Datenbasierte Entscheidungen mit KI: Ein Praxisbeispiel
- Marcus Machon
- 11. März
- 9 Min. Lesezeit
Aktualisiert: 28. Mai
28.000 Menschen sahen meine LinkedIn-Posts in einer Woche. Die Follower-Zahl stieg um drei.
Das klingt erst einmal gut. Reichweite ist sichtbar. 28.000 ist eine Zahl, die man gern in einen Wochenbericht schreibt.
Nur: Es passte nicht zusammen. Kommentare waren überschaubar, Anfragen kamen nicht daraus, und die Zielgruppe schien nicht näher zu rücken. Also habe ich die Zahlen nicht gefeiert, sondern zerlegt.
Für datenbasierte Entscheidungen mit KI war das ein guter Testfall, weil die Rohdaten sichtbar waren, aber die Bedeutung dahinter fehlte.
Das Ergebnis war ein KI Praxisbeispiel Mittelstand im Kleinen: mehrere Datenquellen, zwei KI-Werkzeuge, menschlicher Kontext und acht Analyse-Runden. Keine Magie. Aber deutlich besser als Bauchgefühl.
Wenn Sie schon wissen, dass Reichweite kein Geschäftsergebnis ist, springen Sie direkt zu "Übertragung auf Microsoft 365 und Power BI Entscheidungen". Wenn Sie wissen wollen, wie ich von LinkedIn-Daten zu einer belastbaren Entscheidung kam, lesen Sie ab hier weiter.
Wie entstehen datenbasierte Entscheidungen mit KI?
Kurzantwort: Datenbasierte Entscheidungen mit KI brauchen mehr als ein Antwort-Tool: Daten, Kontext, Bewertungsregeln und menschliche Verantwortung müssen in mehreren Fragerunden zusammenkommen.
Datenbasierte Entscheidungen mit KI entstehen, wenn ein Mensch Datenquellen, Kontext und Fragen in eine sinnvolle Reihenfolge bringt. Ein einzelnes Tool findet nicht auf Knopfdruck die Wahrheit.
In meinem Fall gab es zwei Werkzeuge:
Ein KI-Assistent mit strategischem Kontext: Positionierung, Zielgruppe, bisherige Content-Regeln, eigene Annahmen. Ob ChatGPT, Claude oder Microsoft Copilot ist dabei weniger wichtig als der sauber gepflegte Kontext.
Ein spezialisiertes LinkedIn-Analytics-Tool mit Post-Level-Daten: Impressions, Engagement, Saves, Sends, Kommentator-Profile und demografische Hinweise.
Keines der beiden Tools konnte die Entscheidung allein treffen. Das eine hatte Kontext, aber keine vollständigen Daten. Das andere hatte Daten, aber verstand nicht, welche Zielgruppe für Nous Works wirklich relevant ist.
Meine Rolle war nicht, die KI machen zu lassen. Ich habe Ergebnisse zwischen beiden Werkzeugen hin- und hergetragen, falsche Annahmen korrigiert und vor allem die Folgefragen gestellt. Die entscheidenden Erkenntnisse kamen nicht aus dem ersten Prompt, sondern aus Runde fünf, sechs und acht.
Gerade im Mittelstand ist diese Übersetzungsarbeit oft wichtiger als das Tool, weil Daten verstreut sind, Prozesse informell laufen, Begriffe je nach Fachbereich anders verwendet werden und Entscheidungen trotzdem schnell gebraucht werden. Microsoft beschreibt diese kulturelle Seite auch in der Power-BI-Adoption: Nachhaltige Datennutzung braucht nicht nur Berichte, sondern gemeinsame Begriffe, Routinen und Verantwortlichkeiten Microsoft Learn, 2026.
Take-away: KI hilft bei Analyse und Mustererkennung. Die Entscheidung bleibt menschlich, weil nur Menschen Ziel, Risiko und Verantwortung abwägen können.
Was sagt die Studienlage zu datenbasierten Entscheidungen?
Kurzantwort: Datengetriebene Entscheidungen können messbar bessere Unternehmensleistung stützen. Dashboards allein reichen dafür nicht; entscheidend sind bessere Prozesse, Datenqualität und klare Verantwortung.
Die Grundidee ist nicht neu. Brynjolfsson, Hitt und Kim untersuchten 179 große börsennotierte Unternehmen und fanden: Firmen mit stärker datengetriebener Entscheidungslogik hatten Output und Produktivität, die etwa 5 bis 6 Prozent höher lagen, als nach anderen IT- und Kapitalinvestitionen zu erwarten gewesen wäre Brynjolfsson et al., 2011.
Diese Studie ist kein Freibrief für Zahlenfetischismus, sondern ein Hinweis auf die Referenzklasse: Bessere Entscheidungen entstehen, wenn Daten systematisch in Entscheidungen eingehen. Der Effekt kippt, wenn jede Zahl unkritisch geglaubt wird.
Genau deshalb ist Datenqualität kein Nebenthema. Die Spreadsheet-Forschung von Raymond Panko kommt seit Jahren zu einem unbequemen Befund: Fehler in geschäftlich genutzten Tabellen sind häufig und nicht trivial. Für den Mittelstand heißt das: Eine Excel-Datei kann ein sehr gutes Analysewerkzeug sein. Sie ist aber keine automatisch belastbare Entscheidungsgrundlage, nur weil sie Zahlen enthält.
Bei KI kommt eine zweite Fehlerklasse dazu: Automation Bias. Horowitz und Kahn zeigen in einem präregistrierten Experiment mit 9.000 Teilnehmenden aus neun Ländern, dass die Neigung, KI-Empfehlungen zu folgen, nicht einfach mit Erfahrung verschwindet. Besonders Menschen mit mittlerer KI-Erfahrung können anfällig für übermäßiges Vertrauen in KI-Empfehlungen sein. Eine verwandte Entscheidungsforschung beschreibt das Risiko als "cognitive surrender": Menschen können bei KI-Unterstützung kognitive Arbeit zu früh abgeben Rastogi et al., 2026.
Für Unternehmen ist das die wichtigste Grenze: KI kann Analyse beschleunigen, aber sie kann Verantwortlichkeit nicht ersetzen. Das NIST AI Risk Management Framework behandelt KI deshalb als Risikomanagement-Thema mit Governance, Messung, Verantwortlichkeiten und menschlichen Rollen im Entscheidungsprozess NIST, 2023.
Take-away: Die Studienlage spricht für datenbasierte Entscheidungen. Sie spricht nicht dafür, Entscheidungen blind an KI oder Dashboards abzugeben.
Welche Daten braucht KI für bessere Entscheidungen?
Kurzantwort: Rohdaten zeigen, was passiert ist. Kontextdaten erklären, warum es relevant ist. Bewertungsdaten machen daraus eine Entscheidung.
Welche Daten braucht KI für bessere Entscheidungen? Mindestens drei Sorten:
Rohdaten: Was ist passiert?
Kontextdaten: Was bedeutet "gut" in diesem Geschäft?
Bewertungsdaten: Welche Entscheidung folgt daraus?
Bei LinkedIn hieß das konkret: Impressions allein reichten nicht. Ich musste verstehen, wer die Posts sah, wer reagierte, wer speicherte, wer weiterleitete und ob diese Personen zur Zielgruppe passten.
Das ist in Unternehmen ähnlich. Ein CRM kennt Kontakte, aber nicht automatisch die Strategie. Power BI zeigt Zahlen, aber nicht automatisch die politische Realität im Vertrieb. Microsoft Copilot kann Zusammenfassungen erstellen, aber nicht entscheiden, welche Kennzahl für Ihr Geschäftsmodell wirklich zählt.
Ich nenne diese Verbindung aus LinkedIn Analytics, KI-Analyse und menschlicher Bewertung intern LinkedIn Analytics KI. Der Begriff klingt technischer, als der Prozess war: Daten prüfen, Annahmen formulieren, Rückfragen stellen, Ergebnis gegen die eigene Strategie halten.
Für kritische Entscheidungen ist das wichtig: Ich würde ein LLM nie als Recheninstanz für wiederkehrendes Reporting einsetzen. Dafür gibt es Excel, Power Query, Power BI, semantische Modelle, Validierungsregeln und nachvollziehbare Datenpipelines. Power Query ist genau für die reproduzierbare Verbindung, Bereinigung und Transformation von Datenquellen gedacht Microsoft Learn, 2026.
KI ist stark davor und danach: beim Formulieren von Hypothesen, beim Finden von Ausreißern, beim Entwerfen besserer Fragen, beim Erklären von Mustern und beim Prüfen, ob die Entscheidung logisch zur Datenlage passt.
Take-away: Lassen Sie KI Fragen schärfen und Muster erklären. Lassen Sie kritische Zahlen aus nachvollziehbaren Datenmodellen kommen.
Was verrieten 28.000 Impressions wirklich?
Kurzantwort: Die 28.000 Impressions waren kein Erfolgssignal. Sie waren ein Hinweis darauf, dass LinkedIn meine Inhalte an viele Menschen verteilte, die nicht zu meiner Zielgruppe passten.
Die erste Erkenntnis war unangenehm: Das Problem war kein reines Content-Problem. Es war ein Verteilungsproblem.
Ein Post über einen Copilot-Test erreichte 20.406 Impressions bei einer Engagement Rate von 0,12 Prozent. Das waren 25 Reaktionen insgesamt. Ein anderer Post im selben Monat erreichte 7.520 Impressions, aber 122 Engagements und eine Engagement Rate von 1,62 Prozent. Der zweite Post hatte nur rund ein Drittel der Reichweite, aber etwa fünfmal mehr Wirkung.
Ich nenne das Ghost Impressions: Reichweite, die technisch gezählt wird, aber keine sichtbare Wirkung erzeugt. Hohe Impressions bei niedriger Interaktion sind dann kein Erfolg, sondern ein Verteilungsproblem.
Die Demografiedaten machten das Ausmaß sichtbar. 46 Prozent meiner Follower arbeiteten in IT-Dienstleistungen und Unternehmensberatung. 37 Prozent waren bei Unternehmen mit über 1.000 Mitarbeitenden. Meine eigentliche Zielgruppe sitzt im DACH-Mittelstand. Nur rund 84 von 3.658 Followern passten wirklich in das Profil meiner Wunschkunden.
Ein großer Teil meiner Reichweite kam also aus einem Publikum, das fachlich nah ist, aber nicht zur Zielgruppe gehört: Peers, Beratende, Tech-Interessierte, große Organisationen. Für Sichtbarkeit ist das nett. Für Akquise im DACH-Mittelstand ist es begrenzt hilfreich.
Die zweite Erkenntnis war produktiver: Posts, die eine eigene KI-Erfahrung mit einer konkreten Unternehmensimplikation verbinden, wirkten deutlich besser als reine Tool-Beobachtungen. Ich nenne das intern Bridge-Content: von eigener Praxis zu kaufrelevanter Einsicht.
Die dritte Erkenntnis betraf stille Signale. Saves und Sends waren wertvoller als die schnelle Reaktion. Mein erfolgreichster Post hatte 37 Saves. Das sind Menschen, die einen Beitrag später wiederfinden oder intern weiterleiten wollen. Im B2B-Kontext kann das relevanter sein als ein kurzer Like.
Take-away: Messen Sie nicht nur, was laut ist. Messen Sie, was auf Entscheidung, Weitergabe oder Wiederverwendung hindeutet.
Warum reicht ein KI-Tool nicht für datenbasierte Entscheidungen?
Warum reicht ein KI-Tool nicht für datenbasierte Entscheidungen? Weil Entscheidungen selten nur aus Daten bestehen.
Ein Tool kann Muster finden. Ein anderes Tool kann Daten abfragen. Ein drittes Tool kann Texte verdichten. Aber die eigentliche Entscheidung braucht Kriterien:
Welche Zielgruppe zählt?
Welcher Zeitraum ist relevant?
Welche Signale sind nur Eitelkeit?
Welche Kennzahl hat wirtschaftliche Bedeutung?
Welche Hypothese testen wir als Nächstes?
Das ist der Punkt, an dem viele KI-Projekte enttäuschen. Unternehmen erwarten eine Antwortmaschine. In der Praxis brauchen sie einen KI Analyseprozess.
Der Prozess darf klein starten, aber er braucht Disziplin:
Frage formulieren: Welche Entscheidung soll am Ende besser werden?
Datenquellen trennen: Welche Quelle beantwortet welchen Teil?
Kontext explizit machen: Was zählt als "gut", "riskant" oder "relevant"?
KI als Sparringspartner nutzen: Hypothesen bilden, Gegenfragen stellen, Muster erklären.
Ergebnis gegen Wirklichkeit prüfen: Stimmen Datenqualität, Verantwortlichkeit und Konsequenz?
In meinem Beispiel kostete die gesamte Analyse etwa drei Stunden. Die Tool-Kosten lagen bei rund 45 Euro pro Monat: ungefähr 20 Euro für den KI-Assistenten und 25 Euro für das Analytics-Tool. Die eigentliche Investition war Domänenwissen, nicht die Lizenzgebühr.
Take-away: Die knappe Ressource ist nicht das KI-Tool. Knapp ist die Fähigkeit, aus Daten eine verantwortbare Entscheidung zu machen.
Übertragung auf Microsoft 365 und Power BI Entscheidungen
Das Muster lässt sich direkt auf Microsoft 365 übertragen.
Ein Unternehmen hat vielleicht SharePoint-Dokumente, Teams-Chats, CRM-Daten, Excel-Listen, Tickets und Power-BI-Reports. Die Versuchung ist groß, ein KI-Tool darüber zu legen und bessere Entscheidungen zu erwarten.
So funktioniert es selten.
Für Power BI Entscheidungen brauchen Sie zuerst Klarheit über Datenquellen, Verantwortlichkeiten, semantische Modelle und Begriffe. Microsoft Fabric oder Power BI können dabei helfen, aber sie ersetzen nicht die Entscheidung, welche Kennzahlen wirklich steuerungsrelevant sind Microsoft Learn, 2026.
Für Copilot gilt dasselbe: Wenn Berechtigungen, Dateiablage und Wissensräume unklar sind, wird auch die KI-Ausgabe unscharf. KI verstärkt vorhandene Struktur. Sie ersetzt sie nicht.
Das ist kein theoretischer Einwand. Bitkom meldete 2026, dass 41 Prozent der deutschen Unternehmen ab 20 Beschäftigten KI nutzen, während sich 62 Prozent selbst als Nachzügler sehen Bitkom, 2026. Die Lücke zeigt: Nutzung allein ist noch keine Reife. Viele Unternehmen experimentieren bereits, aber die belastbaren Routinen für Datenqualität, Governance und Entscheidung fehlen noch.
Ein typisches Mittelstandsbeispiel sieht so aus: Finanzbuchhaltung liefert monatliche Exporte, Branchensoftware erzeugt operative Zahlen, HR pflegt Personaldaten, ein Dokumentenmanagementsystem enthält Dokumente, und einzelne Fachbereiche führen zusätzliche Excel-Listen. Jede Quelle hat für sich einen Sinn. Die Entscheidungsqualität entsteht aber erst, wenn klar ist, welche Quelle führend ist, welche nur ergänzt und wer Änderungen verantwortet.
Darum ist der beste Start selten "Wir brauchen KI". Der bessere Start ist: Welche Entscheidung treffen wir regelmäßig schlecht, spät oder aus Bauchgefühl? Genau hier beginnt Datenkultur Mittelstand: nicht mit großen Programmen, sondern mit sauberen Begriffen, klaren Verantwortlichen und einer wiederholbaren Auswertung. Danach klären Sie, ob die Datenbasis in Excel bleiben kann, in Microsoft Lists oder SharePoint strukturierter werden sollte oder in ein Power-BI-Modell gehört. Die Grenze zwischen Excel als Analysewerkzeug und Excel als Schatten-System habe ich im Beitrag Excel ablösen: Vom Schatten-ERP zum sicheren 3-Schichten-Modell ausführlicher beschrieben.
Bei Microsoft 365 kommt ein zweiter Punkt dazu: Copilot und andere KI-Assistenten sehen nur das, was Berechtigungen und Ablagestrukturen hergeben. Wer Kundendaten, Projekträume oder alte Teamablagen nicht sauber trennt, bekommt keine bessere Entscheidung, sondern eine besser formulierte Unsicherheit. Genau deshalb hängen SharePoint-Struktur, Copilot-Start im Alltag und KI-Strategie im Mittelstand fachlich zusammen.
Auch Low-Code und Power Platform zeigen dieses Muster. In einer KPMG-Studie konnten 77 Prozent der Low-Code-Nutzenden mit klarer Governance Entwicklungskosten senken, aber nur 39 Prozent ohne Governance KPMG, 2023. Entscheidend ist die Struktur: Sie bestimmt, ob schnelle Werkzeuge produktiv oder riskant werden.
Take-away: Erst Datenqualität, Verantwortlichkeiten und Begriffe klären. Dann KI auf die richtigen Fragen loslassen.
Welche Best Practices helfen im Alltag?
Kurzantwort: Klein anfangen, Entscheidung vor Tool stellen, Datenqualität sichtbar machen und KI nie als alleinige Instanz für kritische Zahlen verwenden.
Aus der Analyse nehme ich fünf praktische Regeln mit:
Beginnen Sie mit einer Entscheidungsfrage, nicht mit einem Tool. "Warum sinkt die Marge in Produktlinie A?" ist besser als "Was kann Copilot aus unseren Daten machen?"
Trennen Sie Kennzahlen nach Funktion: Steuerungskennzahlen, Frühwarnsignale, Eitelkeitsmetriken und Diagnosemetriken gehören nicht in denselben Topf.
Dokumentieren Sie Datenherkunft und Verantwortliche. Wenn niemand weiß, ob ein Wert aus Excel, ERP, CRM oder manueller Korrektur kommt, ist die Analyse nur scheinbar datenbasiert.
Nutzen Sie KI für Iteration. Gute Fragen entstehen oft erst nach der ersten Auswertung. Das ist kein Fehler, sondern der eigentliche Erkenntnisprozess.
Legen Sie Grenzen fest. Bei kritischen Zahlen: Power BI, Excel, SQL, ERP oder andere deterministische Systeme prüfen. Bei Interpretation: KI als zweite Sicht nutzen und Ergebnisse bewusst prüfen.
Das klingt bodenständig, ist aber genau der Unterschied zwischen "Wir haben KI ausprobiert" und "Wir treffen bessere Entscheidungen".
Take-away: Datenbasierte Entscheidungen mit KI sind kein Automatisierungsversprechen. Sie sind ein besserer Frageprozess mit sauberer Datenbasis.
Was ich konkret geändert habe
Aus der Analyse folgten mehrere datenbasierte Entscheidungen mit KI:
Weniger Posts, die nur KI-News kommentieren.
Mehr Beiträge, die eigene Praxis mit Mittelstandsimplikation verbinden.
Mehr Fokus auf gespeicherte und weitergeleitete Inhalte statt reine Impressions.
Klarere Trennung zwischen Reichweite und Akquise-Signal.
Bessere interne Themenmatrix für Blog, LinkedIn und Website.
Das Entscheidende: Keine dieser Änderungen kam aus "die KI hat gesagt". Sie kam aus einem nachvollziehbaren Prozess.
So wurden datenbasierte Entscheidungen mit KI nachvollziehbar, statt nur nachträglich als kluge Begründung für ein Bauchgefühl zu dienen.
Für Unternehmen ist genau das der Punkt. KI darf nicht die nachträgliche Autorität für eine Entscheidung liefern, die ohnehin schon feststand. Sie sollte helfen, Annahmen sichtbar zu machen, Widersprüche zu finden und bessere Optionen zu formulieren.
Take-away: Gute KI-Nutzung macht Entscheidungen nachvollziehbarer, nicht bequemer.
KI hilft beim Denken, aber sie nimmt es nicht ab
Datenbasierte Entscheidungen mit KI sind kein Hexenwerk. Sie brauchen keine perfekte Data-Science-Abteilung und kein Millionenprojekt.
Sie brauchen drei Dinge:
Daten, die die richtige Frage überhaupt beantworten können.
Kontext, der aus Zahlen Bedeutung macht.
Menschen, die Annahmen prüfen und nicht jede KI-Antwort für Wahrheit halten.
Für den Mittelstand ist das eine gute Nachricht. Der Einstieg muss nicht groß sein. Ein wiederkehrender Report, eine saubere Microsoft-Lists-Datenbasis, ein Power-BI-Dashboard oder ein begrenzter Copilot-Test reichen oft aus.
Hauptsache, Sie verwechseln Reichweite nicht mit Wirkung. Daten nicht mit Entscheidung. Und KI nicht mit Verantwortung.
Über den Autor: Marcus Machon berät mittelständische Unternehmen bei Microsoft 365 Governance, SharePoint-/Teams-Struktur, Power-Platform-Automatisierung und Copilot-/KI-Readiness.
Quellen
Brynjolfsson, Hitt & Kim: Strength in Numbers: How Does Data-Driven Decisionmaking Affect Firm Performance? https://papers.ssrn.com/sol3/Delivery.cfm/SSRN_ID1968725_code1376648.pdf?abstractid=1819486&mirid=1
Panko: Spreadsheet Errors: What We Know. What We Think We Can Do.
Horowitz & Kahn: Bending the Automation Bias Curve.
NIST: Artificial Intelligence Risk Management Framework 1.0. https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-ai-rmf-10
Bitkom: Digitalisierung der Wirtschaft: Fast jedes Unternehmen beschäftigt sich mit KI. https://www.bitkom.org/Presse/Presseinformation/Digitalisierung-der-Wirtschaft-Unternehmen-beschaeftigen-sich-mit-KI
KPMG: Shaping digital transformation with low-code platforms. https://assets.kpmg.com/content/dam/kpmgsites/xx/pdf/2023/02/kpmg-shaping-digital-transformation-with-low-code-platforms-bf-sec.pdf.coredownload.inline.pdf
Microsoft Learn: Power BI adoption roadmap, data culture. https://learn.microsoft.com/en-us/power-bi/guidance/fabric-adoption-roadmap-data-culture
Microsoft Learn: Power BI implementation planning. https://learn.microsoft.com/en-us/power-bi/guidance/powerbi-implementation-planning-introduction
Microsoft Learn: Power Query overview. https://learn.microsoft.com/en-us/power-query/power-query-what-is-power-query
Microsoft Learn: Microsoft 365 Copilot adoption. https://learn.microsoft.com/en-us/microsoft-365-copilot/extensibility/adoption
