KI & Datenqualität im Handel: Welche Daten wirklich gut genug sein müssen

„Unsere Daten sind noch nicht gut genug für KI.“ Diesen Satz höre ich inzwischen fast genauso häufig wie: „Wir müssen jetzt etwas mit KI machen.“

Und meistens folgen daraus zwei sehr unterschiedliche Reaktionen. Die einen starten trotzdem möglichst schnell einen KI-Piloten. Die anderen starten erst einmal ein großes Datenqualitätsprojekt und wollen sämtliche Stammdaten aufräumen, bevor sie überhaupt über KI nachdenken.

Denn ein Unternehmen braucht für KI nicht überall perfekte Daten. Es braucht verlässliche Daten für die konkrete Entscheidung, die mit KI verbessert, unterstützt oder automatisiert werden soll.

Das ist ein ziemlich großer Unterschied. Und er entscheidet darüber, ob Datenqualität zu einem beherrschbaren Teil eines KI-Vorhabens wird oder zum jahrelangen Fass ohne Boden.

Die Frage, ob Unternehmen KI einsetzen werden, ist weitgehend beantwortet. Nach einer aktuellen Bitkom-Erhebung vom September 2026 nutzen bereits 57 Prozent der Unternehmen ab 20 Beschäftigten KI. Weitere 38 Prozent planen den Einsatz oder diskutieren darüber. [1]

Spannend ist, wofür das Geld tatsächlich benötigt wird. Bei Unternehmen, die KI einsetzen, nennen 50 Prozent die Aufbereitung von Daten als großen Kostenpunkt. 41 Prozent nennen die Integration in bestehende Systeme. Softwarelizenzen spielen mit 21 Prozent eine deutlich kleinere Rolle. [1]

Das zeigt ziemlich gut, wo die eigentliche Arbeit beginnt. Nicht beim Zugang zum nächsten Sprachmodell. Sondern bei Prozessen, Daten, Systemen und Verantwortlichkeiten.

Die falsche Konsequenz daraus wäre allerdings: „Dann müssen wir erst einmal unsere gesamten Daten aufräumen.“ Denn Datenqualität ist kein absoluter Zustand. Sie ist immer eine Frage des Zwecks.

Nehmen wir einen einfachen Fall aus dem Handel. Ein Artikel soll ausgelistet werden. Klingt eindeutig. Ist es aber nicht.

Jetzt kommt die vermeintlich einfache Frage: Ist dieser Artikel aktiv oder inaktiv? Die richtige Antwort lautet: Kommt darauf an, was du wissen willst.

Und genau hier beginnt Datenqualität. Nicht bei einem leeren Feld. Sondern bei der Frage, ob im Unternehmen eindeutig definiert wurde, was ein Wert fachlich bedeutet und für welche Entscheidung er verwendet werden darf.

Wenn Einkauf, Vertrieb, Logistik und E-Commerce unterschiedliche Vorstellungen davon haben, wann ein Artikel „aktiv“ ist, kann auch das beste KI-Modell daraus keine eindeutige Wahrheit machen.

Wenn Unternehmen sagen, ihre Stammdaten seien schlecht, steckt bei genauerem Hinsehen erstaunlich häufig etwas anderes dahinter:

Deshalb ist Datenqualität nicht ausschließlich ein IT-Thema. Datenqualität ist eine Führungs- und Prozessfrage.

Die IT kann Systeme bereitstellen, Berechtigungen steuern und Regeln technisch abbilden. Sie kann aber nicht allein entscheiden, wann ein Artikel fachlich ausgelistet ist, welche Lieferzeit für die Disposition gilt oder welche Kundengruppe die richtige Grundlage für eine Kondition ist. Diese Entscheidungen gehören ins Business.

Mehr zum grundsätzlichen Thema haben wir bereits in unserem Impuls „Datenqualität im ERP: Was schlechte Stammdaten ein Unternehmen wirklich kosten“ beschrieben.

KI-Readiness beginnt deshalb nicht mit der Frage: Sind unsere Daten gut? Die Frage ist zu groß. Besser ist:

Nehmen wir die Disposition. Wenn ein KI-System Bestellmengen vorschlagen soll, benötigt es beispielsweise belastbare Informationen über:

Es braucht dafür aber nicht zwingend eine korrekte Telefonnummer bei einem 14 Jahre alten CRM-Kontakt. Beides ist Datenqualität. Nur eines davon ist für diesen Anwendungsfall relevant.

Bevor über Modelle, Anbieter oder Tools gesprochen wird, sollten aus meiner Sicht fünf Fragen beantwortet sein.

„Wir wollen KI in der Disposition einsetzen“ ist noch kein Use Case. Eine bessere Beschreibung wäre: „Wir wollen die Bestellmenge eines Artikels pro Standort zuverlässiger bestimmen.“

Damit wird plötzlich deutlich, was die KI leisten soll, und was nicht. Je konkreter die Entscheidung beschrieben ist, desto leichter lässt sich bestimmen, welche Daten dafür tatsächlich benötigt werden.

Jetzt können die benötigten Datenquellen identifiziert werden. Dabei geht es nicht nur darum, ob Daten vorhanden sind. Sondern: Sind sie aktuell? Sind sie vollständig genug? Sind sie konsistent? Und vor allem: Bedeuten sie überall dasselbe?

Eine technisch gefüllte Datenbank ist noch keine belastbare Entscheidungsgrundlage.

Der bestätigte Liefertermin steht im ERP. Eine aktuellere Information liegt in einer E-Mail. Der Außendienst hat mit dem Lieferanten telefoniert und weiß bereits etwas anderes. Und der Einkauf führt vorsichtshalber noch eine Excel-Liste. Vier Informationsquellen. Eine Bestellung.

Oder, mein persönlicher Favorit aus gewachsenen Organisationen: „Eigentlich weiß Sabine immer, was gerade gilt.“

Solange ein Mensch diese Widersprüche im Kopf auflösen kann, funktioniert ein solcher Prozess erstaunlich lange. Spätestens wenn ein System Vorschläge machen oder sogar selbstständig handeln soll, wird daraus ein Problem. Eine KI braucht eine belastbare Antwort auf die Frage: Welche Information darf sie als Wahrheit behandeln?

„Die IT“ reicht als Antwort nicht. Die IT kann Systeme betreiben und Datenregeln technisch implementieren. Ob eine Mindestbestellmenge korrekt ist, muss jemand aus dem Business verantworten. Ob ein Artikel ausgelistet werden darf, ebenfalls. Und auch die Definition einer gültigen Lieferzeit ist eine fachliche Entscheidung.

Daten brauchen deshalb nicht nur einen technischen Owner. Sie brauchen fachliche Verantwortung.

Nicht jeder Datenfehler ist gleich kritisch. Ein falscher Produkttext ist ärgerlich. Eine falsche Lieferzeit in einer automatisierten Disposition kann Fehlbestände oder Überbestände erzeugen. Eine falsche Bankverbindung ist nochmals eine andere Risikoklasse.

Deshalb sollte Datenqualität nicht nur nach Vollständigkeit oder Fehlerquote priorisiert werden. Sondern auch danach: Welche Konsequenz hat ein falscher Wert für die Entscheidung, die wir automatisieren? Damit wird aus einem abstrakten Datenproblem ein steuerbares Risiko.

Das ist aus meiner Sicht einer der wichtigsten Punkte. Unternehmen müssen nicht versuchen, sämtliche historisch entstandenen Datenprobleme gleichzeitig zu beheben. Sinnvoller ist eine Priorisierung entlang des konkreten Use Cases. Vier Faktoren helfen dabei:

Je autonomer ein System arbeitet und je höher die möglichen Fehlerkosten sind, desto höher muss die Verlässlichkeit der zugrunde liegenden Daten sein. Das ist auch der Grund, warum ein KI-Assistent und ein autonom handelnder Agent nicht dieselben Anforderungen an Datenqualität und Governance haben.

Das klingt zunächst widersprüchlich. Wir benötigen gute Daten für KI. Gleichzeitig können wir KI einsetzen, um Daten besser zu machen. Und genau dort liegen im Handel bereits sehr konkrete Anwendungsfälle. KI kann unter anderem:

Ein interessantes Praxisbeispiel liefert GLOBUS. Nach Angaben von SAP analysiert die dort eingesetzte Lösung mithilfe von mehr als 100 Prüfregeln täglich Millionen Datensätze. 30 Prozent der gefundenen Fehler werden automatisiert korrigiert, der manuelle Prüfaufwand sank von 72 auf 24 Stunden. [2]

Das Spannende daran ist für mich nicht nur die Automatisierung. Die Fachbereiche können selbst neue Qualitätsregeln definieren. Damit bleibt die fachliche Verantwortung dort, wo sie hingehört.

Eine KI kann feststellen, dass zwei Werte nicht zusammenpassen. Sie kann erkennen, dass ein Lieferant regelmäßig von der hinterlegten Lieferzeit abweicht. Sie kann Dubletten finden. Sie kann Attribute vorschlagen. Sie kann erkennen, dass der tatsächliche Prozess anders aussieht als der dokumentierte.

Was sie nicht eigenmächtig entscheiden sollte, ist: Was soll bei uns künftig gelten? Wenn Einkauf und Vertrieb unterschiedliche Regeln verwenden, kann die KI diesen Konflikt sichtbar machen. Sie sollte aber nicht stillschweigend entscheiden, welche Abteilung recht hat.

Genau deshalb ist Standardisierung so wichtig. Wir ordnen Prozesse in unseren Analysen entlang einer einfachen Logik ein:

Nicht jeder Prozess muss alle Stufen durchlaufen. Aber keine Technologie löst eine fachliche Uneinigkeit, die vorher niemand entschieden hat.

Auch das gehört zu einer ehrlichen KI-Readiness-Bewertung. Wenn ein Prozess vollständig durch eindeutige Regeln beschrieben werden kann, ist KI häufig nicht die beste Lösung. Dann reicht möglicherweise ein klassischer Workflow. Eine Schnittstelle. Eine Automatisierung. Oder schlicht eine bessere Systemkonfiguration.

KI wird besonders interessant, wenn ein Prozess trotz sauberer Regeln eine relevante Unsicherheit enthält:

Wer nicht mit einer abstrakten Unternehmensanalyse beginnen möchte, kann sehr pragmatisch starten. Nehmen Sie zunächst die drei Prozesse, bei denen Sie sich aktuell den größten Nutzen von KI versprechen. Für jeden dieser Prozesse beantworten Sie anschließend fünf Fragen:

Wenn sich diese Fragen nicht beantworten lassen, fehlt in der Regel noch keine KI. Es fehlt Klarheit im Prozess. Und genau diese Klarheit ist die eigentliche Voraussetzung für einen sinnvollen nächsten Schritt.

Genau diese Fragen stellen wir in der Prozess- & Change-Analyse systematisch, Prozess für Prozess und mit einem messbaren Ergebnis.

Bei AI Governance wird häufig zuerst über Modelle, Datenschutz, Zugriffsrechte oder regulatorische Anforderungen gesprochen. Alles wichtige Themen. Im operativen Alltag eines Handelsunternehmens beginnt Governance aber bereits eine Ebene darunter.

Je weiter Unternehmen von assistierenden KI-Systemen zu autonomen Agenten gehen, desto wichtiger werden diese Fragen. Denn ein Mitarbeiter kann einen offensichtlich falschen Vorschlag noch verwerfen. Ein autonomer Agent kann ihn bereits ausgeführt haben.

Unternehmen sollten schlechte Daten nicht ignorieren. Sie sollten aber genauso wenig darauf warten, dass sämtliche Daten perfekt sind. Die sinnvollere Frage lautet: Welche Daten müssen für genau diesen Prozess und genau diese Entscheidung verlässlich sein?

Damit verändert sich die Perspektive.

KI-Readiness bedeutet nicht Perfektion. Sie bedeutet, dass Prozesse, Daten, Verantwortlichkeiten und Risiken so klar sind, dass Technologie darauf sinnvoll aufbauen kann.

In unserer Prozess- & Change-Analyse betrachten wir nicht pauschal „die KI-Readiness des Unternehmens“. Wir schauen auf die einzelnen Prozesse: Wo muss zunächst vereinfacht oder standardisiert werden? Wo reicht klassische Automatisierung? Und wo schafft KI tatsächlich einen zusätzlichen Nutzen?

Dabei betrachten wir auch Datenquellen, Medienbrüche, Verantwortlichkeiten und den manuellen Aufwand. Das Ergebnis ist ein priorisierter Maßnahmenplan, inklusive der Dinge, die Sie im Moment bewusst nicht angehen sollten.

Wer sich zuerst einen Überblick verschaffen möchte: Unser KI-Leitfaden für den Handel ordnet ein, welche Fähigkeiten ein Handelsunternehmen für KI braucht und wo der Einsatz sich rechnet.

Nein. Entscheidend ist nicht die perfekte Qualität des gesamten Datenbestands, sondern die Verlässlichkeit der Daten, die für einen konkreten KI-Anwendungsfall benötigt werden. Je höher die möglichen Fehlerkosten und je autonomer das System arbeitet, desto höher müssen allerdings die Anforderungen an diese Daten sein.

Das hängt vom jeweiligen Use Case ab. Relevant sind vor allem Aktualität, Konsistenz, Eindeutigkeit und fachliche Bedeutung der Daten. Zusätzlich muss geklärt sein, welches System die führende Quelle ist und wer die Daten fachlich verantwortet.

Beide haben unterschiedliche Rollen. Die IT verantwortet technische Systeme, Integrationen und Regeln. Die fachliche Bedeutung von Daten muss jedoch vom jeweiligen Business-Bereich definiert und verantwortet werden.

Ja. KI kann beispielsweise Dubletten erkennen, Ausreißer markieren, Produktattribute vorschlagen oder große Datenbestände auf Unstimmigkeiten untersuchen. Die fachliche Entscheidung darüber, welcher Wert korrekt ist oder künftig gelten soll, bleibt jedoch beim Unternehmen.

Data Governance regelt unter anderem Verantwortlichkeiten, Qualitätsstandards und führende Datenquellen. AI Governance geht darüber hinaus und definiert beispielsweise, welche Entscheidungen KI treffen darf, wann menschliche Freigaben erforderlich sind und wie Risiken überwacht werden. Ohne belastbare Data Governance ist AI Governance im operativen Einsatz kaum möglich.

Am sinnvollsten pro Prozess und Use Case. Entscheidend sind die konkrete Entscheidung, die benötigten Daten, deren Quellen und Qualität, die fachliche Verantwortung sowie die Folgen möglicher Fehler. Daraus lässt sich ableiten, ob ein Prozess zunächst vereinfacht, standardisiert oder automatisiert werden sollte, oder ob er bereits sinnvoll mit KI unterstützt werden kann.

Quellen: [1] Bitkom e.V., „Erstmals nutzt die Mehrheit der Unternehmen KI“, 14.09.2026, repräsentative Befragung von 603 Unternehmen ab 20 Beschäftigten in Deutschland. [2] SAP News Center, „Supply Chain Excellence durch Künstliche Intelligenz“, Juli 2026, Praxisbeispiel GLOBUS.