Pattern-Auswahl nach Datentyp: Welche AI-Patterns mit Ihren Daten funktionieren

Die Pattern-Auswahl hat zwei Einstiegspunkte.

Sie können mit Ihrem Geschäftsproblem beginnen und das Pattern finden, das es löst. Das ist der Problem-First-Pfad, der in Das richtige AI-Pattern für Ihr Problem wählen behandelt wird.

Oder Sie können mit Ihren Daten beginnen und herausfinden, was von dort aus einsetzbar ist, wo Sie tatsächlich stehen. Das ist der Data-First-Pfad. Und er ist oft ehrlicher, weil die Patterns, die in Vendor-Demos aufregend aussehen, nicht immer die Patterns sind, die Ihre aktuellen Daten unterstützen können.

Dieser Artikel ist der Data-First-Pfad. Wenn Sie wissen, welche Datentypen Sie haben (und in welcher Qualität), können Sie das Feld schnell einengen. Einige Patterns werden sofort einsetzbar sein. Andere erfordern zunächst Datenarbeit. Einige werden unerreichbar sein, bis Sie spezifische Voraussetzungsprobleme lösen. Für die vollständige Taxonomie der Datentypen vor dem Start lesen Sie Die 7 Datentypen, die Business-AI antreiben.

Die Referenzmatrix

Starke Eignung bedeutet, dass das Pattern diesen Datentyp als primäre Eingabe verwendet und um ihn herum konzipiert ist. Schwache Eignung bedeutet, dass das Pattern diesen Typ verwenden kann, aber er ist sekundär oder situativ. Unmöglich bedeutet, dass das Pattern diesen Datentyp nicht sinnvoll verarbeiten kann.

Lesen Sie dies als ersten Filter. Wenn Ihre primären verfügbaren Daten Audioaufnahmen sind, schauen Sie sich Meeting Intelligence an. Wenn es strukturierte CRM-Datensätze mit Ergebnis-Labels sind, sind Scoring and Routing und Anomaly Agent Ihre am besten einsetzbaren Optionen. Den Datentyp zu haben ist notwendig, aber nicht hinreichend. Die Qualität und Zugänglichkeit dieser Daten bestimmen, ob das Pattern tatsächlich funktioniert. Gartners Forschung zu AI-bereiten Daten macht diesen Unterschied scharf: "Hochqualitative" Daten nach traditionellen Maßstäben sind nicht dasselbe wie AI-bereite Daten, weil AI-Training repräsentative Daten erfordert, einschließlich Randfälle, die die traditionelle Datenbereinigung entfernt. Gartner prognostiziert, dass bis 2026 Organisationen 60 % der AI-Projekte aufgrund unzureichender Datenbereitschaft aufgeben werden.

Wichtige Fakten: Enterprise-Daten und AI-Bereitschaft

• 80-90 % der Geschäftsdaten sind unstrukturiert, während nur 10-20 % strukturiert sind, laut Gartner. Die meisten Unternehmen überschätzen erheblich, wie viele AI-bereite strukturierte Daten sie tatsächlich haben.
• Nur 10 % der Unternehmen fühlen sich vollständig bereit, AI einzuführen, und 54 % geben zu, nicht die notwendige Datenbankinfrastruktur zu haben. (Typedef AI Unstructured Data Report, 2025)
• Gartner prognostiziert, dass bis 2026 Organisationen 60 % der AI-Projekte aufgrund unzureichender Datenbereitschaft aufgeben werden, nicht wegen Modellbeschränkungen.

Textdaten

Text ist der vielseitigste Eingabetyp. Vier Patterns verwenden ihn als primären Datentyp.

RAG Assistant lebt vollständig in Text. Er nimmt Ihre Wissensbasis auf (Richtlinien, SOPs, Produktdokumentation, vergangene Tickets), ruft relevante Dokumente ab und generiert Antworten. Damit RAG funktioniert, müssen Ihre Texte auffindbar sein (indiziert, nicht verstreut über Dateifreigaben), aktuell (veraltete Dokumente produzieren selbstsichere falsche Antworten) und nicht widersprüchlich (zwei Dokumente, die Gegensätzliches sagen, produzieren inkonsistente Ausgaben). Das Pattern toleriert unordentliche Prosa gut, versagt aber bei widersprüchlichen Quelldokumenten.

Generative Research verbraucht Text aus mehreren Quellen (Web, interne Dokumente, proprietäre Datenbanken) und synthetisiert ihn. Die Qualitätsanforderung hier unterscheidet sich von RAG: Sie brauchen Breite mehr als Struktur. Das Pattern kann mit heterogenen Quellen umgehen. Was es braucht, ist Zugriff auf diese Quellen, entweder via API, Scraping oder direktem Dokument-Upload.

Document Review erfordert strukturierten Text, keinen Gesprächstext. Ein NDA oder ein MSA hat konsistente Abschnitte und bekannte Klauselmuster. Generative Research kann mit einem Blog-Post arbeiten. Document Review braucht Dokumente, die Vorlagen oder Standards folgen. Freiformats-E-Mails zuführen macht seine Markierungen zu Rauschen.

Workflow Copilot verwendet den Text im aktuellen Kontext des Nutzers: die E-Mail, die er entwirft, das Ticket, das er löst, die CRM-Notizen zum Konto, das er geöffnet hat. Die Qualitätsanforderung ist kontextuelle Frische, nicht historisches Volumen. Der Copilot braucht Echtzeit-Zugriff auf aktuellen Text, kein historisches Archiv.

Strukturierte Daten

Strukturierte Daten sind Zahlen, Kategorien, Daten und schema-konsistente Datensätze. Drei Patterns hängen am meisten direkt davon ab.

"Unternehmen, die versuchen, Scoring-and-Routing-Modelle auf CRM-Datensätzen mit weniger als 80 % Feldvollständigkeit bei Ergebnis-Labels einzusetzen, produzieren Modelle, die als Rauschen statt als Signal funktionieren. Hoch bewertete Leads schließen mit derselben Rate ab wie niedrig bewertete. Das Problem ist nicht das Modell. Es sind die Eingaben." (Rework Data Readiness Analysis, 2026)

Scoring and Routing braucht strukturierte Daten mit drei Eigenschaften: ausreichendes Volumen (typischerweise 1.000+ historische Datensätze), Ergebnis-Labels (Deals als Won/Lost markiert, Leads als konvertiert/nicht konvertiert, Ansprüche als betrügerisch/legitim) und Feldvollständigkeit (wenn 40 % der Datensätze für Schlüsselmerkmale Null-Werte haben, lernt das Modell aus unvollständigem Signal). Das ist das Pattern, das am direktesten durch unvollständige CRM-Hygiene blockiert wird. Ein sauberer strukturierter Datensatz mit beschrifteten Ergebnissen ist eines der wertvollsten AI-Assets, das ein Unternehmen haben kann.

Anomaly Agent braucht strukturierte Daten mit einer stabilen Basislinie. Zeitreihen-Metriken, Transaktionsdatensätze, Ereignis-Logs. Das Modell lernt, wie "normal" aussieht, und markiert Abweichungen. Qualitätsanforderungen: Die Basisdaten müssen sauber sein (Anomalien in der Trainingsperiode verwirren das Modell), konsistent (dieselben Felder, dasselbe Schema, über die Zeit) und lang genug (mindestens 60 Tage, ein volles Jahr für saisonale Unternehmen).

Personalization Engine verwendet strukturierte Verhaltensdaten: was ein Nutzer angeklickt hat, was er gekauft hat, wie lange er auf einer Seite geblieben ist, was er bewertet hat. Das Pattern funktioniert am besten, wenn Verhaltensereignisse konsistent verfolgt werden, jedes Ereignis einen Nutzer-Identifier hat und genug Volumen pro Nutzer vorhanden ist, um ein individuelles Profil zu erstellen. Niedrig-Traffic-Produkte oder B2B mit kleinen Nutzerzahlen können dieses Pattern oft nicht effektiv einsetzen, weil nicht genug Pro-Nutzer-Verhalten zur Personalisierung vorhanden ist.

Bilddaten

Bild ist der eingeschränkteste Datentyp. Ein Pattern ist darum herum aufgebaut. Einige andere berühren es situativ.

Vision Extract ist das kanonische Bild-Pattern. Es nimmt Bilder oder gescannte Dokumente auf, extrahiert strukturierte Felder und überträgt Datensätze in ein System of Record. Die Qualitätsanforderungen hier sind spezifisch und nicht verhandelbar: Bildauflösung muss hoch genug sein, um Text klar zu lesen, Dokumentvarianten müssen in den Trainingsdaten repräsentiert sein (eine Rechnung von Anbieter A sieht anders aus als von Anbieter B), und die Zielfelder müssen konsistent genug sein, damit das Modell sie zuverlässig lokalisieren kann. Siehe Vision Extract: Bilder in strukturierte Daten umwandeln für detaillierte Qualitätsstandards.

Personalization Engine kann Produktbilder als Signale für Empfehlungen verwenden (wenn Sie diesen blauen Sneaker angesehen haben, hier sind ähnliche Stile). Aber das ist eher ein Feature als eine eigenständige Fähigkeit. Die meisten mittelmarktigen Einsätze von Personalization Engines verwenden verhaltensbezogene strukturierte Daten, nicht rohe Bildsignale.

Anomaly Agent kann visuelle Anomalien markieren (ein Produktregal mit einer Lücke, ein Fertigungsteil mit einem Defekt) in spezialisierten Einsätzen. Aber das erfordert eine dedizierte Computer-Vision-Pipeline, keine Standard-Business-AI-Bereitstellung.

Audiodaten

Audio ist in Business-AI nahezu einzweckig.

Meeting Intelligence ist das Audio-Pattern. Es nimmt Audioaufnahmen von Gesprächen und Meetings auf, transkribiert sie, extrahiert Themen und Aktionspunkte, generiert Zusammenfassungen und überträgt strukturierte Daten ins CRM. Die Qualitätsanforderungen sind praktisch: Gesprächsaufzeichnung muss aktiviert sein (was in vielen Jurisdiktionen Teilnehmerzustimmung erfordert), Audioqualität muss für die Transkription ausreichend sein (schlechte Mobilverbindungen produzieren schlechte Transkripte, die sich durch jeden nachgelagerten Schritt fortpflanzen), und Speaker-Diarization (zu wissen, welche Stimme zu welcher Person gehört) ist wichtig für die Attribution.

Der wichtige Unterschied: Audiodateien und Audio-Transkripte sind verschiedene Dinge. Eine Meeting-Intelligence-Bereitstellung, die rohe Audiodaten aufnimmt, betreibt eine komplexere Pipeline als eine, die vortranskribierte Texte aufnimmt. Viele Teams überspringen die Roh-Audio-Aufnahme und verwenden Transkriptdienste (Otter.ai, Zoom-Transkription, Teams-Transkription) als Vorschritt, dann füttern sie das Transkript in die Analyseschicht. Das ist eine valide Architektur und oft kosteneffektiver.

Autonomous Agent kann prinzipiell Audio verarbeiten (ein Voice-Interface-Agent), aber das ist in Standard-Business-Einsätzen selten. Die meiste Autonomous-Agent-Arbeit läuft auf Text- oder strukturierten Dateneingaben.

Videodaten

Video ist der datentyp mit dem höchsten Verarbeitungsaufwand und hauptsächlich relevant als Obermenge von Audio.

Meeting Intelligence bearbeitet Video-Gespräche. Die Video-Komponente fügt visuelle Informationen hinzu (nickt der Interessent? ist die Kamera aus?), aber die meisten eingesetzten Meeting-Intelligence-Tools analysieren die Audiospur und das Transkript, nicht den Videostream. Die video-spezifischen Features (Engagement-Signale, visuelle Hinweise) sind in Produkten wie Gong vorhanden, sind aber sekundär zur Gesprächsinhaltsanalyse. Wenn Sie zwischen Audio- und Videoaufnahme für Meeting Intelligence wählen, reicht Audio für die meisten Anwendungsfälle aus.

Der Aufwand ist relevant: Videodateien sind für dieselbe Dauer 10-100-mal größer als Audiodateien. Speicherung, Verarbeitung und Indexierung von Videos im Maßstab erfordern erheblich mehr Infrastruktur als Nur-Audio-Pipelines. Die meisten Teams, die Meeting Intelligence zum ersten Mal implementieren, sollten mit Audio beginnen.

Autonomous Agent in visuellen Navigations-Kontexten (ein Browser-Steuerungs-Agent, der einen Bildschirm sehen muss) verwendet Video oder Screenshots als Eingaben. Das ist ein spezialisiertes Einsatzmuster, kein Standard-Business-AI-Workflow.

Code-Daten

Code ist Text, aber kein Prosatext. Die Patterns, die mit Code funktionieren, behandeln ihn anders.

Workflow Copilot ist das kanonische Code-Pattern. GitHub Copilot, Cursor und ähnliche Tools sind Workflow Copilots, die für einen Coding-Kontext spezialisiert sind. Sie nehmen die im Editor geöffnete Datei, den Repository-Kontext und die laufenden Bearbeitungen des Nutzers auf und generieren Vervollständigungsvorschläge, Refactorings und neue Funktionen. Qualitätsanforderungen: Der Code muss für das Tool zugänglich sein (lokales Repo, IDE-Integration), und das Kontextfenster ist bei Code-Copilots wichtiger als bei Prosa-Copilots, weil Code-Abhängigkeiten mehrere Dateien umfassen.

Document Review gilt für Code in Compliance- oder Sicherheitskontexten. Ein Sicherheitsaudit, der Code auf OWASP-Schwachstellen prüft, oder eine Rechtsüberprüfung, die sicherstellt, dass eine API-Integration die Nutzungsbedingungen eines Anbieters nicht verletzt, ist ein Document-Review-Workflow, der auf Code als Dokument angewendet wird. Standard-Document-Review-Tools unterstützen das nicht. Sie brauchen speziell für Code-Analyse entwickelte Tools.

Autonomous Agent am Coding-Ende des Spektrums (Agenten, die Issues lesen, Code schreiben, Tests ausführen und Pull Requests öffnen) behandelt Code sowohl als Eingabe als auch als Ausgabe. Der Agent nimmt ein GitHub-Issue auf (Text + Code-Kontext), Analyzes den Umfang, generiert einen Fix und Execute den Commit und den Test-Run. Das ist eine der reiferen Autonomous-Agent-Anwendungen im Jahr 2026.

Zeitreihendaten

Zeitreihendaten sind jede Messung, die auf Zeit indiziert ist: Metriken, Sensormessungen, Transaktionslogs, Nutzungsereignisse. Drei Patterns verwenden sie.

Anomaly Agent ist das primäre Zeitreihen-Pattern. Er ist darauf ausgelegt, zu lernen, wie eine stabile Zeitreihe aussieht, und Abweichungen zu markieren. Frische und Konsistenz sind die zwei Qualitätsanforderungen, die am meisten zählen. Ein Metrikstrom, der mittendrin die Instrumentierung ändert, erzeugt falsche Anomalien bei der Instrumentierungsänderung. Fehlende Datenpunkte (Lücken im Strom) erzeugen False Negatives. Das Modell behandelt die Lücke als normal, so dass Anomalien, die während einer Lücke auftreten, unentdeckt bleiben.

Scoring + Routing kann Zeitreihen-Features einbeziehen (wie viele Support-Tickets in den letzten 30 Tagen? wie hat sich NPS über die letzten vier Quartale entwickelt?) als Eingaben für ein Scoring-Modell. Aber es braucht diese Zeitreihen zuerst in strukturierte Features zusammengefasst. Die rohe Zeitreihe muss vorverarbeitet (aggregiert, windowed, zusammengefasst) werden, bevor sie als Scoring-Eingabe nützlich ist.

Personalization Engine verwendet Zeitreihen implizit. Die Browsing-Geschichte eines Nutzers über die Zeit, seine Kaufhäufigkeit, seine saisonalen Muster: das sind Zeitreihen-Verhaltenssignale. Das Pattern funktioniert besser, wenn es Verhaltenstrends sehen kann, nicht nur einen Point-in-Time-Snapshot.

Multimodale Kombinationen

Einige der leistungsfähigsten Einsätze kombinieren Datentypen.

Meeting Intelligence + CRM-strukturierte Daten: Zu wissen, was in einem Gespräch gesagt wurde (Audio), ist mächtiger, wenn es mit dem kombiniert wird, was das CRM über das Konto sagt (Strukturiert). Eine Gesprächszusammenfassung, die zeigt "Interessent erwähnte Preisbedenken", ist nützlicher, wenn das System auch zeigen kann "dieses Konto ist seit 30 Tagen im Risikostatus." Die Kombination lässt den Generate-Schritt reichhaltigeren Kontext produzieren.

Personalization Engine + Textinhalt: Strukturierte Verhaltensdaten (was ein Nutzer angeklickt hat) kombiniert mit Text-Metadaten (zu welchem Thema dieser Inhalt war) lässt die Engine auf Inhaltsebene personalisieren, nicht nur auf Elementebene. Statt "Nutzer wie Sie kauften dieses Produkt" erhalten Sie "Nutzer mit Ihrem Lesemuster neigen dazu, sich mehr um Compliance als um Preisgestaltung zu sorgen."

Vision Extract + strukturierte System-of-Record-Vorlagen: Zu wissen, wie eine Rechnung in Ihrem Extraktionsmodell aussieht, funktioniert besser, wenn das Modell auch Ihre Lieferanten-Stammdaten abfragen kann, um den extrahierten Lieferantennamen zu verifizieren. Die strukturierte Datenbank validiert die Bildextraktionsausgabe.

Multimodale Kombinationen erweitern das Mögliche, multiplizieren aber die Datenbereitschaftsanforderungen. Sie brauchen den Zugriff, die Qualität und die Genehmigungen für jeden Datentyp, den Sie kombinieren.

Die Daten-Pattern-Matrix

Die Daten-Pattern-Matrix ist ein Entscheidungswerkzeug, das sieben Enterprise-Datentypen (Text, Strukturiert, Bild, Audio, Video, Code, Zeitreihe) auf zehn AI-Patterns über drei Eignungsbewertungen abbildet: Starke Eignung (das Pattern verwendet diesen Datentyp als primäre Eingabe), Schwache Eignung (sekundäre oder situative Nutzung) und Unmöglich (das Pattern kann diesen Datentyp nicht sinnvoll verarbeiten). Die Matrix funktioniert als erster Filter: Wenn Ihre besten verfügbaren Daten nicht als starke Eingabe für das geplante Pattern erscheinen, wird Ihr Einsatz unabhängig von der Modellqualität underperformen.

Rework-Analyse: Basierend auf Gartners Erkenntnis, dass 80-90 % der Enterprise-Daten unstrukturiert sind und dass 60 % der AI-Projekte ohne AI-bereite Daten aufgegeben werden, adressiert die Daten-Pattern-Matrix den häufigsten AI-Planungsfehler: ein Pattern anhand seiner Ausgabefähigkeit statt seiner Eingabeanforderungen auszuwählen. In Reworks Implementierungserfahrung reduzieren Teams, die die Matrix gegen ihre tatsächlich verfügbaren Daten ausführen, bevor sie sich auf ein Pattern festlegen, ihre Time-to-Value um durchschnittlich 8 Wochen, weil sie die Mid-Integration-Entdeckung vermeiden, dass ihr primärer Datentyp ihr gewähltes Pattern nicht unterstützt.

Der Datenbereitschafts-Schnellpfad

Wenn Sie nach dem schnellsten einsetzbaren Pattern für jeden Datentyp suchen:

Das sind Ausgangspunkte, keine endgültigen Architekturen. Das Pattern, das am schnellsten einsetzbar ist, ist nicht immer das mit dem höchsten langfristigen ROI. Aber mit Ihren stärksten Daten zu beginnen baut organisatorisches Vertrauen auf, generiert messbare Ergebnisse und erstellt die beschrifteten Ergebnisse, die Sie für komplexere Patterns später benötigen.

Was diese Matrix Ihnen nicht sagt

Einen Datentyp zu haben bedeutet nicht, dass Sie bereit sind, das entsprechende Pattern einzusetzen. Datenbereitschaft nach AI-Pattern geht tiefer auf die spezifischen Qualitätsschwellen ein, die jedes Pattern benötigt. Zum Beispiel sind strukturierte CRM-Daten für Scoring + Routing notwendig, aber strukturierte Daten, die nur zu 60 % für das Ergebnisfeld ausgefüllt sind, sind nicht bereit.

Die Matrix adressiert auch nicht die Abhängigkeiten zwischen Patterns. Meeting Intelligence ist aus Audiodaten einsetzbar, aber wenn Sie wollen, dass seine Ausgabe in Scoring + Routing fließt, brauchen Sie auch die strukturierte Schicht zum Funktionieren. Pattern-Abhängigkeiten und Voraussetzungen behandelt, wie Patterns aufeinander aufbauen.

Und wenn Sie neu bei Was ist ein AI-Pattern? sind, ist das der richtige Ausgangspunkt, bevor Sie diese Matrix als Auswahlwerkzeug verwenden.

Daten sind das Fundament. Die Matrix zeigt Ihnen, welche Türen von Ihrem aktuellen Stand aus offen sind. Die Bereitschaftsprüfungen sagen Ihnen, ob Sie tatsächlich durch sie hindurchgehen können.

---

Mehr erfahren

• Die 7 Datentypen, die Business-AI antreiben
• Datenbereitschaft nach AI-Pattern
• Pattern-Abhängigkeiten und Voraussetzungen
• Das richtige AI-Pattern für Ihr Problem wählen
• Häufige AI-Pattern-Kombinationen nach Abteilung