Datenreife: Warum die meisten KI-Projekte an den Daten scheitern — und die 5 Hausaufgaben davor

Der häufigste Grund für scheiternde KI-Projekte ist nicht das Modell, sondern die Datenbasis: verstreute Quellen, veraltete Inhalte, ungeklärte Zugriffsrechte. Laut Fivetran Agentic AI Readiness Index 2026 setzen 41 % der Unternehmen Agentic AI bereits produktiv ein — aber nur 15 % erfüllen die Kriterien für einen stabilen Produktivbetrieb.

Die Reife-Lücke: eingeführt heißt nicht funktionierend

Die Zahlen beschreiben eine Lücke, die wir aus der Praxis gut kennen: Rund 85 % der Unternehmen betreiben KI-Agenten auf einem Datenfundament, das dafür nicht bereit ist. „Eingeführt“ heißt eben nur, dass ein System läuft — nicht, dass es verlässliche Antworten gibt, die richtigen Personen erreicht und im Alltag Vertrauen aufbaut. In unseren Discovery-Gesprächen zeigt sich fast immer dasselbe Muster: Die Technik ist selten das Problem, sondern drei Fragen, die niemand vorab beantwortet hat — wo das relevante Wissen überhaupt liegt, welche Version davon stimmt, und wer sie sehen darf. Ein Agent, der auf dieser Unklarheit aufsetzt, produziert selbstbewusst formulierte Antworten aus veralteten Quellen — und verliert das Vertrauen der Nutzer schneller, als jedes Folge-Update es zurückgewinnen kann. Die gute Nachricht: Diese Lücke schließt man nicht mit mehr KI, sondern mit fünf überschaubaren Hausaufgaben.

Die 5 Daten-Hausaufgaben vor dem ersten Agenten

Diese fünf Punkte entscheiden darüber, ob Ihr erster KI-Agent belastbare Antworten liefert — oder eloquenten Unsinn. Sie sind die eigentlichen Voraussetzungen der KI-Einführung: keine davon erfordert neue Technik, alle erfordern Entscheidungen. Und sie gelten pro Prozess, nicht fürs ganze Unternehmen.

1. Quellen-Inventur: Wo liegt welches Wissen?

Bevor irgendetwas angebunden wird, braucht es eine ehrliche Landkarte: Welche Systeme enthalten das Wissen für den Zielprozess — Ticketsystem, Wiki, Dateiablage, Datenbanken, E-Mail-Postfächer? Wichtig ist dabei nicht Vollständigkeit über alle Abteilungen, sondern Klarheit für den einen Prozess, den der Agent unterstützen soll. Praxis-Beispiel: Bei einem Kunden lag die Hälfte des Support-Wissens nicht im offiziellen Wiki, sondern in einem Teams-Kanal namens „Tipps & Tricks“ — ohne die Inventur wäre der Agent an der wichtigsten Quelle vorbeigebaut worden.

2. Aktualität: Welche Inhalte sind führend, welche Leichen?

Fast jede gewachsene Wissensbasis enthält Dokumente in drei Versionen, von denen zwei veraltet sind. Der Agent kann nicht wissen, welche gilt — das muss die Organisation festlegen: Welche Quelle ist führend, was wird archiviert, was gelöscht? Es reicht, diese Frage für die Dokumente des Zielprozesses zu klären, nicht für das gesamte Laufwerk. Praxis-Beispiel: In einem Projekt fanden sich vier Preislisten mit vier verschiedenen Ständen — die Entscheidung „nur das ERP ist führend, PDFs werden ignoriert“ war wichtiger als jede technische Konfiguration.

3. Zugriffsrechte: Wer darf was sehen? (→ Zugriffskontrolle vor Kontext)

Ein Agent, der jedem alles beantwortet, ist kein Produktivitätsgewinn, sondern ein Datenschutzvorfall mit Ansage. Vor dem Start muss geklärt sein, welche Berechtigungen in den Quellsystemen gelten und ob sie dort sauber gepflegt sind — denn ein gutes System übernimmt diese Rechte, statt neue zu erfinden. Wir nennen das Prinzip Zugriffskontrolle vor Kontext: Erst wird geprüft, wer fragt, dann, was als Antwortgrundlage infrage kommt. Praxis-Beispiel: Ein vermeintlich internes Laufwerk stand historisch bedingt der ganzen Firma offen — inklusive Gehaltsübersichten; das fiel erst bei der Rechte-Prüfung vor dem KI-Projekt auf.

4. Strukturgrad: Was ist maschinenlesbar, was braucht Aufbereitung?

Nicht alle Daten sind gleich zugänglich: Eine Datenbank und ein sauberes Wiki lassen sich direkt anbinden, eingescannte PDFs, Fotos von Whiteboards und Excel-Dateien mit fünf verschachtelten Tabellenblättern brauchen Aufbereitung. Die Frage ist nicht, ob alles perfekt strukturiert ist — moderne Systeme kommen mit Dokumenten gut zurecht —, sondern wo die Aufbereitung den Aufwand lohnt und wo man sie in Phase zwei verschiebt. Praxis-Beispiel: Bei Rock IT waren die historischen Tickets sofort nutzbar, während ältere Handbuch-Scans bewusst erst später aufgenommen wurden — der Pilot musste darauf nicht warten.

5. Ownership: Wer verantwortet den Prozess und seine Daten?

Jeder produktive Agent braucht einen fachlichen Besitzer: eine Person, die entscheidet, welche Quellen führend sind, die Feedback zu falschen Antworten bewertet und die Wissensbasis weiterentwickelt. Ohne Ownership veraltet die beste Anbindung — mit Ownership wird der Agent von Monat zu Monat besser. Das ist keine neue Vollzeitstelle, sondern eine klar benannte Verantwortung mit wenigen Stunden pro Woche. Praxis-Beispiel: In den erfolgreichsten Projekten ist der Owner die Person, die den Prozess heute schon fachlich verantwortet — nicht die IT.

Die gute Nachricht: Datenreife ist kein 12-Monats-Projekt

An dieser Stelle erzählen viele Beratungen die Geschichte vom großen Datenprojekt: erst zwölf Monate Data Governance, Datenkataloge und Bereinigung — dann darf über KI nachgedacht werden. Unsere Erfahrung ist eine andere, und sie hat einen architektonischen Grund: Wer nach dem Prinzip „verknüpft statt kopiert“ baut, muss nicht das ganze Unternehmen datenreif machen, sondern nur den Ausschnitt, den der erste Agent braucht. Der Pilot erzwingt dabei genau die richtige Teilmenge — für einen konkreten Prozess werden Quellen inventarisiert, führende Versionen bestimmt und Rechte geprüft, und das ist in Wochen machbar, nicht in Quartalen. Missverstehen Sie das nicht als „Daten sind egal“: Die fünf Hausaufgaben sind nicht verhandelbar, sie sind nur richtig zu schneiden. Alles, was der Zielprozess nicht braucht, darf unaufgeräumt bleiben — bis der nächste Anwendungsfall es braucht. So wird Datenreife vom Vorprojekt zum Nebenprodukt jedes einzelnen Piloten — und wächst mit jedem weiteren Agenten mit.

Selbst-Check: Sind Sie datenreif für den ersten Agenten? (10 Fragen)

Dieser KI-Readiness-Check ist bewusst unbequem konkret. Beantworten Sie die Fragen für den einen Prozess, den Ihr erster Agent unterstützen soll — nicht für das Unternehmen im Allgemeinen. Acht- bis zehnmal „Ja“ heißt: startklar. Bei weniger wissen Sie jetzt genau, wo die Hausaufgaben liegen — und das ist mehr, als die meisten vor ihrem ersten KI-Projekt wissen.

1. Können Sie die drei wichtigsten Wissensquellen für diesen Prozess benennen?
2. Wissen Sie, welche dieser Quellen bei Widersprüchen führend ist?
3. Sind die Inhalte dieser Quellen im Wesentlichen aktuell (jünger als 12 Monate oder aktiv gepflegt)?
4. Gibt es ein dokumentiertes Berechtigungskonzept für diese Quellen?
5. Spiegeln die tatsächlichen Zugriffsrechte dieses Konzept wider — auch nach Abteilungswechseln und Austritten?
6. Liegen die Kerninhalte digital und durchsuchbar vor (nicht nur als Scan oder Papier)?
7. Existiert eine Person, die fachlich für diesen Prozess und seine Daten verantwortlich ist?
8. Hätte diese Person 2–3 Stunden pro Woche für Feedback und Pflege in der Pilotphase?
9. Können Sie messen, wie viel Zeit der Prozess heute kostet (Tickets, Durchlaufzeiten, Suchaufwand)?
10. Ist geklärt, welche Daten aus diesem Prozess das Haus nicht verlassen dürfen?
    

FAQ

Wie lange dauert es, Datenreife herzustellen?

Für einen einzelnen Prozess: typischerweise zwei bis vier Wochen, parallel zur Pilotvorbereitung. Die Vorstellung, das gesamte Unternehmen müsse erst flächendeckend datenreif werden, ist der Hauptgrund, warum viele KI-Vorhaben nie starten. Reife entsteht prozessweise — und jeder abgeschlossene Pilot hinterlässt einen aufgeräumten Ausschnitt mehr.

Brauchen wir erst ein Datenprojekt vor dem KI-Projekt?

Nein — der richtig geschnittene Pilot ist das Datenprojekt. Die fünf Hausaufgaben werden für den Zielprozess ohnehin erledigt: Quellen inventarisieren, Aktualität klären, Rechte prüfen, Struktur bewerten, Ownership benennen. Ein vorgelagertes Großprojekt verbrennt Budget an Stellen, die vielleicht nie ein Agent berührt. Wie so ein Pilot konkret abläuft, beschreiben wir in AI Agents einführen: der 2-Monats-Pilot.

Was ist die häufigste Daten-Überraschung in Projekten?

Die Zugriffsrechte. In fast jedem Projekt stellt sich bei der Rechte-Prüfung heraus, dass historisch gewachsene Freigaben viel weiter reichen als gedacht — das klassische Beispiel ist das „interne“ Laufwerk, auf das seit einer Umstrukturierung vor Jahren die halbe Firma zugreifen kann, ohne dass es jemand bemerkt hat. Das KI-Projekt deckt solche Altlasten auf, weil erstmals systematisch geprüft wird, wer was sehen darf. Unangenehm ist das nur kurz — danach ist das Unternehmen auch ohne KI sicherer als vorher.

Der Discovery-Termin prüft genau diese 5 Punkte für Ihren wichtigsten Prozess. In 45 Minuten gehen wir Quellen, Aktualität, Rechte, Struktur und Ownership gemeinsam durch — und Sie wissen danach, ob Ihr erster Agent in Wochen starten kann oder wo die Hausaufgaben liegen: Termin vereinbaren. Warum KI-Projekte auch jenseits der Daten scheitern, lesen Sie im Geschwister-Artikel Warum KI-Projekte scheitern — und wie aus reifen Daten ein nutzbares System wird, im Beitrag zum AI Chatbot mit interner Wissensbasis.