Der Agent ist nicht Ihr Problem. Fast zwei Drittel der Unternehmen haben mit KI-Agenten experimentiert, aber weniger als 10 % haben sie so skaliert, dass sie greifbaren Mehrwert liefern — das zeigt McKinsey. Das Versagen liegt fast nie am Modell. Es liegt an den Daten darunter — und die unbequeme Wahrheit ist: Agentische KI macht Datenqualität noch kritischer, nicht weniger.
Kein Mensch im Loop bedeutet: Niemand bemerkt den Fehler
Traditionelle Software trifft schlechte Entscheidungen einzeln. Eine fehlerhafte Formel in einer Tabellenkalkulation produziert eine falsche Zahl; irgendwann fällt es jemandem auf. Ein KI-Agent, der autonom arbeitet, kann eine fehlerhafte Annahme Tausende Male umsetzen, bevor irgendjemand Alarm schlägt.
Enterprise Strategy Group bringt es auf den Punkt: KI unterscheidet nicht zwischen guten und schlechten Daten — sie kennt nur Daten, und was auch immer das Modell speist, wird zum Modell. Mit weniger Menschen im Loop werden Fehler verstärkt statt abgefangen. Ein einzelner veralteter Kontakt, ein doppelter Account-Datensatz, ein fehlendes Branchenfeld — das sind keine kleinen Ärgernisse mehr. Das sind Eingaben, auf deren Basis der Agent in Maschinengeschwindigkeit bewertet, weiterleitet, kontaktiert und priorisiert.
McKinsey beschreibt die Multi-Agenten-Variante dieses Problems als besonders gefährlich: Einzelne Agenten treffen inkonsistente Entscheidungen auf Basis fragmentierter Daten, und Multi-Agenten-Systeme verbreiten diese Fehler durch den gesamten Workflow. Der Verfall setzt sich schneller nach unten fort, als irgendein Team ihn prüfen kann.
Wo der Verfall in einem typischen KMU- oder Mid-Market-CRM tatsächlich sitzt
Die meisten Teams wissen, dass ihre Daten unvollkommen sind. Die wenigsten wissen, wie unvollkommen. B2B-Kontaktdaten verfallen laut Salesgenie um etwa 2,1 % pro Monat — das bedeutet, 22 bis 30 % Ihrer CRM-Kontaktdatensätze sind innerhalb eines Jahres ohne aktive Datenpflege erheblich ungenau. Das ist kein Randfall. Das ist Ihr gesamter Top-of-Funnel.
15 Millionen Dollar pro Jahr: Gartner schätzt, dass mangelhafte Datenqualität Unternehmen im Durchschnitt 15 Millionen Dollar jährlich kostet. CRM-Datenqualitätsprobleme gehören zu den Quellen mit dem höchsten Schadenspotenzial.
Es gibt vier konkrete Fehlerquellen, die Sie auditieren sollten. Duplikate splitten Signale und zerstören den Beziehungskontext — Ihr Agent glaubt, mit zwei Interessenten zu sprechen, obwohl es einer ist. Unvollständige Felder legen Scoring-Modelle lahm; ein Agent, der Accounts nach Branche oder Mitarbeiterzahl priorisieren soll, kann das schlicht nicht, wenn die Hälfte der Datensätze leer ist. Veraltete Datensätze erzeugen falsches Pipeline-Vertrauen — ein Kontakt, der das Unternehmen vor 14 Monaten verlassen hat, erscheint in Ihrer Sequenz noch als „aktiv". Und Anreicherungsdrift ist der stillste Killer: ein Datensatz, der bei seiner Erstellung korrekt war und heute falsch ist, weil ihn niemand aktualisiert hat.
Validity beziffert in der 2025-Studie, was das allein an menschlicher Arbeitszeit kostet: Vertriebsmitarbeiter verschwenden 27 % ihrer Zeit mit fehlerhaften Daten — das entspricht rund 32.000 Dollar pro Mitarbeiter und Jahr an verlorener Produktivität. Und das, bevor die Kosten eines KI-Agenten hinzukommen, der auf denselben schlechten Daten mit Überzeugung handelt.
Der Satz, der jedem RevOps-Verantwortlichen bei der Bewertung eines Agenten-Deployments im Gedächtnis bleiben sollte: „Selbstsicher falsch zu liegen ist schlimmer als eingestandene Unsicherheit — denn Mitarbeiter handeln danach." Ein Agent drückt nie Unsicherheit aus. Er handelt einfach.
Periodische Bereinigung funktioniert nicht mehr
Das Modell der quartalsweisen Datenbereinigung ist strukturell kaputt. Daten verschlechtern sich kontinuierlich — 2,1 % pro Monat machen keine Pause zwischen Q1 und Q2. Deloitte und Databricks beschreiben traditionelles Datenqualitätsmanagement als reaktiv und ressourcenintensiv, unfähig, mit dem Umfang moderner Unternehmensdatenumgebungen Schritt zu halten. Datenhygiene als Projekt zu behandeln, das man vier Mal im Jahr durchführt, ist dasselbe, wie den Boden aufzuwischen, während das Rohr noch leckt.
Die sechs Säulen, die Deloitte für effektive Datenqualität identifiziert — Genauigkeit, Vollständigkeit, Konsistenz, Aktualität, Eindeutigkeit und Gültigkeit — sind keine einmalige Audit-Checkliste. Es sind fortlaufende Bedingungen. Ohne kontinuierliche Stewardship über alle sechs hinweg werden Analyseergebnisse unzuverlässig, Entscheidungen verzögern sich, und operationelle Risiken häufen sich an. Für einen KI-Agenten ist dieses Risiko nicht theoretisch.
Der notwendige Wandel führt vom periodischen Feuerlöschen zur kontinuierlichen Überwachung. Das bedeutet kein größeres Datenteam. Es bedeutet, KI einzusetzen, um Daten zu bereinigen, bevor Sie KI einsetzen, um auf ihnen zu handeln. Automatisierte Deduplizierung, Anreicherungs-Refresh-Trigger, Vollständigkeits-Scoring und Echtzeit-Validierung am Eingabepunkt sind heute Voraussetzungen, keine Extras. McKinseys empfohlene Reihenfolge für Teams, die agentische KI skalieren, macht das explizit: Modernisieren Sie die Datenarchitektur und stellen Sie kontinuierliche Echtzeit-Datenqualität sicher, bevor Sie das Governance-Modell für die Agenten-Ebene aufbauen.
Beginnen Sie mit den Daten, die Ihre wichtigsten Entscheidungen antreiben
Sie müssen nicht alles auf einmal lösen. Der praktische Einstiegspunkt: Identifizieren Sie die konkreten Workflows, die Sie agentifizieren möchten — Outreach-Sequenzierung, Lead-Scoring, Renewal-Forecasting, was auch immer auf der Roadmap steht — und auditieren Sie nur die Daten, von denen diese Workflows abhängen. Bereinigen Sie diesen Ausschnitt zuerst. Deployen Sie den Agenten auf sauberem Fundament. Erweitern Sie von dort aus.
92 % der Unternehmen planen laut Enterprise Strategy Group, ihre KI-Ausgaben in den nächsten drei Jahren zu steigern. Zugang zu qualitativ hochwertigen Daten ist bereits ihre größte Implementierungsherausforderung. Die Teams, die die Nase vorn haben werden, sind nicht die, die den besten Agenten gekauft haben. Es werden die sein, die dafür gesorgt haben, dass der Agent mit verlässlichen Informationen arbeiten kann.
Bevor Sie irgendetwas Autonomes deployen, führen Sie dieses Audit durch:
- Duplikatquote: Ziehen Sie Ihr CRM und zählen Sie, wie viele Accounts oder Kontakte mehrfach erscheinen. Alles über 5 % ist ein Modellvergiftungsproblem.
- Feldvollständigkeit bei Scoring-Feldern: Prüfen Sie die Füllrate der 5–8 Felder, von denen Ihre Scoring- oder Routing-Logik abhängt. Liegt die Füllrate unter 80 %, rät Ihr Agent.
- Aktualität der Datensätze: Markieren Sie jeden Kontakt- oder Account-Datensatz, der seit 12 Monaten nicht aktualisiert wurde. Das ist Ihr veralteter Stapel. Entscheiden Sie: anreichern, archivieren oder löschen — bevor der Agent für Sie entscheidet.
- Anreicherungsquelle und Aktualisierungsintervall: Wissen Sie, woher Ihre Daten stammen und wann sie zuletzt verifiziert wurden. Ein Datensatz, der vor 18 Monaten angereichert wurde und keinen Refresh-Trigger hat, ist nicht angereichert — er ist alt.
- Validierung am Eingabepunkt: Prüfen Sie, ob Ihre Formulare, Integrationen und manuellen Eingabepunkte überhaupt eine Validierung erzwingen. Wenn schlechte Daten reibungslos hereinkommen können, werden sie es tun.
Führen Sie das Audit diese Woche durch. Der Agent kann warten.