Ihre KI ist nur so gut wie Ihre Kundendaten: Der 90-Minuten-Datencheck vor dem ersten Werkzeug

Das eigentliche Problem sitzt nicht im Werkzeug

Die Mehrheit der deutschen Unternehmen nutzt inzwischen KI. Laut einer Bitkom-Befragung von 603 Unternehmen ab 20 Beschäftigten sind es 57 Prozent, nach 36 Prozent im Vorjahr. In derselben Befragung sagen 59 Prozent der KI-Nutzer, dass sie das Potenzial nach eigener Einschätzung überhaupt nicht ausschöpfen.

Im Alltag sieht das so aus. Der KI-Assistent schlägt für ein Folgeangebot einen Ansprechpartner vor, der seit Monaten nicht mehr beim Kunden arbeitet. Die automatisierte Mailing-Strecke schreibt denselben Kunden zweimal an, weil er im CRM unter zwei Schreibweisen angelegt ist. Die Umsatzübersicht für das Jahresgespräch zeigt Zahlen, die die Buchhaltung längst korrigiert hat.

Keiner dieser Fehler entsteht im Werkzeug. Das Werkzeug arbeitet mit dem, was es vorfindet, nur schneller und ohne nachzufragen.

Die Lücke zwischen dem, was KI verspricht, und dem, was sie liefert, ist selten technisch. Sie liegt im Vertrauen in die eigenen Kundendaten. Der 90-Minuten-Datencheck zeigt, ob diese Daten den geplanten Anwendungsfall tragen, bevor Sie Geld in das erste Werkzeug stecken.

Was die Trust-Data-Lücke ist und warum sie 2026 sichtbar wird

Die Daten sind da, im CRM, in der Buchhaltung, im E-Mail-Tool. Trotzdem würde niemand eine wichtige Entscheidung allein darauf stützen. Vor dem Angebot ruft der Vertrieb lieber noch einmal beim Kunden an, vor der Umsatzplanung gleicht jemand die Zahlen mit der eigenen Liste ab. Es fehlt nicht an Daten, es fehlt das Vertrauen in sie. Das nennen wir Trust-Data-Lücke.

Solange Menschen mit den Daten arbeiten, überdeckt Erfahrung die Lücke. Die erfahrene Mitarbeiterin weiß, dass der Kunde doppelt angelegt ist, und korrigiert das im Kopf. Ein KI-Assistent weiß das nicht. Er wiederholt einen Fehler, den ein Mensch einmal pro Woche macht, hundertfach am Tag. Die Mail an den falschen Ansprechpartner klingt so flüssig wie die an den richtigen, und sie geht oft raus, bevor jemand sie prüft.

Was die Studien zeigen

Die Zahlen kommen überwiegend aus internationalen Befragungen. Sie zeigen eine Richtung, keinen Maßstab für Ihr Unternehmen.

Im State of Data and Analytics von Salesforce (November 2025, mehr als 7.600 Befragte in 18 Ländern) schätzen die Verantwortlichen für Daten und Analytics, dass rund 26 Prozent der Daten ihrer Organisation nicht vertrauenswürdig sind. 84 Prozent sagen, ihre Datenstrategie müsse grundlegend überarbeitet werden, bevor ihre KI-Pläne aufgehen. Von denen, die KI bereits produktiv einsetzen, haben 89 Prozent falsche oder irreführende KI-Ergebnisse erlebt.

Der Bericht State of CRM Data Management in 2026 von Validity (August 2026, 500 Marketingverantwortliche in den USA, Großbritannien, Brasilien, Australien und Neuseeland) geht einen Schritt weiter:

• Nur 21 Prozent halten ihre CRM-Daten für sehr gut vorbereitet, um KI zu unterstützen.
• Fast 78 Prozent der Befragten aus der obersten Führungsebene haben schon einmal nach einer KI-Empfehlung gehandelt, die sie später wegen schlechter Daten für falsch hielten. Bei Mitarbeitenden ohne Führungsrolle sind es 41 Prozent.
• Knapp 60 Prozent der obersten Führungsebene fühlen sich unter Druck, KI jetzt einzuführen, obwohl sie wissen, dass ihre Daten nicht bereit sind.
• Zwei Drittel der Organisationen haben im vergangenen Jahr mehr Marketingentscheidungen an autonome KI-Agenten übergeben.

Die oberste Führungsebene handelt also deutlich häufiger auf fehlerhafter Grundlage als die Fachebene, während mehr Entscheidungen zu Systemen wandern, die nicht nachfragen.

In der Bitkom-Befragung nennt die Hälfte der deutschen Unternehmen Datenaufbereitung als großen Kostenfaktor beim KI-Einsatz, fast gleichauf mit der Infrastruktur (51 Prozent) und weit vor den Softwarelizenzen (21 Prozent). Unter den Unternehmen ohne KI nennen 40 Prozent fehlende Daten als Hürde. Ob KI eingesetzt wird, ist vielerorts entschieden. Offen ist, ob Sie die Ergebnisse ungeprüft weitergeben würden.

Woran Sie im eigenen Haus erkennen, dass Ihre Daten nicht tragen

Schlechte Kundendaten zeigen sich selten auf einen Schlag. Meist stecken sie in kleinen Umwegen, an die sich alle gewöhnt haben. Vier Muster sehen wir in mittelständischen Unternehmen immer wieder. Kommen Ihnen zwei davon bekannt vor, sollte keine KI ungeprüft auf diese Daten zugreifen.

Der Vertrieb führt seine eigene Liste

Die Wahrheit steht in einer Excel-Datei auf dem Laptop des Vertriebsleiters, das CRM wird gepflegt, wenn die Geschäftsführung einen Bericht braucht. Das ist kein Disziplinproblem: Das offizielle System ist für die tägliche Arbeit zu umständlich oder hat die falschen Felder. Eine KI lernt dann aus dem System, das niemand benutzt.

Derselbe Kunde hat drei verschiedene Status

Im CRM ist ein Kunde aktiv, in der Buchhaltung steht eine offene Mahnung, im Support läuft seit Wochen eine Beschwerde. Jedes System hat für sich recht, keines kennt das Gesamtbild. Wer wissen will, wie es um den Kunden steht, ruft drei Kollegen an.

Das bremst auch die KI. In der Vertriebsstudie State of Sales 2026 desselben Herausgebers (4.050 Vertriebsprofis in 22 Ländern) sagen 51 Prozent der Vertriebsleitungen, die KI bereits nutzen, dass nicht verbundene Systeme ihre KI-Vorhaben verlangsamen. Ein Assistent, der nur eine der drei Quellen sieht, formuliert trotzdem eine Empfehlung, mit derselben Sicherheit, als hätte er alle drei gelesen.

Niemand weiß, wem ein Feld gehört

Fragen Sie, wer für das Feld Branche oder Kundenklasse verantwortlich ist. Meist folgt Schweigen. Die Folge: Dieselbe Kennzahl ergibt je nach Abteilung andere Werte, und diskutiert wird die Zahl statt der Entscheidung.

Kündigungen tauchen erst auf, wenn sie wirksam sind

Die Kündigung liegt im Postfach des Betreuers, im CRM ändert sich nichts, bis die Rechnung ausbleibt. Bis dahin steht der Kunde in jeder Umsatzplanung. Eine KI, die Abwanderungsrisiken erkennen soll, bewertet ihn als stabil.

Ein kurzer Selbsttest

• Gibt es neben dem CRM Listen, auf die sich einzelne Teams mehr verlassen als auf das System?
• Können Sie für einen beliebigen Kunden in unter fünf Minuten sagen, ob er zahlt, zufrieden ist und wer sein Ansprechpartner ist?
• Hat jedes wichtige Kundenfeld eine benannte verantwortliche Person?
• Erfahren Sie von einer Kündigung am Tag des Eingangs oder erst mit der ausbleibenden Zahlung?

Jede Antwort, bei der Sie zögern, markiert eine Stelle, an der Ihre Daten heute nicht tragen.

Der 90-Minuten-Datencheck: Aufbau und Vorbereitung

Der Datencheck ist ein Arbeitstermin, kein Projekt: drei Blöcke zu je 30 Minuten. Am Ende steht eine Einschätzung, auf die Sie eine Entscheidung stützen können.

Wer am Tisch sitzt

Drei Rollen reichen: die Geschäftsführung mit dem geplanten KI-Anwendungsfall, eine Person aus Vertrieb oder Service, die täglich mit den Kundendaten arbeitet, und wer das CRM betreut. Das ist oft eine Aufgabe neben dem Tagesgeschäft, und das genügt. Die IT müssen Sie nur vorab um den Export bitten.

Was Sie vorbereiten

1. Einen Export der Kundenstammdaten als Tabelle (Firmen, Ansprechpartner, Status, Umsatzfelder, Datum der letzten Änderung), beschränkt auf den Ausschnitt, den Ihr Anwendungsfall nutzen würde.
2. Eine Liste der Tools mit Kundendaten, inklusive der Excel-Listen der Teams. Eine Zeile pro Tool: Welche Kundendaten liegen hier, und woher kommen sie?

Mehr als eine Tabellenkalkulation und ein Blatt Papier brauchen Sie nicht.

Welches Ziel der Check hat

Das Ergebnis ist eine Ampel für den konkreten Anwendungsfall. Ein Audit fragt, ob alle Daten in Ordnung sind. Der Check fragt enger: Tragen die Daten, die dieses eine Werkzeug braucht, eine Entscheidung?

Eine Regel für den Termin: Schätzen Sie nicht, zählen Sie.

Block 1 (30 Minuten): Vollständigkeit und Dubletten

Stehen in den Feldern, die Ihr Werkzeug braucht, brauchbare Werte? Und gibt es jeden Kunden nur einmal?

Schritt 1: Pflichtfelder festlegen (etwa 5 Minuten)

Prüfen Sie nur, was der Anwendungsfall braucht. Typische Kandidaten: Firmenname, Ansprechpartner mit Funktion, E-Mail-Adresse, Kundenstatus, Branche, zuständiger Betreuer, letzter Umsatz. Bleiben Sie bei wenigen Feldern.

Schritt 2: Stichprobe ziehen (etwa 5 Minuten)

Nehmen Sie etwa jeden zwanzigsten Eintrag oder eine Auswahl per Zufallsfunktion. Wählen Sie nicht von Hand aus: Man greift sonst zu den bekannten Kunden, und die sind meist besser gepflegt als der Rest.

Schritt 3: Leere und falsche Einträge zählen (etwa 10 Minuten)

Ordnen Sie jeden Eintrag einer von drei Kategorien zu: brauchbar, leer oder offensichtlich falsch. Offensichtlich falsch sind Platzhalter wie xxx oder unbekannt, eine allgemeine Info-Adresse statt einer Person, ein Ansprechpartner, der das Unternehmen verlassen hat, oder ein aktiver Kunde, der längst gekündigt hat. Das Letzte erkennt keine Formel, nur jemand am Tisch, der den Kunden kennt.

Am Ende steht pro Pflichtfeld der Anteil brauchbarer Einträge. Einen allgemein gültigen Grenzwert gibt es nicht. Legen Sie am Tisch fest, welcher Anteil für diesen Anwendungsfall reicht. Ein Feld, das die KI für jede Antwort liest, verträgt weniger Lücken als eines, das nur gelegentlich hilft.

Schritt 4: Doppelte Firmen und Kontakte suchen (etwa 10 Minuten)

Für eine KI sind zwei Einträge derselben Firma zwei Kunden. Dann steht die Kündigung beim einen, und das Verlängerungsangebot geht an den anderen. Nehmen Sie hier den gesamten Export:

1. Nach Firmennamen sortieren und Schreibvarianten suchen: mit und ohne Rechtsform, abgekürzt, Tippfehler, alter und neuer Name.
2. Nach E-Mail-Domain sortieren. Gleiche Domain bei unterschiedlichem Firmennamen ist ein starker Hinweis auf eine Dublette.
3. Kontakte prüfen, die mehrfach angelegt sind, etwa mit alter und neuer Adresse.

Notieren Sie, wie viele Firmen und Kontakte mehrfach vorkommen.

Achten Sie auch auf Muster. Ist ein Feld vor allem bei Kunden aus dem Webformular oder einem alten Import leer, liegt die Ursache nicht bei der Pflege, sondern an einer Übergabe zwischen Systemen. Dort setzt Block 2 an.

Block 2 (30 Minuten): Aktualität und Datenflüsse

Ein Datensatz kann vollständig sein und trotzdem falsch. Block 2 prüft, ob der Inhalt noch stimmt und woher er kommt.

Teil A (10 Minuten): Wann wurde der Datensatz zuletzt angefasst?

Legen Sie fest, ab wann ein Datensatz für Ihren Anwendungsfall als veraltet gilt. Für Angebote kann das eine andere Grenze sein als für Serviceanfragen. Sortieren Sie die Stichprobe aus Block 1 nach dem Datum der letzten Änderung und zählen Sie, wie viele Datensätze jenseits der Grenze liegen.

Machen Sie eine Gegenprobe: Bei kürzlich geänderten Datensätzen war es oft nur ein automatischer Import, während der Ansprechpartner seit Jahren gleich ist. Notieren Sie den Anteil veralteter Datensätze.

Teil B (20 Minuten): Wo bricht der Informationsfluss?

Das E-Mail-Tool kennt Abmeldungen und unzustellbare Adressen, die Buchhaltung die tatsächlichen Umsätze, der Support Beschwerden und Kündigungsabsichten. Kommt das dort an, wo später die KI liest?

Skizzieren Sie die Kundenreise, zum Beispiel:

Anfrage → Angebot → Auftrag → Rechnung → Betreuung und Support → Verlängerung oder Kündigung

Tragen Sie unter jeden Schritt das führende Tool ein und wer dort Daten eingibt. Dann prüfen Sie jede Übergabe mit drei Fragen:

• Wird die Information automatisch übertragen oder von Hand? Jede manuelle Übertragung ist eine Stelle, an der Informationen verloren gehen oder zu spät ankommen.
• Welches System hat bei Widerspruch recht? Kann im Haus niemand sagen, ob der Umsatz im CRM oder in der Buchhaltung gilt, weiß es auch die KI nicht.
• Wie lange dauert die Übergabe? Eine Kündigung, die erst Wochen später im CRM steht, ist für jedes Werkzeug unsichtbar, das in der Zwischenzeit Empfehlungen gibt.

Markieren Sie jede Übergabe rot, die manuell läuft, keinen klaren Vorrang hat oder spürbar verzögert ist. Nur die Übergaben, die Ihr Anwendungsfall braucht, zählen.

Block 3 (30 Minuten): Verantwortung und Freigabe

Das ist der wichtigste Teil. Ein Feld, das niemand verantwortet, sieht drei Monate nach der Bereinigung wieder aus wie vorher.

Schritt 1 (10 Minuten): Feldverantwortliche benennen

Schreiben Sie hinter jedes Pflichtfeld aus Block 1 einen Namen. Eine Person, keine Abteilung. Den Kundenstatus sollte verantworten, wer Kündigungen tatsächlich bearbeitet. Bei Branche oder Segment ist es oft niemand, und genau das ist der Befund. Bleibt die Spalte leer, notieren Sie das so.

Schritt 2 (10 Minuten): Änderungsrechte prüfen

Wer darf den Wert heute ändern, und wer tut es tatsächlich? Häufig dürfen alle alles. Dann überschreibt der Vertrieb, was der Service eingetragen hat, und eine Schnittstelle zur Buchhaltung überschreibt beides über Nacht. Halten Sie fest, welches System für welches Feld das letzte Wort hat.

Schritt 3 (10 Minuten): Über den Zugriff der KI entscheiden

Wer entscheidet, ob ein KI-Werkzeug auf diese Daten zugreifen darf und was es damit tun darf? Hier beginnt Governance im praktischen Sinn. Legen Sie für den Anwendungsfall eine Freigabestufe fest:

1. Lesen: Die KI wertet aus, ändert nichts.
2. Vorschlagen: Die KI schlägt vor, ein Mensch prüft und übernimmt.
3. Ausführen mit Freigabe: Die KI handelt erst nach Bestätigung der verantwortlichen Person.
4. Selbstständig ausführen: Menschen prüfen nur noch stichprobenartig.

Faustregel: Je weniger Sie einem Feld vertrauen, desto niedriger die Stufe. Benennen Sie eine Person, die den Geschäftsprozess kennt, die Stufe verantwortet und im Zweifel sagen kann: Hier stoppen wir.

Greift eine KI auf Kundendaten zu, stellen sich auch Datenschutzfragen: welche Daten, wo verarbeitet, auf welcher Grundlage. Der Check ersetzt keine rechtliche Prüfung. Beziehen Sie Ihren Datenschutzbeauftragten ein, bevor der Pilot startet.

Das Ergebnisblatt

Am Ende steht eine Tabelle mit vier Spalten: Feld, verantwortliche Person, System mit dem letzten Wort, erlaubte Freigabestufe. Sie ist die Grundlage für die Ampel und für die Woche danach.

Die Ampel lesen: Starten, bereinigen oder Anwendungsfall wechseln

Die Ampel sagt, ob diese Daten für diesen Zweck tragen. Die Grenzen legen Sie selbst fest, entlang einer Frage: Was kostet es, wenn das Werkzeug auf Basis dieser Daten falschliegt? Eine fehlerhafte interne Zusammenfassung ist ärgerlich. Ein automatisch versendetes Angebot an den falschen Ansprechpartner kostet Vertrauen beim Kunden.

Legen Sie die gezählten Werte nebeneinander und lesen Sie sie so:

Grün: Pilot mit begrenztem Datenausschnitt

Starten Sie mit einer Region, einer Kundengruppe oder einem Produktsegment, nicht mit dem ganzen Kundenstamm. Der Pilot ist zeitlich begrenzt, hat ein festes Ziel und eine Person, die die Ergebnisse regelmäßig gegen die Wirklichkeit prüft. Hilft das Werkzeug nicht, bleiben die Fehler klein.

Gelb: Gezielt bereinigen

Von einem großen Bereinigungsprojekt raten wir ab. Braucht Ihr Anwendungsfall Firmenname, Ansprechpartner und Vertragsstatus, bringen Sie genau diese drei Felder in Ordnung und legen fest, wer sie künftig pflegt. Alles andere wartet. Bei Kosten, die laut Bitkom für die Hälfte der Unternehmen groß sind, zahlt sich diese Begrenzung aus.

Rot: Anwendungsfall wechseln

Rot heißt nicht, dass KI warten muss. Wählen Sie einen Anwendungsfall ohne Kundenstammdaten: Entwürfe aus Ihren Produktunterlagen, Suche in internen Handbüchern, Zusammenfassungen von Besprechungen. Dort klären Sie Freigaben und Zuständigkeiten und ordnen parallel Ihre Kundendaten. So begegnen Sie dem Druck, den die Studien oben beschreiben, ohne dass schlechte Daten Schaden anrichten.

Wenn die Blöcke unterschiedliche Farben zeigen

Dann gilt eine einfache Regel: Das Gesamtergebnis ist nie besser als die Farbe aus Block 3. Ist die Vollständigkeit gelb und die Verantwortung rot, ist die Ampel rot. Lücken in Feldern lassen sich schließen. Ohne klare Zuständigkeit öffnen sie sich wieder.

Was Sie nicht tun sollten

Nach dem Check ist der Druck oft größer als vorher. Drei Reflexe kosten dann viel Geld und machen die Daten selten vertrauenswürdiger.

Große Datenbereinigung ohne Anwendungsfall

Erst einmal alles bereinigen klingt verantwortungsvoll und heißt praktisch monatelange Arbeit an Feldern, die kein Werkzeug je liest. Ohne Anwendungsfall fehlt der Maßstab, wann ein Datensatz gut genug ist. Das Team verliert die Geduld, bevor ein Nutzen sichtbar wird.

Ein neues CRM als Befreiungsschlag

Ein neues CRM übernimmt die alten Daten mit ihren Dubletten und der offenen Frage, wer was pflegt. Die Excel-Listen im Vertrieb bleiben. Ein Wechsel kann richtig sein, etwa wenn sich das System nicht an Ihre übrigen Werkzeuge anbinden lässt. Entscheiden Sie aber erst, wenn Verantwortung und Datenflüsse geklärt sind. Dann wissen Sie, was ein neues System leisten muss.

KI zur Datenpflege, bevor Verantwortlichkeiten geklärt sind

Beim Finden von Dubletten kann KI helfen. Wer aber entscheidet, welcher von zwei Datensätzen stimmt? Ohne diese Antwort schreibt die KI Annahmen in Ihr System, und niemandem fällt es auf. Die Reihenfolge ist fest: erst Feldverantwortliche und Freigaberegeln aus Block 3, dann Werkzeuge, die vorschlagen, zuletzt Automatisierung, die selbst Daten ändert.

Was am Montag danach anders läuft

Drei Schritte für die Woche danach, keiner braucht Budget oder ein neues Werkzeug.

1. Das Ergebnisblatt verbindlich machen. Schließen Sie die leeren Zeilen aus Block 3. Wo die Runde keinen Namen gefunden hat, entscheidet die Geschäftsführung. Klären Sie mit jeder benannten Person kurz, was sie ab jetzt verantwortet.

2. Eine Übergabe reparieren. Nehmen Sie aus der Skizze in Block 2 genau eine rote Stelle. Typisch: Der Vertrieb schließt ab, der Service erfährt es per E-Mail und legt den Kunden von Hand noch einmal an. Klären Sie, wer die Information liefert, wo sie landet und woran man erkennt, dass sie angekommen ist.

3. Den Pilot-Anwendungsfall festlegen. Schreiben Sie ihn passend zur Ampel in zwei Sätzen auf: Was soll die KI tun, und welche Felder muss sie dafür lesen?

Danach haben Sie noch kein KI-Projekt, aber eine Grundlage, auf der Sie keine Fehler automatisieren.

Wenn Sie den Check nicht allein durchführen wollen, begleiten wir ihn mit Ihrem Team. Liegen die eigentlichen Brüche zwischen Ihren Systemen, schauen wir in einer Journey-Analyse genauer hin. Mehr dazu unter /ai-diagnose.

Welche Entscheidung würden Sie heute auf Ihre CRM-Daten stützen, ohne vorher noch einmal nachzufragen?

Häufige Fragen

Brauche ich eine IT-Abteilung oder spezielle Software? Nein. Export, Tabelle und drei Personen am Tisch reichen.

Wie sauber müssen unsere Kundendaten sein? Nicht perfekt, sondern passend zum Anwendungsfall. Ein Assistent, der bei offenen Angeboten nachfasst, braucht korrekte Ansprechpartner und aktuelle Angebotsstände, nicht die vollständige Historie aller Kontakte.

Wie oft sollten wir den Check wiederholen? Vor jedem neuen Anwendungsfall, weil dann andere Felder wichtig werden, und zusätzlich in einem Rhythmus, der zu Ihrem Geschäft passt. Wer viele Neukunden gewinnt oder oft neue Ansprechpartner bekommt, prüft häufiger.

Dieser Beitrag ist keine Rechtsberatung.

Quellen

• Bitkom: Erstmals nutzt Mehrheit der Unternehmen KI, Presseinformation vom 14.09.2026
• Validity: State of CRM Data Management in 2026, Pressemitteilung vom 25.08.2026
• Salesforce: State of Data and Analytics, 04.11.2025
• Salesforce: State of Sales 2026, 03.02.2026