegen die Rohdaten. Behandle das Ergebnis als Entwurf, den du befragst, nicht als Urteil, das du übernimmst. Dann spart dir die Auswertung mit KI echte Stunden, ohne dich in eine falsche Sicherheit zu reden.
TL;DR | Ein Muster ist eine Hypothese, kein Ergebnis
KI findet in jedem Datensatz ein Muster, und genau darin liegt das Risiko. Die Zahlen liefern die Frage nicht mit, sie verraten dir nicht, ob ein Fund Zufall oder Ursache ist, und ein selbstsicherer Ton beweist nichts. Bring die Frage mit, gib saubere Daten hinein, lass dir den Rechenweg zeigen und prüf die entscheidende Zahl selbst. Dann wird aus einem gefundenen Muster eine Hypothese, die du bestätigen oder verwerfen kannst, und aus der Auswertung ein Werkzeug statt einer Wahrsagerei.
