Worum es hier geht – und worum nicht
Bevor wir über „KI-Probleme“ sprechen, zwei klare Abgrenzungen:
Dieser Beitrag handelt nicht von Material- oder Produktdaten (z. B. Stücklisten, Produktionsparameter) und nicht von Sensorik/IoT, Computer Vision oder KI „an der Maschine“.
Es geht um den Bereich, in dem KI in Unternehmen am häufigsten im Alltag hängen bleibt: Kunden- und Organisationsdaten – also Accounts, Hierarchien, Standorte, Ansprechpartner, Verträge und deren Beziehungen über CRM, ERP und Service-Systeme hinweg.
Warum das so entscheidend ist: KI soll in Business-Prozessen nicht nur „Antworten generieren“, sondern zuordnen, entscheiden und handeln. Und dafür braucht sie Daten, die im Betrieb eindeutig und konsistent sind.
PoC top – Go-Live zäh: Das Muster, das wir gerade überall sehen
Viele KI-Initiativen starten stark: Proof of Concept, Pilot, erste Demos. In dieser Phase werden Datenlücken oft stillschweigend überbrückt: jemand ergänzt Felder, mappt IDs, bereinigt Dubletten „für den Test“.
Beim Go-Live ändert sich das Spiel. Die KI trifft auf die echte Datenlandschaft – und aus „automatisiert“ wird „Ausnahmeprozess“.
Eine BARC-Umfrage („Lessons from the leading edge“, 408 Befragte) unterstreicht diese Realität: 44% nennen Datenqualität als KI-Hindernis – gegenüber 19% im Vorjahr.
Woran man es merkt: Wenn „triviale“ KI-Aufgaben scheitern
Gerade die scheinbar einfachen Automationen entlarven das Problem am schnellsten:
Beispiel 1: Support-Zusammenfassung
„Erstelle eine Zusammenfassung: Wer ist der Kunde, was ist passiert, was ist offen?“ (CRM + Ticket + ERP)
Klingt simpel – bis CRM, Ticket-System und ERP unterschiedliche Kunden-Realitäten haben.
Beispiel 2: Ticket korrekt zuordnen
„Öffne ein Ticket und ordne es dem richtigen Kunden, Standort und Vertrag zu.“ (Ticket-System + CRM + Vertragsdaten)
Funktioniert nur, wenn Kunde/Standort/Vertrag eindeutig und konsistent verknüpft sind.
Das Ergebnis ist immer ähnlich: KI wird nicht zur Entlastung, sondern zur Quelle von Rückfragen, Korrekturen und Misstrauen.
Warum gerade Kundendaten so kritisch sind
Kunden- und Organisationsdaten sind in vielen Unternehmen gleichzeitig geschäftskritisch, verteilt und historisch gewachsen:
- geschäftskritisch (Pipeline, Umsatz, Service-Level, Abrechnung)
- verteilt (CRM, ERP, Service, Marketing-Tools, Excel)
- organisch gewachsen (M&A, Regionen, unterschiedliche Prozesse)
- beziehungsgetrieben (Account ↔ Organisation ↔ Standort ↔ Vertrag ↔ Ansprechpartner)
KI kann mit „unvollständig“ oft umgehen. Mit „widersprüchlich“ und „nicht eindeutig“ deutlich schlechter – besonders, wenn die KI Aktionen in Prozessen auslösen soll.
Die häufigsten Ursachen in der Praxis
Bei Kunden-/Organisationsdaten sehen wir immer wieder dieselben Muster:
- Fehlende Informationen
Leere Pflichtfelder, fehlende Ansprechpartner, unvollständige Stammdaten - Falsch befüllte Felder
Branche/Region/Segment „irgendwie“ gepflegt → schlechte Ableitungen - Daten in Silos
CRM sagt A, ERP sagt B, Service sagt C → keine klare „Quelle der Wahrheit“ - Kein einheitliches Datenmodell
Gleicher Begriff, andere Bedeutung (Account/Kunde/Standort/Mandant) - Dubletten & widersprüchliche Zuordnungen
„Wer gehört zu wem?“ → genau hier kippen KI-Prozesse
Der Kern: KI braucht ein „betriebsfähiges Umfeld“
Ein Satz von Shawn Rogers & Merv Adrian (BARC) bringt es auf den Punkt:
“AI success isn’t about building a single great model. It’s about building an environment where great models can thrive.”
Für KI in Business-Prozessen heißt dieses Umfeld vor allem: Identitäten, Beziehungen, Vollständigkeit – plus laufende Kontrolle im Betrieb.
Vier Säulen, die KI-Prozesse stabil machen (Fokus Kundendaten)
1) Eindeutige Identitäten (Golden Record)
KI muss entscheiden können: Ist das derselbe Kunde – ja oder nein?
Dazu braucht es Regeln für Matching, Konsolidierung und klare Prioritäten von Quellen.
Praktische Leitfrage:
Welche Datensicht gilt als „Kunde“ – und nach welchen Regeln?
2) Klare Beziehungen & Hierarchien
Kunde ↔ Organisation ↔ Standort ↔ Vertrag ↔ Ansprechpartner
Wenn diese Beziehungen fehlen oder inkonsistent sind, wird jede Automatisierung fehleranfällig.
Praktische Leitfrage:
Welche Beziehungen müssen für unsere Kernprozesse immer stimmen?
3) Vollständigkeit dort, wo es wirklich zählt
Nicht „alles perfekt“, sondern: Die wenigen kritischen Felder, die Prozesse tragen, müssen zuverlässig sein (z. B. Vertrag, Standort, Zuständigkeit, Status).
Praktische Leitfrage:
Welche 10–20 Felder entscheiden über 80% unserer Prozessqualität?
4) Quality Checks & Monitoring als Standard im Betrieb
Datenqualität ist kein einmaliger Frühjahrsputz. Wenn KI läuft, muss Qualität messbar und überwachbar sein: Dublettenrate, Pflichtfeld-Füllgrade, Konsistenzregeln, Drift.
Praktische Leitfrage:
Woran merken wir in 2 Wochen, dass die Daten wieder kippen?
Smart statt Mammutprojekt: So kommen Sie ins Handeln
Der häufigste Fehler ist: „Wir müssen erst alle Daten bereinigen.“ Das dauert – und blockiert Wertschöpfung.
Pragmatischer ist ein KI-naher Ansatz:
- 1–2 Prozesse auswählen, die KI stabil unterstützen soll (z. B. Ticket-Triage, Account Insights, Lead Routing)
- Schlüsselfelder + Beziehungen ableiten (Critical Data Elements)
- Status quo messen (Vollständigkeit, Dubletten, Konsistenz, Quellkonflikte)
- 1–2 Hebel umsetzen, die den größten Effekt haben (meist Golden Record + Beziehungsmapping)
- Monitoring etablieren, damit es im Betrieb stabil bleibt
So entsteht schnell sichtbarer Nutzen – und KI bleibt im Alltag zuverlässig.
Mini-Check: Datenproblem oder Modellproblem?
Wenn Sie bei mehreren Punkten nicken, lohnt der Blick in die Kundendaten:
- KI kann Kunden/Standorte/Verträge nicht eindeutig zuordnen
- Dubletten oder widersprüchliche Account-Strukturen sind normal
- zentrale Beziehungen fehlen (z. B. Standort ↔ Vertrag ↔ Ansprechpartner)
- CRM/ERP/Service liefern unterschiedliche Wahrheiten
- KI-Automationen enden regelmäßig im manuellen Ausnahmeprozess
Fazit
Wenn KI in Business-Prozessen „plötzlich“ stockt, liegt das häufig nicht an der KI. Es liegt daran, dass Kundendaten nicht eindeutig, nicht verknüpft oder nicht betriebssicher überwacht sind.
Die gute Nachricht: Die größten Fortschritte kommen oft aus wenigen, klaren Hebeln: Golden Record, Beziehungen/Hierarchien, kritische Vollständigkeit und Monitoring.
Was Sie sofort tun können
Möchten Sie wissen, welcher Datenhebel bei Ihren Kunden-/Organisationsdaten den größten Effekt hat?
Dann lassen Sie uns in 30 Minuten gemeinsam draufschauen – mit Fokus auf die Prozesse, die Sie mit KI stabilisieren wollen.
