Die Datenqualität im ITSM hat längst aufgehört, eine Frage der operativen „Hygiene“ zu sein, und ist zu einer strategischen Entscheidung geworden. Unter den Bedingungen, welche die Integration von KI in IT-Prozesse ermöglichen, handelt es sich bei der Datenqualität um diejenige, die am meisten unterschätzt und gleichzeitig die entscheidendste ist.
Drei Elemente sind unverzichtbar, damit jede KI-basierte Automatisierung stabile Ergebnisse liefert:
- eine genaue Configuration Management Data Base (CMDB)
- eine strukturierte Workflow-Historie
- kohärente operative Datensätze – die digitalen Spuren der täglichen IT-Aktivitäten, von Störungsmeldungen über Änderungen an verschiedenen Systemen bis hin zu Serviceanfragen der Nutzer
Datenqualität als Erfolgs- (oder Misserfolgs-)Faktor für KI
Die Zahlen aus der internationalen Forschung konvergieren auf einen Punkt: Datenqualität trennt heute als wichtigste Variable erfolgreiche KI-Projekte von solchen, die zum Scheitern verurteilt sind. Laut einer Gartner-Studie vom Februar 2025, die unter 1.203 Verantwortlichen im Datenmanagement durchgeführt wurde, verfügten 63 % der Organisationen nicht über angemessene Praktiken zur Datenverwaltung für KI – oder waren sich nicht sicher darüber. Gartner prognostizierte außerdem, dass bis 2026 60 % der KI-Projekte ohne KI-bereite Daten aufgegeben werden würden.
Diese Zahl steht nicht für sich allein. Von den 782 Verantwortlichen in der Funktion „Infrastructure & Operations”, die ebenfalls von Gartner befragt wurden, erklärten 38 %, dass die implementierten KI-Projekte sich als Misserfolg erwiesen hatten. Weitere 38 % nannten ausdrücklich die schlechte Qualität oder Verfügbarkeit von Daten als direkte Ursache des Problems. Nur 28 % der KI-Projekte im IT-Bereich generierten einen ROI, der den Erwartungen entsprach.
Darüber hinaus vertraut mehr als die Hälfte der IT-Fachleute den Daten in ihrer eigenen CMDB nicht, obwohl sie diese als Quelle für ITSM-Workflows und Automatisierungen nutzen, die von KI gespeist werden sollten.
Was bedeutet Datenqualität im ITSM wirklich?
Datenqualität im ITSM bedeutet, dass die in der ITSM-Plattform verwalteten Informationen – also alles, was während der täglichen IT-Aktivitäten erfasst wird – vier präzisen und überprüfbaren Anforderungen entsprechen müssen:
1. Vollständigkeit: Jeder Datensatz muss alle notwendigen Felder enthalten, um zuverlässig verarbeitet werden zu können, sowohl von einem menschlichen Operator als auch von einem KI-Agenten. Ein Incident (die Meldung einer Störung von IT-Services) ohne zugewiesene Kategorie, ein Asset ohne Verweis auf seinen Verantwortlichen, eine Anfrage ohne Fälligkeitsdatum – all das sind Beispiele für unvollständige Daten, welche die Automatisierung blockieren.
2. Genauigkeit: Die erfasste Information entspricht dem, was tatsächlich gegeben ist: der reale Zustand eines Assets, die technischen und funktionalen Beziehungen zwischen den verschiedenen Komponenten der IT-Infrastruktur – den Configuration Items (CI) –, die Auswirkung einer Change-Management-Maßnahme (die geplante Änderung eines Systems) nach ihrer Implementierung.
3. Aktualität: Die Daten spiegeln die aktuelle Realität wider, nicht eine Momentaufnahme der Vergangenheit. Eine veraltete Information innerhalb des System of Record – der Plattform, die als offizielle Datenquelle für die gesamte Organisation anerkannt ist – wird de facto zu einer Quelle der Fehlinformation.
4. Relationale Integrität: Die Beziehungen zwischen den verschiedenen Elementen sind nachverfolgt, explizit und überprüfbar. Zum Beispiel kann das in diesen Relationen zum Tragen:
- zwischen einem Business-Service und seinen technischen Komponenten
- zwischen einem Incident und dem betroffenen Asset
- zwischen einer Change und den Bereichen, auf die sie sich auswirkt
Ohne diese vier Bedingungen operiert selbst das ausgefeilteste KI-Modell auf Informationen, welche die operative Realität nicht zuverlässig beschreiben: Es würde Entscheidungen auf der Grundlage eines verzerrten Bildes treffen und seine Vorschläge – so formal kohärent sie auch sein mögen – würden nicht mit dem übereinstimmen, was tatsächlich in den Unternehmenssystemen geschieht.
Warum KI ohne eine gute Datenqualität nicht skaliert
Keith Andes, Product Marketing @ EasyVista, beobachtet, dass die zwei häufigsten Sätze, die IT-Organisationen intern äußern, folgende sind:
- „Unsere Prozesse sind nicht vollständig implementiert“
- „Unsere Daten sind nicht zuverlässig.“
Das ist eine wichtige Beobachtung, denn sie definiert präzise einen Bruchpunkt: Wenn das unternehmenseigene System of Record unvollständig oder ungeordnet ist, kann KI diese Unordnung niemals korrigieren, sondern nur verstärken.
Drei konkrete Beispiele verdeutlichen das Problem weiter:
- Ungeordnete CMDB und automatisches Incident-Routing: Wenn CIs dupliziert, falsch kategorisiert oder verwaist sind, wird ein KI-Agent, der Tickets auf der Grundlage von Anwendungsabhängigkeiten zuweist, falsche Zuweisungen mit derselben Geschwindigkeit produzieren, mit der er richtige produzieren würde. Geschwindigkeit kompensiert keine Ungenauigkeit.
- Nicht-ausgerichtete Knowledge Base: Ein LLM-basiertes System zur Zusammenfassung von Wissen, das aus veralteten Artikeln schöpft, wird nicht mehr anwendbare Lösungen oder nicht genehmigte Verfahren für die spezifische Umgebung der Organisation vorschlagen. Die scheinbare Autorität des KI-Outputs macht den Schaden schwerer in Echtzeit zu erkennen.
- Unvollständige operative Historie: Wenn Tickets ohne korrekte Klassifizierung der ursprünglichen Problemursache (der sogenannten Root Cause) geschlossen werden, hat die KI nicht genügend Rohmaterial, um wiederkehrende Muster zu identifizieren oder die Vorschläge an die Operatoren im Laufe der Zeit zu verbessern.
In allen drei Fällen funktioniert das KI-Modell unter Labor-Bedingungen einwandfrei. Erst wenn es auf reale Daten trifft – ungeordnet, inkohärent, unvollständig – schwindet der versprochene Wert. Die Datenqualität im ITSM ist daher die Variable, die ein tatsächlich zuverlässiges Produktivsystem ausmacht.
Vier Prioritäten für den Aufbau einer soliden ITSM Data Quality
Sobald man verstanden hat, wie stark die Datenqualität den Erfolg von KI beeinflusst, bleibt zu klären, wie man eingreifen soll. Dies erfordert, an vier präzisen Fronten zu handeln, in der richtigen Reihenfolge und mit messbaren Ergebnissen.
1. Messen, bevor man eingreift
Man verbessert nicht, was man nicht misst. Indem man explizite KPIs zur Datenqualität definiert, verwandelt man ein wahrgenommenes Problem in ein handhabbares. Data-Quality-Dashboards sind tägliche Tools für operative Teams und müssen eine Reihe grundlegender Parameter verfolgen:
- wie viele CMDB-Einträge in allen ihren Pflichtfeldern vollständig sind
- wie lange sie im Durchschnitt nicht aktualisiert wurden
- wie viele doppelte Datensätze existieren
- in welchem Prozentsatz Tickets genau kategorisiert werden
2. Erkennung und Abgleich von Daten automatisieren
Manuell eingegebene Daten veralten schnell. Um eine zuverlässige CMDB zu erhalten, braucht man zwei Dinge:
- automatische Discovery-Tools, welche die Infrastruktur – Netzwerke, Endgeräte der Endnutzer (Laptops, Desktops, Smartphones, Server), Cloud-Umgebungen – kontinuierlich scannen und die vorhandenen Elemente erfassen
- einen regelmäßigen Vergleich zwischen dem, was in der CMDB steht und dem, was tatsächlich in Produktion ist, damit Unterschiede, fehlende Assets oder nicht mehr gültige Konfigurationen sichtbar werden
Moderne ITSM-Plattformen – einschließlich Lösungen wie EV Discovery von EasyVista – sind darauf ausgelegt, diese Aktivität kontinuierlich und automatisiert durchzuführen, anstatt sie periodischen manuellen Überprüfungen zu überlassen, die zwischen einer Sitzung und der nächsten veralten.
3. Explizite Dateneigentümer definieren
Hinter jedem Asset, jedem Service, jedem Knowledge-Base-Bereich muss ein identifizierter Verantwortlicher stehen, der die Qualität im Laufe der Zeit überwacht. Ohne Ownership verschlechtert sich die Datenqualität mit der Zeit. Mit einer klaren Ownership hingegen findet jede Anomalie-Meldung einen präzisen Empfänger, und Aktivitäten zur Datenbereinigung werden zu einer strukturellen Praxis.
4. Datenqualität direkt in den Workflow integrieren
Für eine gute Qualität müssen Daten so früh wie möglich erstellt werden. Ticket-Eröffnungsformulare mit Validierung, intelligente Pflichtfelder, automatische Kategorisierungsvorschläge, Konsistenzprüfungen beim Abschluss: All diese Best Practices verhindern das Problem an der Quelle, statt kostspielige nachträgliche Korrekturmaßnahmen zu erzwingen. Auf dieser Ebene kann KI bereits heute einen konkreten Mehrwert liefern, indem sie die operative Disziplin der IT-Teams unterstützt.
Daten als Investition, nicht als Kosten
Die Verbesserung der Datenqualität im ITSM ist heute eine der strategischsten Investitionen, die eine Organisation tätigen kann. Die Botschaft von Keith Andes ist in dieser Hinsicht direkt und endgültig: „Hören Sie auf, 100 % des KI-Budgets für KI-Features auszugeben. KI braucht eine solide Grundlage, auf der sie operieren kann.“
Eine solche besteht aus einem dokumentierten Workflow und zuverlässigen Daten. Organisationen, die in ihr System of Record investieren, bevor sie in die auffälligsten Features investieren, können sowohl ein robusteres ITSM als auch eine glaubwürdige Grundlage für jede agentische Entwicklung in den kommenden Jahren erwarten. So hört die Datenqualität auf, ein operatives Thema zu sein, und wird zu einer strategischen Entscheidung mit direkten Auswirkungen auf die Wettbewerbsfähigkeit.
FAQs
1. Was ist Datenqualität im ITSM?
Datenqualität im ITSM ist der Zustand der Vollständigkeit, Genauigkeit, Aktualität und relationalen Integrität der operativen Daten, die innerhalb der ITSM-Plattform verwaltet werden: Incident-, Change-, Asset-, Configuration-Item- und Knowledge-Base-Datensätze. Sie bildet das Rohmaterial, auf dem Automatisierungen, operative Entscheidungen und KI-Initiativen beruhen.
2. Warum ist Datenqualität für KI im ITSM-Bereich kritisch?
Weil KI die Daten, auf denen sie operiert, nicht korrigiert: Sie verstärkt sie. Wenn die CMDB ungeordnet oder die operative Historie unvollständig ist, wird die KI diese Fehler reproduzieren – und beschleunigen. Gartner schätzt, dass bis 2026 60 % der KI-Projekte ohne KI-bereite Daten aufgegeben werden.
3. Wo sollte man anfangen, um die Datenqualität im ITSM zu verbessern?
Bei der Messung des aktuellen Zustands. Bevor man eingreift, muss man wissen, wo man steht: wie viele CMDB-Einträge in allen ihren Pflichtfeldern vollständig sind, wie alt die Konfigurationsdaten im Durchschnitt sind, wie viele doppelte Datensätze existieren, in welchem Prozentsatz Tickets genau kategorisiert werden. Ohne diese Ausgangsindikatoren geht jede nachfolgende Maßnahme ins Blaue.
4. Welche Rolle spielt die CMDB bei der Datenqualität?
Die CMDB ist die Quelle der Wahrheit über IT-Konfigurationen und -Abhängigkeiten. Wenn sie genau ist, profitieren sämtliche Automatisierung und operative Entscheidungen davon.