Es gibt einen Satz, der in fast jedem AI-Rückblick fällt, wenn das Ergebnis enttäuscht hat: Die Datenqualität war schlechter als gedacht. Die Fachpresse benennt den Engpass inzwischen offen – aktuelle und strukturierte Daten zünden bei KI den Turbo, doch punktuelle Lösungen scheitern an fehlender Datenbasis, unklaren Verantwortlichkeiten und lückenhafter Integration. Unsere Zuspitzung dazu: AI ist ein Multiplikator. Sie multipliziert die Qualität Ihrer Daten – und Multiplikation macht aus einer schwachen Basis kein starkes Ergebnis, sondern schnellere, überzeugender formulierte Fehler.
Datenqualität ist keine IT-Kennzahl. Sie ist eine Prozesseigenschaft.
Der verbreitete Irrtum beginnt bei der Zuständigkeit: Datenqualität wird als IT-Thema geführt, gemessen in Vollständigkeitsquoten, adressiert in Bereinigungsprojekten. Die Realität ist unbequemer – schlechte Daten entstehen in Prozessen, nicht in Datenbanken. Der Kreditor mit drei Schreibweisen entsteht im Einkauf, der Kunde mit zwei Adressen im Vertrieb, das Produkt mit widersprüchlichen Attributen in der Migration von vor acht Jahren. Ein Bereinigungsprojekt ohne Prozessänderung ist deshalb ein Abo: Dieselben Fehler laufen nach dem Projektende wieder auf, nur mit frischem Datum.
AI verschärft die Konsequenzen dieser alten Wahrheit auf drei Ebenen. Erstens bei Agenten: Autonome Prozesse destabilisieren bereits bei kleinen Dateninkonsistenzen – widersprüchliche Statusstände zwischen Kernsystem und AI-Schicht sind der häufigste Grund, warum Piloten den Produktivbetrieb nicht erreichen. Zweitens bei Wissenssystemen: Ein RAG-System zitiert die veraltete von drei Dokumentversionen mit Quellenangabe – der Fehler wird glaubwürdiger statt sichtbarer. Drittens regulatorisch: Ob Empfängerabgleich im Zahlungsverkehr, wo unsaubere Kreditorenstammdaten heute messbar Zahlläufe ausbremsen, oder Daten-Governance-Anforderungen des AI Act für Hochrisiko-Systeme – die Aufsicht macht Datenqualität zur Prüffrage, nicht zur Fleißaufgabe.
Und trotzdem raten wir von der naheliegenden Antwort ab: dem großen Datenqualitätsprogramm über alle Domänen. Es teilt das Schicksal aller Großprogramme – drei Jahre Laufzeit, abstrakte Ziele, und am Ende hat sich die Systemlandschaft schneller geändert als die Datenlage.
Der wirksame Weg: Datenqualität je Use Case, mit Eigentümer und Kennzahl
Was funktioniert, ist die Kopplung an konkreten Wert. Jeder AI-Use-Case definiert präzise, welche Datenobjekte er in welcher Qualität braucht – und genau diese werden ertüchtigt: Quelle konsolidiert, Eigentümer benannt, Erfassungsprozess korrigiert, Qualitätskennzahl ins Regelreporting. Der Use Case bezahlt die Datenarbeit über seinen Nutzen, und die ertüchtigten Daten bleiben als Fähigkeit für alles Weitere – dieselbe Wiederverwendungslogik, die gute Portfolios auszeichnet. So entsteht Domäne für Domäne eine belastbare Datenbasis, gezogen vom Wert statt geschoben vom Programm.
Drei Elemente machen den Unterschied zwischen Anspruch und Wirkung. Erstens die Eigentümerschaft: Jede kritische Datendomäne – Kunde, Vertrag, Produkt, Kreditor – hat genau einen fachlichen Eigentümer mit Entscheidungsrecht; geteilte Verantwortung ist keine. Zweitens die Messung am Verwendungszweck: Nicht „95 Prozent Feldvollständigkeit“, sondern „Aussteuerungsquote der Dunkelverarbeitung“, „Close-Match-Quote im Zahllauf“, „Anteil korrekter AI-Antworten im Testset“ – Kennzahlen, die der Vorstand versteht, weil sie Geld bedeuten. Drittens die Korrektur an der Quelle: Jeder gefundene Fehler löst zwei Tickets aus – eines für den Datensatz, eines für den Erfassungsprozess, der ihn erzeugt hat. Nur das zweite beendet das Abo.
Der Einstieg: eine Domäne, vier Wochen, eine Zahl
Konkret: Nehmen Sie die Datendomäne Ihres wichtigsten geplanten AI-Use-Case. Messen Sie vier Wochen lang eine einzige verwendungsbezogene Kennzahl. Benennen Sie den Eigentümer. Korrigieren Sie die drei häufigsten Fehlerquellen im Erfassungsprozess. Messen Sie erneut. Diese eine durchgezogene Schleife überzeugt jedes Gremium schneller als jede Data-Governance-Präsentation – weil sie zeigt, dass Datenqualität kein Zustand ist, den man kauft, sondern eine Disziplin, die man betreibt.
Ihre AI wird so gut sein wie Ihre Daten. Die gute Nachricht: Daten sind der Teil, den Sie vollständig selbst kontrollieren. Wenn Sie die erste Domäne auswählen wollen: Sprechen Sie uns an.
Häufige Fragen zur Datenqualität
Warum ist Datenqualität für AI so entscheidend?
Weil AI die Qualität ihrer Eingangsdaten multipliziert: Agenten destabilisieren bei inkonsistenten Datenständen, Wissenssysteme zitieren veraltete Dokumentversionen mit Quellenangabe, und Modelle formulieren aus schwachen Daten überzeugend klingende Fehler. Der häufigste Grund gescheiterter AI-Piloten ist nicht das Modell, sondern die Datenbasis.
Wie misst man Datenqualität sinnvoll?
Am Verwendungszweck statt an abstrakten Vollständigkeitsquoten: Aussteuerungsquote der automatisierten Verarbeitung, Fehlerquote im Empfängerabgleich, Anteil korrekter AI-Antworten auf einem Testset. Solche Kennzahlen verbinden Datenqualität direkt mit Kosten und Risiko – und machen sie damit steuerbar.
Braucht es ein unternehmensweites Datenqualitätsprogramm?
Meist nicht als Einstieg. Wirksamer ist die Kopplung an konkrete Use Cases: Jedes AI-Vorhaben ertüchtigt genau die Datendomänen, die es braucht – mit benanntem Eigentümer, verwendungsbezogener Kennzahl und Korrektur an der Erfassungsquelle. So finanziert der Nutzen die Datenarbeit, und die Basis wächst Domäne für Domäne.
