Ein Mensch, der eine Rechnung erstellt, gleicht nebenbei Dutzende Kleinigkeiten aus: Er erkennt, dass „Müller GmbH" und „Mueller GmbH & Co. KG" derselbe Kunde sind, ergänzt die fehlende Postleitzahl aus dem Gedächtnis und ignoriert den Testdatensatz von 2019. Eine Automation tut nichts davon. Sie führt aus, was die Daten hergeben — mit Maschinengeschwindigkeit und ohne Zögern. Genau deshalb macht Automatisierung schlechte Daten nicht harmloser, sondern multipliziert sie: aus einem falschen Feld werden hundert falsche Mails, Rechnungen oder Reports pro Tag.
Die vier Dimensionen von Datenqualität
„Unsere Daten sind schlecht" ist keine brauchbare Diagnose. Tragfähig wird sie erst entlang von vier Fragen:
- Vollständigkeit: Sind die Felder gefüllt, die der Prozess braucht? Ein Follow-up-Workflow ohne E-Mail-Adresse ist kein Workflow, sondern eine Fehlerquelle.
- Korrektheit: Stimmt der Inhalt? Veraltete Ansprechpartner und falsche Umsatzzahlen sind gefährlicher als leere Felder, weil sie plausibel aussehen.
- Konsistenz: Bedeutet derselbe Wert überall dasselbe? Drei Systeme mit drei Statusmodellen („Lead", „Interessent", „offen") machen jede Auswertung zur Interpretationsfrage.
- Aktualität: Wie schnell erreichen Änderungen alle Systeme? Ein CRM, das den Kündiger noch als A-Kunden führt, steuert Kampagnen in die falsche Richtung.
Wo schlechte Daten Automationen konkret brechen
Die Muster wiederholen sich quer durch alle Branchen: Der Dubletten-Klassiker — ein Kunde existiert dreimal, die Automation schreibt ihn dreimal an, der Kunde ist zweimal genervt. Das Formatproblem — Telefonnummern mal mit Ländervorwahl, mal ohne; der Anruf-Workflow scheitert an der Hälfte der Einträge. Das stille Pflichtfeld — das Feld war nie Pflicht, der neue Prozess setzt es voraus, und niemand merkt es, bis die Fehlerquote im Log steht. Keines dieser Probleme ist technisch anspruchsvoll. Aber jedes einzelne reicht, um das Vertrauen ins System zu zerstören — und dann arbeiten die Mitarbeiter wieder an der Automation vorbei.
Die teuerste Folge schlechter Daten ist nicht der einzelne Fehler — es ist der Vertrauensverlust, nach dem jeder Report wieder manuell nachgerechnet wird.
Validierung an den Rändern statt Putzaktionen
Der Reflex ist die große Datenbereinigung: zwei Wochen aufräumen, danach ist alles sauber. Drei Monate später ist der alte Zustand zurück, weil die Eingänge unverändert sind. Nachhaltiger ist das Prinzip Validierung an den Rändern: Jede Stelle, an der Daten ins System kommen — Formular, Import, Schnittstelle — prüft Format, Pflichtfelder und Dubletten sofort. Was die Prüfung nicht besteht, landet nicht im Bestand, sondern in einer Klärungsliste. So bleibt die Bereinigung eine einmalige Investition, deren Ergebnis Regeln danach dauerhaft schützen.
KI verschärft die Rechnung
Mit KI-Workflows steigt der Einsatz noch einmal: Ein Sprachmodell, das auf Firmendaten antwortet (etwa über RAG), übernimmt deren Fehler mit vollem Selbstbewusstsein. Falsche Preise in der Wissensbasis werden zu falschen Preisen im Kundenchat — formuliert wie ein Fakt. Wer KI auf seine Daten setzen will, sollte die Qualitätsfrage deshalb vor dem Modell klären, nicht danach. Die gute Nachricht: Dieselbe KI hilft beim Aufräumen, etwa beim Erkennen von Dubletten und Ausreißern — solange ein Mensch die Korrekturen freigibt.
Der pragmatische Einstieg
Es braucht kein Data-Governance-Programm, um anzufangen. Ein Prozess, der wehtut, wird ausgewählt; die fünf Felder, an denen er hängt, werden definiert; für genau diese Felder werden Eingangsregeln und ein wöchentlicher Qualitäts-Report eingerichtet. Wenn die Fehlerquote sichtbar sinkt, folgt der nächste Prozess. Datenqualität ist kein Projekt mit Enddatum — aber sie beginnt mit einer einzigen Regel am richtigen Eingang.