Ein Marktforschungsunternehmen mit über 40 Jahren Branchenerfahrung — die Art, die Studien für Pepsi, Coca-Cola und globale Konsumgütermarken durchführte — kam zu uns, ohne zu wissen, welche Daten es besaß. Nicht im vagen, philosophischen Sinne. Buchstäblich: Niemand in der Organisation konnte mit Sicherheit sagen, was vorhanden war, wo es lag oder ob es nutzbar war. Jahrzehnte an Panel-Daten, Kundenprojekten, Forschungsmethoden und proprietären Erkenntnissen waren über Formulare, Datenbanken, Google Docs, Excel-Dateien, Dokumente und E-Mail-Threads verstreut. Technisch gesehen alles „vorhanden." Aber auf keine sinnvolle Weise zugänglich.
Als wir die Daten strukturierten, deduplizierten und bereinigten, veränderte sich etwas. Das Unternehmen sah sein eigenes Asset zum ersten Mal. Vier Jahrzehnte angesammelter Erkenntnisse — jetzt sichtbar, verknüpft, abfragbar. Das veränderte, wie sie ihre Dienstleistungen bepreisten. Es veränderte, wie sie zukünftige Projekte anlegten. Und es öffnete die Tür zu Workflows und Automatisierungen, die auf der fragmentierten Datenbasis schlicht unmöglich gewesen wären. Die KI kam später. Das Fundament kam zuerst.
Das ist keine Ausnahme
Dieses Unternehmen ist kein Einzelfall. Die meisten etablierten Organisationen befinden sich in exakt derselben Lage — sie sitzen auf Daten, die sie nicht sehen, nicht nutzen und nicht vollständig verstehen. Der Unterschied: Bei einem Marktforschungsunternehmen, das buchstäblich Insight als Produkt verkauft, ist die Ironie besonders kostspielig.
Die Ansammlung passiert still. Ein neues Team nutzt ein anderes Tool. Ein Altsystem wird nie migriert. Jemand baut einen Workaround in einer Tabellenkalkulation, der zur tragenden Infrastruktur wird. Ein Jahrzehnt später existieren die Daten an einem Dutzend Stellen, in verschiedenen Formaten, mit unterschiedlichen Benennungskonventionen, mit Duplikaten, für deren Bereinigung niemand Zeit hat. Jede Organisation, die seit mehr als ein paar Jahren operiert, hat irgendeine Version davon.
Der MuleSoft/Salesforce Connectivity Benchmark Report (2025), der auf Antworten von 1.050 Enterprise-IT-Führungskräften basiert, ergab, dass Unternehmen heute im Durchschnitt 897 Anwendungen nutzen — und nur 29 % davon sind typischerweise miteinander verbunden. Neunzig Prozent der Befragten sagten, Datensilos verursachen echte geschäftliche Herausforderungen.
Die Kosten sind nicht abstrakt
Verstreute, schlechte Daten sind keine technische Unannehmlichkeit. Sie haben einen Preis. Gartner beziffert die Kosten schlechter Datenqualität auf 12,9 Millionen US-Dollar pro Jahr für ein durchschnittliches Großunternehmen. Auf die gesamte US-Wirtschaft hochgerechnet, schätzt eine Analyse von Doubletrack den jährlichen Verlust auf 617 Milliarden US-Dollar — also etwa 4.912 US-Dollar pro Mitarbeiter und Jahr.
„Saubere, verknüpfte Daten liefern echte Erkenntnisse. Das fragmentierte, duplizierte Chaos, das die meisten Unternehmen tatsächlich haben, produziert selbstsicher klingendes Nonsens in Maschinengeschwindigkeit." — Doubletrack-Forschung zu den versteckten Kosten schlechter Daten
Dieser letzte Satz ist heute wichtiger als noch vor zwei Jahren. KI behebt keine schlechten Daten. Sie verstärkt sie. Die Reltio-Umfrage ergab, dass nur 21 % der Befragten sagten, ihre KI-Initiativen lieferten aussagekräftige Ergebnisse — und die am häufigsten genannten Hauptgründe waren schlechte Datenqualität, mangelndes Vertrauen in die Ergebnisse und schlechte Systemintegration. IDC-Forschung bringt es auf den Punkt: 89 % der Unternehmen räumen ein bestimmtes Maß an Datenqualitätsproblemen ein, und 52 % sagen, Datenqualität ist der wichtigste Einzelfaktor für den Erfolg von KI-Projekten.
Die Unternehmen, die KI erfolgreich in den Betrieb bringen, sind nicht zwingend jene mit den besseren Modellen. Es sind jene, die zuerst die unspektakuläre Grundlagenarbeit erledigt haben.
Beginnen Sie mit einer ehrlichen Bestandsaufnahme
Vor jedem Gespräch über KI-Tools, Agenten oder Automatisierung steht eine vorgelagerte Frage: Wissen Sie, welche Daten Sie haben? Nicht im Prinzip. Konkret. Wo liegen sie? In welchem Format? Wie alt sind sie? Sind sie dupliziert? Sind sie mit irgendetwas anderem verknüpft? Kann ein System sie tatsächlich lesen?
Beim Marktforschungsunternehmen erforderte die Beantwortung dieser Fragen das Durcharbeiten jahrelang angesammelter Dateien und Systeme — kein glamouröser Prozess, aber ein notwendiger. Was am Ende herauskam, war die Übersicht über ein Asset, das sie 40 Jahre lang aufgebaut, aber nie vollständig als Ganzes gesehen hatten.
Das Audit ist keine technische Übung. Es ist eine Übung zur geschäftlichen Klarheit. Was haben Sie? Was ist es wert? Welche Entscheidungen könnten Sie damit treffen, wenn es sauber und zugänglich wäre? Das sind Strategiefragen, keine IT-Fragen. Und die meisten Organisationen haben sie sich noch nie formal gestellt.
Was möglich wird, wenn das Fundament sauber ist
Sobald die Daten des Marktforschungsunternehmens strukturiert und verknüpft waren, wurden die nachgelagerten Effekte greifbar. Sie konnten Projekte auf Basis des tatsächlichen historischen Umfangs und Aufwands bepreisen — nicht auf Basis grober Schätzungen. Sie konnten Methodikmuster über Jahrzehnte hinweg erkennen. Sie konnten identifizieren, welche Kundensegmente das meiste Wiederholungsgeschäft generiert hatten. Und sie konnten Automatisierungen aufbauen, die aus einer einzigen, zuverlässigen Quelle schöpften, anstatt fünf inkonsistente zusammenzustückeln.
Die KI-Schicht kam nach all dem. Sie funktionierte, weil das Fundament funktionierte. Diese Reihenfolge ist nicht optional.
Datenkonsolidierung ist die Voraussetzung, kein Nachgedanke. IDC-Forschung ergab, dass nur 6 % der CIOs sagen, sie hätten alle Dateninitiativen abgeschlossen und seien für den Einsatz fortgeschrittener KI bereit. Die Lücke zwischen Ambitionen und Bereitschaft ist in fast jedem Fall eine Datenlücke — keine Modelllücke.
Sobald Ihre Daten sauber, verknüpft und nachvollziehbar sind, erweitern sich die Möglichkeiten schnell: Workflow-Automatisierungen, die zuverlässig laufen; KI-Agenten, denen man vertrauen kann; Berichte, die die Realität abbilden; Preismodelle auf Basis von Belegen; und Kundengespräche, hinter denen Fakten stehen, die Sie in unter einer Minute finden.
Die Frage, die Sie diese Woche beantworten müssen
Hier ist die Frage, die wir jedem Team zu Beginn einer Zusammenarbeit stellen: Wenn jemand Sie jetzt bitten würde, alle Daten, die Ihr Unternehmen in den letzten drei Jahren produziert hat, zusammenzutragen und nutzbar zu machen — wie lange würde das dauern? Wenn die Antwort „Wochen" lautet oder „Das müssten wir erst herausfinden", haben Sie Ihre Antwort. Das Datenproblem ist real, und es kostet Sie bereits jetzt.
Das Marktforschungsunternehmen hatte kein Technologieproblem. Es hatte ein Sichtbarkeitsproblem. Die Lösung war keine neue Plattform und kein neues Modell — es war ein strukturiertes Audit dessen, was es bereits besaß, gefolgt von der Arbeit, es kohärent zu machen.
Wenn Sie nicht sicher sind, welche Daten Sie haben, wo sie liegen oder ob sie nutzbar sind, ist diese Unsicherheit gerade die teuerste Sache in Ihrem Unternehmen. Beginnen Sie mit dem Audit. Alles andere baut darauf auf.
Wir führen diese Art von Bestandsaufnahme im Rahmen unseres AI Strategy & Audit durch — ein strukturierter Prozess, um herauszufinden, was Sie tatsächlich haben und was Sie damit tun. Wenn Sie Ihre Situation zuerst besprechen möchten, buchen Sie ein Discovery-Gespräch.