Mehr als 80 Prozent der KI-Projekte liefern keinen Business-Wert. Der Grund liegt selten im Modell, sondern in den Stammdaten, die längst im ERP liegen.
von
David Gierse
Ein IT-Leiter eines Maschinenbauers mit 210 Mitarbeitenden hat vor acht Monaten einen KI-Assistenten für die Angebotserstellung eingeführt. Die Demo war beeindruckend: Der Assistent zog Artikeldaten, Preise und Lieferantenkonditionen automatisch. Heute nutzt ihn kaum noch jemand im Vertrieb. Der Grund war nie das Modell. Der Assistent zog für dieselbe Schraube drei unterschiedliche Preise, weil sie im ERP unter drei Artikelnummern lief. Jede einzelne Antwort war für sich genommen richtig, nur eben nicht dieselbe, und genau das hat das Vertrauen im Team innerhalb weniger Wochen zerstört.
Das ist kein Einzelfall. Mehr als 80 Prozent der Enterprise-KI-Projekte liefern am Ende keinen messbaren Geschäftswert, das zeigt eine RAND-Analyse aus dem Jahr 2024, basierend auf Interviews mit 65 erfahrenen Data Scientists und Engineers.¹ Das ist doppelt so hoch wie die Scheiterquote klassischer IT-Projekte ohne KI-Anteil. Selbst unter den Projekten, die es überhaupt bis zum Produktivbetrieb schaffen, schafft laut einer Gartner-Erhebung im Schnitt weniger als jedes zweite den Sprung vom Prototyp in den echten Betrieb.² Und 2025 hat fast jedes zweite Unternehmen die meisten seiner laufenden KI-Initiativen wieder eingestellt, deutlich mehr als noch ein Jahr zuvor.³
Die naheliegende Erklärung wäre: falsches Tool, falscher Anbieter, falsches Modell. Die Praxis zeigt etwas anderes. Stammdaten werden in vielen Mittelständlern von Mitarbeitenden gepflegt, deren Stellenbeschreibung "Datenpflege" gar nicht explizit vorsieht. Wenn ein KI-Projekt startet, fällt erst dann auf, dass niemand für eine einzige konsistente Kundennummer über ERP, CRM und Ticketsystem hinweg verantwortlich ist.
Das ist kein Datenproblem. Das ist ein Rollenproblem, das durch die KI nur sichtbar wird, meist zu einem Zeitpunkt, an dem schon Geld und Vertrauen investiert sind.
Ähnlich zeigt sich das bei Kundendaten: Wie eine einzelne Firma unter drei verschiedenen Einträgen im System dazu führen kann, dass ein Top-3-Kunde wie ein Kunde auf Platz 10 aussieht, beschreibt der Werkbank-Artikel Dubletten im ERP: Warum Ihre Kundendaten Ihre Vertriebsstrategie verzerren. Genau diese Art von Verzerrung trifft eine KI-Anwendung ungefiltert, nur schneller und in größerem Maßstab.
Bevor Sie irgendein KI-Projekt planen, lohnt sich ein kurzer Realitätscheck an Ihren eigenen Daten. Er dauert keine zwei Minuten:
Öffnen Sie Ihr ERP oder CRM und suchen Sie nach Ihrem umsatzstärksten Kunden, einmal mit Umlaut, einmal ohne, einmal mit Rechtsformzusatz. Ein Treffer ist normal. Erscheinen zwei oder mehr, liegen Sie ziemlich genau im Durchschnitt der Unternehmen, die wir aus Projekten kennen, und genau an diesem Punkt gerät jede künftige KI-Anwendung ins Stolpern, lange bevor sie überhaupt eingeführt wird.
Analysen zur Datenqualität in mittelständischen ERP-Systemen finden im Schnitt zwischen 10 und 25 Prozent Dubletten bei Kundendaten, in CRM-Systemen teilweise bis zu 30 Prozent.⁴ Aus eigenen NOAVIA-Stammdaten-Analysen wissen wir: Bei Artikeldaten liegt die Quote mit durchschnittlich 19 Prozent noch etwas höher als bei Kundendaten mit rund 14 Prozent.
Der Mechanismus ist einfach und deshalb unterschätzt: Ein Sprachmodell, das auf inkonsistenten internen Daten arbeitet, erkennt den Fehler nicht. Es liefert die falsche Antwort mit derselben Überzeugungskraft wie die richtige. Fehlerhafte Stammdaten werden also nicht ausgeglichen, sondern durch die KI vervielfacht.
Konkret heißt das in der Praxis:
Ein Dokumenten-Assistent extrahiert Rechnungsdaten korrekt, ordnet sie aber dem falschen Lieferantenstammsatz zu, weil zwei Schreibweisen im System existieren.
Ein Reporting-Tool zieht Umsatzzahlen aus dem ERP, verpasst aber ein Drittel des tatsächlichen Kundenumsatzes, weil er über mehrere Stammsätze verteilt ist. Wie das konkret zu falschen Monatsberichten führt, zeigt der Werkbank-Artikel Drei Tage Monatsbericht? Wie Mittelstandsbetriebe ihr Reporting automatisieren.
Ein interner Wissensassistent beantwortet Fragen auf Basis veralteter Prozessdokumente, weil niemand definiert hat, welche Version aktuell ist.
Ein Preisassistent im Vertrieb kalkuliert auf Basis eines veralteten Einkaufspreises, weil die Aktualisierung im ERP zwei Monate zurückliegt und niemand für dieses Feld zuständig ist.
Schritt 1 – Datencheck vor der Tool-Entscheidung. Bevor ein KI-Projekt gestartet wird, sollte feststehen: Sind die relevanten Daten zugänglich, vollständig, aktuell und in einem für Fachabteilungen verständlichen Format? Das ist keine IT-Frage, sondern eine Frage, die sich in einem Gespräch zwischen Geschäftsführung und der Person klären lässt, die die Daten täglich pflegt.
Schritt 2 – Klein anfangen, einen Prozess wirklich sauber machen. Nicht die komplette Stammdatenbasis bereinigen, sondern die fünf Felder identifizieren, ohne die der geplante KI-Anwendungsfall nicht funktioniert. Bei einem Angebots-Assistenten sind das meist Artikelnummer, Preis, Lieferant, Status und Bezeichnung, dieselben fünf Felder, die auch bei der klassischen Stammdaten-Bereinigung im Mittelpunkt stehen.
Schritt 3 – Verantwortlichkeit festlegen, bevor der Assistent live geht. Eine Person, nicht zwingend in Vollzeit, muss für die Datenqualität des jeweiligen Bereichs zuständig sein. Ohne diese Rolle verschlechtert sich die Datenbasis erneut, sobald das Projekt läuft. Wie eine fehlende Vertretungsregel oder eine fehlende Zuständigkeit generell zum Betriebsrisiko wird, sobald eine Person ausfällt, zeigt der Werkbank-Artikel Warum Abwesenheit zum Betriebsrisiko wird.
Schritt 4 – Eine feste Wochenroutine statt einer einmaligen Aktion. Eine Stammdaten-Bereinigung, die einmal passiert und dann nie wieder, hält selten länger als sechs bis zwölf Monate. Sinnvoller ist eine kurze, wiederkehrende Routine: Einmal wöchentlich prüft die benannte Person, ob neue Kunden oder Artikel doppelt angelegt wurden, ob Status-Felder wie aktiv oder inaktiv stimmen, und ob Preise seit der letzten Änderung aktuell sind. Zehn bis fünfzehn Minuten reichen dafür in den meisten Fällen, und genau diese Routine verhindert mehr Chaos als jede nachträgliche Großbereinigung.
Nach der gescheiterten ersten Einführung hat das Unternehmen den Angebots-Assistenten nicht abgeschafft, sondern neu aufgesetzt, mit vorgeschaltetem Datencheck. Ergebnis nach sechs Wochen: Die fünf kritischen Artikelfelder wurden bereinigt, ein Data Owner im Einkauf benannt, der Assistent erneut angebunden. Die Nutzungsquote im Vertrieb stieg von unter 10 Prozent auf über 70 Prozent, nicht weil sich das Modell verändert hatte, sondern die Datenbasis darunter.
Muss ich meine gesamte Stammdatenbasis bereinigen, bevor ich KI einsetzen kann?
Nein. Es reicht, die Felder zu bereinigen, die der konkrete Anwendungsfall tatsächlich braucht. Vollständigkeit ist kein Ziel für den Start.
Woran erkenne ich, dass mein ERP nicht KI-ready ist?
Wenn zwei Mitarbeitende zur gleichen Frage unterschiedliche Zahlen liefern, oder wenn niemand auf Anhieb sagen kann, wie viele Stammsätze für denselben Kunden oder Artikel existieren.
Reicht ein KI-Tool, um schlechte Stammdaten automatisch zu korrigieren?
Teilweise. Die Identifikation verdächtiger Dubletten oder unvollständiger Felder lässt sich automatisieren. Die Entscheidung bei Grenzfällen braucht weiterhin menschliches Urteil.
Wie lange dauert ein Stammdaten-Check vor einem KI-Pilotprojekt?
Für einen klar abgegrenzten Anwendungsfall reichen meist ein bis zwei Wochen, vorausgesetzt, es ist vorher klar, welche fünf bis zehn Felder überhaupt relevant sind.
Ist das ein IT-Projekt oder ein Führungsthema?
Beides, aber es beginnt als Führungsthema: Wer ist für welche Daten verantwortlich, ist eine Organisationsfrage, keine technische.
Warum scheitern KI-Projekte häufiger als klassische IT-Projekte?
Weil sie zusätzlich zur technischen Umsetzung eine Datenqualität voraussetzen, die viele Systeme historisch nie gebraucht haben. Ein klassisches IT-Projekt verarbeitet Daten oft nur, ohne sie zu bewerten. Eine KI trifft implizit Entscheidungen auf Basis dieser Daten, und Fehler darin wirken sich direkt auf das Ergebnis aus.
Der Effekt zeigt sich nicht am Tag der Einführung, sondern in der zweiten Nutzungswoche: weniger Rückfragen an die KI, weniger manuelle Korrekturen danach, mehr Vertrauen der Mitarbeitenden in das, was der Assistent liefert. Genau dieses Vertrauen entscheidet darüber, ob ein Pilotprojekt zur Routine wird oder nach drei Monaten stillschweigend wieder verschwindet.
Wie zukunftsfähig Ihr ERP-System als Datenbasis für KI-Anwendungen aktuell aufgestellt ist, lässt sich in zehn Minuten einordnen: Machen Sie den ERP-Fitness-Check und sehen Sie, wo der erste Hebel liegt.
¹ Ryseff, De Bruhl, Newberry: „The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed", RAND Corporation, 2024
² Gartner-Umfrage, Mai 2024: 48 Prozent der KI-Projekte schaffen den Sprung vom Prototyp in den Produktivbetrieb, durchschnittliche Umsetzungsdauer acht Monate
³ S&P Global Market Intelligence, 2025: 42 Prozent der Unternehmen haben 2025 die meisten ihrer KI-Initiativen eingestellt, gegenüber 17 Prozent im Jahr 2024
⁴ Gartner-Auswertungen zu Dubletten-Raten in Mittelstands-ERP- und CRM-Systemen; ergänzt um Erfahrungswerte aus NOAVIA-Stammdaten-Analysen
