Warum KI an den Stammdaten scheitert

28.08.2026

4 Min. Lesezeit

KI-Budgets fließen ins Modell, der Return bleibt aus. Der Grund liegt in der Datenbasis: verstreute Stammdaten, widersprüchliche Definitionen, keine klare Ownership und fehlende Nachvollziehbarkeit. Wer diese Baustelle übergeht, finanziert teure Piloten, die nie in Produktion gehen.

Das Wichtigste in Kürze

Fünf Systeme, fünf Identitäten. Derselbe Kunde existiert parallel in CRM, ERP, Buchhaltung und Fachanwendungen. Die Anwendung rät, statt zu wissen.
Vier stille Killer. Verteilte Sätze, unscharfe Begriffe, niemand zuständig, Herkunft unsichtbar: daraus wird der KI-Case zur Demo.
90 Tage, drei Bewegungen. Einen Bereich mit Geschäftswert wählen, Kernbegriffe festziehen, Herkunft nachzeichnen. Das wiegt mehr als jedes weitere Pilotprojekt.

VerwandtDrei KI-Budgets, keine gemeinsame Rechnung / Local AI: Governance vor dem Hardwarekauf

Was ist Datenqualität? Datenqualität entscheidet darüber, ob ein KI-Case in Produktion Return erzeugt. Sie verlangt eindeutige Stammdaten, verbindliche Definitionen, benannte Data Ownership und nachvollziehbare Lineage. Fehlt eines davon, liefert auch ein starkes Modell schnelle, aber falsche Antworten. Datenqualität ist keine einmalige Bereinigung. Sie ist eine Dauerdisziplin mit festen Verantwortlichkeiten und einem Prozess, der Fehler zurückspielt.

Fünf Systeme, fünf Wahrheiten im Kundenstamm

Ein Sprachmodell oder ein Prognosealgorithmus ist nur so gut wie die Daten, die er sieht. Der Kundenstamm liegt im CRM, in der Buchhaltung, in zwei Fachanwendungen und in einem Excel-Export aus dem ERP. Das fällt im Pilotprojekt nicht auf, weil dort ein kuratierter Ausschnitt genutzt wird. In Produktion, auf dem echten Bestand, kippt der Case.

Was als KI-Initiative startet, wird in der Praxis oft zu einem Datenbereinigungsprojekt mit KI-Etikett.

Ein starkes Modell auf schwachen Daten macht keine besseren Entscheidungen. Es macht schneller die falschen.

Vier stille Killer in der Datenbasis

Der erste ist die Zerstreuung der Stammdaten. Jedes dieser Systeme führt denselben Kunden mit eigener Nummernlogik. Die Nummernlogiken widersprechen sich. Eine KI, die eine Umsatzprognose rechnen soll, muss zuerst raten, welcher Satz stimmt.

Der zweite ist die widersprüchliche Definition. Vertrieb, Controlling und Marketing meinen mit Begriffen wie aktiver Kunde, Umsatz oder Region oft nicht dasselbe. Ein Modell nimmt die Definition aus dem Feld und rechnet stur weiter. Das Ergebnis wirkt präzise und ist trotzdem falsch.

Der dritte ist die fehlende Data Ownership. Wenn niemand verbindlich für einen Datenbereich verantwortlich ist, verwaist er. Fehler werden nicht korrigiert, weil unklar ist, wer darf und wer muss. Es braucht eine Fachperson, die mit Mandat und Zeit für die Richtigkeit gerade steht. Das ist keine IT-Zuständigkeit.

Der vierte ist die fehlende Lineage, also Herkunft und Weg eines Datenpunkts. Ohne Lineage bleibt unklar, woher eine Zahl stammt, welche Transformation sie durchlaufen hat und ob sie noch aktuell ist. Genau diese Nachvollziehbarkeit braucht man, sobald eine KI-Entscheidung hinterfragt oder auditiert wird.

Das Budget fließt ins Modell, der ROI stirbt in den Daten

Der eigentliche Engpass sitzt in der Datenbasis. Stammdaten müssen eindeutig sein, Begriffe verbindlich, Ownership benannt und Lineage nachvollziehbar. Fehlt eine dieser vier Bedingungen, liefert auch ein starkes Modell in Produktion keinen Return.

Data Governance ist die Voraussetzung

Governance im hier gemeinten Sinn ist die betriebswirtschaftliche Voraussetzung dafür, dass KI verlässlich rechnet: verbindliche Definitionen, benannte Verantwortliche, dokumentierte Datenflüsse und ein Prozess, der Fehler zurückspielt. Governance wird oft auf Compliance verengt. Das greift zu kurz.

Datenqualität als einmalige Vorarbeit zu behandeln ist der Denkfehler vieler Programme. Daten altern, neue Systeme kommen dazu und die Qualität verfällt, sobald niemand hinsieht.

Gewachsene Systeme, hohe Ansprüche

Im deutschen Mittelstand und Konzern trifft die KI-Ambition auf eine über Jahrzehnte gewachsene Systemlandschaft aus Migrationen, Zukäufen und Insellösungen. Genau dort sitzen die widersprüchlichen Stammdaten. Wenn eine KI eine Kreditentscheidung, eine Preisempfehlung oder eine Priorisierung vorschlägt, muss das Unternehmen erklären können, worauf sie beruht. Ohne Lineage wird das in der Produktion zum Governance- und Haftungsthema.

Was bricht

Verstreute Stammdaten in CRM, ERP, Buchhaltung und Fachanwendungen
Widersprüchliche Definitionen für denselben Begriff
Fehlende Ownership und fehlende Lineage

Was trägt

Einen kritischen Datenbereich mit hohem Geschäftswert wählen
Ownership und Kernbegriffe festschreiben
Lineage nachzeichnen, bevor das nächste Modell startet

Drei Bewegungen in den nächsten 90 Tagen

Einen kritischen Datenbereich auswählen. Ein Bereich mit hohem Geschäftswert reicht, etwa Kundenstammdaten. Ist-Zustand, Widersprüche und Systemquellen dokumentieren.

Ownership und Definitionen festschreiben. Eine verantwortliche Fachperson benennen und die Kernbegriffe verbindlich definieren. Ab hier gibt es eine Wahrheit pro Begriff.

Lineage sichtbar machen. Für diesen Bereich nachzeichnen, woher jeder Datenpunkt kommt und welche Schritte er durchläuft. Erst dann lässt sich ein KI-Ergebnis erklären und verteidigen. Wer diese Schritte ausspart und direkt ins Modell investiert, kauft sich eine Demo. Datenqualität ist die Bedingung, unter der KI überhaupt Geld verdient.

Häufig gestellte Fragen

Warum scheitern KI-Projekte häufiger an den Daten als am Modell?

Weil ein Modell nur so gut ist wie die Daten, die es sieht. Verstreute Stammdaten, widersprüchliche Definitionen und fehlende Nachvollziehbarkeit führen im echten Bestand zu falschen Ergebnissen. Im Piloten fällt das oft nicht auf, weil dort kuratierte Daten genutzt werden.

Was bedeutet Data Ownership konkret?

Data Ownership heißt, dass eine benannte Fachperson verbindlich für die Richtigkeit eines Datenbereichs verantwortlich ist, mit Mandat und Zeit. Das ist keine IT-Rolle.

Ist Datenqualität ein einmaliges Projekt?

Daten altern, neue Systeme kommen hinzu und Prozesse ändern sich. Datenqualität ist eine Dauerdisziplin mit festen Verantwortlichkeiten.

Warum reicht Compliance als Begründung für Governance nicht?

Governance wird oft auf Compliance verengt. Das greift zu kurz. Governance ist die betriebswirtschaftliche Voraussetzung dafür, dass KI verlässlich rechnet.

Wo beginnt die Arbeit in den nächsten 90 Tagen?

Mit einer ehrlichen Bestandsaufnahme. Einen kritischen Datenbereich mit hohem Geschäftswert auswählen, Ownership und Kernbegriffe festschreiben sowie die Lineage sichtbar machen.

Weiterlesen auf Digital Chiefs

Digital ChiefsOpenAI senkt Tokenpreise, Agenten fressen die Ersparnis Digital ChiefsSmart City in Einzelteilen: Jedes Amt hütet seine Daten Digital ChiefsCIO-Succession: warum interne Kandidaten verlieren

Mehr aus dem MBF Media Netzwerk