Je selbstständiger KI-Agenten im Customer Relationship Management (CRM) arbeiten, desto direkter wirken sich Datenfehler auf Entscheidungen und Prozesse aus. Es geht jedoch nicht darum, dass alle Daten perfekt sind. Sie müssen die Anforderungen des jeweiligen Anwendungsfalls erfüllen.
Ein KI-Agent soll Bestandskunden auf eine Vertragsverlängerung ansprechen. Im CRM-System findet er dasselbe Unternehmen zweimal, mit unterschiedlichen Ansprechpersonen. Er wählt den falschen Datensatz und schreibt einer Person, die das Unternehmen längst verlassen hat.
Fehlerhaften Daten gehören seit jeher zum CRM-Alltag. Solange Menschen mit den Daten arbeiten, fangen sie viele dieser Ungenauigkeiten auf. Sie erkennen doppelte Einträge, stellen Rückfragen oder übergehen einen veralteten Status.
Mit agentischer KI ändert sich weniger das Datenproblem als seine Konsequenz. Wenn KI-Agenten auf Basis von CRM-Daten eigenständig priorisieren, entscheiden und handeln, fehlt an vielen Stellen die menschliche Korrekturinstanz.
Warum Datenfehler mit KI-Agenten gravierender sind
Im klassischen CRM dienen Daten als Grundlage für Auswertungen und menschliche Entscheidungen. Generative KI nutzt sie als Kontext für Zusammenfassungen und Empfehlungen. Agentische KI leitet aus ihnen Aktionen ab und führt sie selbst aus.
Regelbasierte CRM-Workflows und automatisierte Aktionen sind nicht neu. Neu sind der größere Entscheidungsspielraum und die dynamische Verarbeitung von Kontext. Während eine Regel das tut, wofür sie gebaut wurde, interpretiert ein KI-Agent die vorgefundenen Daten und handelt danach. Damit steigt das Schadenspotenzial eines Datenfehlers.
Gartner spricht in seiner aktuellen Analyse «AI-Ready Data Needs to Expand to Agent-Ready Data» in diesem Zusammenhang davon, «AI-ready Data» zu «Agent-ready Data» weiterzuentwickeln. Es reiche nicht mehr aus, zu prüfen, ob Daten grundsätzlich für einen KI-Anwendungsfall geeignet sind. Unternehmen müssten laufend prüfen, ob ihre Daten die Anforderungen agentischer Prozesse erfüllen und ob KI-Agenten sie richtig und zuverlässig nutzen können. Andernfalls drohen fehlerhafte Antworten oder unzulässige Datennutzung.
Was das im CRM bedeutet, zeigt ein unscheinbares Feld: Der Status «aktiv» steht im Vertrieb vielleicht für eine laufende Verhandlung, im Service für einen gültigen Wartungsvertrag. Mitarbeitende kennen diesen Unterschied, ein Agent nicht. Zudem sieht er nicht alles. Er priorisiert eine Opportunity für den Vertrieb, obwohl beim selben Kunden eine kritische Serviceeskalation läuft. Die Information liegt in einem anderen System.
Data Readiness heißt deshalb: Daten, die ein Agent für seine Aufgabe benötigt, sind für ihn zugänglich, eindeutig und so verlässlich, dass er auf ihrer Basis handeln kann.
Data Readiness beginnt beim Use Case
Daraus folgt nicht, dass Unternehmen ihre gesamte Datenlandschaft bereinigen müssen, bevor sie den ersten KI-Agenten einsetzen. Data Readiness ist ein kontinuierlicher Prozess, der sich an konkreten Anwendungsfällen orientiert. Dabei ist es sinnvoll, rückwärts vom jeweiligen Use Case auszugehen:
- Use Case eingrenzen: Welche Aufgabe soll der KI-Agent übernehmen und welchen Mehrwert soll er schaffen?
- Datenbedarf klären: Welche Informationen braucht der KI-Agent, wo liegen sie und kann er darauf zugreifen?
- Qualität definieren: Wie vollständig, aktuell, konsistent und eindeutig müssen diese Daten sein?
- Verantwortung festlegen: Wer ist für die relevanten Daten und ihre dauerhafte Qualität zuständig?
- Handlungsspielraum bestimmen: Was darf der KI-Agent selbstständig ausführen und wann greift ein Mensch ein?
Datenqualität und Autonomie können gemeinsam wachsen. Ein Agent startet zum Beispiel mit Vorschlägen, die Mitarbeitende freigeben, und darf zunehmend selbstständig handeln, sobald sich Daten und Prozesse als verlässlich erwiesen haben.
CRM-Daten verändern sich täglich: Ansprechpersonen wechseln, Verträge laufen aus. Validierungsregeln und kontinuierliches Monitoring helfen, geschäftskritische Informationen auch nach dem Go-live verlässlich zu halten. Dabei können Agenten selbst zur Datenqualität beitragen. Sie markieren mögliche Dubletten, melden veraltete Kontakte oder fragen Zuständige nach fehlenden Angaben.
Verlässliche Daten erweitern den Handlungsspielraum für KI
Die Arbeit an einem Anwendungsfall zahlt sich über ihn hinaus aus. Bereinigte Kundendaten, geklärte Zuständigkeiten und erprobte Freigabeprozesse stehen auch dem nächsten Agenten zur Verfügung. Je klarer Kontext, Verantwortlichkeiten und Befugnisse geregelt sind, desto mehr Aufgaben können KI-Agenten zuverlässig übernehmen.
Data Readiness ist daher weder reine Risikovorsorge noch ein vorgeschaltetes IT-Projekt. Sie ist fester Teil und Voraussetzung erfolgreicher KI-Vorhaben.
