Viele KI-Initiativen starten erfolgreich: Ein überzeugender Use Case, ein funktionierender Prototyp, erste Automatisierungen. Und dann hakt es daran, dass Organisationen erstmals gezwungen sind, sich auf eine verbindliche operative Realität zu einigen.
KI macht Chaos sichtbar: Zum ersten Mal werden Widersprüche, die vorher durch menschliche Interpretation überbrückt wurden, operativ relevant. Deshalb braucht eine Organisation Klarheit, die sie bisher nie explizit festlegen musste.
Datenqualität ist nicht die Voraussetzung von KI, sondern eigentlich ein Nebenprodukt. Denn erst wenn festgelegt ist, welche Entscheidung wie getroffen werden soll, kann überhaupt definiert werden, welche Daten „richtig“ sind. „AI-ready“ beschreibt daher keinen Reifegrad eines Modells, sondern die Fähigkeit eines Unternehmens, seine eigenen Abläufe eindeutig abzubilden.
Erst dann beginnt KI zu skalieren.
Datenqualität in Unternehmen ist kein Vorzeigeprojekt, sondern Dauerthema
Datenqualität wird häufig wie ein Aufräumprojekt behandelt: einmal bereinigen, einmal migrieren, einmal eine Plattform einführen. Danach soll die KI gefälligst zuverlässig laufen. In der Praxis entstehen nach kurzer Zeit aber wieder Abweichungen, Rückfragen und manuelle Prüfungen.
Ein kurzes Beispiel verdeutlicht das: Ein mittelständischer Maschinenbauer möchte Angebotsanfragen automatisch priorisieren lassen. Die KI soll erkennen, welche Anfragen hohe Abschlusswahrscheinlichkeit haben. Der Prototyp funktioniert. Historische Angebotsdaten werden eingelesen, das Modell erkennt Muster und liefert plausible Bewertungen. Soweit, so gut.
Im laufenden Betrieb entsteht jedoch ein Problem: Vertriebsmitarbeiter pflegen Abschlussgründe unterschiedlich, manche gar nicht. Projekte werden im ERP mal als „gewonnen“, mal als „beendet“ markiert. Rabatte stehen teils im Freitext, teils im Feld. Nach einigen Wochen stimmen die Empfehlungen der KI nicht mehr mit der Realität überein. Die Folge: Die KI funktioniert technisch korrekt, aber sie folgt einer Logik, auf die sich die Organisation nie geeinigt hat. Deshalb wirkt sie „falsch“.
Dabei ist das Problem nicht, dass niemand eine Definition formulieren könnte. Es scheitert daran, dass jede Festlegung Gewinner und Verlierer erzeugt und deshalb organisatorisch vermieden wird. Und nicht selten bleibt KI deshalb scheinbar ein Datenproblem.
Schlechte Daten: Unsicherheit statt Automatisierung
Die Folgen schlechter Daten sind aber sozusagen vorprogrammiert: Das System priorisiert konsequent die falschen Anfragen, attraktive Projekte werden zu spät bearbeitet, wenig aussichtsreiche Angebote binden Kapazitäten. Der Vertrieb verliert Abschlüsse, ohne den Grund zu erkennen, die Auftragslage wird unplanbar, und die Organisation beginnt, ihre eigenen Zahlen anzuzweifeln. Entscheidungen werden wieder nach Gefühl getroffen, nur diesmal mit dem trügerischen Eindruck, man arbeite datenbasiert. Dabei gilt: Nicht schlechte Daten führen zu Fehlentscheidungen, sondern fehlende Einigkeit darüber, was ein guter Auftrag überhaupt ist. Die KI zwingt zur Behandlung diese Frage.
Denn genau an diesem Punkt beginnt in Unternehmen sonst wieder die manuelle Nacharbeit. Angebote werden zusätzlich bewertet, Reports hinterfragt, Prognosen relativiert. Die KI läuft weiter, aber sie entscheidet nicht mehr. Automatisierung scheitert also nicht an der Technologie, sondern am Datenchaos im Alltag. Aus Effizienz entstehen wieder ineffiziente Prozesse, weil Mitarbeitende Ergebnisse absichern müssen, denen sie nicht vertrauen.
Die 3 strukturellen Ursachen: Silos, Semantik, Verantwortung
Die meisten Unternehmen gehen davon aus, Datenqualität sei vor allem eine Frage von Sorgfalt. In der Praxis stellt sich aber eher die Frage nach Struktur. Drei Mechaniken treten nahezu überall gleichzeitig auf, unabhängig von Branche, Größe oder eingesetzten Systemen. Nicht weil Mitarbeitende ungenau arbeiten, sondern weil Organisationen funktional aufgebaut sind.
1. Silos – mehrere Wahrheiten im selben Unternehmen
Vertrieb, Service und Buchhaltung arbeiten mit denselben Kunden, aber nicht mit denselben Informationen. Das CRM kennt den Ansprechpartner, das ERP die Rechnungsadresse, der Service führt eigene Notizen in Tickets oder Excel-Listen. Jede Sicht ist für sich korrekt. Für operative Arbeit ist das unkritisch. Für Automatisierung nicht. Sobald Entscheidungen systematisch getroffen werden sollen, benötigt die Organisation eine verbindliche Version der Realität. Genau diese lässt sich innerhalb von Abteilungsgrenzen kaum festlegen, weil jede Sicht berechtigte Anforderungen erfüllt.
Für Menschen ist das händelbar. KI aber benötigt eine eindeutige Realität. Fehlt eine Single Source of Truth, lernt sie widersprüchliche Muster und wirkt unzuverlässig, obwohl sie korrekt arbeitet.
2. Semantik – gleiche Kennzahl, unterschiedliche Bedeutung
Noch schwieriger wird es bei Begriffen. Was ist ein „aktiver Kunde“? Für den Vertrieb jemand mit laufender Kommunikation, für die Buchhaltung jemand mit Umsatz im Jahr, für den Service jemand mit offenem Ticket. Die Daten sind vollständig, gleichzeitig aber nicht eindeutig. Ohne gemeinsame Definitionen kann ein Modell keine belastbaren Zusammenhänge erkennen. Und diese Definitionen lassen sich nicht technisch erzwingen. Sie sind Ergebnis fachlicher Abstimmung. Solange Bereiche unterschiedliche Ziele verfolgen - Vertrieb Umsatz, Controlling Vergleichbarkeit, Service Dokumentation - bleibt auch die Bedeutung von Kennzahlen unterschiedlich. KI macht diese Unterschiede sichtbar.
3. Verantwortung – Daten ohne Eigentümer
Daten verlaufen quer durch die Organisation und gehören niemandem eindeutig. Jede Abteilung nutzt sie, verändert sie oder bewertet sie, aber niemand entscheidet verbindlich über ihre Richtigkeit.
Das Ergebnis: Korrekturen passieren lokal, Qualität bleibt zufällig. Ohne klare Data Ownership entsteht kein stabiler Zustand, sondern ein permanenter Aushandlungsprozess. Und eine KI kann nur so stabil arbeiten wie die Verlässlichkeit der Prozesse, die ihre Daten erzeugen. Datenqualität scheitert selten am fehlenden Verständnis, sondern daran, dass mehrere Bereiche gleichzeitig ihre Arbeitsweise anpassen müssten.
Warum Tools das Problem nicht lösen
Sind die Herausforderungen in KI-Projekten identifiziert, folgt fast immer dieselbe Reaktion: ein neues System: Data Warehouse, CRM-Relaunch, Datenplattform, KI-Tool. Kurzzeitig verbessert sich die Situation eventuell tatsächlich. Daten sind strukturierter, Auswertungen klarer, das Modell stabiler. Doch nach einigen Monaten treten dieselben Effekte wieder auf, nur jetzt im neuen System. Der Grund ist einfach: Software verarbeitet Daten. Sie definiert sie nicht.
Wenn Begriffe unterschiedlich verstanden werden, Verantwortlichkeiten unklar sind und Prozesse variieren, überträgt ein neues Tool lediglich die bestehende Unklarheit in eine modernere Oberfläche.
Der Wendepunkt: Datenanforderungen aus Entscheidungen ableiten
Die zentrale Frage lautet nicht, welche Daten bereits vorhanden sind, sondern welche Entscheidungen künftig zuverlässig getroffen werden sollen. Erst wenn konkrete KI-Use-Cases priorisiert sind — etwa Angebotsbewertung, Kapazitätsplanung oder Wartungsempfehlungen - lässt sich bestimmen, welche Informationen eindeutig vorliegen müssen. Eine KI-Roadmap beginnt deshalb mit den relevanten Entscheidungsprozessen und nicht mit einer Liste von Datenfeldern.
Damit verschiebt sich der Ausgangspunkt: Datengetriebene Entscheidungen werden nur dann belastbar, wenn klar geregelt ist, welche Informationen in welcher Form erhoben, gepflegt und überprüft werden. Organisationen, die echten Business Value durch KI erzielen, definieren zunächst die Entscheidung und leiten daraus Datenanforderungen, Verantwortlichkeiten und Kontrollen ab, nicht umgekehrt durch möglichst umfangreiche Datensammlung.
Fazit
Der Unterschied zwischen einem funktionierenden Prototyp und einer produktiven Nutzung zeigt sich erst im Alltag. Ein Pilotprojekt kann mit vorbereiteten Daten arbeiten. Sobald KI jedoch operative Abläufe unterstützt — etwa Priorisierung, Planung oder Disposition - muss sie verlässlich in die KI-Organisation eingebettet sein.
Erst wenn Verantwortlichkeiten, Abläufe und Abstimmungen verbindlich geregelt sind, kann man KI skalieren. Viele Organisationen scheitern nicht an Unwissen, sondern an Struktur: Jede klare Festlegung verändert Zuständigkeiten, Bewertungshoheit und Zielkonflikte zwischen Bereichen. Deshalb bleibt die notwendige Klärung häufig aus – und die KI scheinbar ein Datenproblem. Das betrifft nicht nur Systeme, sondern Arbeitsweisen: Prioritäten, Übergaben zwischen Bereichen und die Art, wie Ergebnisse bewertet werden. Ohne begleitendes Change Management bei KI bleibt der Einsatz auf einzelne Experimente beschränkt, selbst wenn die technische Lösung funktioniert.
FAQs
Wie beeinflusst Datenqualität den Erfolg von KI-Projekten?
Die Modellqualität hängt direkt von den zugrunde liegenden Informationen ab. Sind Daten widersprüchlich oder unvollständig, liefert die KI zwar Ergebnisse, denen die Organisation aber nicht vertraut. Der entscheidende Einfluss der Datenqualität auf KI zeigt sich daher weniger in der Technik als im KI-Vertrauen: Ohne verlässliche Daten wird Automatisierung nicht genutzt.
Welche Risiken hat schlechte Datenqualität bei KI?
Schlechte Daten führen zu systematischen Verzerrungen (Bias) und daraus zu Fehlentscheidungen in Planung, Vertrieb oder Service. Werden solche Ergebnisse weiterverwendet, entstehen wirtschaftliche Schäden, Reputationsrisiken und in regulierten Bereichen auch Compliance-Risiken, weil Entscheidungen nicht nachvollziehbar sind.
Warum reicht ein neues KI-Tool ohne Datenstruktur meist nicht aus?
Ein Tool verarbeitet Daten, es ordnet sie nicht. Ohne klares Datenmanagement, abgestimmte Datenprozesse und Governance übernimmt das System bestehende Inkonsistenzen. Erst strukturierte Verantwortlichkeiten und kontinuierliche Pflege (DataOps) machen Ergebnisse belastbar, sonst bleibt das Tool ein weiteres System, das geprüft werden muss.
Geschrieben von:
Jens ist Mitgründer von bakedwith, einer Boutique-Beratung für smarte Automatisierung und KI. Er unterstützt mittelständische Unternehmen und Konzerne dabei, Prozesse zu optimieren, manuelle Arbeit zu reduzieren und durch effiziente Workflows Wachstum zu erzielen. Zuvor war Jens Growth Lead bei OMR und begleitete als Freelancer zahlreiche Unternehmen bei der Optimierung ihrer CRM- und Automationssysteme. Seine Leidenschaft gilt der Verbindung von Wachstum und Effizienz – damit Teams sich auf das Wesentliche konzentrieren können.
