Datenqualität im Mittelstand: Was KI-Projekte wirklich brauchen

Eine Situation, die sich in vielen Unternehmen ähnlich zeigt: Das ERP läuft seit Jahren, wurde einmal sauber eingeführt und im Alltag danach immer wieder pragmatisch ergänzt. Felder bleiben leer, andere werden zweckentfremdet, und neben dem System wachsen Excel-Listen.

Jetzt steht KI auf der Agenda. Ein Unternehmens-GPT für den Vertrieb, erste Unterstützung bei Angeboten oder schnelle Produkthinweise für Standardfragen. Die entscheidende Frage kommt oft zu spät: Auf welchen Daten soll diese KI eigentlich arbeiten?

Klassische Software verzeiht manches. Ein Feld ist leer, ein Sachbearbeiter kennt trotzdem den Zusammenhang oder fragt kurz bei Kollegen nach. Eine KI kann das nicht. Sie kennt nur, was in den Daten steht.

Das Problem ist dabei oft nicht die Schreibweise. Moderne Modelle kommen mit Varianten, Synonymen und unvollständigen Formulierungen erstaunlich gut zurecht. Kritisch wird es dort, wo Informationen schlicht nicht existieren.

Fragen, die vor jedem KI-Use-Case geklärt sein sollten:

• Welche Informationen braucht die KI wirklich für eine belastbare Antwort?
• Wo liegen diese Informationen heute: im ERP, in Excel, in Outlook oder nur im Kopf?
• Welche Beziehungen zwischen Artikeln, Kunden und Prozessen sind dokumentiert und welche nicht?

Das eigentliche Risiko liegt nicht in unsauberen Bezeichnungen, sondern in fehlenden fachlichen Eigenschaften. Wenn Temperaturbereiche, Medienbeständigkeit oder Werkstoffe nicht dokumentiert sind, liefert die KI oft trotzdem eine Antwort. Genau das macht fehlende Attribute so gefährlich.

Viele Systeme enthalten einzelne Datensätze, aber keine sauberen Zusammenhänge. Genau diese Beziehungen braucht KI für Fragen wie: Was passt zusammen, was ist der Nachfolger oder was braucht der Kunde zusätzlich?

• Cross-Selling fehlt: Wer Artikel A kauft, braucht oft auch B und C, aber das steht nirgends.
• Ersatzteile sind nicht verknüpft: Welche Dichtung gehört zu welcher Pumpe?
• Nachfolger werden nicht gepflegt: Ein Artikel ist abgekündigt, der Ersatzartikel aber nicht hinterlegt.
• Mindestmengen sind unklar: Geliefert wird in Verpackungseinheiten, im System steht nur Stück.

Das gilt genauso für Kundendaten. Falsch geschriebene Adressen sind selten das Kernproblem. Kritisch ist vielmehr, dass entscheidende Informationen oft gar nicht erfasst werden.

In mittelständischen Unternehmen entsteht Wissen nicht sauber in einem einzigen System. Es verteilt sich über Jahre auf Fachanwendungen, Dateien, E-Mails und eingespielte Routinen im Team. Genau daraus entsteht die typische Spannung zwischen offizieller Datenlage und operativer Wirklichkeit.

Für KI ist das kritisch, weil Antworten immer nur so gut sind wie der erreichbare Kontext. Wenn die relevante Wahrheit auf mehrere Orte verteilt ist, beantwortet das Modell Fragen oft nur auf Basis eines Ausschnitts.

Schatten-IT: Wenn kritisches Wissen außerhalb der offiziellen Prozesse lebt

Schatten-IT ist nicht automatisch ein Fehler. Sie entsteht oft dort, wo Teams schnell handeln müssen und die offiziellen Systeme dafür zu grob, zu langsam oder nicht passend genug sind. Problematisch wird es dann, wenn diese pragmatischen Nebenlösungen die fachlich wichtigste Informationsquelle werden.

Der erste Schritt ist keine Tool-Auswahl, sondern eine Inventur. Danach folgt die Priorisierung: Welche Informationen sind für Ihren konkreten KI-Use-Case wirklich kritisch und welche nicht?

Praxis-Szenario: KI-Projekt mit Daten-Realitätscheck

Ein Großhändler für Industriebedarf mit rund 60 Mitarbeitenden möchte ein Unternehmens-GPT für den Innendienst einführen. Der ursprüngliche Gedanke ist einfach: ERP anbinden, Produktdatenblätter ergänzen, Fragen schneller beantworten.

Die Bestandsaufnahme zeigt aber schnell: Für viele technische Fragen fehlen Werkstoffe, Temperaturbereiche, Ersatzartikel und verlässliche Zuordnungen. Der realistische Start liegt deshalb nicht in der Vollintegration, sondern in einer fokussierten Warengruppe mit ergänzten Attributen und dokumentiertem Erfahrungswissen.

Fazit: Daten sind kein reines IT-Thema

KI-Projekte scheitern selten an der Technologie. Die Modelle sind leistungsfähig, die Tools sind verfügbar. Was häufig fehlt, ist die Grundlage: Informationen, die nicht vollständig erfasst, nicht sauber verknüpft oder nicht für andere zugänglich sind.

Der richtige Einstieg beginnt daher nicht mit der Frage nach dem nächsten Tool, sondern mit der Bestandsaufnahme: Welches Wissen braucht Ihre KI wirklich und wo liegt es heute?

Haben Sie Fragen zu diesem Thema oder möchten Sie Ihre Datensituation besprechen? Schreiben Sie uns. Wir bringen langjährige ERP- und Organisationspraxis in diese Fragen ein.