Jedes zweite Gespraech ueber KI im Vertrieb beginnt mit dem Tool. Welches Modell, welche Plattform, welche Features. Aber das Tool ist nicht das Problem. Das Problem steht eine Etage tiefer: in den Daten, auf denen die KI arbeiten soll.
Ein KI-Agent, der Leads qualifiziert, ist nur so gut wie die Daten im CRM. Wenn die Haelfte der Leads keine Branche eingetragen hat, kann kein Algorithmus der Welt sinnvoll priorisieren. Wenn Opportunities seit Monaten in derselben Stage stehen, erzeugt jede Forecast-KI Muell. Und wenn drei Versionen desselben Accounts existieren, trifft der Agent Entscheidungen auf Basis von Zufallsdaten.
Datenqualitaet ist kein Nice-to-have, das man irgendwann mal angeht. Fuer Unternehmen, die KI produktiv einsetzen wollen, ist sie die erste Investition, nicht die letzte.
Was "schlechte Daten" im CRM konkret bedeutet
Schlechte Daten sind selten offensichtlich falsch. Meistens sind sie unvollstaendig, veraltet oder inkonsistent. Das faellt im Alltag nicht auf, weil Menschen kompensieren. Ein Vertriebler weiss, dass "Meier GmbH" und "Meier GmbH & Co. KG" derselbe Kunde sind. Er weiss, dass der Kontakt mit der alten Telefonnummer inzwischen eine neue hat. Er hat das im Kopf, nicht im System.
Dieses implizite Wissen existiert fuer einen KI-Agent nicht. Der Agent sieht zwei Accounts und behandelt sie als zwei verschiedene Kunden. Er sieht eine leere Branche und kann den Lead nicht einordnen. Er sieht eine Opportunity ohne naechsten Schritt und hat keine Grundlage fuer einen sinnvollen Vorschlag.
Die haeufigsten Probleme in mittelstaendischen CRM-Instanzen: Freitextfelder statt Picklists (jeder schreibt die Branche anders), fehlende Pflichtfelder an Prozessuebergaengen (Deals werden geschlossen ohne vollstaendige Daten), Duplikate bei Accounts und Kontakten, und veraltete Records, die seit ueber einem Jahr nicht angefasst wurden.
Warum Reporting-Qualitaet nicht reicht
Viele Teams sagen: "Unsere Reports stimmen, also sind die Daten gut genug." Das stimmt fuer Reports, weil Reports aggregieren. Wenn 85 Prozent der Accounts eine korrekte Branche haben, ist der Branchen-Report brauchbar.
Aber ein KI-Agent aggregiert nicht. Er arbeitet mit einzelnen Records. Wenn er den einen Account mit der falschen Branche erwischt, macht er fuer diesen Kunden den falschen Vorschlag. Die Fehlerquote pro Datenpunkt multipliziert sich mit jedem automatisierten Schritt. Bei einem Report ist ein falscher Wert ein Rundungsfehler. Bei einem Agent ist ein falscher Wert eine falsche Aktion.
Deshalb muss die Qualitaet hoeher sein als fuer reines Reporting. Nicht perfekt, aber belastbar fuer die Felder, die der Agent nutzt.
Vier Hebel, die sofort wirken
Der effektivste Ansatz ist nicht ein grosses Datenqualitaets-Projekt, sondern gezielte Massnahmen an den Stellen, die am meisten wehtun.
Strukturierte Eingaben statt Freitext. Ueberall dort, wo heute Freitext steht, aber eigentlich eine begrenzte Anzahl von Werten moeglich ist, gehoert eine Picklist hin. Branche, Lead-Quelle, Verlustgrund, Produktkategorie. Jede Picklist, die einen Freitextfeld ersetzt, verbessert die Datenqualitaet sofort und fuer alle zukuenftigen Eingaben.
Pflichtfelder an Prozessuebergaengen. Eine Opportunity sollte nicht auf "Closed Won" gesetzt werden koennen, wenn Amount, Produkt und primaerer Kontakt fehlen. Eine Validation Rule, die das erzwingt, kostet eine Stunde Konfiguration und verhindert dauerhaft unvollstaendige Abschluesse. Der Widerstand aus dem Vertrieb kommt, aber er legt sich, wenn die Daten danach tatsaechlich stimmen.
Duplikate sichtbar machen. Salesforce hat eingebaute Matching Rules und Duplicate Rules. Die meisten Instanzen haben sie nicht aktiviert. Anfangs reicht es, Duplikate zu warnen statt zu blockieren. Allein die Sichtbarkeit fuehrt dazu, dass weniger neue Duplikate entstehen.
Schreibrechte fuer Agents klar begrenzen. Wenn ein KI-Agent Felder aktualisieren kann, muss definiert sein, welche Felder das sind. Ein Agent mit uneingeschraenktem Schreibzugriff kann Revenue-Felder ueberschreiben, Stages aendern oder Kontakte falsch zuordnen. Ohne klaren Scope wird aus Automatisierung Kontrollverlust. Legt vor dem Go-live fest, welche Objekte und Felder der Agent lesen und welche er schreiben darf.
Was passiert, wenn ihr es nicht tut
Unternehmen, die KI auf unsaubere Daten loslassen, erleben typischerweise Folgendes: Die KI liefert Ergebnisse, die technisch korrekt aber inhaltlich falsch sind. Leads werden falsch priorisiert. Follow-ups gehen an die falschen Kontakte. Forecasts weichen systematisch ab. Das Team verliert das Vertrauen in die KI und schaltet sie ab.
Das frustrierende daran: Die KI hat funktioniert. Sie hat genau das getan, was sie sollte, auf Basis der Daten, die sie bekommen hat. Das Problem lag nie beim Modell. Es lag bei den Daten.
Datenqualitaet vor KI ist deshalb keine Vorsichtsmassnahme. Es ist die Entscheidung, ob undefined. Der Unterschied zwischen einem erfolgreichen und einem gescheiterten KI-Projekt liegt fast nie in der Technik. Er liegt in den Daten, die schon da waren, bevor die KI kam.