Datenqualität für KI: Grundlage für KMU

Viele KMU beschäftigen sich zurzeit mit KI im Unternehmen. Die Erwartungen sind verständlich: schnellerer Zugriff auf Wissen, bessere Priorisierung im Vertrieb, Entlastung im Kundendienst oder automatisierte Verarbeitung von Dokumenten. In der Praxis zeigt sich jedoch schnell ein entscheidender Punkt: KI beginnt nicht beim Modell, sondern bei den Daten.

Wenn Kundendaten unvollständig sind, Produktinformationen widersprüchlich gepflegt werden oder Prozesswissen nur in einzelnen Köpfen vorhanden ist, liefert auch die beste KI keine verlässliche Grundlage für Entscheidungen. Genau hier liegt ein häufiger Stolperstein. Nicht weil KI grundsätzlich nicht funktioniert, sondern weil die Datenbasis KI-Anwendungen oft zu wenig trägt.

Für Schweizer KMU ist das besonders relevant. Die Datenlandschaft ist häufig über Jahre gewachsen: CRM, ERP, Excel-Listen, E-Mails, Freigaben per PDF, Ablagen auf Laufwerken, Wissen in Dokumenten und Erfahrungswerte im Team. Das kann für das Tagesgeschäft funktionieren. Für KI reicht es oft nur bedingt.

Warum KI nur so gut ist wie die Daten dahinter

Der Grundsatz ist einfach: Garbage in, garbage out. Wenn fehlerhafte, veraltete oder lückenhafte Daten in ein System einfliessen, kommen am Ende entsprechend schwache Ergebnisse heraus. KI kann Muster erkennen, Texte zusammenfassen, Vorschläge machen oder Informationen sortieren. Sie kann aber keine instabile Datenbasis zuverlässig heilen.

Das betrifft nicht nur technische Spezialfälle, sondern ganz normale Geschäftssituationen. Wenn ein Vertriebsteam mit doppelten Kontakten arbeitet, Kundensegmente uneinheitlich gepflegt sind und wichtige Ansprechpartner fehlen, wird eine KI-gestützte Priorisierung von Leads kaum verlässlich sein. Wenn im Kundendienst alte Dokumentversionen und unvollständige Servicehistorien vorliegen, entstehen Antworten mit Lücken oder falschen Bezügen. Wenn Produktdaten je nach System unterschiedlich benannt sind, werden Vorschläge für Offerten oder Produktempfehlungen ungenau.

Entscheidend ist: KI «versteht» Daten nicht im geschäftlichen Sinn, wie ein erfahrener Mitarbeitender das tun würde. Sie bewertet nicht selbständig, ob eine Information veraltet, widersprüchlich oder nur teilweise korrekt ist. Sie verarbeitet das, was vorhanden ist. Deshalb wirkt sich Datenqualität direkt auf den Nutzen aus.

Gerade bei KMU-Entscheidungen kann das spürbare Folgen haben. Falsche Prioritäten im Vertrieb, unpräzise Auswertungen, unpassende Empfehlungen oder unnötige Rückfragen im Kundendienst kosten Zeit und Vertrauen. Die Diskussion über KI und Datenqualität ist deshalb keine theoretische Vorarbeit, sondern ein wirtschaftlicher Faktor.

Welche Datenqualität für KI im KMU wirklich zählt

Nicht jede Unschärfe in den Daten macht ein Vorhaben unmöglich. Aber gewisse Qualitätsmerkmale sind für eine tragfähige Datenbasis bei KI besonders wichtig.

Aktualität ist zentral. Ein Datensatz kann vollständig aussehen und trotzdem wenig nützen, wenn er nicht mehr dem heutigen Stand entspricht. Alte Ansprechpartner, überholte Preislisten, frühere Produktversionen oder veraltete Prozessdokumente führen zu Antworten, die fachlich zwar plausibel wirken, aber operativ falsch sind.

Vollständigkeit ist ebenso wichtig. Wenn Pflichtfelder fehlen, Zuständigkeiten nicht hinterlegt sind oder Dokumente nur teilweise abgelegt werden, entsteht ein lückenhaftes Bild. KI kann aus Lücken keine verlässliche Realität ableiten. Sie wird allenfalls Wahrscheinlichkeiten erzeugen, aber keine gesicherte Aussage.

Relevanz wird oft unterschätzt. Viele Daten bedeuten nicht automatisch gute Daten. Entscheidend ist, ob die vorhandenen Informationen für den konkreten Anwendungsfall tatsächlich nützlich sind. Für eine KI im Offertwesen bringen tausende alte Dokumente wenig, wenn darin die aktuellen Varianten, Margenregeln oder Freigabeprozesse nicht sauber erkennbar sind.

Widerspruchsfreiheit ist ein weiterer Kernpunkt. Wenn dieselbe Kundin in einem System als aktiv und in einem anderen als inaktiv geführt wird, wenn Produktgruppen unterschiedlich kategorisiert sind oder Prozessschritte je nach Abteilung anders dokumentiert werden, entsteht kein verlässlicher Bezugspunkt. KI kann widersprüchliche Informationen nicht sauber harmonisieren, wenn die Logik im Unternehmen selbst nicht geklärt ist.

Dazu kommen zwei oft unterschätzte Aspekte: eindeutige Zuordnung und konsistente Begriffe. Wer ist genau der Kunde? Welche Version eines Dokuments ist verbindlich? Was bedeutet intern «qualifizierter Lead», «aktive Artikelnummer» oder «abgeschlossenes Ticket»? Wenn solche Begriffe nicht konsistent verwendet werden, leidet auch die Auswertbarkeit.

Für KI im Unternehmen gilt deshalb: Viele Daten sind kein Vorteil, wenn sie nicht brauchbar sind. Eine kleinere, saubere und klar strukturierte Datenbasis ist oft wertvoller als eine grosse Menge an fragmentierten Informationen.

Typische Datenprobleme in Schweizer KMU

In vielen KMU lassen sich ähnliche Muster beobachten. Sie sind selten spektakulär, aber im Zusammenspiel kritisch.

Dubletten in CRM-Listen sind ein klassisches Beispiel. Ein Unternehmen ist mehrfach erfasst, einmal mit Hauptsitz, einmal mit Filiale, einmal mit abweichender Schreibweise. Kontakte sind verschiedenen Firmen zugeordnet oder mehrfach vorhanden. Für KI-Anwendungen im Vertrieb oder Kundendienst führt das zu verzerrten Bildern: Aktivitäten werden falsch zusammengezählt, Zuständigkeiten unklar, Prioritäten fehlerhaft gesetzt.

Veraltete Kundendaten sind ebenso häufig. Ansprechpartner haben gewechselt, Telefonnummern stimmen nicht mehr, Segmente wurden nie nachgeführt oder Kunden sind in der Zwischenzeit inaktiv. Eine KI, die daraus Empfehlungen ableiten soll, arbeitet dann mit einem Bild der Vergangenheit statt der aktuellen Realität.

Fehlende Pflichtfelder erschweren jede Form von Automatisierung. Wenn Branche, Region, Vertragsstatus, Produktkategorie oder Servicelevel nicht durchgängig gepflegt sind, kann eine KI nur eingeschränkt filtern, gruppieren oder priorisieren. Das Ergebnis ist dann nicht zwingend falsch, aber oft zu unscharf, um operativ zu helfen.

Uneinheitliche Produktbezeichnungen sind besonders heikel in Offerten, Stammdatenpflege und Support. Dasselbe Produkt wird in einem System nach Artikelnummer, im anderen nach Verkaufsbezeichnung und im dritten mit internen Kürzeln geführt. Für KI entstehen dadurch scheinbar verschiedene Objekte, obwohl es um denselben Artikel geht.

Verstreute Dokumente sind ein weiteres typisches Problem. Verträge, Spezifikationen, Anleitungen, Preislisten oder Projektprotokolle liegen in unterschiedlichen Ordnern, Postfächern oder lokalen Ablagen. Ohne klare Struktur und Versionierung wird es für KI schwierig, auf die richtige Informationsquelle zuzugreifen.

Unklare Prozessinformationen betreffen nicht nur Dokumente, sondern den Ablauf selbst. Wer gibt was frei? Wann gilt ein Auftrag als bestätigt? Welche Ausnahmefälle gibt es? Wenn dieses Wissen nur informell vorhanden ist, können KI-gestützte Abläufe oder Assistenzen keine stabile Unterstützung bieten.

Wer sich mit Automatisierung und KI befasst, sollte deshalb nicht nur auf mögliche Anwendungen schauen, sondern zuerst auf solche Grundmuster in den eigenen Daten.

Wo Garbage in, garbage out im Alltag sofort sichtbar wird

Der Zusammenhang zwischen KI und Datenqualität wird besonders klar, wenn typische Anwendungssituationen betrachtet werden.

Kundendienst

Ein KI-Assistent im Kundendienst soll Anfragen schneller beantworten. Das funktioniert nur dann gut, wenn Servicehistorien vollständig, Dokumentationen aktuell und Kundeninformationen eindeutig zugeordnet sind. Fehlen frühere Fälle oder sind alte Anleitungen noch in Umlauf, gibt die KI womöglich Antworten, die zwar überzeugend klingen, aber am Problem vorbeigehen. Das führt zu Rückfragen statt Entlastung.

Vertrieb

Im Vertrieb soll KI helfen, Chancen zu priorisieren oder nächste Schritte vorzuschlagen. Wenn CRM-Daten lückenhaft sind, Kontakte doppelt geführt werden oder die letzte Interaktion nicht sauber dokumentiert ist, setzt die KI falsche Prioritäten. Dann werden Ressourcen auf Leads gelenkt, die gar nicht mehr aktuell sind, während relevante Chancen zu spät erkannt werden.

Offertwesen

Bei Offerten zählt Präzision. Wenn Produktdaten nicht konsistent gepflegt sind, Rabattschemata je nach Datei variieren oder Freigabeprozesse nur teilweise dokumentiert sind, kann KI keine belastbaren Vorschläge erstellen. Das Risiko liegt weniger in spektakulären Fehlern als in kleinen Ungenauigkeiten, die erst später auffallen und dann teuer werden.

Produktpflege

Wer Produkttexte, Klassifikationen oder Varianten mit KI unterstützen will, braucht saubere Stammdaten. Fehlen Merkmale oder sind Kategorien uneinheitlich, entstehen unklare Beschreibungen und falsche Zuordnungen. Das ist nicht nur intern problematisch, sondern wirkt sich auch auf Verkauf, Einkauf und Support aus.

Wissensdokumente

Viele Unternehmen möchten internes Wissen mit KI besser zugänglich machen. Das Potenzial ist real, aber nur wenn klar ist, welche Dokumente gültig sind, wo sie liegen und wie sie bezeichnet werden. Eine KI, die auf alte Vorlagen, widersprüchliche Prozessnotizen oder unvollständige Dokumentationen zugreift, liefert kein stabiles Wissenssystem.

Prozessautomatisierung

Auch bei der Automatisierung wiederkehrender Abläufe gilt: KI ersetzt keine unklaren Prozesse. Wenn Eingaben uneinheitlich erfolgen, Freigaben je nach Person anders gehandhabt werden oder Medienbrüche bestehen, reproduziert eine KI diese Unschärfen höchstens in neuer Form. Sie funktioniert deutlich besser, wenn die Prozesslogik bereits nachvollziehbar ist.

Diese Fragen sollten vor jedem KI-Projekt geklärt sein

Vor einem KI-Projekt braucht es keine Grossanalyse, aber eine ehrliche Standortbestimmung. Die folgenden Fragen helfen, die Datenbasis realistisch einzuschätzen:

• Woher kommen die Daten? Aus einem System, aus mehreren Quellen oder aus Dokumenten und E-Mails?
• Wie aktuell sind die Informationen? Werden sie laufend gepflegt oder nur bei Bedarf angepasst?
• Wer ist verantwortlich? Gibt es klare Zuständigkeiten für Pflege, Freigabe und Korrekturen?
• Wie vollständig sind die Daten? Fehlen wichtige Felder, Anhänge, Statusangaben oder Zuordnungen?
• Gibt es Dubletten? Werden Kunden, Produkte oder Vorgänge mehrfach geführt?
• Sind die Felddefinitionen klar? Ist im Unternehmen einheitlich definiert, was ein Status, eine Kategorie oder ein Abschluss bedeutet?
• Wie eng sind Daten und Prozess verknüpft? Entstehen Daten automatisch aus dem Ablauf oder müssen sie manuell nachgeführt werden?
• Wie wird Qualität kontrolliert? Gibt es Prüfungen, Rückfragen oder nachvollziehbare Standards?

Wichtig ist auch die Frage, wer die Daten wirklich kennt. In vielen KMU liegt wertvolles Wissen bei den Mitarbeitenden, die täglich mit den Informationen arbeiten: im Verkauf, in der Disposition, im Kundendienst, in der Administration oder in der Produktion. Sie wissen oft genau, welche Felder zuverlässig sind, wo Excel-Listen neben dem Hauptsystem laufen und welche Informationen zwar vorhanden, aber für Auswertungen kaum brauchbar sind.

Vor einem KI-Vorhaben lohnt sich deshalb nicht nur ein Blick auf Systeme, sondern auch auf die operative Nutzung. Eine fundierte Beratung und Analyse setzt genau dort an: bei der Frage, welche Daten tatsächlich vorhanden sind, wie sie genutzt werden und ob sie den geplanten Zweck tragen.

Wie eine Daten- und Prozessanalyse erste Lücken aufdeckt

Eine sinnvolle Vorbereitung auf KI betrachtet nicht nur Datenfelder, sondern den gesamten Weg der Information. Denn Qualitätsprobleme entstehen oft nicht dort, wo sie sichtbar werden, sondern früher im Prozess.

Ein einfaches Beispiel: Im CRM fehlen bei vielen Kontakten wichtige Angaben. Das Problem liegt dann nicht zwingend im CRM selbst, sondern vielleicht im Übergang von Messen zu Vertrieb, in uneinheitlichen Erfassungsregeln oder in fehlender Verantwortung für die Nachpflege. Wer nur den Datensatz anschaut, erkennt die Symptome. Wer den Prozess betrachtet, findet die Ursache.

Eine Daten- und Prozessanalyse prüft deshalb typischerweise drei Ebenen:

Datenflüsse

Wo entstehen Informationen? Wo werden sie übernommen, ergänzt oder verändert? Werden dieselben Daten mehrfach erfasst? Gibt es Schnittstellen oder manuelle Überträge? Solche Fragen zeigen, ob Inkonsistenzen systemisch entstehen.

Medienbrüche

Viele Qualitätsverluste passieren an Übergängen: von E-Mail zu ERP, von PDF zu Excel, von Besprechungsnotizen zu Ticketsystemen. Wenn wichtige Informationen nicht sauber weitergegeben werden, bleiben Datensätze unvollständig oder uneinheitlich. Für KI ist das besonders problematisch, weil gerade diese Brüche oft verborgen bleiben.

Verantwortlichkeiten

Wenn niemand klar zuständig ist, sinkt die Verlässlichkeit fast automatisch. Wer pflegt Kundensegmente? Wer aktualisiert Preislisten? Wer entscheidet, welche Dokumentversion gültig ist? Solche Zuständigkeiten sind keine Formalität, sondern direkte Voraussetzung für eine tragfähige Datenbasis für KI.

Der Nutzen einer vorgängigen Analyse liegt vor allem in der Priorisierung. Nicht jede Schwäche muss sofort gelöst werden. Aber es wird sichtbar, welche Lücken für den geplanten Anwendungsfall kritisch sind und welche vorerst tolerierbar bleiben. Das verhindert Fehlinvestitionen. Statt früh in eine Lösung zu investieren, deren Grundlage noch nicht stabil ist, entsteht ein realistischer Fahrplan.

Wann ein KMU bereit für KI ist und wann nicht

Ein KMU ist nicht erst dann bereit für KI, wenn alle Daten perfekt sind. Vollständige Perfektion ist im Alltag selten erreichbar und oft auch nicht nötig. Entscheidend ist, ob die Daten für den konkreten Zweck ausreichend verlässlich sind.

Für eine tragfähige Ausgangslage sprechen zum Beispiel diese Merkmale:

• Die relevanten Datenquellen sind bekannt.
• Wichtige Informationen sind mehrheitlich aktuell.
• Pflichtfelder werden weitgehend konsequent gepflegt.
• Dubletten und Widersprüche halten sich in einem kontrollierbaren Rahmen.
• Begriffe, Status und Kategorien sind intern nachvollziehbar definiert.
• Dokumente und Prozesswissen sind auffindbar und in einer erkennbaren Struktur abgelegt.
• Es ist klar, wer für Datenpflege und Freigaben zuständig ist.
• Der gewünschte KI-Anwendungsfall ist fachlich konkret eingegrenzt.

Noch nicht bereit ist ein Vorhaben eher dann, wenn grundlegende Punkte offen sind: relevante Daten liegen nur verstreut vor, wichtige Felder fehlen systematisch, Prozessabläufe sind unklar oder jede Abteilung arbeitet mit eigenen Definitionen. In solchen Fällen führt ein schneller Start selten zu verlässlichem Nutzen.

Das bedeutet nicht, dass KI ausgeschlossen ist. Es bedeutet nur, dass zuerst Bereinigung, Standardisierung oder Prozessklärung sinnvoll sein kann. Gerade für KMU ist diese Reihenfolge wirtschaftlich wichtig. Ein kleiner, klar vorbereiteter Anwendungsfall bringt oft mehr als ein breiter Start auf unsicherer Basis.

Den nächsten Schritt sauber vorbereiten

Wer KI im Unternehmen sinnvoll nutzen will, sollte die eigene Ausgangslage zuerst nüchtern prüfen: Welche Daten sind vorhanden? Wie verlässlich sind sie? Wo entstehen Lücken? Und welche Prozesse tragen den geplanten Anwendungsfall überhaupt?

Genau hier setzt eine strukturierte Potenzialanalyse an. Sie hilft dabei, Datenbasis, Prozessqualität und realistischen Nutzen gemeinsam zu beurteilen. Das Ziel ist nicht, KI um jeden Preis einzuführen, sondern die geeigneten Anwendungsfälle zu erkennen, Voraussetzungen sichtbar zu machen und Prioritäten sauber festzulegen.

Für Schweizer KMU ist das oft der sinnvollste erste Schritt: nicht mit Erwartungen starten, sondern mit Klarheit.

Häufig gestellte Fragen

Woran erkennen wir, ob unsere Daten für ein KI-Projekt überhaupt gut genug sind?

Ein guter erster Hinweis ist, ob die relevanten Datenquellen bekannt, mehrheitlich aktuell und für den gewünschten Anwendungsfall ausreichend vollständig sind. Wenn wichtige Informationen oft fehlen, doppelt erfasst werden oder je nach Abteilung unterschiedlich verstanden werden, ist die Datenbasis noch nicht stabil genug. Entscheidend ist nicht Perfektion, sondern Verlässlichkeit für den konkreten Einsatz.

Welche Datenprobleme führen in KMU am häufigsten zu schlechten KI-Ergebnissen?

Am häufigsten sind Dubletten in CRM- und Kundendaten, veraltete Einträge, fehlende Pflichtfelder, uneinheitliche Produktbezeichnungen, verstreute Dokumente und unklare Prozessinformationen. Solche Probleme führen dazu, dass KI falsche Zusammenhänge erkennt, auf veraltete Inhalte zugreift oder nur lückenhafte Empfehlungen liefern kann.

Müssen zuerst alle Daten bereinigt werden, bevor KI sinnvoll eingesetzt werden kann?

Nein. In der Regel reicht es, die für den geplanten Anwendungsfall kritischen Daten zu identifizieren und gezielt zu verbessern. Nicht jede Altlast muss sofort bereinigt werden. Wichtig ist aber, dass die wirklich relevanten Informationen aktuell, konsistent und nachvollziehbar genug sind, damit die KI verlässlich arbeiten kann.

Reicht ein gutes KI-Tool, wenn die Datenbasis im Unternehmen unvollständig ist?

Nein. Ein gutes Tool kann eine schwache Datenbasis nicht ersetzen. Es kann Informationen schneller verarbeiten oder besser darstellen, aber es macht aus lückenhaften, widersprüchlichen oder veralteten Daten keine stabile Entscheidungsgrundlage. Die Qualität der Eingaben bleibt entscheidend.

Welche Rolle spielen Prozesse bei der Datenqualität für KI?

Eine sehr grosse. Datenqualität entsteht im Prozess: bei der Erfassung, Übergabe, Pflege und Freigabe von Informationen. Wenn Prozesse unklar sind oder Daten an Medienbrüchen verloren gehen, leidet auch die Datenbasis. KI funktioniert deshalb besonders gut dort, wo Abläufe nachvollziehbar und Zuständigkeiten geklärt sind.

Wie kann ein KMU vor einem KI-Projekt die wichtigsten Qualitätslücken erkennen?

Hilfreich ist eine einfache Bestandsaufnahme: relevante Datenquellen erfassen, Pflegezuständigkeiten klären, Stichproben auf Aktualität und Vollständigkeit machen und typische Widersprüche oder Dubletten sichtbar machen. Zusätzlich sollte geprüft werden, an welchen Prozessstellen Informationen entstehen und wo sie verloren gehen. So lassen sich die wichtigsten Risiken oft früh erkennen.