Warum Datenqualität für KI in den Bereichen geistiges Eigentum und Forschung und Entwicklung entscheidend ist
In der Eile, KI in F&E- und IP-Workflows zu integrieren, prüfen viele Teams die Daten, die diese Tools versorgen, nicht ausreichend.
KI-Systeme zaubern Erkenntnisse nicht aus dem Nichts hervor. Sie sind auf Trainingsdaten angewiesen, um Probleme zu interpretieren, Entscheidungen zu treffen und Ergebnisse zu generieren. In wissenschaftsintensiven Bereichen wie den Biowissenschaften, der Materialforschung und der fortschrittlichen Fertigung ist die Qualität dieser Daten entscheidend. Ein KI-Tool, das mit allgemeinen Webinhalten trainiert wurde, hilft Ihnen nicht dabei, ein nicht offensichtliches Risiko im Zusammenhang mit dem Stand der Technik aufzudecken oder eine bahnbrechende Verbindung zu identifizieren, die sich in einer Nischen-Forschungsarbeit verbirgt.
Wenn die Daten nicht präzise, domänenspezifisch und kontinuierlich aktualisiert werden, wird selbst die leistungsstärkste KI zu einem weiteren lauten Werkzeug – schnell, aber nicht nützlich. Für Innovationsteams ist dies ein strategisches Problem, denn wenn Sie wichtige F&E- oder IP-Entscheidungen auf fehlerhaften Eingaben basieren, können sich die Folgen auf die gesamte Pipeline auswirken.
Warum Datenqualität wichtig ist
Für Forschungs- und Entwicklungsteams sind die Risiken, KI mit schlechten Daten zu betreiben, real. Eine Umfrage von Anaconda ergab, dass Datenwissenschaftler 45 % ihrer Zeit mit der Datenaufbereitung verbringen – dem Laden, Bereinigen und Strukturieren von Datensätzen. Trotz dieser Bemühungen sind Probleme mit der Datenqualität nach wie vor weit verbreitet: In einer Umfrage aus dem Jahr 2022 gaben 77 % der Unternehmen an, damit zu kämpfen. McKinsey hat die Datenverwaltung als eines der am häufigsten übersehenen Hindernisse für die Einführung von KI identifiziert, und Gartner schätzt, dass schlechte Datenqualität Unternehmen jährlich durchschnittlich 15 Millionen US-Dollar kostet. Diese Ineffizienzen verlangsamen nicht nur die Arbeit der Teams, sondern können auch Produktvorstellungen verzögern, IP-Anmeldungen behindern und das Risiko kostspieliger Fehler erhöhen.
Im Bereich des geistigen Eigentums können schwache oder veraltete Datensätze dazu führen, dass der Stand der Technik übersehen wird, dass die Beurteilung der Ausübungsfreiheit fehlerhaft ist oder sogar unbeabsichtigte Rechtsverletzungen auftreten – Probleme, die kein „intelligentes” Tool nachträglich beheben kann. Die schiere Menge an Daten zum geistigen Eigentum – von Patenten über Veröffentlichungen bis hin zu internen Aufzeichnungen – wächst rasant. Anstatt die Recherche zu beschleunigen, wird sie zu einem Engpass.
Die Wirksamkeit von KI in Bereichen mit hohem Risiko wie Forschung und Entwicklung sowie geistiges Eigentum hängt vor allem von einem Faktor ab: hochwertigen, bereichsspezifischen Daten. Ohne diese Daten können selbst die besten KI-Modelle Teams in die falsche Richtung führen.
Was kann mit schlechten Daten schiefgehen?
Wenn KI-Systeme mit unvollständigen, veralteten oder irrelevanten Informationen trainiert werden, können sie keine zuverlässigen Erkenntnisse generieren. Und in Bereichen mit hohem Risiko wie Forschung und Entwicklung sowie geistigem Eigentum kommt diese Unzuverlässigkeit auf kostspielige Weise zum Tragen.
Wenn beispielsweise ein KI-Tool auf der Grundlage eines veralteten oder begrenzten Patentdatensatzes Recherchen zum Stand der Technik durchführt, kann es vorkommen, dass eine Referenz zum Stand der Technik übersehen wird, die eine neue Anmeldung ungültig macht – was Teams dem Risiko von Rechtsstreitigkeiten oder verschwendeter Entwicklungszeit aussetzt. Eine Studie ergab, dass 39 % der Patentprüfer sich bei ihren Bewertungen auf Nicht-Patentliteratur stützen – Quellen, die generische KI-Tools oft übersehen. In der Pharma- und Biotech-Branche können schlechte Daten die klinische Entwicklung zum Scheitern bringen.
Eine schlechte Datenqualität birgt auch erhebliche regulatorische Risiken. Die FDA nennt Verstöße gegen die Datenintegrität weiterhin als einen der Hauptgründe für Abmahnungen in klinischen und Produktionsumgebungen. Das bedeutet, dass inkonsistente Einträge, fehlende Metadaten und manuelle Fehler schwerwiegende Folgen haben können. Diese Risiken können zu verzögerten Produkteinführungen, fehlgeschlagenen Audits, verpassten Chancen und KI-Ergebnissen führen, die zwar zuverlässig erscheinen, aber insgeheim falsch sind.
Das Paradoxe daran ist, dass schlechte Daten schlechte Entscheidungen gut aussehen lassen können. Fehlerhafte Informationen, die ein intelligent wirkendes System antreiben, schaffen ein falsches Gefühl der Sicherheit – das viel schwerer zu erkennen ist als Schweigen oder Unklarheit.
Wie aussagekräftige Daten in Forschung und Entwicklung sowie im Bereich geistiges Eigentum aussehen
Hochwertige Daten sind kontextbezogen, domänenspezifisch und auf Maßnahmen ausgerichtet. Für F&E- und IP-Teams bedeutet dies Daten, die die Sprache, Struktur und Nuancen ihrer technischen Domänen widerspiegeln. Ein Datensatz, der den Unterschied zwischen einer „Komposition” in der Materialwissenschaft und einer in der Musik versteht, ist unerlässlich.
Starke Daten sind außerdem mehrsprachig, strukturiert und werden kontinuierlich aktualisiert. Sie umfassen Patente, Nicht-Patentliteratur, Daten aus klinischen Studien, behördliche Einreichungen, Offenlegungen von Start-ups und Versuchsergebnisse – allesamt so miteinander verknüpft, dass der Kontext erhalten bleibt. Sie erfassen auch technische Randfälle: die obskure chemische Verbindung in einer Fußnote, den sekundären Anwendungsfall in einem alten FTO-Bericht, die Überschneidung zwischen einem Materialwissenschaftspatent und einem Durchbruch in der Arzneimittelverabreichung. Diese Detailgenauigkeit ist wichtig.
Laut einer von der Harvard Business Review veröffentlichten Studie erfüllten nur 3 % der Unternehmensdaten grundlegende Qualitätsstandards hinsichtlich Vollständigkeit, Konsistenz und Aktualität. Doch gerade in diesen Lücken verbergen sich wichtige Erkenntnisse – und genau hier versagt KI oft, wenn sie mit generischen, unstrukturierten Eingaben trainiert wird.
Für IP-Teams bedeutet dies Zugang zu globalen, aktuellen Patentdatenbanken mit konsistenten Metadaten. Für F&E-Teams geht es darum, relevante Forschungsergebnisse aus verschiedenen Disziplinen zu finden – selbst wenn diese in ungewohnten Formaten oder mit unbekannter Terminologie veröffentlicht wurden. Und für beide bedeutet dies Daten, die die Entscheidungsfindung unterstützen.
Wie man die Datenqualität in Innovations-Workflows sicherstellt
Wie gelangt man also von rohen, verstreuten Informationen zu KI-fähigen Daten, die tatsächlich Entscheidungen vorantreiben?
1. Quelldomänenspezifische, maschinenlesbare Daten
Zunächst einmal muss Ihr Team vermeiden, sich auf allgemeine Unternehmensdatensätze oder das Scraping öffentlicher Webinhalte zu verlassen. Diesen Quellen fehlen oft die für technische Bereiche erforderlichen Nuancen, Strukturen und Spezifitäten. Priorisieren Sie stattdessen kuratierte Datenfeeds, die speziell für Innovationszwecke entwickelt wurden – wie Patentanmeldungen, Offenlegungen von Fördermitteln, wissenschaftliche Literatur, Produktdokumentationen und Start-up-Aktivitäten. Diese Datensätze sollten analysiert, normalisiert und für die maschinelle Lesbarkeit strukturiert werden, damit Modelle sie verstehen und darauf reagieren können.
2. Struktur mit Metadaten und Kontext
Bevor Sie mit der Modellierung beginnen, ist es wichtig, dass Ihre Daten in Ordnung sind. Gartner prognostiziert, dass 30 % der GenAI-Projekte nach der Konzeptprüfung bis Ende 2025 aufgegeben werden – nicht weil die Modelle nicht funktionieren, sondern weil die zugrunde liegenden Daten nicht richtig strukturiert, gekennzeichnet oder verwaltet wurden.
Wenn KI mit unübersichtlichen, mehrdeutigen Eingaben trainiert wird, liefert sie unübersichtliche, mehrdeutige Ergebnisse – was zu Halluzinationen und kostspieligen Fehlern führt, die sich Rechts- und F&E-Teams nicht leisten können. Die richtigen Metadaten und den richtigen Kontext vom ersten Tag an zu haben, ist das, was einen auffälligen Prototyp von einem System unterscheidet, auf das man sich in der Produktion tatsächlich verlassen kann.
Praktische Strategien zur Sicherstellung der Datenqualität umfassen:
- Verwenden Sie branchenspezifische Taxonomien, um technische Dokumente zu organisieren.
- Richten Sie Pipelines für die kontinuierliche Erfassung und Bereinigung neuer Daten ein.
- Investieren Sie in interne Datenverwaltung – nicht nur zur Einhaltung von Vorschriften, sondern auch zur Unterstützung der KI-Leistung.
- Arbeiten Sie mit Anbietern zusammen, die sich auf strukturierte wissenschaftliche Daten und IP-Daten spezialisiert haben, anstatt auf allgemeine KI-Tools.
3. Feedback-Schleifen integrieren
Starke KI-Systeme werden mit der Zeit intelligenter – aber nur, wenn Sie den Kreislauf schließen. Innovationsteams sollten aktiv überwachen, welche Ergebnisse ins Schwarze treffen, welche völlig daneben liegen und warum. Hat das Modell eine wichtige Referenz aus dem Stand der Technik übersehen? Eine irrelevante Veröffentlichung hervorgehoben? Einen Fachbegriff falsch interpretiert? Speisen Sie diese Fehlschläge zurück in Ihren Datenkurationsprozess ein.
Dazu kann gehören, die Beschriftung bestimmter Felder zu verfeinern, Taxonomien anzureichern oder Dokumente zur erneuten Verarbeitung zu markieren. Mit der Zeit helfen diese Schleifen Ihrer KI nicht nur, Fehler aus der Vergangenheit zu vermeiden, sondern auch, sich besser auf die Nuancen Ihres Fachgebiets einzustellen. Die Präzision wächst – und das Vertrauen wächst.
Die Moral von der Geschichte? Die Daten, die Sie auswählen, bestimmen die KI, die Sie entwickeln.
Es ist leicht, sich auf die Output-Ebene zu konzentrieren – was ein Tool leisten kann, wie schnell es läuft, wie intelligent es wirkt. Aber für Teams, die in den Bereichen Wissenschaft, Technologie und geistiges Eigentum arbeiten, reicht das nicht aus. Der eigentliche Unterschied liegt im Datensatz, der hinter dem Algorithmus steht.
In Innovations-Workflows führen schwache Daten dazu, dass KI-Tools irrelevante, irreführende oder völlig falsche Ergebnisse liefern.
Patsnap wurde entwickelt, um dieses Problem zu lösen. Unser firmeneigener Innovationsdatensatz umfasst über 180 Millionen Patente, wissenschaftliche Literatur, Versuchsergebnisse und kommerzielle Aktivitäten – normalisiert, kontextualisiert und speziell für die Entscheidungsfindung entwickelt. Deshalb vertrauen führende IP-, F&E- und Innovationsteams auf unsere Tools: nicht nur wegen ihrer Geschwindigkeit, sondern auch wegen ihrer Präzision.
Wenn Ihre KI-Tools keine nützlichen Erkenntnisse liefern, sollten Sie zunächst die Daten betrachten, auf denen sie basieren.
