Viele KI-Projekte im Mittelstand scheitern nicht am Modell, sondern deutlich früher: an widersprüchlichen Artikel-, Kunden- und Lieferantendaten. Wo Referenzen fehlen, Einheiten unterschiedlich gepflegt sind oder mehrere Datensätze für denselben Geschäftspartner existieren, kann auch ein guter Workflow keine verlässlichen Entscheidungen vorbereiten.
Stammdatenarbeit klingt nach Pflichtprogramm. Tatsächlich ist sie die Voraussetzung dafür, dass KI und Automatisierung im ERP, CRM oder Serviceprozess skalieren können.
Stammdaten beschreiben die stabilen Objekte eines Unternehmens: Kunden, Lieferanten, Artikel, Materialien, Preise, Einheiten, Konten und Standorte. Sie geben Transaktionen einen eindeutigen Rahmen.
Ein Mensch erkennt oft, dass „Müller GmbH“, „Mueller GmbH“ und „Müller G.m.b.H.“ wahrscheinlich denselben Lieferanten meinen. Ein automatisierter Prozess braucht dagegen eine belastbare Referenz, eine Regel oder eine bestätigte Zuordnung. Fehlt sie, entsteht Rückfrage statt Durchlauf.
KI kann Informationen aus Belegen lesen, Varianten erkennen und Vorschläge machen. Sie kann aber nicht zuverlässig entscheiden, welche der drei widersprüchlichen Preislisten die gültige ist oder ob eine abweichende Verpackungseinheit fachlich akzeptiert werden darf. Ohne definierte Datenquelle und Verantwortlichkeit wird aus einem hilfreichen Hinweis schnell ein Risiko.
Die richtige Reihenfolge lautet deshalb: erst Datenstandard und Verantwortlichkeiten klären, dann Regeln festlegen und anschließend KI dort einsetzen, wo sie Abweichungen verständlich macht und Entscheidungen vorbereitet.
Besonders sichtbar wird das bei der Plausibilisierung von EDI-Bestellungen vor der ERP-Buchung. Eine KI kann Abweichungen sehr gut markieren. Sie braucht aber eindeutige Referenzen, verlässliche Einheiten und eine klare Quelle für Konditionen, damit aus der Markierung ein nutzbarer Prüfhinweis wird.
Ein Unternehmen muss nicht den gesamten Datenbestand auf einmal sanieren. Sinnvoller ist es, mit einem konkreten Wertstrom zu beginnen – etwa dem Rechnungseingang oder dem Bestellprozess.
Für diesen Prozess werden die unverzichtbaren Felder festgelegt: Lieferanten-ID, Bestellreferenz, Zahlungsbedingungen, Artikelnummer, Mengeneinheit und Freigabestatus. Anschließend wird messbar gemacht, wie viele Vorgänge heute wegen fehlender oder widersprüchlicher Daten nicht automatisch zugeordnet werden können.
So entsteht kein abstraktes Datenqualitätsprogramm, sondern ein klarer Auftrag: weniger ungeklärte Ausnahmen, kürzere Durchlaufzeit und bessere Nachvollziehbarkeit.
Wenn die Datenbasis steht, kann KI ihre Stärken ausspielen:
Damit bleibt Verantwortung dort, wo sie hingehört. Die Automatisierung reduziert Recherche und Routinearbeit, ohne fachliche Freigaben zu umgehen.
Stammdaten sind kein reines IT-Thema. Fachbereiche entscheiden, welche Merkmale im Alltag wirklich relevant sind. Die Geschäftsführung muss festlegen, wer Daten verantwortet, wann Änderungen geprüft werden und welche Kennzahlen zeigen, ob die Qualität besser wird.
Historische Daten müssen dabei nicht vollständig bereinigt sein, bevor ein Pilot starten kann. Wichtig ist ein klar abgegrenzter Bereich mit einem verantwortlichen Owner, festen Regeln und einer sichtbaren Messgröße.
Die zentrale Frage lautet nicht, ob KI schlechte Daten irgendwie kompensieren kann. Sie lautet: In welchem Prozess verlieren wir heute Zeit, tragen unnötiges Risiko oder erzeugen Nacharbeit, weil unsere Daten nicht verlässlich genug sind?
Wer diesen Prozess begrenzt auswählt, die entscheidenden Stammdaten verbindlich macht und Ausnahmen messbar verfolgt, schafft eine belastbare Basis für den nächsten Automatisierungsschritt.
KI kann dann schneller und nachvollziehbarer arbeiten. Der eigentliche Engpass ist nicht die Leistungsfähigkeit des Modells, sondern die Verlässlichkeit der Informationen, auf denen es aufsetzt.