Industrie-Experte: Ohne gesunde Datenbasis rechnet die KI falsch
Dr. Andreas Vieweg: „Viele Unternehmen führen KI ein und übersehen, dass ihre Daten dünn und veraltet sind. Eine KI macht daraus keine Wahrheit, sondern nur schneller eine falsche Antwort.“
Aachen, 17. November 2026 – Künstliche Intelligenz ist in der deutschen Wirtschaft angekommen: Nach einer repräsentativen Bitkom-Befragung vom September 2026 setzen inzwischen 57 Prozent der Unternehmen ab 20 Beschäftigten KI ein. Vor einem Jahr waren es 36 Prozent, vor zwei Jahren 20 Prozent. Beim Tempo der Einführung bleibt jedoch eine Grundvoraussetzung häufig auf der Strecke: eine aktuelle und möglichst vollständige betriebliche Datenbasis. Der Aachener Prozess- und Datenexperte Dr.-Ing. Andreas Vieweg, der regelmäßig als Berater und Interim Manager in Industrieunternehmen geholt wird, um Betriebsprozesse zu optimieren, warnt: Wer KI auf veraltete Stammdaten, doppelte Datensätze und lückenhafte Stücklisten ansetzt, bekommt nicht nur schwächere Ergebnisse, sondern im Zweifel schlichtweg falsche.
„Viele Unternehmen kaufen gerade KI-Lizenzen, starten Pilotprojekte und lassen sich Chatbots und Agenten vorführen. Kaum jemand fragt vorher, in welchem Zustand die eigenen Daten sind“, sagt Dr. Andreas Vieweg. „In den Werken, die ich kenne, ist die Datenbasis oft dünn, veraltet und über Jahre gewachsen. Eine KI macht daraus keine Wahrheit. Sie macht daraus nur schneller eine falsche Antwort.“
Der KI-Boom trifft auf die Datenlücke
Die Zahlen zeigen die Schieflage. Laut Bitkom schöpfen 59 Prozent der Unternehmen, die KI einsetzen, deren Potenzial nach eigener Einschätzung überhaupt nicht aus, weitere 28 Prozent nur wenig. Bitkom-Präsident Dr. Ralf Wintergerst mahnt mit Blick auf KI-Agenten: „Ein Agent, der eigenständig handelt, braucht verlässliche Daten, verbundene Systeme und Regeln, was er darf und was er zu lassen hat.“ Das Statistische Bundesamt ermittelte für 2025, dass 26 Prozent der Unternehmen ab zehn Beschäftigten KI nutzen. Von den Unternehmen, die einen Einsatz in Betracht gezogen haben, KI aber bisher nicht nutzen, nannten 44 Prozent Schwierigkeiten mit der Verfügbarkeit oder Qualität der erforderlichen Daten als Grund.
International zeigt sich dasselbe Bild. In einer Erhebung des Datenspezialisten Precisely und der Drexel University gaben nur 12 Prozent der befragten Daten- und Analysefachleute an, dass ihre Daten für KI in ausreichender Qualität und Zugänglichkeit vorliegen. 67 Prozent vertrauen den Daten, auf die sie ihre Entscheidungen stützen, nicht vollständig. Das Marktforschungsunternehmen Gartner ermittelte in einer Befragung von 1.203 Datenmanagement-Verantwortlichen, dass 63 Prozent der Organisationen nicht über die richtigen Datenmanagement-Praktiken für KI verfügen oder sich dessen nicht sicher sind. Gartner prognostiziert, dass Organisationen bis einschließlich 2026 rund 60 Prozent der KI-Projekte aufgeben werden, die nicht auf KI-taugliche Daten gestützt sind.
„KI ist kein Zauberkasten, der Ordnung in ein unaufgeräumtes ERP-System bringt“, so Vieweg. „Sie ist ein Verstärker. Gute Daten verstärkt sie zu guten Entscheidungen, schlechte Daten zu schlechten, und das in einem Tempo und Umfang, den kein Mensch mehr nachkontrollieren kann.“
Wo die Datenbasis in der Industrie bröckelt
Aus seinen Mandaten kennt der Ingenieur die typischen Schwachstellen: Artikelstammdaten mit veralteten Wiederbeschaffungszeiten, Stücklisten, die nach Konstruktionsänderungen nicht nachgezogen wurden, derselbe Kunde oder Lieferant unter mehreren Nummern, vermeintliche Pflichtfelder, die nie gefüllt wurden, und Arbeitspläne mit Vorgabezeiten aus einer früheren Maschinengeneration. Dazu kommen Excel-Schattensysteme, in denen Disposition und Fertigungssteuerung die eigentlich gültigen Zahlen pflegen, weil sie dem ERP-System nicht mehr trauen. ERP, MES, CRM und Qualitätsmanagement laufen oft nebeneinander her, ohne dass jemand sicherstellt, dass sie dieselbe Wirklichkeit abbilden.
„Ein erfahrener Disponent weiß, dass die Wiederbeschaffungszeit im System seit Jahren nicht stimmt, und rechnet sie im Kopf um“, erklärt Vieweg. „Eine KI weiß das nicht. Sie nimmt den Wert ernst, plant damit, bestellt damit und begründet ihr Ergebnis auch noch überzeugend. Genau das ist die Gefahr: Die Antwort klingt plausibel und ist trotzdem falsch.“
Garbage in, garbage out – nur schneller
Das alte Informatik-Prinzip „Garbage in, garbage out“ gewinnt mit KI eine neue Dimension, denn Sprachmodelle und KI-Agenten formulieren auch auf Basis lückenhafter oder widersprüchlicher Daten selbstsicher klingende Antworten. In einer Studie von Fivetran und Vanson Bourne unter 550 Befragten aus Unternehmen ab 500 Mitarbeitern in den USA, Großbritannien, Irland, Frankreich und Deutschland berichteten 42 Prozent von Halluzinationen ihrer KI-Anwendungen. Durch KI-Modelle, die auf ungenauen oder minderwertigen Daten beruhen, verlieren die befragten Unternehmen demnach im Schnitt 6 Prozent ihres weltweiten Jahresumsatzes, weil darauf Fehlentscheidungen folgen. Ihre Datenspezialisten verbringen rund zwei Drittel ihrer Zeit damit, Daten aufzubereiten, statt KI-Modelle zu entwickeln.
Die Kosten sind real. Nach der CDO-Studie 2025 des IBM Institute for Business Value schätzt mehr als ein Viertel der Organisationen den jährlichen Verlust durch schlechte Datenqualität auf über 5 Millionen US-Dollar, 7 Prozent sogar auf 25 Millionen US-Dollar oder mehr. Eine im November 2026 veröffentlichte Fivetran-Studie unter 500 IT-, Daten- und KI-Verantwortlichen zeigt zudem: 39 Prozent der Unternehmen geben mindestens ein Viertel ihres KI-Budgets dafür aus, Datenprobleme zu beheben. Bei ihnen ist es fünfmal so wahrscheinlich, dass mindestens ein Viertel der KI-Projekte verzögert ist oder stockt.
„Wenn eine Absatzprognose auf unvollständigen Auftragsdaten beruht, werden falsche Kapazitäten aufgebaut, falsches Material bestellt und falsche Liefertermine zugesagt“, sagt Dr. Andreas Vieweg. „Das Management entscheidet dann nicht mehr aus dem Bauch heraus, sondern auf Grundlage einer KI-Auswertung, die präzise wirkt. Das ist gefährlicher als jedes Bauchgefühl, weil niemand mehr nachfragt.“
Auch der Gesetzgeber verlangt saubere Daten
Hinzu kommt die Regulierung. Die europäische KI-Verordnung (AI Act) schreibt in Artikel 10 für Hochrisiko-KI-Systeme vor, dass Trainings-, Validierungs- und Testdaten relevant, hinreichend repräsentativ und so weit wie möglich fehlerfrei und vollständig sein müssen. Nach der jüngsten Anpassung der Fristen gelten diese Pflichten ab dem 2. Dezember 2027 für Hochrisiko-Systeme nach Anhang III und ab dem 2. August 2028 für Hochrisiko-KI in regulierten Produkten nach Anhang I, zu denen auch Maschinen zählen.
„Für die meisten Mittelständler wird ihre erste KI-Anwendung kein Hochrisiko-System sein. Aber der Maßstab, den der Gesetzgeber anlegt, ist der richtige: aktuell, vollständig, möglichst fehlerfrei“, so Vieweg. „Wer Entscheidungen an eine KI delegiert, trägt die Verantwortung für das Ergebnis weiterhin selbst.“
Sieben Schritte zu einer KI-tauglichen Datenbasis
Dr. Andreas Vieweg rät dringend, die Datenbasis vor einem KI-Projekt in nachfolgenden Schritten in Ordnung zu bringen, wobei bewusst die Automatisierung an das Ende gestellt wird. Wie groß der Nachholbedarf ist, zeigt eine weitere Zahl von Gartner: 59 Prozent der Organisationen messen ihre Datenqualität überhaupt nicht. Konkret empfiehlt der Interim Manager sieben Schritte:
1. Dateninventur: Welche Daten braucht der geplante KI-Anwendungsfall, wo liegen sie, wie alt sind sie und wer hat sie zuletzt geprüft?
2. Klare Verantwortung: Für jeden Datenbereich, ob Artikel, Stücklisten, Kunden, Lieferanten oder Arbeitspläne, braucht es einen benannten Data Owner aus dem Fachbereich, nicht aus der IT.
3. Stammdaten bereinigen: Dubletten zusammenführen, Pflichtfelder füllen sowie Wiederbeschaffungszeiten, Losgrößen und Sicherheitsbestände mit der Realität abgleichen.
4. Prozesse vor Tools: Zuerst die Abläufe klären, in denen Daten entstehen. Sonst produziert der Prozess morgen dieselben Fehler, die heute bereinigt werden.
5. Schattensysteme auflösen: Excel-Listen zurück in das führende System holen, damit es eine einzige gültige Datenquelle gibt.
6. Pilot mit Kennzahlen: Den ersten KI-Anwendungsfall eng zuschneiden und die Datenqualität messbar machen, etwa über Vollständigkeit, Aktualität und Dublettenquote.
7. Laufende Pflege: Datenqualität als Daueraufgabe im Tagesgeschäft verankern, nicht als einmaliges Aufräumprojekt.
„Nur wenn die betriebliche Datenbasis aktuell und möglichst vollständig ist, funktioniert auch KI“, fasst Dr. Andreas Vieweg zusammen. „Ohne gesunde Daten ist KI nicht einfach nur etwas weniger leistungsfähig, sie liegt im Zweifel schlichtweg falsch. Wer heute seine Stammdaten in Ordnung bringt, hat morgen eine KI, auf die er sich verlassen kann. Wer diesen Schritt überspringt, automatisiert nur das Datenchaos.“
Quellen
Bitkom: Erstmals nutzt die Mehrheit der Unternehmen KI, Presseinformation, 14. September 2026, https://www.bitkom.org/Presse/Presseinformation/Erstmals-nutzt-Mehrheit-Unternehmen-KI
Statistisches Bundesamt (Destatis): Unternehmen mit Nutzung von KI 2025 sowie Gründe gegen die Nutzung von KI 2025, Stand 24. November 2025, https://www.destatis.de/DE/Themen/Branchen-Unternehmen/Unternehmen/IKT-in-Unternehmen-IKT-Branche/Tabellen/ikti-gegen-nutzung-kuenstliche-intelligenz.html
Gartner: Lack of AI-Ready Data Puts AI Projects at Risk, 26. Februar 2025, https://www.gartner.com/en/newsroom/press-releases/2025-02-26-lack-of-ai-ready-data-puts-ai-projects-at-risk
Gartner: Data Quality – Best Practices for Accurate Insights, https://www.gartner.com/en/data-analytics/topics/data-quality
Precisely/Drexel LeBow: New Global Research Points to Lack of Data Quality and Governance as Major Obstacles to AI Readiness, https://www.precisely.com/press-release/new-global-research-points-to-lack-of-data-quality-and-governance-as-major-obstacles-to-ai-readiness/
Fivetran/Vanson Bourne: Organizations Bullish on AI Adoption Despite Losing an Average of $406M Each Year Due to Underperforming AI Models, 20. März 2024, https://www.fivetran.com/press/organizations-bullish-on-ai-adoption-despite-losing-an-average-of-406m-each-year-due-to-underperforming-ai-models
Fivetran: The Cost of AI Without Connected Data, 12. November 2026, https://www.fivetran.com/press/the-cost-of-ai-without-connected-data-nearly-4-in-10-companies-spend-25-or-more-of-ai-budgets-fixing-data-problems-fivetran-study-finds
IBM: A compounding threat – the true cost of poor data quality (mit Verweis auf IBM IBV, 2025 CDO Study), https://www.ibm.com/think/insights/cost-of-poor-data-quality
EU-KI-Verordnung, Artikel 10 (Daten und Daten-Governance), https://artificialintelligenceact.eu/article/10/
Dr.-Ing. Andreas Vieweg (VPD) ist Spezialist für die Prozessoptimierung in der Industrie; Fertigungsunternehmen beauftragen ihn regelmäßig als Berater und Interim Manager. Er analysiert anhand von aufbereiteten Betriebsdaten hochkomplexe Abhängigkeiten, die den Firmen selbst nicht bewusst sind, und schafft damit Transparenz als Grundlage zur Optimierung. Er arbeitet dabei nach einem Fünf-Phasen-Modell: 1. Anforderungen hinterfragen, 2. unnötige Prozessschritte eliminieren, 3. Prozesse vereinfachen und strukturieren, 4. Durchlaufzeiten beschleunigen und 5. Automatisierung. Seine Erfahrung: „Viele Unternehmen scheitern bei der Optimierung, weil sie diese Schrittfolge nicht vollständig oder nicht in dieser Reihenfolge durchlaufen und zum Beispiel Prozesse optimieren, die in Wahrheit überflüssig sind.“ Gemäß dem Grundsatz „der Teufel steckt im Detail“ arbeitet der Ingenieur mit Promotion bei Einsätzen regelmäßig auf dem Shopfloor, nutzt das ERP-System und zeigt fehlerhafte Prozessstrukturen und Defizite faktenbasiert auf, die das Management bisher gar nicht kannte. Der Tiefgang geht bei Bedarf bis in die Stammdatenpflege.
Kontakt und weitere Informationen
Dr.-Ing. Andreas Vieweg
VPD – Verbesserung von Prozessen und Datenstrukturen
Standort: Aachen
E-Mail: avieweg@vpd-consulting.de
Website: www.vpd-consulting.de
Pressekontakt
euromarcom public relations
Ansprechpartner für Medienanfragen und Presseinformationen
E-Mail: team@euromarcom.de


