Das stille Milliardenproblem: Was schlechte Daten wirklich kosten
Es gibt ein Problem in vielen mittelständischen Finanzabteilungen, über das selten offen gesprochen wird: Die Datenbasis ist ein Flickenteppich. Auf der einen Seite steht das ERP-System mit seinen offiziellen Buchungsdaten. Auf der anderen Seite existieren dutzende Excel-Tabellen – gepflegt von einzelnen Mitarbeiterinnen und Mitarbeitern, lokal gespeichert, mit eigenen Konventionen, eigenen Formellogiken und ohne systematische Versionierung.
Ein typisches Bild aus dem deutschen Mittelstand: Ein Automobilzulieferer mit 350 Mitarbeitern betreibt seine Liquiditätsplanung über 20 verschiedene Excel-Dateien. Die Buchhaltung pflegt eine eigene Version der Kostenstellen. Der Controlling-Leiter hat ein separates Tool für die Konsolidierung. Und wenn am Monatsende der CFO einen Bericht braucht, verbringen zwei Mitarbeiter zwei Tage damit, Zahlen abzugleichen – um am Ende immer noch nicht sicher zu sein, welche Version stimmt.
Das ist kein Einzelfall. Laut einer Fivetran-Studie aus 2025 geben 42 % der Unternehmen an, dass mehr als die Hälfte ihrer KI-Projekte aufgrund von Problemen mit der Datenbereitstellung verzögert wurden oder komplett gescheitert sind. Weitere 29 % nennen Datensilos explizit als Hindernis für KI-Erfolg. Und laut Gartner kostet schlechte Datenqualität Unternehmen im Schnitt 15 Millionen US-Dollar jährlich – wobei KMUs relativ gesehen sogar stärker betroffen sind als Konzerne, weil ihnen die spezialisierten Ressourcen für systematische Datenbereinigung fehlen.
Noch konkreter wird es, wenn man auf die direkten Folgekosten schaut: Analysen von datamastr.com zeigen, dass in typischen Unternehmensanwendungen zwischen 15 und 40 % der Datenpunkte zwischen CRM, ERP und analytischen Systemen voneinander abweichen. Drei bis fünf Vollzeitstellen sind in mittleren Unternehmen häufig allein für die systemübergreifende Datenabstimmung gebunden – Arbeit, die keinen strategischen Mehrwert schafft, sondern lediglich die Folgen einer schlechten Datenarchitektur verwaltet.
Was diese Zahlen in der Praxis bedeuten: Jede Stunde, die dein Team mit manuellen Datenabgleichen verbringt, ist keine Stunde, die für strategische Analyse genutzt werden kann. Und jede Entscheidung, die auf Basis inkonsistenter Daten getroffen wird, trägt ein schwer kalkulierbares Risiko – das sich mit dem Einsatz von KI nicht verringert, sondern potenziert.
Garbage In, Garbage Out – bei KI nur schneller und teurer
Das Prinzip "Garbage in, garbage out" ist in der IT seit Jahrzehnten bekannt. Bei klassischen Reporting-Tools war der Schaden überschaubar: Ein Mensch sah den Fehler, korrigierte ihn, und die Entscheidung wurde verschoben. Bei KI-Systemen funktioniert das anders.
KI-Modelle handeln autonom. Sie verarbeiten fehlerhafte Daten nicht langsamer – sie verarbeiten sie schneller, mit mehr Konsequenz und ohne den kritischen Blick, den ein erfahrener Controller noch anwenden würde. Ein KI-System, das auf Basis falscher Stammdaten eine Zahlungsempfehlung ausspricht oder einen Forecast erstellt, tut das mit derselben scheinbaren Präzision wie bei korrekten Daten. Der Fehler ist schwerer zu erkennen – und seine Konsequenzen können sich, bevor jemand eingreift, bereits materialisiert haben.
LucaNet beschreibt diesen Zusammenhang treffend: "Ohne saubere Daten verwandelt sich KI in einen kostspieligen Blindflug." Die BARC-Studie "Lessons from the Leading Edge" (2025) unterstreicht die wachsende Sensibilität für dieses Thema: Während 2024 nur 18 % der befragten Unternehmen Datenqualität als Hürde für KI betrachteten, waren es 2025 bereits 44 % – eine Verdoppelung innerhalb eines Jahres.
Das Risikoniveau hat sich fundamental verschoben. Früher sicherten Datenqualitätsprozesse Berichte für menschliche Entscheider. Ein Fehler war ärgerlich, aber korrigierbar – der Controller sah die Abweichung, fragte nach, klärte sie. Eine KI handelt anders: Sie handelt autonom, sie fragt nicht nach. Das Risiko verschiebt sich von "schlechter Analyse" zu "direkter, oft kostspieliger Fehlentscheidung". Und wer schlechte Datenqualität toleriert, setzt seine gesamte KI-Investition aufs Spiel.
Besonders brisant wird dieses Thema im Kontext des AI Acts, der ab 2026 für viele Finance-Anwendungen relevant wird. Wer KI-gestützte Entscheidungen nicht lückenlos dokumentieren und die Qualität der zugrundeliegenden Daten nicht nachweisen kann, riskiert Compliance-Verstöße. Shadow AI – also der unkontrollierte KI-Einsatz durch einzelne Mitarbeiter außerhalb offizieller Prozesse – ist dabei ein zusätzliches Risiko, das LucaNet in seiner CFO-Analyse 2026 explizit als neue Gefahrenquelle benennt.
„Die versteckten Kosten schlechter Datenqualität werden systematisch unterschätzt – nicht weil CFOs das Thema ignorieren, sondern weil die Schäden oft nicht direkt einer fehlerhaften Datei zuzuordnen sind. Sie zeigen sich in überhöhten Auditkosten, falschen Forecast-Abweichungen, in Skonti, die nicht gezogen wurden, und in Managemententscheidungen, die auf Zahlen basieren, die nie gestimmt haben." – Marc Böhler, Gründer infinitask.ai
Wie Datensilos im Mittelstand entstehen – und warum sie so hartnäckig sind
Datensilos sind selten das Ergebnis schlechter Absichten. Sie entstehen organisch: Ein Unternehmen wächst, ein Bereich übernimmt eine Aufgabe, für die kein zentrales System vorhanden ist – und Excel füllt die Lücke. Das ERP wurde vor zehn Jahren eingeführt, deckt aber die aktuellen Anforderungen nicht vollständig ab. Also werden Nebensysteme gebaut, Exports gemacht, Tabellen gepflegt.
Das eigentliche Problem ist die fehlende Verbindung zwischen diesen Inseln. ERP-Daten und Excel-Kalkulationen sprechen selten dieselbe Sprache: Kostenstellen heißen unterschiedlich, Buchungsperioden sind nicht synchronisiert, Kontenrahmen wurden nie vereinheitlicht. Das Ergebnis ist eine Finanzabteilung, die mehr Zeit mit Datenabgleich verbringt als mit Analyse.
Konkret sieht das so aus:
- Stammdateninkonsistenzen: Derselbe Lieferant erscheint im ERP unter drei verschiedenen Namen, mit unterschiedlichen Konditionen hinterlegt. KI-gestützte Rechnungsprüfung scheitert regelmäßig am Three-Way-Match.
- Fehlende Historisierung: Excel-Dateien werden überschrieben, Versionen gehen verloren. KI-Modelle, die Muster in historischen Daten suchen, finden Lücken oder Widersprüche.
- Keine einheitliche Periodenabgrenzung: Buchungen erfolgen in verschiedenen Systemen zu unterschiedlichen Zeitpunkten. Das verfälscht jeden Forecast, der auf diesen Daten aufbaut.
Haufe beschreibt dieses Problem im Finance-Kontext: KI-gestützte Belegerfassung kann den manuellen Aufwand um bis zu 40 % reduzieren – aber nur dann, wenn saubere Stammdaten vorliegen. Ohne diese Grundlage verarbeitet die KI zwar schneller, aber nicht richtiger. Die Fehlerquote bleibt hoch, und der Automatisierungseffekt verpufft.
Das Tückische: Viele Unternehmen merken das Problem erst, wenn sie bereits in die KI-Implementierung investiert haben. Der Return on Investment bleibt aus, und die Ursache wird häufig beim Tool gesucht – nicht bei der Datenbasis.
Datenqualität systematisch aufbauen: Der Weg zur Single Source of Truth
Der Aufbau einer belastbaren Datenbasis ist kein einmaliges Projekt, sondern ein kontinuierlicher Prozess. Für CFOs im Mittelstand bedeutet das konkret drei Handlungsfelder:
1. Bestandsaufnahme: Wo stehen wir wirklich?
Bevor in neue Technologie investiert wird, braucht es Klarheit über den Ist-Zustand. Welche Datenquellen existieren im Unternehmen? Wo entstehen Inkonsistenzen? Welche Prozesse laufen noch manuell über Excel, obwohl sie im ERP abgebildet sein sollten? Diese Analyse muss schonungslos sein – denn wer seinen Datenreifegrad überschätzt, baut KI auf einem unsicheren Fundament.
2. Harmonisierung: Eine gemeinsame Sprache schaffen
Der Kern einer Single Source of Truth ist nicht ein bestimmtes Tool, sondern eine einheitliche Datensemantik. Kostenstellen, Buchungsperioden, Lieferanten- und Kundenstammdaten müssen systemübergreifend konsistent sein. Das erfordert Data Governance: klare Verantwortlichkeiten, wer welche Daten pflegt, nach welchen Regeln und mit welchen Validierungsprozessen.
LucaNet und PwC beobachten, dass CFOs 2026 verstärkt in integrierte Plattformen investieren, die Planung, Abschluss und Reporting miteinander verbinden. Das Ziel ist eine Datenbasis, auf die KI-Systeme zuverlässig zugreifen können – ohne vorher manuell bereinigt werden zu müssen.
3. Governance: Verantwortlichkeiten und Validierungsprozesse
Saubere Daten entstehen nicht von allein – sie müssen organisatorisch verankert sein. Das bedeutet: Wer ist Data Owner für welchen Datenbereich? Welche Validierungsprozesse greifen bevor Daten in KI-Systeme fließen? Wie werden KI-Ergebnisse auditierbar gemacht?
PwC beobachtet, dass CFOs 2026 gezielt darauf hinarbeiten, KI-Ergebnisse erklärbar und compliant zu gestalten – um Vertrauen bei Vorstand, Wirtschaftsprüfern und Regulatoren herzustellen. Dieser Trend ist kein Nice-to-have: Mit dem AI Act, der ab 2026 für viele Finance-Anwendungen relevant wird, entstehen konkrete Nachweispflichten für die Qualität und Herkunft von Daten, die KI-Modelle beeinflussen.
Die PwC-Analyse zu AI in Finance zeigt außerdem: Unternehmen, die KI mit starken Datenfundamenten und Responsible-AI-Frameworks skalieren, erzielen bis zu dreifach höhere finanzielle Rückflüsse aus ihren KI-Investitionen als Unternehmen ohne diese Grundlagen. Datenqualität ist damit kein IT-Thema – sie ist ein strategischer Wettbewerbsvorteil.
Was dabei oft unterschätzt wird: Der Aufbau einer Single Source of Truth muss nicht mit einem Großprojekt beginnen. Ein pragmatischer Einstieg ist die Identifikation der drei bis fünf kritischsten Datenbereiche – oft sind das Lieferantenstammdaten, Kostenstellen und Planungszahlen – und deren schrittweise Bereinigung und Zentralisierung. Dieser Fokus auf wenige, hochrelevante Datenbereiche erzeugt schnelle, messbare Ergebnisse und schafft die Grundlage für eine schrittweise Ausweitung.
Marc Böhler und sein Team bei infinitask.ai begleiten mittelständische Unternehmen genau in dieser Phase: vom Status-quo-Check über die Datenharmonisierung bis zur Einführung autonomer Finance-Prozesse. Der Ausgangspunkt ist dabei stets eine ehrliche Analyse der bestehenden Datenbasis – bevor über KI-Automatisierung gesprochen wird. Denn ohne dieses Fundament bleibt jede KI-Initiative ein teures Experiment.
Dein nächster Schritt: Potenzial-Check für deine Finanzprozesse
Wie sieht es in deinem Unternehmen aus? Wie viele Datenquellen fließen aktuell in dein monatliches Reporting ein? Wie viel manuelle Abstimmungsarbeit steckt hinter euren Zahlen – und wie viel davon könnte entfallen, wenn eine saubere Datenbasis existieren würde?
Der kostenlose Potenzial-Check von infinitask.ai gibt dir in 20 Minuten eine klare Einschätzung: Wo stehen eure Finance-Prozesse in Bezug auf Datenqualität und KI-Bereitschaft – und welche konkreten Schritte bringen euch weiter.
→ Jetzt kostenlosen Potenzial-Check starten
Über den Autor: Marc Böhler ist Gründer von infinitask.ai und begleitet mittelständische Unternehmen beim Aufbau autonomer Finance-Prozesse. Sein Fokus liegt auf der Verbindung von Datenqualität, KI-Automatisierung und praxistauglicher Implementierung – ohne Betriebsstillstand.
