Erst die Daten, dann die KI-Agenten
Ein Voice-KI-Anbieter automatisierte einen Telefonsupport in Stunden — das Unternehmen brauchte ein Jahr, um seine Daten dafür bereitzustellen.
Bei einem KI-Meeting der Handelskammer erzählte kürzlich der Head of Europe von ElevenLabs — dem mit zuletzt 11 Milliarden US-Dollar bewerteten Weltmarktführer für Voice-KI — eine Erfolgsgeschichte. Sein Team habe bei einem Unternehmen den kompletten Telefonsupport auf Voice-Agenten umgestellt. Aufwand: wenige Stunden. Der Saal war beeindruckt.
Beeindruckender war ein Halbsatz, der fast unterging: Bevor die Agenten in wenigen Stunden einsatzbereit waren, habe das Unternehmen fast ein Jahr gebraucht — um seine Daten so zu zentralisieren, dass die KI überhaupt darauf zugreifen konnte. Die Schlagzeile lautet „in Stunden automatisiert". Die eigentliche Nachricht lautet „ein Jahr Vorarbeit".
Der Nebensatz war die eigentliche Nachricht
Dass ElevenLabs Support-Prozesse in Rekordzeit automatisieren kann, ist plausibel. Das Unternehmen zählt nach eigenen Angaben 41 Prozent der Fortune-500-Konzerne zu seinen Kunden, darunter die Deutsche Telekom, und setzte 2025 über 330 Millionen US-Dollar wiederkehrenden Umsatz um. Die Technologie ist reif. Der Engpass liegt woanders — und zwar regelmäßig auf der Seite des Kunden, nicht des Anbieters.
Ein Voice-Agent, der Rückfragen zu Bestellungen, Verträgen oder Reklamationen beantworten soll, braucht Zugriff auf genau diese Informationen: Kundenhistorie, Produktdaten, Vertragsstatus, Retourenregeln. Liegen diese Daten in fünf Systemen, drei Excel-Ständen und dem Kopf einer Sachbearbeiterin, kann der beste Sprachmodell-Anbieter der Welt nichts ausrichten. Die eigentliche Arbeit ist nicht das Anlernen des Agenten. Es ist das Zusammenführen der Datenbasis, auf der er arbeitet.
Die Zahlen hinter dem Muster
Das ElevenLabs-Beispiel ist kein Einzelfall, sondern die Regel. Gartner prognostiziert, dass Unternehmen bis 2026 rund 60 Prozent ihrer KI-Projekte aufgeben werden, wenn diese nicht auf „AI-ready data" beruhen — also auf Daten, die für den KI-Zugriff aufbereitet sind. In derselben Erhebung geben 63 Prozent der befragten Datenverantwortlichen an, nicht zu wissen oder zu bezweifeln, dass sie überhaupt die passenden Datenmanagement-Praktiken für KI besitzen.
Für die neue Generation autonomer Agenten sieht Gartner das Muster noch schärfer: Über 40 Prozent der agentischen KI-Projekte sollen bis Ende 2027 wieder eingestellt werden — wegen unklaren Nutzens, Kosten und mangelnder Kontrolle. McKinsey kommt in seiner State-of-AI-Erhebung 2025 zum gleichen Kern: Nur rund ein Drittel der Unternehmen skaliert KI über den Pilotstatus hinaus, und acht von zehn nennen Datenprobleme als zentralen Bremsklotz. Fragmentierte Daten, Alt-Systeme und abteilungsgebundene Silos sind laut McKinsey die häufigsten Gründe, warum Projekte im „Pilot-Fegefeuer" steckenbleiben. Schon für generative KI hatte Gartner zuvor gewarnt, dass mindestens 30 Prozent der Projekte nach dem Proof of Concept abgebrochen werden — mit schlechter Datenqualität an erster Stelle der Ursachen.
Die Botschaft dieser Zahlen ist unbequem, aber eindeutig: Die meisten gescheiterten KI-Vorhaben scheitern nicht am Modell. Sie scheitern an dem, was das Modell zu lesen bekommt.
Was „nicht KI-fähig" konkret bedeutet
Der Begriff „Datenbasis" klingt abstrakt, das Problem dahinter ist es nicht. Es zerfällt in vier sehr konkrete Baustellen.
Erstens die Silos: Kundendaten im CRM, Bestelldaten im Shop, Lagerdaten im ERP, Support-Verläufe im Ticketsystem — vier Wahrheiten über denselben Kunden, die nirgends zusammenlaufen. Zweitens fehlende oder veraltete Dokumentation: Prozesse, die niemand aufgeschrieben hat, weil „das jeder weiß". Ein Agent weiß es nicht. Drittens die Schnittstellen: Systeme, die keine saubere API anbieten, sondern nur nächtliche CSV-Exporte oder gar manuelle Übertragung. Viertens die Stammdatenqualität: Dubletten, Leerfelder, uneinheitliche Bezeichnungen. Ein Agent, der auf einem fehlerhaften Datenmodell arbeitet, automatisiert vor allem eines — den Fehler, nur schneller.
Diese vier Baustellen sind das, was in der IT seit Jahrzehnten „technische Schulden" heißt: aufgeschobene Aufräumarbeit, die sich verzinst. Solange nur Menschen mit den Systemen arbeiteten, ließ sich der Zins durch Erfahrung und Nachfragen abfedern. Ein Sachbearbeiter weiß, dass „Kd-Nr" und „Kundennummer" dasselbe meinen. Der Agent stolpert. KI macht technische Schulden erstmals unmittelbar teuer, weil sie die menschlichen Zwischenschritte entfernt, die das Chaos bislang kaschiert haben.
Technische Schulden zuerst
Der deutsche Mittelstand steht damit vor einer Reihenfolge-Entscheidung. Die Verlockung ist groß, sofort mit dem sichtbaren Teil zu beginnen — dem Chatbot, dem Voice-Agenten, der Demo, die im Handelskammer-Saal für Applaus sorgt. Laut Bitkom setzen inzwischen 41 Prozent der Unternehmen ab 20 Beschäftigten KI ein, nach 17 Prozent im Vorjahr. Zugleich berichtet ein Drittel, dass KI zu deutlich höheren Kosten geführt habe als erwartet. Ein guter Teil dieser Überraschung dürfte genau dort liegen: im unterschätzten Aufwand, die Datenbasis erst herzustellen.
Die nüchterne Konsequenz ist, die Reihenfolge umzudrehen. Bevor ein Use-Case für einen Agenten definiert wird, gehört die Frage geklärt, welche Daten er braucht, wo sie liegen und in welchem Zustand sie sind. Das ist keine KI-Arbeit, sondern klassisches Datenmanagement: Systeme über saubere Schnittstellen verbinden, Stammdaten konsolidieren, Prozesse dokumentieren, Zugriffsrechte definieren. Unspektakulär, aber es entscheidet über Erfolg oder Abbruch. Der Vorteil dieser Vorarbeit ist, dass sie sich nicht auf ein einziges KI-Projekt verrechnet: Wer seine Datensilos aufbricht, verbessert Reporting, Forecasting und jede künftige Automatisierung gleich mit. Das Datenfundament ist kein KI-Kostenblock, sondern eine Investition, die mehrfach zahlt.
Ein Jahr, nicht ein paar Stunden
Der Head of Europe von ElevenLabs hat auf der Bühne nicht übertrieben. Sein Team kann einen Telefonsupport tatsächlich in Stunden automatisieren — sobald die Voraussetzungen stimmen. Die für Mittelständler entscheidende Zahl in seiner Geschichte war aber nicht die der Stunden, sondern die des Jahres davor. Wer heute über den Einsatz von KI-Agenten nachdenkt, sollte die spannende Frage nicht lauten lassen „Welcher Anbieter?", sondern „Sind unsere Daten so weit?". Die ehrliche Antwort darauf ist selten bequem — aber sie ist der Unterschied zwischen einer Demo und einem Betrieb.