Schlechte Daten, schwache KI: Warum scheitern KI-Lösungen so oft an den KI-Daten?
21. August 2026 | Lesezeit: 11 Minuten
Produktmanager bei FIS
Viele Unternehmen wollen Künstliche Intelligenz (KI) schnell in ihre Geschäftsprozesse integrieren. In der Praxis hakt es aber oft schon vor der Einführung. Nicht die KI-Anwendung sorgt in erster Linie für Probleme, sondern die Datenbasis. Denn wenn Daten fehlen, nicht zusammenpassen oder fehlerhaft sind, liefert auch die beste KI keine guten Erkenntnisse.
KI-Systeme sollen Abläufe erleichtern, Arbeit einsparen und Entscheidungen schneller machen. Die Versprechen sind groß und der Wunsch dahinter auch berechtigt. Deshalb ist in vielen Organisationen der Druck hoch, bei dem Thema endlich loszulegen.
Trotzdem läuft der Einstieg in die Transformation oft holprig. Das liegt aber nicht immer an der Kraft der KI-Technologie. Häufig spielt etwas viel Grundsätzlicheres eine Rolle: das saubere Fundament an Daten. Die Realität trübt die anfängliche Euphorie genau dann, wenn es darum geht sich mit der Datenqualität auseinanderzusetzen.
Ein nüchterner Blick in die eigenen Systeme zeigt nicht selten ein chaotisches Bild: Informationen sind unvollständig, doppelt vorhanden, veraltet oder über mehrere Systeme verteilt.
Genau deshalb beginnt ein sinnvoller Umgang mit KI nicht beim Modell. Er beginnt bei der Frage, ob die zugrunde liegenden Daten überhaupt verlässlich und nutzbar sind.
Warum liefern KI-Modelle oft falsche oder wenig hilfreiche Ergebnisse?
KI-Anwendungen liefern falsche oder wenig hilfreiche Ergebnisse, weil die KI nur mit dem arbeiten kann, was sie bekommt. Wenn die Daten ungenau sind oder sich widersprechen, spiegelt sich das als Fehler im Ergebnis wider.
Viele Nutzer hoffen, dass Künstliche Intelligenz Ordnung in komplizierte Prozesse bringt. Das kann sie auch, aber nur bis zu einem gewissen Punkt. Wenn wichtige Informationen fehlen, Begriffe unterschiedlich verwendet werden oder mehrere Datenquellen nicht zusammenpassen, können auch KI-Modelle daraus keine verlässliche Interpretation schließen.
Im Geschäftsalltag zeigt sich häufig dieselbe Perspektive: Ein KI-System soll Produkte im Online-Shop besser auffindbar machen, aber wichtige Merkmale wie Beschreibungen fehlen. Es soll Anfragen von Kunden zusammenfassen, doch die Informationen dazu sind uneinheitlich. Es soll eine Datenanalyse oder Prognose liefern, obwohl alte und neue Daten durcheinander sind. Dann wirken die Antworten schnell ungenau oder beliebig. Getreu dem Motto: Garbage in, garbage out.
Welche Daten braucht Künstliche Intelligenz überhaupt?
KI benötigt nicht immer möglichst viele Daten, sondern die richtigen. Entscheidend ist, ob die Daten zum Ziel passen, vollständig sind und in einem brauchbaren Zusammenhang stehen.
Welche Daten eine KI braucht, hängt stark von der Aufgabe ab. Für eine Suche braucht sie andere Informationen als für eine Prognose oder Planung. Für die Bearbeitung von Serviceanfragen braucht sie andere Daten als für eine Produktempfehlung. Oft geht es um klassische Geschäftsdaten: Kunden, Produkte, Preise, Bestände, Aufträge oder Lieferzeiten.
Diese Daten liegen im Unternehmen vor, aber selten an einem einzigen Ort. Manche Informationen befinden sich im CRM, andere im Shop oder auf Online-Marktplätzen. Weitere Daten kommen aus Ticketsystemen oder Excel-Tabellen. Der größte Teil steckt zudem in zentralen IT-Systemen, zum Beispiel im SAP Cloud ERP.
Für KI reicht es deshalb nicht, einfach auf viele Quellen zuzugreifen. Die Daten müssen in einen gemeinsamen Zusammenhang gebracht werden. Genau dieser Gedanke steckt auch in den Methoden moderner Datenplattformen, wie der SAP Business Data Cloud: Daten aus verschiedenen Quellen sollen im Rahmen einer Datenaufbereitung verbunden, geordnet und nutzbar gemacht werden.
Warum sind Stammdaten für KI-Agenten so wichtig?
Stammdaten stellen für KI-Agenten verlässlichen Referenzpunkte dar, an denen sie sich orientieren. Enthalten diese Daten Fehler oder Widersprüche, übernehmen KI Agenten sie ungeprüft und tragen sie entlang ganzer Prozessketten weiter.
Stammdaten stehen selten im Mittelpunkt und bilden doch die zentrale Basis aller Unternehmensprozesse. Sie bestehen beispielsweise aus Kunden-, Lieferanten-, Material-, Maschinen- oder Produktdaten. Wenn dort etwas nicht stimmt, zieht sich das oft durch mehrere Bereiche.
Ein paar Beispiele: Ein Produkt ist in einem System anders benannt als im nächsten. Ein Kunde taucht doppelt auf. Eine Warengruppe ist falsch gepflegt. Solche kleinen Fehler führen in der Summe aber dazu, dass Auswertungen nicht korrekt sind, Prozesse ins Stocken geraten und KI-Modelle auf einer unsauberen Datengrundlage lernen oder arbeiten.
Darum ist die Stammdatenpflege die zentrale Voraussetzung für den erfolgreichen Einsatz von KI.
Braucht KI möglichst viele Daten, um gute Ergebnisse zu liefern?
Nein, eine große Datenmenge führt nicht automatisch zu guten KI-Ergebnissen. Viele Daten sorgen nur dann für einen Erkenntnisgewinn, wenn sie brauchbar sind und eine gute Qualität haben.
Daten sind in Organisationen meist nicht knapp – eher im Gegenteil – es gibt sehr viele davon. Aber sie sind über Jahre gewachsen, aus verschiedenen Quellen zusammengekommen und nicht immer sauber gepflegt. Dann wird auch aus Big Data nicht automatisch Datenqualität und die Potenziale von KI-Projekten bleiben ungenutzt.
Darum ist die wichtige Frage nicht: „Haben wir genug Daten?“ Sondern: „Sind unsere Daten sauber genug?“ Oft bringt eine kleinere, gut gepflegte Datenbasis mehr als ein großer, unübersichtlicher Bestand. Unternehmenslösungen für Stammdatenmanagement setzen deshalb nicht auf bloßes Sammeln, sondern auf Konsistenz, Regeln und Datenqualität.
Kostenlose KI-Orientierungs-Session buchen
Was wir in der Orientierungs-Session klären
Was bedeutet Datenqualität bei KI konkret?
Datenqualität heißt: Die Daten sind vollständig, richtig, aktuell und einheitlich. Und sie sind so beschrieben, dass Algorithmen oder unterschiedliche Bereiche mit ihnen arbeiten können.
Hinter dem Begriff Datenqualität steckt tatsächlich mehr als man denkt: Fehlen Werte? Gibt es Dubletten? Werden dieselben Begriffe unterschiedlich geschrieben? Sind Informationen veraltet? Stimmen Zuordnungen und Kategorien? Genau darum geht es.
Für KI ist das besonders wichtig, weil ein System solche Probleme nicht einfach mit gesundem Menschenverstand ausgleicht. Die Technologie verarbeitet nur Muster. Wenn diese Muster unklar sind, wird auch das Ergebnis inkorrekt. Die KI erfindet also den Fehler nicht, sie übernimmt ihn nur aus der fehlerhaften Dateneingabe.
Dazu kommt noch etwas anderes: Gute Daten müssen auch fachlich verständlich sein. Eine Zahl allein sagt wenig aus. Erst im passenden Zusammenhang wird sie wirklich aussagekräftig. Geht es um Umsatz, Bedarf, Bestand oder Produkteigenschaften? Ohne diese Zusatzinformationen bleibt selbst ein korrekter Wert unbrauchbar. Regeln, Prüfungen und klare Definitionen sind also die Grundlage für die Gewinnung von fundierten Erkenntnissen.
Wie bereite ich Daten für KI-Anwendungen richtig auf?
Um Daten für die KI-Nutzung aufzubereiten, müssen sie nicht nur gesammelt, sondern geordnet werden. Daten müssen bereinigt, vereinheitlicht und in einen klaren Zusammenhang gebracht werden.
Zuerst sollten Sie Ihre Daten kritisch hinterfragen und folgenden Aufgaben erledigen:
Danach geht es um eine langfristige Strategie für Struktur. Welche Felder werden benötigt? Welche Werte sind erlaubt? Wer darf was pflegen? Und wann gilt ein Datensatz als vollständig?
Erst dann wird aus vielen Einzelteilen eine Datenbasis, mit der KI-Modelle sinnvoll arbeiten können. Auch moderne Softwarelösungen folgen genau diesem Prinzip: erst harmonisieren, dann auswerten, dann automatisieren.
Wie bringe ich Daten aus verschiedenen Systemen zusammen?
Eine Zusammenführung von Daten aus unterschiedlichen Systemen erfolgt durch klare Regeln. Verschiedene Quellen müssen fachlich zusammenpassen und nicht nur technisch verbunden sein.
In fast jedem Unternehmen kommen Daten aus mehreren Richtungen, egal ob Dienstleistung- oder Industrie-Unternehmen. Kundeninformationen liegen im CRM, Bestände im Warenwirtschaftssystem, Aufträge im ERP-System und Servicefälle in einem Tickettool. Dazu kommen oft Excel-Dateien, Exporte oder Speziallösungen aus einzelnen Fachbereichen.
Technisch kann man diese Quellen mithilfe passender Schnittstellen zusammenführen. Ein großer Teil der Arbeit beginnt erst danach. Und war durch den Aufbau von Strukturen und Leitlinien im Umgang mit den Unternehmensdaten. Dafür sollten Sie klare Regeln definieren: Welche Quelle ist führend? Welche Begriffe meinen dasselbe? Welche Daten sind aktuell? Und wie werden Unterschiede aufgelöst?
Wie lässt sich KI datenschutzkonform einsetzen?
KI sollte beim Thema Datenschutz nicht als Sonderwelt gesehen werden. Die DSGVO gilt auch hier. Sobald personenbezogene Daten im Spiel sind, greifen die üblichen Regeln.
Das Thema Datenschutz wird beim Wettlauf um KI-Lösungen manchmal vergessen, weil bei KI gern vorrangig über Modelle, Assistenten und Automatisierung gesprochen wird. Am Ende arbeiten KI-Modelle aber mit Daten. Und darunter können auch personenbezogene Informationen sein, etwa Namen, Kontaktdaten, Nutzungsdaten oder Angaben aus Service- und Vertragsprozessen.
Die DSGVO macht hier auch im KI-Zeitalter keinen Sonderweg für KI auf. Die Europäische Kommission betont ausdrücklich, dass der Datenschutz technologie-neutral ist. Er gilt also auch dann, wenn moderne KI-Agenten eingesetzt werden. Unternehmen müssen daher weiterhin klären, welche Daten verarbeitet werden, wofür das geschieht und auf welcher Grundlage das zulässig ist.
Wichtig ist außerdem der Umgang mit automatisierten Entscheidungen. Menschen sollen nicht Entscheidungen ausgeliefert sein, die nur auf automatisierter Verarbeitung beruhen und gegebenenfalls rechtliche oder ähnlich starke Risiken nach sich ziehen. Gerade in sensiblen Fällen bleibt menschliche Prüfung also unerlässlich.
Womit sollte ich beim Einstieg in KI anfangen?
Beim Einstieg in KI sollte man nicht mit dem größten Versprechen, sondern mit dem saubersten Startpunkt loslegen. Ein kleiner, klarer Anwendungsfall ist oft besser als die große eigene Entwicklung.
Viele Unternehmen wollen am Anfang zu viel auf einmal. Dann soll KI gleichzeitig Prozesse beschleunigen, Wissen zugänglich machen, Entscheidungen verbessern und Kosten senken. Das ist oft zu groß gedacht.
Besser ist ein überschaubarer Einstieg in einem Bereich, in dem Daten schon recht ordentlich vorliegen und der direkte Nutzen sichtbar ist. Es sollte sich um eine einfache Fragestellung handeln, die nicht gleich das ganze Unternehmen umbaut. So lässt sich schneller erkennen, ob die Datenbasis trägt und wo noch Lücken sind.
Dieser Weg ist oft klüger als die große KI-Offensive. Denn wer klein startet, lernt schneller.
Warum entscheidet am Ende die Datenbasis über den KI-Nutzen?
Die Datenbasis entscheidet über den Nutzen von KI, weil KI nicht automatisch Unordnung in den Stammdaten beseitigt. Sie arbeitet besser, wenn die Grundlage stimmt.
Viele KI-Projekte scheitern nicht mit einem großen Knall, sondern verlaufen einfach im Sand. Die ersten Ergebnisse sehen zwar vielversprechend aus, aber im Alltag bringen Sie zu wenig Vorteile. Der Fachbereich bleibt bei dem Thema vorsichtig. Die IT muss immer mehr nacharbeiten. Und am Ende ist die Enttäuschung größer als der Nutzen.
Der Grund liegt oft in Daten, die nicht sauber gepflegt, nicht verbunden oder nicht klar eingeordnet sind. Genau deshalb lohnt es sich, hier zuerst hinzusehen.
Wer KI sinnvoll nutzen will, sollte sich also nicht als Erstes fragen, welches Modell gerade besonders stark ist. Die bessere Frage ist oft viel grundlegender: Wie gut sind unsere Daten wirklich?
AI4ME Workshopreihe
Sie möchten Künstliche Intelligenz sinnvoll und gewinnbringend in Ihrem Unternehmen einsetzen? Mit unseren neuen AI4ME Workshop-Paketen holen wir Sie genau dort ab, wo Sie aktuell stehen – ganz gleich, ob Sie sich noch in der Orientierungsphase befinden oder bereits konkrete AI‑Initiativen verfolgen. Wählen Sie einfach den für Sie passenden Baustein.
Fragen zu diesem Thema? Unser Team hilft Ihnen gerne persönlich weiter.
Lesen, Anschauen, Informieren
In unserem Downloadbereich finden Sie eine große Auswahl an wissenswerten Inhalten rund um SAP – Expert-Talks, Whitepaper, Flyer. Um direkt zu finden, was Sie suchen, nutzen Sie die Filterfunktion für Themen und Content-Art.
Podcast
What´s SAP? gibt kurze Antworten auf komplexe Fragen rund um SAP. Er ist für alle, die in ihrem Berufsalltag wenig Zeit, aber Lust auf spannende Inhalte für zwischendurch haben – ob während der Fahrt, in der Kaffeepause oder zwischen zwei Terminen.
Blog
Unsere Blog-Autoren und Gastautoren halten für Sie stets Augen und Ohren offen, um über aktuelle Trends und Geschehnisse am Markt zu schreiben. Reinschauen lohnt sich!
