Insight
Ohne Datenstrategie keine KI: Wo Finanzinstitute zuerst investieren
KI-Projekte scheitern selten am Modell, oft an Daten. Welche vier Datenprobleme fast immer auftreten und was eine Datenstrategie vor dem ersten Modell klärt.
Prozesse und Effizienz
7 min Lesezeit
Kernaussage
KI liefert nur so gut, wie die Daten es zulassen, und Datenqualität entsteht dort, wo Daten entstehen. Wer Datenpflege an die IT abgibt, verlagert eine Managementaufgabe in die falsche Abteilung.

Die wichtigsten Erkenntnisse
KI scheitert selten am Modell, oft an Daten
Vier Datenprobleme treten fast immer auf
Datenqualität ist Managementaufgabe, nicht IT
Die unbequeme Wahrheit hinter jeder KI-Initiative
Kein KI-Projekt scheitert in der Präsentation, es scheitert in der Datenlage. Diese Einsicht wird in Kickoff-Terminen selten ausgesprochen und zeigt sich oft erst Monate später als teures Missverständnis. Eine KI-Initiative ist nur so belastbar wie die Daten, auf denen sie rechnet; deshalb gehört vor das erste Modell die Klärung, welche Daten der Anwendungsfall braucht, wem sie gehören und ob ihre Qualität reicht.
Wie oft KI-Projekte in Finanzinstituten an Daten scheitern
Datenprobleme sind einer der häufigsten Gründe, warum KI-Projekte in der Finanzbranche nicht liefern. In der FS&I-Umfrage 2025 von Dun & Bradstreet unter mehr als 2.000 Führungskräften in fünf Ländern berichten in Deutschland 34 Prozent der Banken und Finanzunternehmen und 48 Prozent der Versicherer, bereits KI-Projekte erlebt zu haben, die an schlechter Datenqualität gescheitert sind. 43 Prozent der deutschen Befragten vertrauen ihren eigenen Daten nicht.

Die Studie „KI in Banken 2025“ von Cofinpro und VÖB-Service mit 317 befragten Fachleuten aus deutschen Finanzinstituten zeigt dasselbe Muster aus anderer Richtung: 53 Prozent aller Institute nennen qualitativ hochwertige Daten als wichtigsten Erfolgsfaktor für KI-Projekte. Unter den Instituten, die noch keine KI einsetzen, nennen 45 Prozent Datenprobleme als Hindernis.
Finanzinstitute verfügen über enorme Datenmengen, und das ist ein Vorteil. Aber Menge ist nicht Qualität, und verteilte Daten sind nicht verfügbare Daten.
Warum Silos KI-Anwendungen ausbremsen
Silos bremsen KI aus, weil die nötigen Daten in Systemen liegen, die nicht miteinander sprechen: Kernbanksystem oder Bestandsführung, CRM, Dokumentenmanagement, Risikomanagement, Reporting. Die Daten existieren, aber sie sind für einen Anwendungsfall nicht nutzbar, solange niemand sie zusammenführt.
Silos sind selten ein rein technisches Problem. Meist sind sie ein organisatorisches: Jeder Bereich besitzt seine Daten, definiert seine eigenen Felder und schützt seine Hoheit. Eine Datenstrategie, die nur die Technik adressiert und die Eigentumsfrage offenlässt, scheitert an genau diesem Besitzdenken. Wie sich Verantwortung für Daten sinnvoll in die Fachbereiche verteilen lässt, beschreibt der Beitrag zu Data Mesh in der Finanzwirtschaft.
Welche vier Datenprobleme fast immer auftreten
In fast jedem Institut zeigen sich dieselben vier Probleme, sobald ein konkreter KI-Anwendungsfall auf die Daten trifft.
Fehlende Konsistenz: Dasselbe Kundenmerkmal wird in verschiedenen Systemen unterschiedlich geführt, mal als Pflichtfeld, mal als Freitext, mal gar nicht. Ein Modell erkennt nicht, dass es sich um dieselbe Information handelt.
Historische Altlasten: Gewachsene Bestände enthalten überholte Einträge, doppelte Datensätze und Felder, deren ursprüngliche Bedeutung niemand mehr kennt. Wie schon eine Dublette Vertriebsmodelle verzerrt, zeigt der Beitrag zu Affinitätsmodellen und Datenqualität im Kernbanksystem.
Manuelle Überschreibungen: Mitarbeitende weichen aus guten Gründen vom Standard ab, dokumentieren das aber nicht strukturiert. Für den Menschen ist das nachvollziehbar, für ein Modell ist es Rauschen, das echte Muster verdeckt.
Unstrukturierte Dokumente: Ein großer Teil des Wissens steckt in Dateien, die für Menschen lesbar, für Maschinen aber zunächst nur Bildflächen sind. Sie müssen in auswertbare Form überführt werden, bevor ein System mit ihnen arbeiten kann.
Wie sehr der Nutzen einer Anwendung an diesen Punkten hängt, zeigt etwa die KI-Betrugserkennung in der Versicherung: Sie erkennt Muster nur so gut, wie Schaden-, Vertrags- und Kundendaten zusammenpassen.
Hinzu kommt ein neueres Risiko: Inhalte, die selbst von generativer KI erzeugt wurden und ungeprüft in Datenbestände zurückfließen. Welche Folgen das haben kann, beschreibt der Beitrag zur Datenintegrität im Zeitalter generativer KI.
Warum KI-Agenten höhere Anforderungen an Daten stellen
KI-Agenten stellen höhere Anforderungen, weil sie selbst handeln statt nur vorzuschlagen. Ein Assistent, der einem Menschen einen Vorschlag macht, verkraftet unscharfe Eingaben, weil der Mensch das Ergebnis prüft. Ein KI-Agent, der einen Vorgang anlegt, eine Akte zuordnet oder eine Antwort versendet, braucht maschinenlesbare, strukturierte und verlässliche Daten, weil die menschliche Zwischenkorrektur fehlt oder später kommt.
Auf einer unsauberen Datenbasis wird ein KI-Agent deshalb nicht zum autonomen Helfer, sondern zur zuverlässigen Fehlerquelle. Je weiter Automatisierung in die Kernprozesse vordringt, desto mehr verschiebt sich der Engpass von der Technik zur Datenqualität.
Was eine Datenstrategie konkret klären muss
Eine brauchbare Datenstrategie ist kein Konzept mit 200 Seiten, sondern beantwortet wenige harte Fragen. Welche Daten brauchen die priorisierten KI-Anwendungsfälle wirklich? Wo liegen sie, wer besitzt sie, und wer verantwortet ihre Qualität? Welche Mindestqualität ist nötig, damit der Anwendungsfall trägt, und wie wird sie laufend überwacht? Und welche Definitionen gelten verbindlich, damit dasselbe Feld in jedem System dasselbe bedeutet?
Verfügbarkeit und Qualität sind dabei sauber zu trennen. Verfügbarkeit bedeutet, dass die Daten technisch erreichbar und zusammengeführt sind; hier geht es um Integration und Zugriff. Qualität bedeutet, dass sie korrekt, vollständig und einheitlich erfasst sind; hier geht es um die Prozesse, die sie erzeugen. Wer beides vermischt, behandelt ein Symptom und wundert sich, dass das andere bleibt.
In welcher Reihenfolge Daten und KI zusammengehören
Daten und KI gehören verzahnt geplant, mit der Datenarbeit für den ersten Anwendungsfall vor dem ersten Modell. Der häufigste Fehler verläuft umgekehrt: Ein Institut kauft eine KI-Lösung, stellt nach Wochen fest, dass die Daten nicht passen, und saniert mitten im Projekt unter Zeitdruck, zum teuersten denkbaren Zeitpunkt.
Ebenso wenig trägt der Gegenentwurf, alle Daten des Instituts auf einmal in Ordnung zu bringen; ein solches Projekt wird nie fertig. Tragfähig ist der Weg dazwischen: die Datenarbeit an den priorisierten Anwendungsfällen ausrichten, sie für den ersten Fall abschließen und die saubere Basis mit jedem weiteren Fall erweitern.
Warum Datenqualität am Entstehungsort entsteht
Datenqualität entsteht dort, wo Daten erfasst werden, nicht in der nachträglichen Bereinigung. Ist die Erfassung im Beratungsgespräch, im Onboarding oder in der Sachbearbeitung sauber und einheitlich, braucht es später keine teuren Reinigungsprojekte. Ist sie es nicht, wird jede Bereinigung zur Daueraufgabe, weil ständig neue fehlerhafte Daten nachkommen.
Damit wird die Datenstrategie vom IT-Thema zum Prozessthema. Klare Pflichtfelder, eindeutige Definitionen und eine Erfassung, die Mitarbeitende nicht zu Umgehungen zwingt, wirken stärker als jedes nachgelagerte Bereinigungsprojekt.
Warum Datenverantwortung beim Management liegt
Datenverantwortung liegt beim Management, weil die IT fachliche Definitionen nicht setzen kann und Fachbereiche sich ohne Mandat nicht zuständig fühlen. Die Frage, wem ein Datenfeld gehört und wer für seine Qualität einsteht, ist eine organisatorische Entscheidung. Ohne diese Zuordnung verschwindet die Verantwortung im Niemandsland zwischen Fachbereich und IT, und jede KI-Initiative bleibt eine Wette auf eine Grundlage, die niemand pflegt.
Für das Management heißt das: Datenverantwortliche in den Fachbereichen benennen, Qualitätsziele für die wichtigsten Datenfelder festlegen und deren Einhaltung so regelmäßig betrachten wie andere Steuerungsgrößen. Wie eng Datenqualität und Prozessgestaltung zusammenhängen, beschreibt auch der Beitrag Prozessautomatisierung in der Finanzbranche: Warum es kein Effizienzthema ist.

Womit das Management beginnen sollte
Einen priorisierten Anwendungsfall wählen und genau die Datenfelder auflisten, die er braucht.
Für jedes Feld klären, wo es liegt, wer es verantwortet und ob seine Qualität ausreicht, bevor Budget in Technik fließt.
Datenverantwortliche in den Fachbereichen benennen und mit einem klaren Mandat ausstatten.
Die Erfassung am Entstehungsort verbessern: Pflichtfelder, Definitionen und Plausibilitätsprüfungen statt nachträglicher Bereinigung.
Häufige Fragen
Braucht ein Institut eine vollständige Datenstrategie, bevor es mit KI beginnt?
Nein. Entscheidend ist, die Daten für den ersten Anwendungsfall vor dem Start zu klären. Die breitere Strategie wächst mit jedem weiteren Anwendungsfall.
Ist Datenqualität eine Aufgabe der IT?
Nur teilweise. Die IT setzt Integration und Zugriff um, die fachlichen Definitionen und die Verantwortung für die Qualität liegen in den Fachbereichen und müssen vom Management zugeordnet werden.
Welche Datenprobleme treten bei KI-Projekten am häufigsten auf?
Fehlende Konsistenz zwischen Systemen, doppelte und veraltete Datensätze, undokumentierte manuelle Überschreibungen und Wissen in unstrukturierten Dokumenten.
Weitere Beiträge zu Datenqualität, Kernsystemen und Datenarchitektur bündelt das Dossier Daten & Kernsysteme.
Wie belastbar die Grundlage für den nächsten KI-Anwendungsfall ist, zeigt sich oft an einer schlichten Frage: Wer im Institut kann heute für jedes benötigte Datenfeld sagen, wem es gehört? Wir freuen uns über ein erstes Gespräch zu diesem Thema.
Ein Thema, das gerade beschäftigt?
Gemeinsam einordnen, was daraus folgt.

Die wichtigsten Erkenntnisse
KI scheitert selten am Modell, oft an Daten
Vier Datenprobleme treten fast immer auf
Datenqualität ist Managementaufgabe, nicht IT
Die unbequeme Wahrheit hinter jeder KI-Initiative
Kein KI-Projekt scheitert in der Präsentation, es scheitert in der Datenlage. Diese Einsicht wird in Kickoff-Terminen selten ausgesprochen und zeigt sich oft erst Monate später als teures Missverständnis. Eine KI-Initiative ist nur so belastbar wie die Daten, auf denen sie rechnet; deshalb gehört vor das erste Modell die Klärung, welche Daten der Anwendungsfall braucht, wem sie gehören und ob ihre Qualität reicht.
Wie oft KI-Projekte in Finanzinstituten an Daten scheitern
Datenprobleme sind einer der häufigsten Gründe, warum KI-Projekte in der Finanzbranche nicht liefern. In der FS&I-Umfrage 2025 von Dun & Bradstreet unter mehr als 2.000 Führungskräften in fünf Ländern berichten in Deutschland 34 Prozent der Banken und Finanzunternehmen und 48 Prozent der Versicherer, bereits KI-Projekte erlebt zu haben, die an schlechter Datenqualität gescheitert sind. 43 Prozent der deutschen Befragten vertrauen ihren eigenen Daten nicht.

Die Studie „KI in Banken 2025“ von Cofinpro und VÖB-Service mit 317 befragten Fachleuten aus deutschen Finanzinstituten zeigt dasselbe Muster aus anderer Richtung: 53 Prozent aller Institute nennen qualitativ hochwertige Daten als wichtigsten Erfolgsfaktor für KI-Projekte. Unter den Instituten, die noch keine KI einsetzen, nennen 45 Prozent Datenprobleme als Hindernis.
Finanzinstitute verfügen über enorme Datenmengen, und das ist ein Vorteil. Aber Menge ist nicht Qualität, und verteilte Daten sind nicht verfügbare Daten.
Warum Silos KI-Anwendungen ausbremsen
Silos bremsen KI aus, weil die nötigen Daten in Systemen liegen, die nicht miteinander sprechen: Kernbanksystem oder Bestandsführung, CRM, Dokumentenmanagement, Risikomanagement, Reporting. Die Daten existieren, aber sie sind für einen Anwendungsfall nicht nutzbar, solange niemand sie zusammenführt.
Silos sind selten ein rein technisches Problem. Meist sind sie ein organisatorisches: Jeder Bereich besitzt seine Daten, definiert seine eigenen Felder und schützt seine Hoheit. Eine Datenstrategie, die nur die Technik adressiert und die Eigentumsfrage offenlässt, scheitert an genau diesem Besitzdenken. Wie sich Verantwortung für Daten sinnvoll in die Fachbereiche verteilen lässt, beschreibt der Beitrag zu Data Mesh in der Finanzwirtschaft.
Welche vier Datenprobleme fast immer auftreten
In fast jedem Institut zeigen sich dieselben vier Probleme, sobald ein konkreter KI-Anwendungsfall auf die Daten trifft.
Fehlende Konsistenz: Dasselbe Kundenmerkmal wird in verschiedenen Systemen unterschiedlich geführt, mal als Pflichtfeld, mal als Freitext, mal gar nicht. Ein Modell erkennt nicht, dass es sich um dieselbe Information handelt.
Historische Altlasten: Gewachsene Bestände enthalten überholte Einträge, doppelte Datensätze und Felder, deren ursprüngliche Bedeutung niemand mehr kennt. Wie schon eine Dublette Vertriebsmodelle verzerrt, zeigt der Beitrag zu Affinitätsmodellen und Datenqualität im Kernbanksystem.
Manuelle Überschreibungen: Mitarbeitende weichen aus guten Gründen vom Standard ab, dokumentieren das aber nicht strukturiert. Für den Menschen ist das nachvollziehbar, für ein Modell ist es Rauschen, das echte Muster verdeckt.
Unstrukturierte Dokumente: Ein großer Teil des Wissens steckt in Dateien, die für Menschen lesbar, für Maschinen aber zunächst nur Bildflächen sind. Sie müssen in auswertbare Form überführt werden, bevor ein System mit ihnen arbeiten kann.
Wie sehr der Nutzen einer Anwendung an diesen Punkten hängt, zeigt etwa die KI-Betrugserkennung in der Versicherung: Sie erkennt Muster nur so gut, wie Schaden-, Vertrags- und Kundendaten zusammenpassen.
Hinzu kommt ein neueres Risiko: Inhalte, die selbst von generativer KI erzeugt wurden und ungeprüft in Datenbestände zurückfließen. Welche Folgen das haben kann, beschreibt der Beitrag zur Datenintegrität im Zeitalter generativer KI.
Warum KI-Agenten höhere Anforderungen an Daten stellen
KI-Agenten stellen höhere Anforderungen, weil sie selbst handeln statt nur vorzuschlagen. Ein Assistent, der einem Menschen einen Vorschlag macht, verkraftet unscharfe Eingaben, weil der Mensch das Ergebnis prüft. Ein KI-Agent, der einen Vorgang anlegt, eine Akte zuordnet oder eine Antwort versendet, braucht maschinenlesbare, strukturierte und verlässliche Daten, weil die menschliche Zwischenkorrektur fehlt oder später kommt.
Auf einer unsauberen Datenbasis wird ein KI-Agent deshalb nicht zum autonomen Helfer, sondern zur zuverlässigen Fehlerquelle. Je weiter Automatisierung in die Kernprozesse vordringt, desto mehr verschiebt sich der Engpass von der Technik zur Datenqualität.
Was eine Datenstrategie konkret klären muss
Eine brauchbare Datenstrategie ist kein Konzept mit 200 Seiten, sondern beantwortet wenige harte Fragen. Welche Daten brauchen die priorisierten KI-Anwendungsfälle wirklich? Wo liegen sie, wer besitzt sie, und wer verantwortet ihre Qualität? Welche Mindestqualität ist nötig, damit der Anwendungsfall trägt, und wie wird sie laufend überwacht? Und welche Definitionen gelten verbindlich, damit dasselbe Feld in jedem System dasselbe bedeutet?
Verfügbarkeit und Qualität sind dabei sauber zu trennen. Verfügbarkeit bedeutet, dass die Daten technisch erreichbar und zusammengeführt sind; hier geht es um Integration und Zugriff. Qualität bedeutet, dass sie korrekt, vollständig und einheitlich erfasst sind; hier geht es um die Prozesse, die sie erzeugen. Wer beides vermischt, behandelt ein Symptom und wundert sich, dass das andere bleibt.
In welcher Reihenfolge Daten und KI zusammengehören
Daten und KI gehören verzahnt geplant, mit der Datenarbeit für den ersten Anwendungsfall vor dem ersten Modell. Der häufigste Fehler verläuft umgekehrt: Ein Institut kauft eine KI-Lösung, stellt nach Wochen fest, dass die Daten nicht passen, und saniert mitten im Projekt unter Zeitdruck, zum teuersten denkbaren Zeitpunkt.
Ebenso wenig trägt der Gegenentwurf, alle Daten des Instituts auf einmal in Ordnung zu bringen; ein solches Projekt wird nie fertig. Tragfähig ist der Weg dazwischen: die Datenarbeit an den priorisierten Anwendungsfällen ausrichten, sie für den ersten Fall abschließen und die saubere Basis mit jedem weiteren Fall erweitern.
Warum Datenqualität am Entstehungsort entsteht
Datenqualität entsteht dort, wo Daten erfasst werden, nicht in der nachträglichen Bereinigung. Ist die Erfassung im Beratungsgespräch, im Onboarding oder in der Sachbearbeitung sauber und einheitlich, braucht es später keine teuren Reinigungsprojekte. Ist sie es nicht, wird jede Bereinigung zur Daueraufgabe, weil ständig neue fehlerhafte Daten nachkommen.
Damit wird die Datenstrategie vom IT-Thema zum Prozessthema. Klare Pflichtfelder, eindeutige Definitionen und eine Erfassung, die Mitarbeitende nicht zu Umgehungen zwingt, wirken stärker als jedes nachgelagerte Bereinigungsprojekt.
Warum Datenverantwortung beim Management liegt
Datenverantwortung liegt beim Management, weil die IT fachliche Definitionen nicht setzen kann und Fachbereiche sich ohne Mandat nicht zuständig fühlen. Die Frage, wem ein Datenfeld gehört und wer für seine Qualität einsteht, ist eine organisatorische Entscheidung. Ohne diese Zuordnung verschwindet die Verantwortung im Niemandsland zwischen Fachbereich und IT, und jede KI-Initiative bleibt eine Wette auf eine Grundlage, die niemand pflegt.
Für das Management heißt das: Datenverantwortliche in den Fachbereichen benennen, Qualitätsziele für die wichtigsten Datenfelder festlegen und deren Einhaltung so regelmäßig betrachten wie andere Steuerungsgrößen. Wie eng Datenqualität und Prozessgestaltung zusammenhängen, beschreibt auch der Beitrag Prozessautomatisierung in der Finanzbranche: Warum es kein Effizienzthema ist.

Womit das Management beginnen sollte
Einen priorisierten Anwendungsfall wählen und genau die Datenfelder auflisten, die er braucht.
Für jedes Feld klären, wo es liegt, wer es verantwortet und ob seine Qualität ausreicht, bevor Budget in Technik fließt.
Datenverantwortliche in den Fachbereichen benennen und mit einem klaren Mandat ausstatten.
Die Erfassung am Entstehungsort verbessern: Pflichtfelder, Definitionen und Plausibilitätsprüfungen statt nachträglicher Bereinigung.
Häufige Fragen
Braucht ein Institut eine vollständige Datenstrategie, bevor es mit KI beginnt?
Nein. Entscheidend ist, die Daten für den ersten Anwendungsfall vor dem Start zu klären. Die breitere Strategie wächst mit jedem weiteren Anwendungsfall.
Ist Datenqualität eine Aufgabe der IT?
Nur teilweise. Die IT setzt Integration und Zugriff um, die fachlichen Definitionen und die Verantwortung für die Qualität liegen in den Fachbereichen und müssen vom Management zugeordnet werden.
Welche Datenprobleme treten bei KI-Projekten am häufigsten auf?
Fehlende Konsistenz zwischen Systemen, doppelte und veraltete Datensätze, undokumentierte manuelle Überschreibungen und Wissen in unstrukturierten Dokumenten.
Weitere Beiträge zu Datenqualität, Kernsystemen und Datenarchitektur bündelt das Dossier Daten & Kernsysteme.
Wie belastbar die Grundlage für den nächsten KI-Anwendungsfall ist, zeigt sich oft an einer schlichten Frage: Wer im Institut kann heute für jedes benötigte Datenfeld sagen, wem es gehört? Wir freuen uns über ein erstes Gespräch zu diesem Thema.
Ein Thema, das gerade beschäftigt?
Gemeinsam einordnen, was daraus folgt.

Die wichtigsten Erkenntnisse
KI scheitert selten am Modell, oft an Daten
Vier Datenprobleme treten fast immer auf
Datenqualität ist Managementaufgabe, nicht IT
Die unbequeme Wahrheit hinter jeder KI-Initiative
Kein KI-Projekt scheitert in der Präsentation, es scheitert in der Datenlage. Diese Einsicht wird in Kickoff-Terminen selten ausgesprochen und zeigt sich oft erst Monate später als teures Missverständnis. Eine KI-Initiative ist nur so belastbar wie die Daten, auf denen sie rechnet; deshalb gehört vor das erste Modell die Klärung, welche Daten der Anwendungsfall braucht, wem sie gehören und ob ihre Qualität reicht.
Wie oft KI-Projekte in Finanzinstituten an Daten scheitern
Datenprobleme sind einer der häufigsten Gründe, warum KI-Projekte in der Finanzbranche nicht liefern. In der FS&I-Umfrage 2025 von Dun & Bradstreet unter mehr als 2.000 Führungskräften in fünf Ländern berichten in Deutschland 34 Prozent der Banken und Finanzunternehmen und 48 Prozent der Versicherer, bereits KI-Projekte erlebt zu haben, die an schlechter Datenqualität gescheitert sind. 43 Prozent der deutschen Befragten vertrauen ihren eigenen Daten nicht.

Die Studie „KI in Banken 2025“ von Cofinpro und VÖB-Service mit 317 befragten Fachleuten aus deutschen Finanzinstituten zeigt dasselbe Muster aus anderer Richtung: 53 Prozent aller Institute nennen qualitativ hochwertige Daten als wichtigsten Erfolgsfaktor für KI-Projekte. Unter den Instituten, die noch keine KI einsetzen, nennen 45 Prozent Datenprobleme als Hindernis.
Finanzinstitute verfügen über enorme Datenmengen, und das ist ein Vorteil. Aber Menge ist nicht Qualität, und verteilte Daten sind nicht verfügbare Daten.
Warum Silos KI-Anwendungen ausbremsen
Silos bremsen KI aus, weil die nötigen Daten in Systemen liegen, die nicht miteinander sprechen: Kernbanksystem oder Bestandsführung, CRM, Dokumentenmanagement, Risikomanagement, Reporting. Die Daten existieren, aber sie sind für einen Anwendungsfall nicht nutzbar, solange niemand sie zusammenführt.
Silos sind selten ein rein technisches Problem. Meist sind sie ein organisatorisches: Jeder Bereich besitzt seine Daten, definiert seine eigenen Felder und schützt seine Hoheit. Eine Datenstrategie, die nur die Technik adressiert und die Eigentumsfrage offenlässt, scheitert an genau diesem Besitzdenken. Wie sich Verantwortung für Daten sinnvoll in die Fachbereiche verteilen lässt, beschreibt der Beitrag zu Data Mesh in der Finanzwirtschaft.
Welche vier Datenprobleme fast immer auftreten
In fast jedem Institut zeigen sich dieselben vier Probleme, sobald ein konkreter KI-Anwendungsfall auf die Daten trifft.
Fehlende Konsistenz: Dasselbe Kundenmerkmal wird in verschiedenen Systemen unterschiedlich geführt, mal als Pflichtfeld, mal als Freitext, mal gar nicht. Ein Modell erkennt nicht, dass es sich um dieselbe Information handelt.
Historische Altlasten: Gewachsene Bestände enthalten überholte Einträge, doppelte Datensätze und Felder, deren ursprüngliche Bedeutung niemand mehr kennt. Wie schon eine Dublette Vertriebsmodelle verzerrt, zeigt der Beitrag zu Affinitätsmodellen und Datenqualität im Kernbanksystem.
Manuelle Überschreibungen: Mitarbeitende weichen aus guten Gründen vom Standard ab, dokumentieren das aber nicht strukturiert. Für den Menschen ist das nachvollziehbar, für ein Modell ist es Rauschen, das echte Muster verdeckt.
Unstrukturierte Dokumente: Ein großer Teil des Wissens steckt in Dateien, die für Menschen lesbar, für Maschinen aber zunächst nur Bildflächen sind. Sie müssen in auswertbare Form überführt werden, bevor ein System mit ihnen arbeiten kann.
Wie sehr der Nutzen einer Anwendung an diesen Punkten hängt, zeigt etwa die KI-Betrugserkennung in der Versicherung: Sie erkennt Muster nur so gut, wie Schaden-, Vertrags- und Kundendaten zusammenpassen.
Hinzu kommt ein neueres Risiko: Inhalte, die selbst von generativer KI erzeugt wurden und ungeprüft in Datenbestände zurückfließen. Welche Folgen das haben kann, beschreibt der Beitrag zur Datenintegrität im Zeitalter generativer KI.
Warum KI-Agenten höhere Anforderungen an Daten stellen
KI-Agenten stellen höhere Anforderungen, weil sie selbst handeln statt nur vorzuschlagen. Ein Assistent, der einem Menschen einen Vorschlag macht, verkraftet unscharfe Eingaben, weil der Mensch das Ergebnis prüft. Ein KI-Agent, der einen Vorgang anlegt, eine Akte zuordnet oder eine Antwort versendet, braucht maschinenlesbare, strukturierte und verlässliche Daten, weil die menschliche Zwischenkorrektur fehlt oder später kommt.
Auf einer unsauberen Datenbasis wird ein KI-Agent deshalb nicht zum autonomen Helfer, sondern zur zuverlässigen Fehlerquelle. Je weiter Automatisierung in die Kernprozesse vordringt, desto mehr verschiebt sich der Engpass von der Technik zur Datenqualität.
Was eine Datenstrategie konkret klären muss
Eine brauchbare Datenstrategie ist kein Konzept mit 200 Seiten, sondern beantwortet wenige harte Fragen. Welche Daten brauchen die priorisierten KI-Anwendungsfälle wirklich? Wo liegen sie, wer besitzt sie, und wer verantwortet ihre Qualität? Welche Mindestqualität ist nötig, damit der Anwendungsfall trägt, und wie wird sie laufend überwacht? Und welche Definitionen gelten verbindlich, damit dasselbe Feld in jedem System dasselbe bedeutet?
Verfügbarkeit und Qualität sind dabei sauber zu trennen. Verfügbarkeit bedeutet, dass die Daten technisch erreichbar und zusammengeführt sind; hier geht es um Integration und Zugriff. Qualität bedeutet, dass sie korrekt, vollständig und einheitlich erfasst sind; hier geht es um die Prozesse, die sie erzeugen. Wer beides vermischt, behandelt ein Symptom und wundert sich, dass das andere bleibt.
In welcher Reihenfolge Daten und KI zusammengehören
Daten und KI gehören verzahnt geplant, mit der Datenarbeit für den ersten Anwendungsfall vor dem ersten Modell. Der häufigste Fehler verläuft umgekehrt: Ein Institut kauft eine KI-Lösung, stellt nach Wochen fest, dass die Daten nicht passen, und saniert mitten im Projekt unter Zeitdruck, zum teuersten denkbaren Zeitpunkt.
Ebenso wenig trägt der Gegenentwurf, alle Daten des Instituts auf einmal in Ordnung zu bringen; ein solches Projekt wird nie fertig. Tragfähig ist der Weg dazwischen: die Datenarbeit an den priorisierten Anwendungsfällen ausrichten, sie für den ersten Fall abschließen und die saubere Basis mit jedem weiteren Fall erweitern.
Warum Datenqualität am Entstehungsort entsteht
Datenqualität entsteht dort, wo Daten erfasst werden, nicht in der nachträglichen Bereinigung. Ist die Erfassung im Beratungsgespräch, im Onboarding oder in der Sachbearbeitung sauber und einheitlich, braucht es später keine teuren Reinigungsprojekte. Ist sie es nicht, wird jede Bereinigung zur Daueraufgabe, weil ständig neue fehlerhafte Daten nachkommen.
Damit wird die Datenstrategie vom IT-Thema zum Prozessthema. Klare Pflichtfelder, eindeutige Definitionen und eine Erfassung, die Mitarbeitende nicht zu Umgehungen zwingt, wirken stärker als jedes nachgelagerte Bereinigungsprojekt.
Warum Datenverantwortung beim Management liegt
Datenverantwortung liegt beim Management, weil die IT fachliche Definitionen nicht setzen kann und Fachbereiche sich ohne Mandat nicht zuständig fühlen. Die Frage, wem ein Datenfeld gehört und wer für seine Qualität einsteht, ist eine organisatorische Entscheidung. Ohne diese Zuordnung verschwindet die Verantwortung im Niemandsland zwischen Fachbereich und IT, und jede KI-Initiative bleibt eine Wette auf eine Grundlage, die niemand pflegt.
Für das Management heißt das: Datenverantwortliche in den Fachbereichen benennen, Qualitätsziele für die wichtigsten Datenfelder festlegen und deren Einhaltung so regelmäßig betrachten wie andere Steuerungsgrößen. Wie eng Datenqualität und Prozessgestaltung zusammenhängen, beschreibt auch der Beitrag Prozessautomatisierung in der Finanzbranche: Warum es kein Effizienzthema ist.

Womit das Management beginnen sollte
Einen priorisierten Anwendungsfall wählen und genau die Datenfelder auflisten, die er braucht.
Für jedes Feld klären, wo es liegt, wer es verantwortet und ob seine Qualität ausreicht, bevor Budget in Technik fließt.
Datenverantwortliche in den Fachbereichen benennen und mit einem klaren Mandat ausstatten.
Die Erfassung am Entstehungsort verbessern: Pflichtfelder, Definitionen und Plausibilitätsprüfungen statt nachträglicher Bereinigung.
Häufige Fragen
Braucht ein Institut eine vollständige Datenstrategie, bevor es mit KI beginnt?
Nein. Entscheidend ist, die Daten für den ersten Anwendungsfall vor dem Start zu klären. Die breitere Strategie wächst mit jedem weiteren Anwendungsfall.
Ist Datenqualität eine Aufgabe der IT?
Nur teilweise. Die IT setzt Integration und Zugriff um, die fachlichen Definitionen und die Verantwortung für die Qualität liegen in den Fachbereichen und müssen vom Management zugeordnet werden.
Welche Datenprobleme treten bei KI-Projekten am häufigsten auf?
Fehlende Konsistenz zwischen Systemen, doppelte und veraltete Datensätze, undokumentierte manuelle Überschreibungen und Wissen in unstrukturierten Dokumenten.
Weitere Beiträge zu Datenqualität, Kernsystemen und Datenarchitektur bündelt das Dossier Daten & Kernsysteme.
Wie belastbar die Grundlage für den nächsten KI-Anwendungsfall ist, zeigt sich oft an einer schlichten Frage: Wer im Institut kann heute für jedes benötigte Datenfeld sagen, wem es gehört? Wir freuen uns über ein erstes Gespräch zu diesem Thema.
Ein Thema, das gerade beschäftigt?
Gemeinsam einordnen, was daraus folgt.



