Müssen Stammdaten erst perfekt sein, bevor Unternehmen KI einsetzen können?
Andreas Müller und Stephan Gotthardt diskutieren, welche Daten Planungssysteme wirklich benötigen und wie KI-Agenten die Datenqualität im laufenden Betrieb verbessern können.
Viele Unternehmen kennen das Problem: Ein neues Planungssystem oder eine KI-Anwendung soll eingeführt werden, doch zuerst müssten angeblich die Stammdaten vollständig bereinigt werden. Aus dem geplanten Start wird so schnell ein langwieriges Vorprojekt.
Aber ist eine perfekte Datenbasis wirklich die Voraussetzung, um anfangen zu können? Oder können KI-Agenten dabei helfen, Stammdaten während des laufenden Betriebs zu überprüfen und schrittweise zu verbessern?
Darüber sprechen Andreas Müller, Gründer von Recall Space, und Stephan Gotthardt, der seit vielen Jahren Planungsprojekte in der Prozess- und Pharmaindustrie begleitet. Sie sind sich einig, dass Unternehmen nicht auf perfekte Daten warten sollten. Unterschiedliche Ansichten haben sie allerdings dazu, welche Informationen bereits zu Beginn verlässlich vorliegen müssen und wie schnell Unternehmen neue technologische Möglichkeiten tatsächlich nutzen können.
Perfekte Daten als Voraussetzung?
Andreas: In vielen Projekten hören wir den Satz: „Wir müssen erst unsere Stammdaten in Ordnung bringen, bevor wir das neue System einführen können.“ Das klingt zunächst vernünftig. In der Praxis kann es aber dazu führen, dass Unternehmen gar nicht anfangen. Die Datenbereinigung bekommt ein Startdatum, aber häufig kein klares Ende.
Ich glaube deshalb nicht, dass eine vollständig bereinigte Datenbasis immer ein eigenes Vorprojekt sein sollte. KI-Agenten können im operativen Prozess arbeiten und dabei kontinuierlich Daten überprüfen. Sie vergleichen zum Beispiel Auftragsbestätigungen, Preise, Liefertermine und Lieferanteninformationen mit den vorhandenen Daten. Jede erkannte Abweichung ist gleichzeitig ein Hinweis darauf, wo Informationen fehlen oder nicht mehr stimmen.
Bei Recall Space verfolgen wir mit Lisa AI genau diesen Ansatz. So können Stammdaten schrittweise als Nebenprodukt der täglichen Arbeit verbessert werden, statt in einem langwierigen Vorprojekt, das der eigentlichen Einführung vorausgehen muss.
Stephan: Ich stimme zu, dass Unternehmen nicht auf perfekte Stammdaten warten sollten. Trotzdem müssen wir zwei Aussagen voneinander trennen: „Wir können anfangen, obwohl die Daten noch nicht perfekt sind“ bedeutet nicht, dass verlässliche Daten grundsätzlich unwichtig werden.
Ein klassisches Planungssystem berechnet seine Ergebnisse auf Basis klar definierter Eingaben. Wenn beispielsweise eine Wiederbeschaffungszeit falsch hinterlegt ist, kann auch die daraus entstehende Planung nicht stimmen. Bestimmte Informationen müssen deshalb bereits zum Start in ausreichender Qualität vorhanden sein.
Planungssysteme und KI-Agenten benötigen unterschiedliche Voraussetzungen
Andreas: Genau darin liegt für mich der entscheidende Unterschied. Ein klassisches Planungssystem benötigt feste Eingabewerte. Ein KI-Agent kann dagegen auch mit unvollständigen Informationen umgehen. Er kann Zusammenhänge erkennen, Daten aus verschiedenen Quellen vergleichen, Unsicherheiten kennzeichnen und bei Bedarf Rückfragen oder eine Prüfung auslösen.
Dabei muss er nicht immer mit einem festen Einzelwert arbeiten. Statt „16 Tage Wiederbeschaffungszeit“ kann er beispielsweise mit einer Bandbreite umgehen: „meistens 21 Tage, in Ausnahmefällen deutlich länger“. Diese Einschätzung kann er mit jeder neuen Lieferung weiter präzisieren.
Das bedeutet nicht, dass der Agent einfach raten soll. Es bedeutet, dass ein Unternehmen nicht für jede Information von Anfang an einen vermeintlich perfekten Wert benötigt.
Nehmen wir die Wiederbeschaffungszeit eines Materials. Im System stehen vielleicht 15 Tage. Die zuständige Planerin weiß aber aus Erfahrung, dass dieser Lieferant meistens 20 Tage benötigt. Dieses Wissen befindet sich häufig nur im Kopf der Person oder in einer eigenen Excel-Tabelle. Ein KI-Agent kann entsprechende Abweichungen im laufenden Betrieb erkennen und sichtbar machen.
Stephan: Das ist tatsächlich schon heute Teil des Planeralltags. Menschen leiten aus früheren Bestellungen und ähnlichen Materialien ab, was wahrscheinlich passieren wird. KI erfindet dieses Vorgehen nicht neu. Sie kann es aber systematischer machen und dafür sorgen, dass relevantes Erfahrungswissen nicht nur bei einzelnen Personen bleibt.
Wichtig ist trotzdem, transparent mit Unsicherheit umzugehen. Aus historischen Daten lässt sich möglicherweise erkennen, dass eine Lieferung meistens nach 21 Tagen eintrifft. Das ist aber noch keine Garantie für die nächste Bestellung.
Historische Daten liefern eine Ausgangsbasis
Andreas: Viele Unternehmen verfügen bereits über große Mengen historischer Bewegungsdaten. Darin ist beispielsweise dokumentiert, wann etwas bestellt, bestätigt und tatsächlich geliefert wurde. Aus diesen Informationen lassen sich realistische Ausgangswerte ableiten.
Die Historie liefert dabei keine absolute Wahrheit, sondern die derzeit beste verfügbare Einschätzung. Der laufende Betrieb überprüft diese Einschätzung anschließend immer wieder. Wenn die tatsächlichen Lieferungen regelmäßig von den hinterlegten Werten abweichen, wird sichtbar, dass eine Korrektur oder genauere Untersuchung notwendig ist.
Stephan: Dabei dürfen wir die Qualität der historischen Daten nicht überschätzen. Wenn Wareneingänge beispielsweise nicht direkt, sondern gesammelt an bestimmten Wochentagen gebucht wurden, kann daraus eine falsche Wiederbeschaffungszeit entstehen. Eine statistisch berechnete Zahl sieht schnell zuverlässig aus, obwohl die zugrunde liegenden Buchungen das reale Geschehen nur ungenau abbilden.
Andreas: Genau deshalb sollten historische und aktuelle Daten immer zusammen betrachtet werden. Historische Daten liefern eine erste Annahme. Die aktuellen Vorgänge zeigen, ob sie sich bestätigt. Wenn beides deutlich voneinander abweicht, ist das kein Problem, das verborgen werden sollte. Es ist ein wertvoller Hinweis auf einen möglichen Fehler im Prozess oder in den Daten.
Wo Automatisierung klare Grenzen braucht
Stephan: Besonders in regulierten Branchen gibt es Daten, bei denen ein System keine eigenständigen Annahmen treffen oder Änderungen durchführen darf. Ein KI-Agent kann sich irren. Deshalb muss klar definiert sein, welche Informationen automatisiert bearbeitet werden dürfen und wo eine kontrollierte Freigabe notwendig ist.
Andreas: Diese Grenze ist wichtig. GMP steht für „Good Manufacturing Practice“ und bezeichnet verbindliche Anforderungen an die Qualität und Sicherheit von Herstellungsprozessen, insbesondere in der Pharmaindustrie. Daten, deren Änderung Auswirkungen auf Qualität, Produktion oder Compliance haben kann, müssen weiterhin kontrolliert geprüft und freigegeben werden.
Ein KI-Agent ersetzt diese Regeln nicht. Er kann jedoch Abweichungen erkennen, Informationen vorbereiten und eine Prüfung auslösen. Die Entscheidung bleibt dort beim verantwortlichen Menschen.
Gleichzeitig betreffen viele Planungsdaten nicht unmittelbar diesen regulierten Kern. Dazu können Wiederbeschaffungszeiten, Lieferkalender, Losgrößen oder beobachtete Verhaltensmuster von Lieferanten gehören. In diesen Bereichen können Unternehmen häufig schneller handeln.
Technische Machbarkeit reicht nicht aus
Stephan: Mein wichtigster Einwand ist deshalb auch kein rein technischer. Zwischen dem, was heute technisch möglich ist, und dem, was Unternehmen organisatorisch umsetzen können, besteht häufig noch eine große Lücke.
Über viele Jahre lautete die Botschaft: Für eine bessere Planung benötigen Unternehmen ein großes zentrales System und dafür müssen zuerst die Daten stimmen. Jetzt plötzlich zu sagen, dass KI viele dieser Probleme lösen kann, überfordert manche Organisationen. Unternehmen müssen nicht nur eine Technologie einführen. Sie müssen auch Vertrauen aufbauen, Verantwortlichkeiten klären und ihre Mitarbeitenden mitnehmen.
Andreas: Das ist ein berechtigter Punkt. Wer täglich mit KI-Systemen arbeitet, unterschätzt schnell, wie groß der Abstand zum Arbeitsalltag vieler Menschen noch ist. Gleichzeitig erlebe ich, dass die Fähigkeiten der Mitarbeitenden häufig unterschätzt werden. Planerinnen und Planer arbeiten analytisch, erkennen Muster und treffen bereits heute Entscheidungen auf Basis unvollständiger Informationen.
Oft fehlt ihnen weniger die Fähigkeit als der Zugang zu geeigneten Werkzeugen. Unternehmen müssen deshalb nicht nur in Technologie investieren, sondern auch in sichere Zugänge, verständliche Prozesse und die notwendigen Kompetenzen.
Grundbereinigung und kontinuierliche Verbesserung
Stephan: Für mich liegt die realistische Lösung zwischen den Extremen. Unternehmen sollten ihre Daten zu Beginn so weit bereinigen, dass sie arbeitsfähig sind. Dafür ist eine gezielte Grundbereinigung notwendig. Das Projekt sollte aber nicht so lange angehalten werden, bis wirklich jeder Datensatz perfekt ist.
Anschließend müssen die Daten im laufenden Betrieb kontinuierlich überprüft und verbessert werden. So wird Datenqualität nicht mehr als einmaliges Großprojekt behandelt, sondern als dauerhafter Bestandteil der täglichen Arbeit.
Andreas: Genau dabei können KI-Agenten einen großen Beitrag leisten. Sie können Daten aus historischen Bestellungen, aktuellen Vorgängen und vorhandenen Systemen miteinander vergleichen. Sie erkennen Abweichungen, schlagen Korrekturen vor und leiten notwendige Prüfungen ein.
Dadurch verschiebt sich auch die Rolle der Menschen. Sie müssen weniger Zeit mit manueller Datenpflege verbringen und können sich stärker auf die Bewertung von Ausnahmen und auf Entscheidungen konzentrieren.
Das gemeinsame Fazit
Am Ende stehen drei zentrale Erkenntnisse:
Erstens sollten Unternehmen nicht auf perfekte Stammdaten warten. Eine ausreichende Ausgangsqualität ist notwendig. Vollständige Perfektion ist jedoch kein realistischer Startpunkt.
Zweitens muss unterschieden werden, welche Daten ein Planungssystem bereits zu Beginn verlässlich benötigt, welche Informationen aus historischen Vorgängen abgeleitet werden können und welche Erkenntnisse erst im laufenden Betrieb entstehen.
Drittens müssen Technologie und Organisation gemeinsam betrachtet werden. Nicht alles, was technisch machbar ist, lässt sich sofort sinnvoll im Unternehmen umsetzen. Klare Verantwortlichkeiten, kontrollierte Freigaben und die Einbindung der Mitarbeitenden bleiben entscheidend.
Die wichtige Frage lautet deshalb nicht mehr: „Wann sind unsere Stammdaten endlich fertig?“ Sie lautet: „Wie schaffen wir eine verlässliche Ausgangsbasis und verbessern unsere Daten anschließend kontinuierlich im Betrieb?“
