Der Datenmangel in der KI - „We've run out of good data"

10. Okt. 2025
2 Min. Lesezeit

Aktualisiert: 5. Aug.

STAT-UP AI Newsletter · Freitag, 10. Oktober 2025 · Vol. 10

Willkommen zur neuen Ausgabe unseres STAT-UP KI-Newsletters! Heute geht es darum, warum ausgerechnet Daten – das vermeintlich unbegrenzte Gut – plötzlich zur größten Wachstumsbremse für KI werden könnten.

Zitat der Woche

Was bedeutet das?

Raphael warnt davor, dass wir in vielen Fällen bereits an die Grenzen des verfügbaren hochwertigen Trainingsmaterials stoßen. Der nächste Fortschritt liege daher weniger in öffentlichen Webdaten, sondern in bislang ungenutzten Unternehmensdaten - sofern sie zugänglich gemacht und richtig aufbereitet werden.

Was ist passiert?

In einem aktuellen Interview erklärte Goldmans CDO, Neema Raphael, dass viele KI-Modelle mittlerweile an den Rand dessen stoßen, was aus öffentlich verfügbaren, hochwertigen Daten noch zu extrahieren ist. Als Folge setze man zunehmend auf synthetisch generierte Daten durch andere KI-Modelle - ein Ansatz, der zwar praktisch unendlich skalierbar ist, aber auch Risiken birgt. Gleichzeitig sieht Raphael in den riesigen, oft ungenutzten proprietären Datenbeständen von Unternehmen einen potenziellen Schatz, sofern sie strukturiert und zugänglich gemacht werden.

Warum ist das relevant?

Skalierung vs. Qualität: Öffentlich verfügbare Datenmengen steigen zwar weiter, doch die Qualität, Vielfalt und Relevanz dieser Daten wächst nicht im gleichen Maße. Modelle, die nur auf immer wiederkehrende Quellen zurückgreifen, riskieren Überfitting, reduzierte Generalisierbarkeit oder Konkurrenz mit bereits trainierten Modellen.
Vertrauen und Urheberschaft: Synthetische Daten, die von Modellen erzeugt werden, können Fehler, Verzerrungen oder eine Art „Echolock" erzeugen, wenn KI auf eigene KI-Outputs zurückgreift.
Potenzial der Unternehmensdaten: Firmen haben oft riesige Mengen an Kundeninteraktionen, Produktionsdaten, Logdaten etc., die bisher kaum systematisch für hochskalierte Trainingsprozesse genutzt werden.
Wettbewerbsvorteil von Datenhoheit: Unternehmen, die auf eigene, exklusive Daten zugreifen können, etwa aus Kundeninteraktionen oder Produktionsprozessen, haben einen klaren Vorteil gegenüber Wettbewerbern, die nur öffentlich zugängliche Daten nutzen. Ihre KI-Modelle können dadurch passgenauer und leistungsfähiger werden.

Beispiel / Praxisbezug

Ein mittelgroßes Fertigungsunternehmen verfügt über Sensorprotokolle, Maschinenlogs, Qualitätskontrollen etc. Diese wurden über Jahre hinweg gesammelt, aber in heterogenen Formaten und „versteckt" in Systemen. Ein klassisches KI-Team würde heute mit öffentlich verfügbaren Datensätzen (z. B. aus Forschung oder Web) trainieren. Doch ein zukunftsweisenderer Ansatz wäre:

Diese firmeneigenen Logdaten aufzubereiten (vollständiges Schema, Zeitreihen normalisieren, Ausreißer erkennen).
Sie mit synthetischen Daten anzureichern, um seltene Fälle zu modellieren (z. B. Maschinenausfälle).
Ein Modell zu trainieren, das echte und synthetische Daten mixt und so robustere Vorhersagen machen kann, z. B. für Predictive Maintenance.

Damit verschiebt sich der Wettbewerb in der KI: von der Frage „Welches Modell verwende ich?" hin zu „Welche Daten kann ich verantwortungsvoll nutzen und wie skaliere ich sie?"

Quellen dieser Ausgabe: Goldman Sachs CDO über Datenmangel und synthetische Daten – "AI Has Already Run Out of Training Data, Goldman's Data Chief Says" (Business Insider)

Hinweis: Dieser Newsletter wurde unter Zuhilfenahme von KI erstellt.