En
Viele CEOs kennen den Satz: „Wir brauchen eine Data Platform.“ Dahinter steckt oft ein vertrautes Muster: großes Programm, viele Workshops, neue Tools – und am Ende bleiben trotzdem Excel-Exporte, manuelle Reports und Diskussionen darüber, welche Zahl jetzt stimmt. Parallel wird über GPT-5, o3 und „AI im Management“ gesprochen, aber sobald es konkret wird, heißt es: „Unsere Daten sind dafür nicht gut genug.“
In der Folge parken Unternehmen das Thema KI in der Warteschleife: Erst muss „die Datenbasis sauber“ sein, dann können wir über intelligente Assistenten, Decision-Support und Automatisierung sprechen. Das Problem daran: Dieser Zeitpunkt kommt selten. Und währenddessen liegen in CRM, ERP, Ticket-Systemen, Shop, Produktion und HR längst Daten, aus denen sich heute bessere Entscheidungen ableiten ließen – wenn man sie gezielt nutzbar machen würde.
Die Frage ist also weniger: „Haben wir genug Daten?“ sondern: „Wie bringen wir Ordnung in das, was wir ohnehin schon haben – so, dass KI-Systeme wie GPT-5 daraus eine echte Decision Engine machen können, ohne dass wir ein neues Mega-Projekt starten?“
In diesem Artikel zeige ich Ihnen vier konkrete Schritte, wie Sie vom Datenfriedhof zu KI-ready Unternehmensdaten kommen – mit klarer Fokussierung auf Entscheidungen, einem dünnen KI-Layer über bestehenden Systemen, einfachen Datenzugängen und einem minimalen, aber wirksamen Set an Data-Quality-Regeln.
Schritt #1: Inventur der wichtigsten Datensilos – Entscheidungen statt Tabellen zählen
Wenn über Daten gesprochen wird, rutschen viele Diskussionen sofort in technische Details: Tabellen, Spalten, Speicherorte. Für den Einsatz von KI ist ein anderer Startpunkt hilfreicher: Welche Entscheidungen möchten Sie mit Hilfe von Daten und KI besser treffen?
Stellen Sie sich vor, Sie würden sich mit Ihrem Führungsteam für eine Stunde zusammensetzen – nicht, um Datenmodelle zu malen, sondern um die wichtigsten geschäftlichen Entscheidungen zu benennen. Zum Beispiel:
- Welche Kunden sprechen wir zuerst an?
- Welche Aufträge sind wirklich profitabel?
- Wo drohen Engpässe in der Lieferkette?
- Welche Supportfälle brauchen sofort Aufmerksamkeit?
Im zweiten Schritt ordnen Sie diese Entscheidungen den 5–10 Kernsystemen zu, die es in jedem Unternehmen ohnehin gibt: CRM, ERP, Ticket-System, Shop, Produktionsplanung, HR. Zu jedem System beantworten Sie drei einfache Fragen:
- Welche Entscheidungen hängen hier dran?
- Welche wenigen Felder oder Signale sind dafür entscheidend – nicht 300 Spalten, sondern die Handvoll wirklich relevanter Datenpunkte?
- Wer ist im Fachbereich dafür verantwortlich, dass genau diese Daten sinnvoll gepflegt werden?
Sie werden feststellen: Es geht nicht darum, „alle Daten“ zu katalogisieren. Es geht darum, für einige zentrale Entscheidungen die jeweils wichtigsten Datenströme sichtbar zu machen. GPT-5 kann hier unterstützen, indem es bestehende Reports und Auswertungen analysiert und herausarbeitet, welche Kennzahlen in der Praxis immer wieder genutzt werden.
Das Ergebnis? Sie sprechen nicht mehr abstrakt über „Datenqualität“, sondern ganz konkret über „Daten für Entscheidung X aus System Y“. Das reduziert Komplexität und legt den Grundstein für alles, was folgt.
Schritt #2: Thin-Layer-Ansatz – KI-Schicht statt Großmigration
Die klassische Reaktion auf Datenchaos ist oft: „Wir bauen jetzt ein zentrales Data Warehouse / Lakehouse / die eine Plattform, in die alles hineinläuft.“ Das klingt auf dem Papier gut, bedeutet in der Praxis aber häufig jahrelange Migrationsprojekte, Parallelbetrieb und viel Frust.
Für KI ist ein anderer Weg oft sinnvoller: Nicht alles in ein neues System ziehen, sondern eine dünne Schicht über den bestehenden Systemen aufbauen.
Stellen Sie sich diese „Thin Layer“ als leichten Integrations- und KI-Layer vor, der genau das tut, was für Ihre priorisierten Entscheidungen nötig ist – nicht mehr, nicht weniger. Für einen Vertriebs-Use-Case kann das beispielsweise heißen: Aus CRM, ERP und vielleicht einem E-Mail-System werden genau jene Informationen zusammengeführt, die ein Sales-Assistent benötigt, um sinnvolle Vorschläge zu machen: Kundensegment, letzte Aktivitäten, offene Angebote, Umsatzpotenzial, offene Rechnungen.
Diese Sicht entsteht nicht durch eine Big-Bang-Migration, sondern durch schlanke Services oder Connectoren, die relevante Daten aus den Ursprungssystemen herausziehen und für KI-Modelle wie GPT-5 in eine gut verwertbare Form bringen. Die bestehenden Systeme bleiben, wo sie sind – die KI schaut sozusagen „von oben“ auf das, was bereits da ist.
Das Ergebnis? Sie gewinnen Geschwindigkeit, ohne Ihre komplette Systemlandschaft auf den Kopf zu stellen. KI-Use-Cases können starten, während Sie mittel- und langfristig immer noch die Option haben, ein größeres Datenzielbild zu verfolgen – aber eben nicht als Voraussetzung, sondern als Weiterentwicklung.
Schritt #3: Standardisierte Datenzugänge – ein fester Anschluss für jede KI-Anwendung
Damit KI im Alltag hilft, braucht sie verlässlichen Zugang zu Daten. Was nicht funktioniert, sind einmalige Exporte und manuell verschickte Dateien. Was funktioniert, sind stabile Datenzugänge, die sich wiederverwenden lassen, wenn neue KI-Use-Cases dazu kommen.
Stellen Sie sich vor, Sie definieren für jede priorisierte Anwendung einen klaren „Datenanschluss“. Für einen KI-Assistenten im Vertrieb könnte das ein Zugang sein, der für eine angefragte Kundennummer genau die wichtigsten Informationen liefert: Stammdaten, Historie, aktuelle Opportunities, offene Tickets, Kennzahlen zur Profitabilität. Für einen Management-Decision-Brief könnte es ein Zugang sein, der zentrale KPIs aus Finance, Sales und Operations zusammenzieht.
Wichtig ist: Diese Datenzugänge werden einmal sauber definiert – fachlich und technisch. Fachlich heißt: Es ist klar beschrieben, welche Felder geliefert werden, was sie bedeuten und wie aktuell sie sind. Technisch heißt: Sie liegen als API, Connector oder Service vor, den unterschiedliche KI-Anwendungen nutzen können – vom Chat-Assistenten bis zum automatisierten Entscheidungs-Memo.
GPT-5 kann Sie auch hier unterstützen, indem es aus bestehenden Berichten und Tabellen Vorschläge für solche standardisierten Sichten erstellt – inklusive kurzer Beschreibung, wofür sie sich eignen.
Das Ergebnis? Neue KI-Projekte müssen nicht jedes Mal bei Null beginnen. Sie greifen auf einen wachsenden Baukasten von Datenzugängen zurück. Das senkt Aufwand, erhöht Konsistenz und macht Ihre Datenlandschaft für KI nach und nach wie eine saubere „Steckdosenleiste“ nutzbar.
Schritt #4: Minimal-Set an Data-Quality-Regeln – aus Sicht der Entscheidung
Wenn das Wort „Datenqualität“ fällt, denken viele an perfekte Stammdaten, lückenlose Historien und jahrelange Bereinigungsprogramme. Für den Einsatz von KI ist das oft weder realistisch noch nötig. Entscheidend ist: Was muss stimmen, damit eine bestimmte Entscheidung verantwortbar ist?
Stellen Sie sich vor, Sie würden für jeden wichtigen Datenstrom nicht hundert Prüflogiken definieren, sondern 3–5 einfache Regeln, die direkt mit einer Entscheidung verknüpft sind.
Ein Beispiel: Für eine Preisempfehlung durch eine KI könnte gelten:
- Das Produkt ist aktiv und verfügbar.
- Die Währung ist gesetzt.
- Die kalkulierte Marge ist nicht negativ – oder es gibt eine ausdrückliche Freigabe.
Für einen Vertriebs-Priorisierungs-Use-Case könnten Regeln sein:
- Der Account hat Branche und Region.
- Es gab in den letzten X Monaten zumindest eine Interaktion.
- Das potenzielle Volumen liegt über einem definierten Mindestwert.
Diese Regeln legen Sie nicht aus Sicht eines Datenarchitekten fest, sondern gemeinsam mit dem Business: „Was muss vorhanden und plausibel sein, damit wir guten Gewissens eine KI-Empfehlung berücksichtigen?“ GPT-5 kann dabei helfen, aus Prozessbeschreibungen und bestehenden KPIs Vorschläge für solche Minimal-Sets zu generieren.
Das Ergebnis? Datenqualität wird greifbar und bekommt eine direkte Verbindung zur Praxis. Sie investieren genau dort, wo schlechte Daten zu schlechten Entscheidungen führen – und nicht in ein abstraktes Perfektionsideal. Gleichzeitig kann die KI transparent machen, wann sie eine Empfehlung gibt und wann sie einen Fall lieber an einen Menschen übergibt, weil die Datenbasis nicht ausreicht.
Mit einer fokussierten Inventur Ihrer wichtigsten Datensilos, einem Thin-Layer-Ansatz statt Großmigration, klar definierten Datenzugängen und einem schlanken Set an Data-Quality-Regeln machen Sie aus Ihrem „Datenfriedhof“ Schritt für Schritt eine Decision Engine. Moderne Modelle wie GPT-5 und o3 können dann nicht nur Texte generieren, sondern fundierte Vorschläge für Entscheidungen in Vertrieb, Service, Operations und Management liefern – auf Basis der Daten, die Sie heute schon haben.
