Daten-Müll rein, KI-Müll raus: Warum Prozesse über Tools entscheiden

Vor ein paar Wochen rief mich ein Bekannter an. Mittelständler, 80 Leute, produzierendes Gewerbe. Er hatte 20.000 Euro in ein KI-System investiert — „KI-Assistent für die Auftragsannahme“ — und nach drei Monaten war das Ding im Keller.

„Weißt du, was der mir geliefert hat?“, fragte er. „Falsche Produktzuordnungen. Rechnungen, die an den falschen Kunden gingen. Und Liefertermine, die um Wochen daneben lagen. Am Ende haben wir's wieder abgeschaltet.“

Ich hab mir die Daten angesehen. Und was soll ich sagen? Das System war nicht das Problem. Die Technologie funktionierte einwandfrei. Der Fehler lag eine Ebene tiefer: Seine Daten waren ein Chaos. Kunden-Adressen in drei Systemen, Produktnamen mal mit, mal ohne Bindestrich, und in der Auftragshistorie fehlten 30 Prozent der Einträge.

Die KI hat mit dem gearbeitet, was sie vorgefunden hat — und genau das war das Problem.

Garbage in, garbage out — ein alter Hut, den keiner aufsetzt

Den Begriff „Garbage in, garbage out“ kennen IT-Leute seit den 60ern. Trotzdem wird er in fast jedem zweiten KI-Projekt ignoriert.

Die Zahlen sind vernichtend:

• 60 Prozent aller KI-Projekte werden laut Gartner bis Ende 2026 abgebrochen, weil die Datenbasis nicht taugt.
• Die RAND Corporation hat 2025 dokumentiert, dass 80 Prozent der Enterprise-KI-Projekte ihren Business-Wert nicht liefern.
• Bei 94 Prozent der gescheiterten Projekte war mangelnde Datenqualität die Hauptursache.

Seit August 2026 sind die Data-Governance-Regeln des EU AI Act für Hochrisiko-KI in Kraft. Strafen: bis zu 35 Millionen Euro oder sieben Prozent des weltweiten Jahresumsatzes. Klingt nach Grosskonzern-Thema? Ist es nicht. Mittelständler, die KI im Rechnungswesen oder in der Kundenkommunikation einsetzen, fallen darunter.

Und trotzdem: Nur 12 Prozent der Organisationen haben laut Gartner Daten in einer Qualität, die KI-tauglich ist. Die übrigen 88 Prozent bauen auf einem Fundament, das nicht trägt. Das ist, als würde man einen Wolkenkratzer auf eine Sanddüne stellen — und sich wundern, dass er schief steht.

Wo der Schuh wirklich drückt

Im Gespräch mit Mittelständlern höre ich immer wieder die gleichen drei Probleme:

1. Daten in zehn Systemen verstreut

ERP, CRM, Excel, SharePoint, E-Mail-Postfächer — die Daten eines typischen 50-Personen-Betriebs liegen auf fünf bis zehn verschiedenen Plattformen. Keine Schnittstelle, kein gemeinsames Datenmodell, keine Synchronisation.

Stell dir vor, du willst deinen KI-Assistenten fragen: „Wann war der letzte Kontakt mit der Müller GmbH?“ — und die Antwort hängt davon ab, ob der Vertrieb das Treffen im CRM notiert hat, der Support eine E-Mail an die persönliche Adresse geschickt hat oder die Buchhaltung die Rechnung im ERP kommentiert hat. Die KI müsste also drei Systeme gleichzeitig durchsuchen, unterschiedliche Formate verstehen und am Ende raten, ob die Information vollständig ist.

Tut sie nicht. Sie nimmt das, was im trainierten Datensatz liegt, und liefert eine Antwort, die plausibel klingt — aber falsch sein kann.

2. Inkonsistente Formate und Schreibweisen

„Müller GmbH“, „Müller GmbH & Co. KG“, „Müllers GmbH“, „Mueller GbR“ — alles der gleiche Kunde? Für einen Menschen offensichtlich. Für eine KI, die auf exakte Mustererkennung trainiert ist, sind das vier verschiedene Entitäten.

Klingt banal, hat aber handfeste Konsequenzen: Ein KI-Agent, der Angebote auf Basis dieser Daten erstellt, erzeugt entweder Dubletten — oder verpasst den Kunden ganz. Und die Krönung: Niemand merkt es, weil die Ausgabe formal korrekt aussieht.

3. Kein Prozesseigentümer für Daten

Das grösste Problem ist nicht technisch. Es ist organisatorisch.

In den meisten Mittelständlern pflegt keiner die Daten. Die Buchhaltung gibt Rechnungen ein, der Vertrieb pflegt Adressen, die Produktion erfasst Arbeitszeiten — aber niemand ist dafür verantwortlich, dass die Daten stimmig, vollständig und aktuell bleiben. Datenpflege ist eine ungeliebte Zusatzaufgabe, die zwischen Tür und Angel erledigt wird.

Und dann wundert man sich, wenn der KI-Assistent fantasiert.

Woran du erkennst, dass deine Daten nicht reif sind — 5 Warnsignale

Bevor du überhaupt mit der Analyse anfängst, kannst du an ein paar Symptomen erkennen, ob deine Daten ein Problem sind:

1. Du hast keine Antwort auf die Frage: „Welche Daten haben wir eigentlich?“ Klingt absurd, ist aber der Normalfall. Frag mal deinen Vertrieb, deine Buchhaltung und deine IT — die nennen dir drei verschiedene Zahlen.

2. Excel ist dein führendes System. Wenn der wichtigste Datensatz deines Unternehmens in einer Datei namens „Endfassung_final_2.xlsx“ steckt, hast du ein Datenproblem.

3. Deine Mitarbeiter verbringen mehr Zeit mit Datenpflege als mit ihrer eigentlichen Arbeit. Ich hab einen Betrieb gesehen, da hat eine Angestellte jeden Montag zwei Stunden damit verbracht, Excel-Listen aus dem ERP zu korrigieren. Zwei Stunden pro Woche — für die Arbeit, die ein fehlerhaftes System hinterlässt.

4. Du traust deinen eigenen Reports nicht. Wenn dein monatlicher Kennzahlen-Report regelmäßig korrigiert wird, weil „irgendwas nicht stimmt“ — dann weiss dein Bauch schon längst, dass die Datenbasis nicht sauber ist.

5. Deine Kunden melden sich, weil Rechnungen oder Angebote falsch sind. Das ist das teuerste Warnsignal. Wenn es einmal passiert, kostet es nicht nur Zeit, sondern auch Kundenvertrauen.

Trifft einer dieser Punkte zu? Dann stopp, bevor du ein KI-Tool kaufst. Kein noch so gutes System wird diese Probleme lösen — es wird sie beschleunigen.

Die 5 Qualitätsdimensionen — kurz und schmerzlos

Bevor du ein KI-Projekt startest, prüf deine Daten auf fünf Kriterien. Die DAMA-Dimensionen, runtergebrochen auf das, was wirklich zählt:

Praxis-Tipp: Prüf nicht alle fünf auf einmal. Such dir den Use Case raus, den du als erstes umsetzen willst — und check genau die Daten, die dieser Use Case braucht. Alles andere kommt später.

Ich hab mit einem Steuerberater gearbeitet, der einen KI-Agenten für die Rechnungsklassifizierung wollte. Statt alle 10.000 Belege aufzubereiten, haben wir nur die Felder bereinigt, die der Agent tatsächlich braucht: Rechnungsnummer, Betrag, Datum, Kategorie. Das waren drei Stunden Arbeit — kein dreimonatiges Grossprojekt.

Der 4-Schritte-Plan: Vom Daten-Chaos zur KI-Reife

Ein kompletter Daten-Hygiene-Prozess kann Monate dauern. Aber für ein konkretes KI-Vorhaben reicht ein fokussierter Ansatz.

Schritt 1: Das richtige Use Case finden

Nicht jedes KI-Projekt scheitert an den Daten — manche scheitern schon am falschen Anwendungsfall. Frag dich: Welcher Prozess kostet dich jeden Monat die meiste Zeit? Wo sind die Daten am saubersten? Wo wäre der ROI am grössten?

Mein Rat: Fang nicht mit dem spektakulärsten Use Case an. Fang mit dem einfachsten. Ein KI-Assistent für die Terminvergabe braucht weniger Datenqualität als einer für die automatische Rechnungsprüfung. Hol dir den ersten Erfolg, dann geh weiter.

Warum Prozesse zuerst kommen — und nicht das Tool

Hier ist der Punkt, um den sich alles dreht: Das Tool ist nie das Problem. Der Prozess ist es.

Ich erlebe immer wieder Unternehmen, die ein KI-Tool kaufen und hoffen, dass es ihre Arbeitsabläufe von allein verbessert. Funktioniert nicht. Ein KI-Assistent bildet den bestehenden Prozess ab — mit all seinen Fehlern, Brüchen und Inkonsistenzen. Wenn der Prozess schon kaputt ist, wird die KI ihn nicht reparieren. Sie wird ihn schneller ausführen. Das ist kein Fortschritt.

Konkretes Beispiel: Ein Dienstleister wollte einen KI-Agenten für die Rechnungsprüfung. Der Prozess war: Eingehende Rechnung → manuelle Erfassung im ERP → Freigabe durch Abteilungsleiter → Zahlung. Klingt simpel. Aber in der Praxis gab es drei verschiedene Wege, wie Rechnungen ins ERP kamen (E-Mail-Anhang, Scan, Direkteingabe), zwei verschiedene Freigaberegeln („bis 500 Euro“ und „alles was komisch aussieht“) und keine einheitliche Prüfliste.

Eine KI, die auf diesen Prozess losgelassen wird, lernt genau diese Chaos-Prozesse. Sie automatisiert die Inkonsistenz. Das Ergebnis: 30 Prozent der Rechnungen werden falsch zugeordnet, aber dreimal so schnell wie vorher.

Die Reihenfolge ist entscheidend: Erst den Prozess standardisieren und die Daten bereinigen, dann das KI-Tool draufsetzen. Wer diese Reihenfolge ignoriert, verbrennt Geld — und verliert das Vertrauen seiner Mitarbeiter in die Technologie.

Schritt 2: Dateninventur machen

Bevor du einen Cent in KI investierst, beantworte diese fünf Fragen:

1. Welche Datenquellen braucht mein KI-Use-Case?
2. Wo liegen diese Daten aktuell?
3. Wer pflegt sie?
4. Sind die Daten vollständig, konsistent, aktuell?
5. Darf ich diese Daten für diesen Zweck nutzen?

Die letzte Frage ist keine Formalität. Seit August 2026 gelten die EU-AI-Act-Regeln zur Daten-Governance. Für viele Mittelständler bedeutet das: Kein KI-Training mehr mit Kunden-Adressen oder Rechnungsdaten, ohne sauber dokumentierte Rechtsgrundlage. Wer das überspringt, spart kurzfristig Zeit — und riskiert langfristig Strafen.

Schritt 3: Datenqualität prüfen (mit Stichprobe)

Nimm 100 echte Datensätze aus deinem Use Case und geh sie von Hand durch. Check die fünf DAMA-Dimensionen. Ist die Fehlerquote unter zehn Prozent? Gratulation, du kannst starten. Darüber? Dann investier eine Woche in die Bereinigung — das ist günstiger als drei Monate in ein gescheitertes KI-Projekt.

Wichtig: Check nicht nur, ob die Daten vollständig sind. Prüf auch, ob die Formate einheitlich und die Werte plausibel sind. Ein Datensatz, der zu 100 Prozent ausgefüllt ist, aber in drei verschiedenen Währungen Beträge führt, ist genauso unbrauchbar wie einer mit Lücken.

Was viele nicht wissen: Gute Datenqualität ist kein einmaliges Projekt — sie muss laufend gemessen werden. Wer das nicht etabliert, landet nach sechs Monaten wieder im Chaos. Das ist wie Zähneputzen: Einmal gemacht reicht nicht, es muss zur Gewohnheit werden.

Schritt 4: Pilot starten — mit harten Abbruchkriterien

Jetzt erst kommt die Technologie. Aber auch hier gilt: Nicht einfach loslegen. Definier vorher:

• Ein konkretes Erfolgskriterium: Zum Beispiel „30 Prozent weniger manuelle Rechnungsprüfung“ oder „Antwortzeit unter 30 Sekunden“
• Eine Baseline: Wie ist der Wert heute?
• Ein Abbruchdatum: Wenn der Pilot nach vier Wochen keine messbare Verbesserung liefert — stoppen, analysieren, neu ansetzen.

Das klingt nach Bürokratie, ist es aber nicht. Es ist Versicherung gegen das, was 80 Prozent aller KI-Projekte erleben: viel Aufwand, null Ergebnis.

Exkurs: Was der EU AI Act für deine Daten bedeutet

Seit August 2026 sind die Data-Governance-Regeln des EU AI Act für Hochrisiko-KI-Systeme in Kraft. Die Anforderungen:

• Datenqualität dokumentieren: Du musst nachweisen können, dass deine Trainingsdaten vollständig, korrekt und repräsentativ sind.
• Daten-Governance nachweisen: Herkunft, Zweck und Verarbeitungsschritte der Daten müssen transparent sein.
• Rechtsgrundlage für Datenverarbeitung: DSGVO-konforme Einwilligung oder berechtigtes Interesse für jeden Datensatz.

Klingt nach Overkill? Ist es für viele Mittelständler auch. Aber die gute Nachricht: Die meisten KMU nutzen gar keine Hochrisiko-KI-Systeme im Sinne des AI Act. Typische KI-Assistenten für Rechnungsbearbeitung, Terminplanung oder Kundenanfragen fallen nicht darunter — solange sie keine automatisierten Entscheidungen mit rechtlicher Wirkung treffen.

Trotzdem: Ein sauberes Datenfundament ist nie falsch. Wer jetzt aufräumt, spart später viel Ärger — und ist für die nächste Regulierungswelle 2027 gewappnet.

Was Agenturen und Tool-Verkäufer dir nicht sagen

Hier kommt der Teil, den ich als raspb-Kollege ziemlich ehrlich sagen muss:

90 Prozent der KI-Beratung verkauft dir zuerst das Tool. Nicht die Datenbasis. Das ist kein Zufall — Tools sind glänzend, Datenbereinigung ist staubig. Ein KI-Assistent lässt sich in einer Demo in zehn Minuten präsentieren. Die Aufräumarbeit an den Daten? Die siehst du nicht, die kostet Zeit und denkst du nicht dran — bis es schiefgeht.

Ich hab mit einem Unternehmen gearbeitet, das 50.000 Euro in eine KI-Plattform investiert hat, bevor jemand auf die Idee kam, die zugrundeliegenden Daten zu prüfen. Nach drei Monaten war klar: 70 Prozent der Daten im CRM waren veraltet oder doppelt. Die Plattform konnte gar nicht funktionieren.

Mein Rat: Stell die Frage vor dem Kauf. Nicht: „Welches KI-Tool ist das beste?“ Sondern: „Welche Daten braucht mein Use Case — und sind sie bereit?“

Wenn dein Berater diese Frage nicht beantworten kann oder will — lauf.

Fazit: Die beste KI der Welt ist nichts wert ohne gute Daten

KI ist kein Zaubermittel. Sie macht nicht aus schlechten Daten gute Ergebnisse — sie macht aus schlechten Daten schnell schlechte Ergebnisse. Der Unterschied: Früher hat ein Mitarbeiter eine Stunde gebraucht, um einen fehlerhaften Report zu erstellen. Heute macht der KI-Assistent das in drei Minuten — und liefert den Murks 20-mal schneller.

Ich will damit nicht sagen, dass du keine KI brauchst. Im Gegenteil: Die Unternehmen, die es richtig machen, werden einen massiven Vorsprung bekommen. Aber „richtig machen“ heisst: zuerst die Daten und Prozesse in Ordnung bringen, dann die Technologie.

Als raspb gehen wir genau diesen Weg: Wir checken deine Datenbasis, bevor wir einen KI-Agenten bauen. Nicht aus Altruismus — sondern weil es uns Arbeit spart. Wir haben keinen Bock auf Projekte, die nach drei Wochen im Sand verlaufen, weil die Stammdaten nicht stimmen.

Du willst wissen, ob deine Daten KI-tauglich sind? Schick mir eine Nachricht. Ich check das in einer Stunde — und sag dir ehrlich, wo du stehst. Versprochen.