Datenqualität ist Chefsache

Liefert KI falsche Ergebnisse, geht der erste Reflex oft in Richtung IT. Doch die Ursache liegt zumeist woanders. Sie liegt in unklaren Verantwortlichkeiten, fehlenden Standards und Prozessen, die Daten von Anfang an schlecht erfassen. Ganz klar ist diese Einsicht unbequem, weil sich die Lösung nicht in einer Abteilung bestellen und mit einer eindeutigen Kostenstellen versehen lässt. Aber sie ist essenziell, um zu einer besseren Datenbasis zu kommen.

Schlechte Daten sind selten ein technisches Problem. Sie sind ein Organisatorisches.

Prozesse als Ursache für Datenqualitätsprobleme

Daten entstehen in Geschäftsprozessen. Beispielsweise in der Erfassung eines Verkaufsgesprächs, beim Anlegen einer Bestellung im System oder bei der Ergänzung eines Kundenprofils. An jedem dieser Punkte können Fehler entstehen, wie etwa falsche Schreibweisen, fehlende Pflichtfelder und inkonsistente Kategorisierungen.

Untersuchungen namhafter Player untermauern diese Beobachtung. So hält Gartner dazu fest, dass einer der häufigsten Fehler von Chief Data and Analytics Officers ein technologiezentrierter Ansatz zur Verbesserung der Datenqualität ist – mit geringem Fokus auf Unternehmenskultur, Mitarbeiter:innen und Prozesse [1]. Der BARC Data, BI & Analytics Trend Monitor 2026 listet Datenqualitätsmanagement gar als Priorität Nummer eins der Branche, noch vor Datensicherheit und KI-Governance [2]. Diese Empfehlungen ändern nichts an der Tatsache, dass die Lücke zwischen Technologieinvestition und tatsächlicher Qualität groß bleibt.

Technologie erkennt Symptome. Ursachen bleiben.

Für das Datenqualitätsmanagement gibt es heute leistungsfähige und hilfreiche Werkzeuge. Sie erkennen Duplikate, validieren Eingaben und bereinigen Inkonsistenzen automatisch. Dabei kratzen sie an der Oberfläche, behandeln Symptome und lassen das eigentliche Problem unberührt.

Wie kommt es also zu Datenqualitätsproblemen? Datenqualität beginnt mit sauberen Prozessdefinitionen. Ihr Scheitern beginnt mit fehlender Verantwortung und unvollständiger Datenerfassung. Ebenso schädlich für einen sauberen Datenbestand sind fehlende Standards oder deren unzureichende Durchsetzung. All diese Aspekte sind strukturell, wodurch jedes noch so gute Werkzeug nichts grundlegend ändert. Dieses kann nur Symptome aufzeigen und beheben.

Das hat eine teure Konsequenz: Gartner prognostiziert, dass es noch in diesem Jahr zum Scheitern oder Abbruch von bis zu 60 % aller KI-Projekte ohne taugliche Datenbasis kommt [3]. Folglich schafft erst und ausschließlich strukturell verankerte Datenqualität die Grundlage, auf der KI überhaupt wirken kann.

Was muss Führung konkret tun?

Wenn Sie Datenqualität (inzwischen) als Führungsthema behandeln, bedeutet das drei konkrete Dinge: Verantwortung zuweisen, Standards definieren und Qualität messbar machen.

Jeder Datenbereich braucht eine verantwortliche Person in der Linie, um Sichtbarkeit und Durchsetzungsfähigkeit sicherzustellen. Diese Person entscheidet was als vollständiger Datensatz gilt, welche Felder Pflicht sind, und welche Kategorisierungen unternehmensweit gelten. Dokumentieren Sie diese Standards, kommunizieren und bauen sie in Systeme ein. Achten Sie dabei auf Kontrollpunkte. Was Sie nicht messen, verbessert sich letztlich nicht von selbst. Auch wenn einfache Qualitätskennzahlen die Transparenz schaffen, die Verbesserung erst möglich macht, achten Sie darauf, das Richtige zu messen. (Wie Sie sich dem Thema Messen nähern können und was Eitelkeitskennzahlen sind, lesen Sie in diesem Beitrag).

Datenqualität ist weder ein Projekt, noch hat sie ein Enddatum. Sehen Sie sie als eine Daueraufgabe vergleichbar mit Compliance oder Qualitätssicherung in der Produktion. Seit September 2025 kommt ein verbindlicher regulatorischer Rahmen hinzu: Der EU Data Act schafft neue Anforderungen an Datenverfügbarkeit und -nutzung und macht strukturierte Datenverantwortung zur unternehmerischen Pflicht [4].

Wie weit sind Sie auf diesem Weg?

Sie sind unsicher bei der Antwort auf diese Frage? Dann hilft Ihnen der KI-Readiness-Check.

---

Quellen

1. Gartner (2023): Gartner Identifies 12 Actions to Improve Data Quality. Pressemitteilung, 22. Mai 2023. https://www.gartner.com/en/newsroom/press-releases/2023-05-22-gartner-identifies-12-actions-to-improve-data-quality

2. BARC (2025/2026): Data, BI and Analytics Trend Monitor 2026. Business Application Research Center, Würzburg. https://barc.com/research/data-bi-analytics-trend-monitor-2026/

3. Gartner (2025): Lack of AI-Ready Data Puts AI Projects at Risk. Pressemitteilung, 26. Februar 2025. https://www.gartner.com/en/newsroom/press-releases/2025-02-26-lack-of-ai-ready-data-puts-ai-projects-at-risk

4. Bitkom e. V. (2024): Data Economy – Wo steht die deutschen Wirtschaft? Presseinformation, 11. Juni 2024. https://www.bitkom.org/Presse/Presseinformation/Deutsche-Unternehmen-nutzen-ihre-Daten-kaum