KI funktioniert dort am besten, wo die Datenbasis für den konkreten Use Case stimmt. Das klingt selbstverständlich. Aber in der Praxis erleben wir in Integrationsprojekten immer wieder, dass genau diese Grundlage fehlt, wenn Unternehmen ihr erstes KI-Vorhaben starten.
Nicht weil die Technologie nicht bereit wäre. Sondern weil Daten in mehreren Systemen unterschiedlich gepflegt werden, Schnittstellen undokumentiert sind oder niemand genau weiß, welcher Datenstand aktuell und korrekt ist. Für den Tagesbetrieb lässt sich das oft kompensieren. Aber sobald ein KI-Modell auf dieser Basis arbeiten soll, werden diese Schwächen sichtbar.
Gartner prognostiziert, dass Unternehmen bis 2026 rund 60 Prozent ihrer KI-Projekte aufgeben werden, die nicht durch ausreichend aufbereitete Daten gestützt werden. Auch wir sehen in Integrationsprojekten: Datenqualität ist häufig der Engpass, nicht die KI selbst.
Dieser Beitrag zeigt aus unserer täglichen Arbeit mit Schnittstellen und Systemlandschaften, worauf es ankommt, wenn KI-Vorhaben auf bestehenden Strukturen aufbauen sollen.
Sie überlegen, ob KI in Ihrem Unternehmen sinnvoll ist? Im AI Discovery Call prüfen wir gemeinsam, ob ein wirtschaftlich relevantes KI-Vorhaben besteht und ob sich ein nächster Schritt lohnt. Kostenlos und unverbindlich.
Warum KI Datenprobleme verschärft, die vorher kaum aufgefallen sind
Integration ist in vielen Unternehmen seit Jahren Alltag. ERP, CRM, Buchhaltung, Fachsysteme: Daten fließen über Schnittstellen von A nach B. In vielen Fällen funktioniert das gut genug für den Tagesbetrieb.
Aber „gut genug“ kann bei KI zum Problem werden.
KI-Modelle arbeiten mit den Daten, die sie bekommen. Wenn ein ERP-System andere Kundenstände führt als das CRM, wenn Stammdaten veraltet sind oder in mehreren Systemen widersprüchlich gepflegt werden, dann produziert eine darauf aufbauende Automatisierung systematisch fragwürdige Ergebnisse. Nicht als Einzelfehler, sondern bei jeder Ausführung.
Das Besondere bei KI: Die Fehler sind oft nicht sofort sichtbar. Ein Modell, das auf inkonsistenten Daten Empfehlungen oder Prognosen erstellt, liefert Ergebnisse, die plausibel aussehen, aber auf einer falschen Grundlage stehen. Im klassischen Integrationsbetrieb fällt ein fehlender Datensatz irgendwann auf. Bei KI kann ein systematischer Fehler lange unbemerkt bleiben.
Sie haben Fragen oder möchten mehr über unsere Leistungen erfahren?
Sprechen Sie uns gerne an, wir melden uns innerhalb der nächsten 24 Stunden bei Ihnen zurück.
Was wir aus Integrationsprojekten über Datenqualität wissen
Unser Blick richtet sich auf die technische Ausgangslage. Und dort begegnen uns in Projekten immer wieder dieselben Muster.
Dieselben Daten werden in mehreren Systemen gepflegt, ohne klare Synchronisationsregeln. Kundendaten im ERP, parallel im CRM, teilweise auch in Fachsystemen. Jedes Team arbeitet mit „seinem“ System, und solange niemand die Daten systemübergreifend zusammenführen muss, fällt die Inkonsistenz kaum auf. Unterschiedliche Adressstände, doppelte Datensätze, widersprüchliche Zuordnungen: In Integrationsprojekten ist die Bereinigung dieser Altlasten regelmäßig aufwändiger als die eigentliche Systemanbindung.
Schnittstellen sind historisch gewachsen und nicht dokumentiert. Über Jahre hinweg werden Verbindungen zwischen Systemen aufgebaut, angepasst, erweitert. Welche Daten in welchem Format über welche Schnittstelle fließen, ist oft nur im Kopf einzelner Personen gespeichert. Sobald eine neue Anforderung hinzukommt, fehlt die Übersicht darüber, was überhaupt vorhanden und belastbar ist.
Fehler in Datenflüssen werden erst bemerkt, wenn im Zielsystem etwas fehlt. Ohne aktives Monitoring und Logging fallen Probleme oft erst dann auf, wenn ein Folgeprozess bereits gestört ist. Die Fehlersuche beginnt reaktiv statt präventiv. Genau hier setzt professioneller Integration Support & Betrieb an.
Keines dieser Muster verhindert grundsätzlich ein KI-Vorhaben. Aber je stärker ein Use Case auf Daten aus mehreren Systemen angewiesen ist, desto wichtiger wird es, diese Punkte für den konkreten Anwendungsfall zu kennen und gezielt zu adressieren.
Nicht alles auf einmal: Datenqualität dort sicherstellen, wo KI arbeiten soll
Ein häufiges Missverständnis: Bevor KI möglich ist, muss die gesamte Systemlandschaft perfekt integriert sein. Das stimmt so nicht.
Entscheidend ist, dass die Daten für den konkreten Use Case belastbar sind. Wenn ein KI-Modell Kontierungsvorschläge auf Basis historischer Buchungsdaten aus einem ERP-System erstellen soll, dann müssen genau diese Buchungsdaten konsistent und verfügbar sein. Ob parallel dazu ein anderes System noch nicht sauber angebunden ist, spielt für diesen Use Case keine Rolle.
Konkret heißt das: Für den Use Case, den Sie umsetzen wollen, sollten Sie diese Fragen beantworten können:
Wer diese Fragen für seinen konkreten Use Case beantworten kann, hat eine gute Ausgangslage. Wer unsicher ist, sollte genau dort ansetzen.
Ein konkretes Beispiel, wie das in der Praxis aussieht, zeigt unsere KI-Kontierung Referenz: Dort wurde in einer strukturierten Use-Case-Analyse ein Finance-Use-Case identifiziert, der auf historischen Buchungsdaten aus Business Central aufbaut. Der Erfolg hing nicht am KI-Modell, sondern an der Verfügbarkeit und Konsistenz genau dieser ERP-Daten.
Wo DATA Passion ins Spiel kommt
Wenn die Datenbasis für einen KI-Use-Case nicht belastbar ist, liegt das häufig an der darunterliegenden Integrationsarchitektur. Systeme, die nicht sauber verbunden sind, Datenflüsse ohne Monitoring, Schnittstellen ohne Dokumentation.
Genau das ist unser Bereich. DATA Passion plant und implementiert Integrationsarchitekturen, die auch bei wachsender Systemanzahl und steigender Komplexität beherrschbar bleiben. Wir sorgen dafür, dass Stamm- und Bewegungsdaten zuverlässig zwischen Systemen fließen, und übernehmen bei Bedarf den laufenden Betrieb und Support der Integrationsplattform.
Ob ein Unternehmen KI einführen will, eine neue Anwendung anbinden oder bestehende Prozesse stabilisieren möchte: Die Voraussetzung ist dieselbe. Die Systeme müssen zuverlässig miteinander arbeiten. Vendor-neutral, auf Basis der Technologien, die zur bestehenden Landschaft passen.
Sie möchten wissen, ob Ihre Systemlandschaft bereit für den nächsten Schritt ist?
Wir verschaffen uns gemeinsam mit Ihnen einen Überblick.
FAQ - Häufige Fragen zu Datenqualität und KI
KI-Modelle treffen Entscheidungen auf Basis der Daten, die ihnen zur Verfügung stehen. Sind diese Daten inkonsistent, veraltet oder unvollständig, entstehen systematische Fehler. Im Unterschied zu klassischen Prozessen sind diese Fehler bei KI oft nicht sofort sichtbar, weil die Ergebnisse plausibel wirken können, obwohl die Grundlage nicht stimmt.
Nein. Entscheidend ist, dass die Daten für den konkreten Use Case belastbar sind. Welche Systeme und Datenflüsse relevant sind, hängt vom Anwendungsfall ab. Ein fokussierter Einstieg mit einem klar abgegrenzten Use Case ist in der Praxis deutlich erfolgreicher als der Versuch, alles auf einmal zu lösen.
Ein guter erster Schritt ist, die Datenlage für einen konkreten Use Case ehrlich zu bewerten: Sind die relevanten Daten verfügbar, konsistent und zuverlässig?
Im AI Discovery Call prüfen wir gemeinsam, ob ein wirtschaftlich relevantes KI-Vorhaben besteht und ob sich ein nächster Schritt lohnt.
Kontaktanfrage
Haben Sie Fragen zu Ihrer Integrations- und Datenlandschaft?
Kontaktieren Sie uns über das Formular für ein unverbindliches Erstgespräch. Wir melden uns schnellstmöglich mit Terminvorschlägen zurück.
