Blog DQE: Das Geheimnis erfolgreicher KI-Anwendungsfälle

August 5, 2026

Data Quality: Das Geheimnis erfolgreicher KI-Anwendungsfälle

Datenqualität geht weit über technische Überlegungen hinaus. Sie steht im Zentrum von Erfolg oder Misserfolg von KI-Projekten und beeinflusst sowohl die Rentabilität als auch die Wettbewerbsfähigkeit von Unternehmen – in einem Kontext beschleunigter digitaler Transformation.

Nach einer Phase des Experimentierens tritt die generative KI nun in die Phase der Bereitstellung in operativen Lösungen ein. Fortschrittliche Sprachmodelle stehen ausgereiften Technologieteams inzwischen breiter zur Verfügung, was die Eintrittsbarrieren senkt.

KI muss jedoch mit relevanten und zuverlässigen Daten trainiert werden, um in ihren Anwendungen überzeugende Ergebnisse zu liefern. Deshalb besteht der erste Schritt, sobald Kundendaten ins Spiel kommen, darin, die Elemente ihrer Grundlage zu qualifizieren – also die Kontaktdaten der Kunden. Auf dem Spiel stehen die Zuverlässigkeit der KI-Ergebnisse, das Vertrauen der Nutzer und erfolgreiche Anwendungsfälle. Werfen wir einen genaueren Blick darauf.

KI und das Ziel zuverlässiger Daten

Generative KI nutzt Daten in bisher unerreichtem Umfang und Tempo und greift dabei massiv auf riesige Datenbestände zurück, um Nutzeranfragen zu beantworten. Damit verstärkt sie die Bedeutung der Datenzuverlässigkeit.

Der Bedarf der generativen KI an riesigen Datenmengen stellt Teams, die Daten verwalten, vor eine große Herausforderung: Die Anfragen, die Nutzer an die KI-Engine senden, lassen sich weder vorhersehen noch vorab filtern. Dadurch ist es unmöglich zu wissen, welche Datensätze aufbereitet und bereinigt werden müssen, um die Antworten der KI zu speisen. Ohne qualifizierte Daten können die KI-Ergebnisse folglich Fehler enthalten und unzuverlässig sein – was bei Fachleuten, die die Technologie einsetzen möchten, Zweifel an ihrer Eignung für ihre Anwendungsfälle wecken kann.

Mit anderen Worten: KI verstärkt die Auswirkungen mangelnder Datenqualität. Wenn Kundenkontaktdaten Fehler oder Ungenauigkeiten enthalten (doppelte E-Mail-Adressen, falsche Namen, fehlerhafte Postanschriften usw.), sind das Kundenwissen und die 360-Grad-Sicht auf die Kunden unzureichend – und die KI vergrößert diese Defizite. Enthält das Datenregister also fehlerhafte Adressdaten oder Duplikate, die von unterschiedlichen E-Mail-Adressen desselben Kunden stammen, kann es keine fein granulierten Informationen liefern, um Vertriebsmitarbeiter entsprechend ihrem Einzugsgebiet oder den Profilen ihrer Kunden zu unterstützen.

KI ohne Datenqualität: ein Risiko

Ohne qualifizierte Daten erhöht KI das Risiko potenziell verzerrter Antworten, und Nutzer zögern möglicherweise, ihre Anwendungsfälle einzuführen. Eine Studie von McKinsey bestätigt dies: 70 % der KI-Initiativen scheitern – hauptsächlich aufgrund von Daten mangelnder Qualität, die die Zuverlässigkeit der Ergebnisse beeinträchtigen.

Von der Anfrage des Nutzers bis zur Generierung der Antwort ist der Prozess zahlreichen Fehlerquellen ausgesetzt, wenn die KI mit nicht qualifizierten Daten arbeitet. So wird es der KI schwerfallen, Kundendatenelemente korrekt miteinander zu verknüpfen, wenn Unvollkommenheiten in den Kontaktdaten die Grenzen der Erreichbarkeit verwischen.

Sobald die Trainingsdaten in die Engine eingespeist wurden, wird es zudem schwierig zu kontrollieren, welche Nutzer auf welche Datenelemente zugreifen. Das schafft neue Unsicherheiten sowie Risiken im Hinblick auf den Datenschutz. Dazu gehören nicht qualifizierte Kundenkontaktdaten, die potenziellen Angreifern Einfallstore öffnen. Ein Beispiel ist Identitätsbetrug, bei dem viele Szenarien den Missbrauch von Namen und Kontaktdaten beinhalten – wenn diese Daten nicht mit einem leistungsstarken Datenqualitätswerkzeug als wahr und exakt validiert wurden. Das gilt unter anderem für Personen, die eine falsche Adresse angeben, um Zahlungserinnerungen zu entgehen, oder die SIM-Swapping nutzen, um eine Transaktion fälschlich zu bestätigen.

Datenqualität rückt heute ins Zentrum

„Garbage in, garbage out“ ist eine Logik, die sich bei KI-Projekten besonders deutlich zeigt. So sind 67 % der Führungskräfte über KI-bezogene operative Risiken besorgt – vor allem aufgrund von Fragen der Data Governance und der Datenqualität*. Um zu verhindern, dass die Ergebnisse generativer KI die Einführung von KI-Anwendungsfällen und das Vertrauen der Nutzer untergraben, sind heute proaktive Ansätze für die Datenqualität notwendig. Das ist eine bedeutende Entwicklung, denn Datenqualität wurde lange – und zu Unrecht – eher reaktiv behandelt.

Ein weiterer Grund, Datenqualitätsprobleme vor der Verarbeitung zu lösen, ist die Rechtfertigung der KI-Investition, angesichts der negativen Auswirkungen der Verarbeitung schlecht qualifizierter Daten, die die Rentabilität und den Vertriebswert von Projekten mindern. Die Kosten eines einzelnen Dateneingabefehlers werden auf 10 bis 100 US-Dollar geschätzt – verbunden mit Reputation, regulatorischer Nichtkonformität und verpassten Chancen, wenn er nicht vorher korrigiert wird**. Datenqualität ist damit zur Voraussetzung geworden, um KI-Projekte durch den Einsatz qualifizierter und konsistenter Daten auf Unternehmensebene rentabel zu machen.

Nicht zuletzt erhöhen die enormen Datenmengen, die in KI-Modellen verwendet werden, den Energieverbrauch der digitalen Technologie und damit ihren CO₂-Fußabdruck. Die Datenbereinigung trägt dazu bei, diese Auswirkungen zu begrenzen, indem sie unnötige Daten aus der Verarbeitung entfernt und so die CO₂-Emissionen senkt – wie der Öko-Rechner von DQE zeigt. Bemerkenswert ist auch, dass Unternehmen laut einer 2023 durchgeführten Studie, die fortschrittliche Fähigkeiten nutzen, um ihre Nachhaltigkeitsdaten besser zu steuern, mit 43 % höherer Wahrscheinlichkeit eine bessere Rentabilität erzielen als ihre Wettbewerber*. Es steht viel auf dem Spiel, und es lohnt sich, diese Aspekte zu berücksichtigen.

Bei unserem letzten Treffen des DQE Users’ Club gaben zahlreiche Unternehmen Rückmeldung zu ihren Erfahrungen mit qualifizierten Daten und den Fragen rund um KI-Projekte in ihren Organisationen. Hier einige Auszüge aus ihren Erfahrungen:

Byredo: „Die Absicherung von Daten ist ein entscheidendes Thema, um allen Bereichen, die an der internationalen Expansion unseres Unternehmens beteiligt sind, leistungsstarke KI-Lösungen zu bieten.“
SFR Business: „Wir brauchen einen echten ‚augmented agent‘, der mit KI-basierten Werkzeugen ausgestattet ist, um eine optimale Kontrolle unserer Datenqualität sicherzustellen – und das bei gleichzeitig zunehmender Komplexität unseres Produktangebots und der Kundentypen, die wir bedienen.“
Belambra: „Mit Hilfe von Werkzeugen, die auf unsere Arbeit zugeschnitten sind, können sich unsere Kundenserviceteams auf wertschöpfende Aufgaben konzentrieren, etwa die Umsatzsteigerung, und zugleich den Zeitaufwand für Aufgaben im After-Sales-Service reduzieren.“
Rossel Advertising France: „Datenqualität in den Kern unserer digitalen Transformation zu integrieren, ist nicht nur eine IT-Frage. Es ist eine gemeinsame Herausforderung, die das ganze Unternehmen betrifft, wenn wir wollen, dass unsere KI-Projekte gelingen.“

Die 3 Felder qualifizierter Daten im Dienst der KI

Angesichts der Datenqualitätsherausforderungen, die der KI inhärent sind, müssen Unternehmen auf drei Ebenen die richtigen Grundlagen schaffen, um die Erfolgschancen ihrer neuen Anwendungsfälle zu erhöhen:

Der Mensch: In einem KI-Projekt ist es wichtig, alle relevanten Fachbereiche des Unternehmens zusammenzubringen, um ihre operativen Sichtweisen und ihr technisches Fachwissen zu bündeln. In Bezug auf die Datenqualität, insbesondere bei Kundenkontaktdaten, hilft dieser kollektive Ansatz dem Unternehmen, die Datennutzung und die damit verbundenen Probleme zu verstehen, die vor dem Einsatz von KI gelöst werden müssen. Auch die Stärkung der Datenkultur für Kundendaten trägt zur Verbesserung der Datenqualität bei, indem sie das Bewusstsein für schlechte Praktiken schärft, die beseitigt werden müssen – manuelle Importe schlecht qualifizierter Excel-Dateien, unpassende Änderungen an der Datenbank, Eingabe unvollständiger oder unsinniger Daten usw.
Governance: KI bedeutet, Daten und ihre Qualität in großem Maßstab zu verwalten. Deshalb ist eine solide Data Governance erforderlich, um die Datenflüsse zu optimieren, die die KI speisen. Datenqualität ist dabei ein integraler Bestandteil der Gleichung.
Technologie: Ein Datenqualitätswerkzeug, das in der Lage ist, riesige Mengen an Kundendaten zu erfassen, abzugleichen und in einheitlichen, präzisen und aktuellen Profilen zu vereinheitlichen, erweist sich als unerlässlich, um die Zuverlässigkeit und Wirksamkeit von KI-Modellen zu gewährleisten. Darüber hinaus muss das Datenqualitätswerkzeug in der Lage sein, große Datenmengen zu kuratieren, damit die KI eingehende qualifizierte Daten ohne Verzögerung aufnimmt.

Die Bedeutung der Datenqualität geht damit weit über technische Überlegungen hinaus. Sie steht im Zentrum von Erfolg oder Misserfolg von KI-Projekten und beeinflusst sowohl die Rentabilität als auch die Wettbewerbsfähigkeit von Unternehmen – in einem Kontext beschleunigter digitaler Transformation.

*Quelle: DataTrails, October 2023*
**Quelle: *Data Driven: Profiting from Your Most Important Business Asset*, Thomas C. Redman, 2008**

Über DQE

Datenqualität ist essenziell für ein umfassendes Kundenbild und den Aufbau einer langfristigen
Kundenbeziehung. DQE stellt seinen Kunden seit 2008 innovative und umfassende Lösungen zur
Verfügung, die das Erfassen vollständiger, verlässlicher Daten erleichtern.