Warum 86% aller AI-Projekte an den Daten scheitern — bevor sie überhaupt starten
Die unbequeme Wahrheit: Ihr AI-Problem ist kein Technologie-Problem. Es ist ein Stammdaten-Problem.
Die Zahl, die keiner hören will
Gartner hat es 2025 schwarz auf weiß bestätigt: Nur 14% der Unternehmen verfügen über Daten, die für den produktiven Einsatz von Generative AI bereit sind.
Vierzehn Prozent.
Das bedeutet im Umkehrschluss: 86% der Unternehmen, die heute in AI investieren, bauen auf einem Fundament, das nicht trägt. Sie kaufen den leistungsstärksten Motor — und schrauben ihn in ein Fahrwerk ohne Achsen.
Für mich ist diese Zahl keine Überraschung. Sie ist die statistische Bestätigung dessen, was ich in 30 Jahren Industrie-Erfahrung immer wieder erlebt habe — von der SAP-Einführung über die Digitalisierung bis zur aktuellen AI-Welle.
Der Algorithmus ist nie das Problem. Das Problem liegt davor.
Ein Fall aus der Praxis: Wenn Gewichte fehlen
Ein konkretes Beispiel, das stellvertretend für Dutzende ähnlicher Situationen steht:
Ein großer Automotive-Zulieferer in der Region Stuttgart. Das Unternehmen investierte in ein Transport Management System — technisch anspruchsvoll, sauber konzipiert, professionell aufgesetzt. Das Ziel: optimierte Routenplanung, reduzierte Frachtkosten, bessere Auslastung.
Dann kam der Reality Check.
Das System konnte keine einzige optimierte Route berechnen. Nicht weil der Algorithmus fehlerhaft war. Nicht weil die Software Mängel hatte. Sondern weil die fundamentalsten Stammdaten fehlten: Gewichte und Abmessungen der Teile.
Die Informationen waren entweder gar nicht vorhanden, offensichtlich falsch oder schlummerten in Excel-Tabellen, die seit Jahren nicht gepflegt wurden. Kein System der Welt — ob klassische Optimierung oder modernste AI — kann mit Daten arbeiten, die nicht existieren.
Wir mussten den gesamten Projektscope neu definieren. Aus einem Software-Implementierungsprojekt wurde zunächst ein Stammdaten-Bereinigungsprojekt. Der Zeitplan verschob sich um Monate. Das Budget wurde gesprengt.
Das Muster: Drei Ebenen des Datenversagens
Dieser Fall ist kein Ausreißer. In drei Jahrzehnten — von der Möbelindustrie über SAP-Beratung bis zur AI-Strategie — habe ich dasselbe Muster in immer neuen Varianten gesehen. Das Datenversagen zeigt sich auf drei Ebenen:
1. Fehlende Daten
Die Information existiert schlicht nicht im System. Gewichte, Maße, Lieferzeiten, Qualitätskennzahlen — Felder, die im ERP-System zwar angelegt sind, aber nie befüllt wurden. Jeder weiß es. Niemand fühlt sich zuständig.
2. Falsche Daten
Die Information existiert, ist aber veraltet oder fehlerhaft. Ein Lieferant hat seine Adresse geändert, aber im System steht noch die alte. Ein Materialgewicht wurde bei der Erstanlage geschätzt und nie validiert. Preise aus dem letzten Jahrtausend stehen neben aktuellen Konditionen.
3. Verteilte Daten
Die Information existiert und ist korrekt — aber sie liegt im falschen System. Oder in einer Excel-Tabelle auf dem Desktop eines Disponenten. Oder in einer E-Mail von 2019. Die Wahrheit ist fragmentiert, und kein Algorithmus der Welt kann Fragmente zusammensetzen, von denen er nichts weiß.
Warum AI das Problem verschärft — nicht löst
Hier liegt der entscheidende Denkfehler vieler Entscheider: Sie glauben, AI sei die Lösung für ihr Datenproblem. „Die KI wird schon die richtigen Muster finden.“ „Machine Learning kann aus schlechten Daten lernen.“
Nein. Kann es nicht. Nicht auf eine Weise, die operative Entscheidungen tragen könnte.
Klassische Software scheitert bei schlechten Daten sichtbar: Eine falsche Adresse führt zu einer falschen Lieferung. Das fällt auf. Es wird korrigiert.
AI scheitert unsichtbar: Ein Large Language Model, das auf fehlerhaften Stammdaten trainiert oder mit ihnen angereichert wird, produziert Ergebnisse, die plausibel klingen — aber falsch sind. Es halluziniert nicht nur bei fehlendem Wissen. Es halluziniert auch bei falschem Wissen. Und im industriellen Kontext hat eine plausibel klingende, aber falsche Empfehlung das Potenzial, Millionen zu kosten.
Die Auto-Analogie: Schlechte Daten in einem klassischen System sind wie ein platter Reifen — man merkt es sofort und hält an. Schlechte Daten in einem AI-System sind wie ein schleichender Lagerschaden — alles läuft scheinbar rund, bis das Rad abfällt. Bei Tempo 180.
Was die 14% anders machen
Was unterscheidet die Unternehmen, die laut Gartner tatsächlich AI-ready sind? Drei Merkmale stechen heraus:
Datenqualität ist Chefsache
In diesen Unternehmen ist Stammdatenqualität kein IT-Thema, das in der zweiten Reihe verwaltet wird. Es gibt klare Verantwortlichkeiten, definierte Prozesse für die Datenpflege und regelmäßige Audits. Der CFO oder COO fragt aktiv nach dem Zustand der Datenbasis — nicht erst, wenn ein Projekt scheitert.
Bereinigung vor Innovation
Diese Unternehmen haben den Mut, „langweilige“ Projekte zu priorisieren. Stammdaten-Migration, Master Data Governance, Prozessharmonisierung — das sind keine Leuchtturmprojekte, die auf Konferenzen beeindrucken. Aber sie sind das Fundament, auf dem alles andere steht.
Prozess-Denken statt Tool-Denken
Die 14% fragen nicht: „Welches AI-Tool sollen wir kaufen?“ Sie fragen: „Welcher Prozess hat den größten Hebel — und welche Daten brauchen wir, damit AI dort Wert schafft?“ Der Prozess bestimmt die Datenanforderung. Die Datenanforderung bestimmt das Bereinigungsprojekt. Und erst danach kommt die Technologie.
Der Industrial Translator-Ansatz: Fundament zuerst
Genau hier setze ich an. Nicht als AI-Evangelis, der die nächste Revolution verspricht. Sondern als jemand, der die Lücke kennt — die Lücke zwischen technologischer Möglichkeit und operativer Realität.
In meiner Karriere — vom REFA-Ingenieur auf dem Shopfloor über SAP-Beratung bei Krone, Hella und Bosch bis zur AI-Strategie bei SupplyOn — habe ich eines gelernt:
Jede Technologie ist nur so gut wie das Fundament, auf dem sie steht.
Oder anders formuliert: Man kann den leistungsstärksten Motor der Welt bauen. Wenn das Fahrwerk nicht trägt, bewegt sich nichts.
Die 86% scheitern nicht an AI. Sie scheitern an dem, was vor AI kommt. Und genau diese Vorarbeit — die Übersetzung zwischen dem, was die Technologie braucht, und dem, was die Organisation liefern kann — ist der Kern meiner Arbeit als Industrial Translator.
Die ehrliche Frage
Bevor Sie das nächste AI-Budget freigeben, stellen Sie sich eine Frage:
Wenn heute ein Algorithmus Ihre Stammdaten analysieren würde — was würde er finden?
Saubere, aktuelle, vollständige Datensätze? Oder ein Mosaik aus Lücken, Altlasten und Excel-Workarounds?
Die Antwort auf diese Frage bestimmt, ob Ihr nächstes AI-Projekt zu den 14% gehört — oder zu den 86%.
E-Mail: sven.vollmer@business-quotient.com
Sven Vollmer ist „The Industrial Translator“. Er baut Brücken zwischen der operativen Realität der Industrie (SAP, Supply Chain) und den Möglichkeiten generativer KI. Sein Fokus liegt auf wertschöpfenden Anwendungen abseits des Hypes.
Transparenz-Hinweis: Dieser Artikel entstand mit redaktioneller Unterstützung von KI (Gemini/Claude). Die Ideen, fachliche Prüfung, die Auswahl der Use Cases und die Bewertung (‚Adult Supervision‘) oblagen zu 100% dem Autor.
LinkedIn: www.linkedin.com/in/sven-vollmer-bq
