KI-Projekte stocken im Go-Live: Kundendaten als Engpass

13 Oktober 2026

Warum KI-Projekte im Go-Live stocken

Ein erfolgreicher Proof of Concept, gefolgt von einem zähen Weg in den Betrieb. Warum scheitern KI-Projekte in Vertrieb, Marketing und Service so häufig an der eindeutigen Identifizierung von Kunden, an Datenbeziehungen und an Dubletten? Und mit welchen vier Hebeln machen Sie Kundendaten fit für zuverlässige KI-gestützte Prozesse?

Viele Unternehmen kämpfen mit der Qualität ihrer Kunden- und Organisationsdaten. Dazu gehören Accounts, Unternehmensstrukturen, Standorte, Ansprechpartner, Verträge und deren Beziehungen – verteilt über CRM, ERP und Service-Systeme.

Warum ist das so entscheidend? In Business-Prozessen soll KI mehr als nur „Antworten generieren“. Sie muss zuordnen, entscheiden und handeln. Damit das zuverlässig gelingt, braucht sie Daten, die konsistent, eindeutig und im laufenden Betrieb belastbar sind.

Erfolgreicher Proof of Concept, aber zäher Weg in den Go-Live

Viele KI-Projekte starten stark. Proof of Concept (PoC), Pilotprojekte und erste Demos liefern oft vielversprechende Ergebnisse. In dieser Phase fallen Lücken in den zugrunde liegenden Daten kaum auf: Jemand ergänzt fehlende Felder manuell, mappt IDs über Systeme hinweg oder bereinigt Dubletten „für den Test“.

Beim Go-Live ändert sich das Spiel. Die KI trifft nun auf die echte Datenlandschaft des Unternehmens. Was zunächst einfach automatisierbar schien, wird zu einer Kette von Ausnahmefällen, die manuell bearbeitet werden müssen.

Eine BARC-Studie („Lessons from the Leading Edge“, 408 Befragte, Ende 2025) bestätigt das Ausmaß der Herausforderung: 44 % der Befragten nennen Datenqualität als Hindernis für den KI-Einsatz – gegenüber 19 % im Vorjahr.

Woran erkennt man das Problem? Wenn selbst einfache KI-Aufgaben scheitern

Beispiel 1: Eine Support-Zusammenfassung erstellen

Aufgabe: „Erstelle eine Zusammenfassung: Wer ist der Kunde, was ist passiert, was ist noch offen?“ (CRM + Ticket-System + ERP)

👉 Klingt simpel – bis CRM, Ticket-System und ERP jeweils eine andere Version der Kundensituation liefern.

Beispiel 2: Ein Ticket dem richtigen Kunden zuordnen

Aufgabe: „Öffne ein Ticket und ordne es dem richtigen Kunden, Standort und Vertrag zu.“ (Ticket-System + CRM + Vertragsdaten)

👉 Diese Aufgabe lässt sich nur zuverlässig automatisieren, wenn die Beziehungen zwischen Kunde, Standort und Vertrag eindeutig definiert und systemübergreifend konsistent sind.

In beiden Fällen ist das Ergebnis ähnlich: Statt die Teams zu entlasten, erzeugt die KI Rückfragen und manuelle Korrekturen – und untergräbt nach und nach das Vertrauen in die Automatisierung.

Warum sind Kundendaten so kritisch?

In vielen Unternehmen bringen Kunden- und Organisationsdaten gleich mehrere Herausforderungen mit sich:

Sie sind geschäftskritisch: Sie beeinflussen Pipeline, Umsatz, Service-Level und Abrechnung.
Sie sind über mehrere Systeme verteilt: CRM, ERP, Service-Tools, Marketing-Plattformen und Excel-Tabellen existieren nebeneinander.
Sie sind historisch gewachsen: M&A, internationale Expansion und veränderte Geschäftsprozesse haben uneinheitliche Datenstrukturen hinterlassen.
Sie basieren auf komplexen Beziehungen: Accounts, Organisationen, Standorte, Verträge und Ansprechpartner müssen korrekt miteinander verknüpft sein.

KI kann mit unvollständigen Daten oft umgehen. Mit widersprüchlichen oder nicht eindeutigen Informationen deutlich schlechter – besonders, wenn sie innerhalb eines Business-Prozesses eine Entscheidung treffen oder eine Aktion auslösen soll.

Die häufigsten Datenqualitätsprobleme in der Praxis

When it comes to customer and organisational data, the same problems tend to crop up again and again. Bei Kunden- und Organisationsdaten treten imer wieder dieselben Probleme auf.

❌ Fehlende Informationen
Pflichtfelder bleiben leer, Ansprechpartner sind nicht richtig erfasst oder Stammdaten sind unvollständig.

❌ Falsch befüllte Felder
Branche, Region oder Vertriebssegment werden ungenau oder „irgendwie“ gepflegt. Die KI zieht daraus falsche Schlüsse und liefert unzuverlässige Ergebnisse.

❌ Daten in Silos
Das CRM sagt A, das ERP sagt B und das Service-Tool sagt C. Ohne klar definierte „Quelle der Wahrheit“ lässt sich kaum entscheiden, welche Information Vorrang hat.

❌ Kein einheitliches Datenmodell
Derselbe Begriff („Account“, „Kunde“, „Standort“ oder „Mandant“) kann je nach System oder Team etwas anderes bedeuten. Der Abgleich von Datensätzen über Systeme hinweg wird dadurch unsicher.

❌ Dubletten und widersprüchliche Zuordnungen
Mehrere Datensätze beschreiben denselben Kunden, oder die Verknüpfungen zwischen Accounts, Standorten und Verträgen sind fehlerhaft. Die Frage „Wer gehört zu wem?“ wird so zum großen Hindernis für die Automatisierung.

Der Kern: KI braucht ein verlässliches Datenumfeld

Shawn Rogers und Merv Adrian (BARC) bringen die Herausforderung auf den Punkt:

„Der Erfolg von KI hängt nicht davon ab, ein außergewöhnliches Modell zu bauen, sondern ein Umfeld zu schaffen, in dem leistungsfähige Modelle ihr volles Potenzial entfalten können.“

In Business-Prozessen ruht dieses Umfeld auf vier Säulen: eindeutige Identitäten, klar definierte Beziehungen, ausreichend vollständige Daten und eine laufende Qualitätsüberwachung im Betrieb.

4 Hebel, die Kundendaten fit für KI machen

1. Jeden Kunden mit einem Golden Record eindeutig identifizieren

KI muss entscheiden können, ob mehrere Datensätze ein und denselben Kunden beschreiben. Dazu braucht es Regeln für das Matching, die Konsolidierung und die Priorisierung von Informationen aus unterschiedlichen Datenquellen.

2. Beziehungen und Hierarchien klären

Kunde ↔ Organisation ↔ Standort ↔ Vertrag ↔ Ansprechpartner

Fehlen diese Beziehungen oder sind sie unklar oder widersprüchlich, kann die Automatisierung Fehler erzeugen – selbst wenn die einzelnen Datensätze korrekt erscheinen.

3. Vollständigkeit der kritischen Daten sicherstellen

Nicht jeder Datensatz muss perfekt sein, bevor KI zum Einsatz kommt. Entscheidend ist, dass die für den jeweiligen Prozess wesentlichen Informationen zuverlässig sind: der zugehörige Vertrag, der relevante Standort, eine klare Zuständigkeit, ein aktueller Status usw.

4. Quality Checks und kontinuierliches Monitoring etablieren

Datenqualität ist kein einmaliger Frühjahrsputz. Sobald KI im Betrieb läuft, müssen Unternehmen die Datenqualität kontinuierlich messen und überwachen. Dazu gehören Dublettenrate, Füllgrade von Pflichtfeldern, die Einhaltung von Konsistenzregeln und das Auftreten neuer Auffälligkeiten.

Ins Handeln kommen – ohne endloses Datentransformationsprojekt

Einer der häufigsten Fehler: „Wir müssen erst alle Daten bereinigen“, bevor überhaupt eine KI-Initiative startet. Das bindet erhebliche Ressourcen und verzögert unnötig den Nutzen, den KI liefern könnte.

Ein gezielter Ansatz, der direkt an den Anforderungen der KI ausgerichtet ist, ist oft wirksamer:

✅ 1. Ein bis zwei Geschäftsprozesse auswählen, die KI zuverlässig unterstützen soll. Beispiele sind Ticket-Triage, Kundenzusammenfassungen (Account Insights) und Lead Routing.

✅ 2. Die wesentlichen Felder und Beziehungen identifizieren, die diese Prozesse für ein korrektes Funktionieren benötigen (Critical Data Elements).

✅ 3. Die Qualität der vorhandenen Daten bewerten: Vollständigkeit, Dubletten, Konsistenz und Abweichungen zwischen den Quellen.

✅ 4. Ein bis zwei Verbesserungen mit großer Wirkung priorisieren: einen Golden Record aufbauen, die Beziehungen zwischen Entitäten klären – oder beides.

✅ 5. Ein kontinuierliches Datenqualitäts-Monitoring einführen, damit die Daten auch im KI-Betrieb zuverlässig bleiben.

So erzielen Unternehmen schneller messbare Ergebnisse und schaffen die Voraussetzungen für einen zuverlässigen KI-Einsatz im Alltag.

Mini-Check: Liegt das Problem am KI-Modell oder an Ihren Daten?

Wenn Ihnen mehrere der folgenden Situationen bekannt vorkommen, lohnt sich ein genauerer Blick auf die Qualität Ihrer Kundendaten:

Die KI kann den richtigen Kunden, Standort oder Vertrag nicht eindeutig zuordnen.
Dubletten und widersprüchliche Account-Hierarchien sind an der Tagesordnung.
Wesentliche Beziehungen zwischen Standorten, Verträgen und Ansprechpartnern fehlen oder sind fehlerhaft.
CRM, ERP und Service-Tools liefern widersprüchliche Informationen.
KI-gestützte Automatisierungen erfordern regelmäßig manuelle Prüfungen und Korrekturen.

In solchen Fällen reicht es oft nicht, nur das KI-Modell zu verbessern. Ebenso wichtig ist, dass die Daten, auf die sich das Modell stützt, zuverlässig und konsistent sind.

Fazit

Wenn KI in Business-Prozessen „plötzlich“ stockt, liegt das nicht unbedingt am Modell selbst. Häufig sind es Kundendaten, die nicht eindeutig, falsch verknüpft oder im Betrieb nicht ausreichend überwacht sind.

Die gute Nachricht: Fortschritt erfordert nicht immer ein groß angelegtes Datentransformationsprogramm. Schon wenige gezielte Verbesserungen können viel bewirken: ein verlässlicher Golden Record, konsistente Beziehungen und Hierarchien, vollständige kritische Daten und kontinuierliches Qualitäts-Monitoring.

Was Sie sofort tun können

Möchten Sie wissen, welche Maßnahmen die Zuverlässigkeit Ihrer Kunden- und Organisationsdaten am stärksten verbessern?

Dann lassen Sie uns in 30 Minuten gemeinsam auf Ihre Herausforderungen schauen und Prioritäten festlegen – mit Fokus auf die Geschäftsprozesse, die Sie mit KI zuverlässiger machen möchten.

Kostenloses Erstgespräch buchen.

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.