KI-Datenstrategie für KMU: Wie machen Sie Ihre Daten in 30 Tagen audit-fähig?

85 % der gescheiterten KI-Projekte scheitern an schlechter Datenqualität, nicht an der Technologie (Gartner, 2025). Und trotzdem beginnen die meisten Mittelständler ihr erstes KI-Vorhaben, ohne vorher zu prüfen, wie es um ihre Daten steht. Sie investieren in Tools, buchen einen Berater, starten einen Piloten. Dann stellt sich in Woche drei heraus, dass die Kundendaten in vier verschiedenen Systemen liegen, keines davon vollständig.

Der Bereitschafts-Check zeigt, ob ein Betrieb die Grundlagen für ein KI-Projekt hat. Dieser Artikel geht einen Schritt tiefer: ein konkreter 30-Tage-Plan, mit dem Sie Ihre Daten so aufstellen, dass ein KI-Pilot darauf aufbauen kann. Keine Data-Warehouse-Architektur. Kein externes Beratungsprojekt. Vier Wochen, 3 bis 5 Stunden pro Woche, mit den Werkzeugen, die Sie schon haben.

Woche 1: Dateninventur, wo liegt eigentlich was?

Bevor Sie bereinigen, müssen Sie wissen, was überhaupt da ist. Das klingt banal, aber in den meisten Betrieben weiß niemand vollständig, welche Daten in welchen Systemen stecken. Der Vertrieb hat eine Excel-Liste. Die Buchhaltung arbeitet in DATEV. Der Chef hat Kontakte im Outlook. Und die Praktikantin von 2024 hat eine Access-Datenbank hinterlassen, die noch irgendwo läuft.

Drei Aufgaben für Woche 1:

1. Systeme auflisten. Jede Software, jede Tabelle, jeder Ordner, in dem geschäftsrelevante Daten liegen. ERP, CRM, Buchhaltung, E-Mail-Postfächer, lokale Excel-Dateien, Papierordner. Ziel: eine vollständige Liste, keine Bewertung.
2. Datenarten zuordnen. Welche Arten von Daten stecken in jedem System? Kundendaten, Auftragsdaten, Personaldaten, Finanzdaten, Dokumente. Eine einfache Matrix (System × Datenart) reicht.
3. Verantwortliche benennen. Wer pflegt die Daten in diesem System? Wer hat das letzte Mal reingeschaut? Wenn die Antwort „niemand" lautet, haben Sie schon den ersten Befund.

Bei einem Personaldienstleister mit 15 Mitarbeitern ergibt diese Inventur typischerweise 6 bis 10 Systeme. In einer Steuerkanzlei ähnlicher Größe sind es oft weniger Systeme, aber mehr Dokumententypen. Bei einem Versicherungsmakler konzentriert sich fast alles auf das Maklerverwaltungsprogramm, doch daneben existieren häufig Schatten-Tabellen mit Bestandsdaten, die nirgendwo zentral gepflegt werden.

Woche 2: Qualitätsaudit, was taugen die Daten?

Jetzt wird es ehrlich. Nehmen Sie sich die drei bis fünf wichtigsten Datenquellen aus der Inventur vor und prüfen Sie systematisch vier Dimensionen:

• Vollständigkeit: Wie viele Datensätze haben leere Pflichtfelder? Bei Kandidatenprofilen in der Zeitarbeit fehlen erfahrungsgemäß bei 20 bis 40 % der Einträge aktuelle Qualifikationen oder Verfügbarkeitsdaten.
• Konsistenz: Werden identische Informationen in verschiedenen Systemen gleich erfasst? Heißt der Kunde „Müller GmbH", „Mueller GmbH" oder „müller gmbh"? Jede Variante ist für eine KI ein anderer Kunde.
• Aktualität: Wann wurden die Daten zuletzt aktualisiert? Ein CRM mit 3.000 Kontakten, von denen 1.800 seit zwei Jahren keinen Eintrag haben, ist kein CRM. Das ist ein Archiv.
• Dubletten: Wie viele Einträge existieren doppelt oder dreifach? In Maklerverwaltungsprogrammen entstehen Dubletten besonders häufig bei Vertragswechseln, wenn ein Kunde unter neuer Adresse als neuer Datensatz angelegt wird.

Woche 3: Bereinigung, die 80/20-Regel gilt auch hier

Nicht alle Datenprobleme aus Woche 2 müssen Sie sofort lösen. Konzentrieren Sie sich auf die Datensätze, die für den geplanten KI-Anwendungsfall relevant sind. Wenn Sie mit automatisierter Belegvorsortierung starten wollen, bereinigen Sie die Buchungskontenliste, nicht das CRM.

Konkrete Bereinigungsschritte:

• Dubletten zusammenführen. Die meisten Systeme haben dafür eingebaute Funktionen. In Excel hilft „Bedingte Formatierung → Doppelte Werte hervorheben" als erster Schritt.
• Leere Pflichtfelder füllen oder kennzeichnen. Nicht raten. Entweder recherchieren und nachtragen oder bewusst als „unbekannt" markieren. Beides ist besser als eine leere Zelle.
• Formate vereinheitlichen. Datumsformate, PLZ mit oder ohne führende Null, Telefonnummern mit oder ohne Ländervorwahl. Klingt kleinteilig, aber genau hier scheitern automatische Zuordnungen.
• Karteileichen identifizieren. Datensätze, die seit 24+ Monaten keinen Vorgang haben, in ein separates Archiv verschieben. Nicht löschen (DSGVO-Aufbewahrungsfristen beachten), aber aus dem aktiven Bestand nehmen.

Wer Datenhoheit im Maklerbüro sicherstellen will, beginnt in dieser Woche auch damit, die Frage zu klären: Wem gehören die Bestandsdaten eigentlich, wenn der Maklerpool die technische Plattform stellt?

Woche 4: Governance, damit es sauber bleibt

Die Bereinigung bringt nichts, wenn der Zustand in drei Monaten wieder derselbe ist. Governance klingt groß, aber für ein KMU reichen drei einfache Regeln. (Was ein vollständiger KI-Governance-Rahmen umfasst, zeigt der zugehörige Leitfaden. Wer Hochrisiko-KI einsetzt, muss nach Art. 26 auch die Relevanz und Repräsentativität der Eingabedaten überwachen, Details im Ratgeber zu den Deployer-Pflichten.)

1. Verantwortlichkeit festlegen. Für jedes System gibt es genau eine Person, die für die Datenqualität verantwortlich ist. Nicht „das Team", sondern einen Namen. Diese Person prüft einmal im Monat Vollständigkeit und Dubletten.
2. Eingaberegeln dokumentieren. Zwei Seiten reichen: Welche Felder sind Pflicht? Welche Formate gelten? Was passiert mit Datensätzen, die unvollständig bleiben? Pinnen Sie das an den Bildschirm neben dem ERP-System.
3. Vierteljährliche Kurzprüfung einplanen. 30 Minuten alle drei Monate: Stichprobe von 50 Datensätzen auf Vollständigkeit, Konsistenz und Aktualität. Wenn mehr als 10 % Mängel zeigen, wird nachbereinigt.

Das ist keine Bürokratie. Das ist der Unterschied zwischen einem Betrieb, dessen Daten ein KI-System nutzen kann, und einem, der jedes Mal von vorn anfängt.

Was „audit-fähig" branchenspezifisch bedeutet

Die vier Wochen funktionieren branchenübergreifend. Aber die konkreten Schmerzpunkte unterscheiden sich.

Zeitarbeit und Personaldienstleister: Die größte Datenlücke steckt in den Kandidatenprofilen. Qualifikationen veralten, Verfügbarkeitsdaten stimmen nicht, Einsatzhistorien liegen in verschiedenen Systemen. Wer ein KI-Pilotprojekt im Matching starten will, braucht zuallererst saubere, aktuelle Kandidatendaten. Ein Profil ohne gültige Zertifikate und aktuelle Verfügbarkeit ist für ein Matching-System wertlos.

Steuerkanzleien: Die Mandantenakte ist meistens im System vorhanden (DATEV oder Addison), aber die Qualität der Stammdaten schwankt stark. Steuer-IDs fehlen, Gesellschafterstrukturen sind nicht aktuell, Branchenschlüssel weichen vom DATEV-Standard ab. Für KI-gestützte Sachkontierung oder automatische Belegzuordnung sind genau diese Felder entscheidend.

Versicherungsmakler: Das Maklerverwaltungsprogramm enthält die Bestandsdaten, aber oft nicht vollständig. Altverträge wurden beim Systemwechsel importiert, ohne alle Felder zu befüllen. Und neben dem MVP existieren regelmäßig Schatten-Tabellen mit Zusatzinformationen, die nirgendwo zentral gepflegt werden. Wer eine KI-gestützte Deckungslückenanalyse fahren will oder den Bestandswert für eine Nachfolge kennen muss, braucht einen sauberen, vollständigen Vertragsbestand an genau einer Stelle.

Datenstrategie ist keine IT-Aufgabe

Der häufigste Fehler: Datenstrategie als IT-Projekt behandeln und an den Administrator delegieren. In einem KMU ist Datenqualität Chefsache, weil sie direkt bestimmt, welche Entscheidungen möglich sind und welche KI-Projekte funktionieren.

Wer seinen KI-Reifegrad bestimmt hat und bei Stufe 1 oder 2 steht, findet in diesen vier Wochen den konkreten Weg zur nächsten Stufe. Die Investition ist überschaubar: 12 bis 20 Stunden Arbeitszeit, verteilt auf einen Monat. Das Ergebnis: Daten, auf die ein KI-Pilot tatsächlich aufbauen kann, statt an ihnen zu scheitern.