Ohne saubere Daten wird KI zum Risiko

Die KI-Demo überzeugt. Der Chatbot antwortet schnell, der Vertriebsassistent schreibt personalisierte Mails, das interne Wissenssystem findet angeblich jede Information. Für viele Startups in Deutschland klingt das nach genau dem Hebel, den sie für Ihren Alltag brauchen: mehr Effizienz, weniger manuelle Arbeit, schnelleres Wachstum.

Doch zwischen Demo und der Realität liegt oft ein unbequemer Realitätscheck.

Was passiert, wenn Kundendaten doppelt im CRM liegen? Wenn Produktinformationen in alten Pitchdecks, Notion-Seiten und Google-Drive-Ordnern gleichzeitig existieren? Wenn niemand weiss, welche Excel-Liste aktuell ist? Oder wenn der neue KI-Assistent auf Dokumente zugreift, die längst überholt sind?

Dann wird KI nicht zum Beschleuniger. Dann wird sie zum Vehikel und Verstärker der bestehender Unordnung.

Das eigentliche KI-Risiko ist oft unsichtbar

In der öffentlichen Debatte um KI geht es häufig um Modelle undTools. In der Praxis entscheidet jedoch etwas viel Grundlegenderes: die Qualität der Daten, mit denen gearbeitet wird.

Gerade junge Unternehmen unterschätzen das. In der Anfangsphase ist Geschwindigkeit oft wichtiger als Ordnung. Eine Tabelle hier, ein Notion-Board dort, ein CRM-Feld, das niemand konsequent pflegt. Solange das Team klein ist, funktioniert vieles über Zuruf. Man weiss, wen man fragen muss. Man kennt die Geschichte hinter den Zahlen.

Mit Wachstum verändert sich das. Neue Mitarbeitende kommen dazu, Verantwortlichkeiten verschieben sich, Investoren fragen nach verlässlichen Kennzahlen, erste grössere Kunden erwarten professionelle Prozesse. Was früher pragmatisch war, wird plötzlich zu einem Risiko.

Für KI gilt das in besonderem Maße. Ein Mensch erkennt manchmal noch, dass ein Dokument alt ist oder eine Zahl nicht passen kann. Ein KI-System verarbeitet schlicht das, was vorhanden ist und wozu es angeleitet ist. Wenn das Fundament schlecht ist, wirkt das Ergebnis trotzdem oft überzeugend. Genau das macht es gefährlich.

Warum das in Deutschland besonders relevant ist

Deutsche Startups wachsen in einem Umfeld, in dem Vertrauen, Nachvollziehbarkeit und Verlässlichkeit eine grosse Rolle spielen. Viele verkaufen an den Mittelstand, arbeiten mit regulierten Branchen oder müssen sich früh mit Datenschutz, Informationssicherheit und Reportings auseinandersetzen.

Darum ist für sie Datenqualität ist kein internes Ordnungsthema, sondern existentiell.

Ein B2B-Kunde möchte wissen, ob Prozesse stabil sind. Ein Investor möchte verstehen, ob Kennzahlen belastbar sind. Ein Team braucht Klarheit, welche Informationen gültig sind. Und wer KI einsetzt, muss nachvollziehen können, welche Daten in Systeme einfliessen und welche Risiken daraus entstehen.

Mit dem AI Act wird zudem KI-Kompetenz für Unternehmen wichtiger. Seit August 2025 verlangt er von Unternehmen, die KI-Systeme (vor allem risikoreiche KI-Systeme) anbieten oder einsetzen, ein angemessenes Maß an KI-Kompetenz bei den beteiligten Personen.

Typische Warnsignale im Startup-Alltag

Datenchaos kündigt sich selten laut an. Es erinnert an den vielzitierten „Schmetterlingseffekt“: Es startet mit kaum wahrnehmbaren Reibungsverlusten und endet im Chaos. Zum Beispiel wenn Sales, Marketing und Customer Success unterschiedliche Kundenzahlen verwenden. Wenn im CRM mehrere Varianten desselben Unternehmens existieren. Wenn wichtige Prozessinformationen nur in Slack-Verläufen auffindbar sind. Wenn alte Angebotsversionen neben neuen Preislisten liegen. Wenn jede Abteilung eigene Kategorien nutzt. Wenn bei kritischen Daten niemand sagen kann: „Dafür bin ich verantwortlich.“

Für KI-Projekte ist das ein Problem. Automatisierte Kundenkommunikation braucht verlässliche Kundendaten. Interne Wissenssuche braucht gepflegte Wissensquellen. Reporting-Automatisierung braucht konsistente Definitionen. Produkt-KI braucht klare Datenstrukturen. Ohne diese Grundlagen entstehen schnelle, aber unsichere Ergebnisse.

Vor dem KI-Projekt: drei Fragen an das Datenfundament

Bevor ein Startup das nächste KI-Tool einführt, sollte es drei einfache Fragen beantworten.

Welche Daten sind für unser Geschäft wirklich entscheidend?
Nicht jede Information muss perfekt sein. Relevant sind vor allem Daten zu Kunden, Umsatz, Produkt, Prozessen und internem Wissen. Dort entstehen die grössten Risiken, aber auch die grössten Hebel.

Welche Quelle ist verbindlich?
Wenn dieselbe Information an mehreren Orten liegt, braucht es eine führende Quelle. Sonst arbeiten Teams und KI-Systeme mit unterschiedlichen Wahrheiten.

Wer ist verantwortlich?
Datenpflege darf nicht nebenbei passieren. Für zentrale Datenquellen braucht es klare Data Owner. Nicht als bürokratische Rolle, sondern als einfache Zuständigkeit: Wer sorgt dafür, dass diese Daten korrekt, aktuell und nutzbar bleiben?

Diese drei Fragen sind wichtig, denn sie zwingen ein Unternehmen, sein operatives Wissen zu ordnen.

Ein pragmatischer Daten-Sprint statt Großprojekt

Daten-Housekeeping muss kein monatelanges IT-Projekt sein. Für viele Startups reicht ein fokussierter Sprint.

In der ersten Phase wird sichtbar gemacht, wo geschäftskritische Daten liegen: CRM, Buchhaltung, Support-Tools, Marketing-Systeme, Wissensdatenbanken, Projektmanagement und zentrale Tabellen.

Danach folgt ein einfacher Qualitätscheck: Wo gibt es Dubletten? Welche Felder fehlen? Welche Informationen sind veraltet? Welche Daten widersprechen sich? Welche Dokumente sollten archiviert werden?

Erst wenn dieses Housekeeping erfolgt ist, kann über Automatisierungen nachgedacht werden. Denn dann arbeitet KI nicht mehr auf einem zufälligen Datenbestand, sondern auf einer sauberen Grundlage.

Der Unterschied zwischen Tempo und Skalierung

Viele Startups verwechseln Tempo mit Skalierbarkeit. Schnell eine Lösung zu bauen, ist wichtig. Aber skalierbar wird ein Unternehmen erst, wenn Informationen auch ohne Gründerwissen, Zuruf und Einzelpersonen funktionieren.

Genau hier liegt der eigentliche Wert von Daten-Housekeeping. Es reduziert Suchaufwand, verhindert Missverständnisse, verbessert Entscheidungen und schafft Vertrauen in Automatisierung. Es macht ein Unternehmen weniger abhängig von Einzelwissen und stärker als Organisation.

Fazit: Erst Ordnung, dann Automatisierung

KI wird für deutsche Startups ein zentraler Wettbewerbsfaktor bleiben. Doch der Vorsprung entsteht nicht allein durch den Einsatz neuer Tools. Er entsteht dort, wo KI auf saubere Daten, klare Verantwortlichkeiten und gepflegte Wissensstrukturen trifft.

Wer heute seine Datenbasis ignoriert, riskiert morgen schnelle, aber falsche Automatisierung. Wer jetzt aufräumt, schafft dagegen die Grundlage für belastbare KI-Anwendungen, bessere Kundenprozesse und professionelles Wachstum.

Der nächste Schritt in der KI-Strategie ist deshalb oft weniger spektakulär als erwartet: nicht noch ein Tool kaufen, sondern zuerst klären, worauf dieses Tool eigentlich zugreifen soll.

Über die Autorin
Lisa Catena Gyger ist Unternehmensberaterin und Expertin für digitale Transformation. Die gebürtige Schweizerin gründete und leitet „Lehrberufe Live“ und war Mitbegründerin der Berufsmarketing:lab GmbH und der zukker GmbH. Im deutschsprachigen Raum ist sie zudem als Musikerin und Kabarettistin bekannt, ausgezeichnet mit dem Swiss Comedy Award und dem Deutschen Kabarettpreis.

Startup-Jobs: Auf der Suche nach einer neuen Herausforderung? In unserer Jobbörse findet Ihr Stellenanzeigen von Startups und Unternehmen.

Foto (oben): KI