KI ist für Startups derzeit das grosse Hebel-Versprechen: Mehr Output mit kleineren Teams, automatisierte Prozesse auf Konzernniveau, schnellere Kundenkommunikation, bessere Entscheidungen. Oder kurz gesagt, smarte Workflows, die Gründerinnen und Gründer von repetitiven Aufgaben entlasten und Wachstum beschleunigen.
Genau deshalb wird in vielen jungen Unternehmen gerade intensiv über KI gesprochen. Welche Tools sollen wir einsetzen? Welche Prozesse lassen sich automatisieren? Wie bauen wir KI in unser Produkt, unser Pitchdeck, unseren Kundensupport oder unser Marketing ein?
Die wichtigere Frage wird dabei oft zu spät gestellt: Auf welcher Datenbasis soll diese KI eigentlich arbeiten?
Denn KI scheitert in der Praxis oft an der Datenqualität. Zum Beispiel doppelten Kundendaten, unvollständigen CRM-Einträgen oder Notion-Seiten, die niemand mehr pflegt. An Dokumenten, die irgendwo zwischen Slack, Google Drive, E-Mail und Projektordnern liegen.
Der Startup-Vorteil wird oft leichtfertig verspielt
Startups hätten eigentlich einen grossen Vorteil: Sie starten nicht mit jahrzehntelang gewachsenen IT-Landschaften und historisch verkrusteten Prozessen mit alten Systemen. Sie könnten Daten von Anfang an sauber strukturieren, Verantwortlichkeiten klären und Wissensablagen so aufbauen, dass sie später skalieren.
In der Realität passiert häufig das Gegenteil. Gerade weil alles schnell gehen muss, entstehen provisorische Lösungen. Am Anfang funktioniert das oft sogar gut. Aber bereits beim Wachstum auf ein Team von rund 7 Leuten kommen diese «ad Hock-Syteme» an ihre Grenzen.
Was in der Frühphase pragmatisch war, wirkt beim Wachstum zur Bremse. Und spätestens wenn KI ins Spiel kommt, wird daraus ein strategisches Risiko.
KI automatisiert nicht nur Prozesse, sie automatisiert auch Chaos.
Viele Unternehmen hoffen, dass ein neues KI-Tool die bestehenden Probleme löst. Doch KI kann nur mit dem arbeiten, was vorhanden ist. Wenn Daten unvollständig, veraltet, widersprüchlich oder schlecht strukturiert sind, werden auch die Ergebnisse unzuverlässig.
Ein KI-Assistent im Vertrieb hilft wenig, wenn im CRM drei verschiedene Versionen derselben Kundin existieren. Eine automatisierte Kundenansprache wird riskant, wenn Branchen, Kaufhistorien oder Zuständigkeiten falsch gepflegt sind. Eine interne Wissenssuche klingt attraktiv, solange die Wissensbasis aktuell ist. Wenn aber alte Preislisten, überholte Produktbeschreibungen und nicht mehr gültige Prozessdokumente nebeneinander liegen, liefert KI zwar Antworten, aber nicht unbedingt die richtigen.
Die typischen Datenfallen junger Unternehmen
Datenprobleme sehen in Startups selten dramatisch aus. Sie beginnen unspektakulär.
Ein CRM wird eingeführt, aber niemand definiert, welche Felder wirklich gepflegt werden müssen. Notion wächst organisch, aber ohne klare Struktur. Tabellen werden erstellt, um kurzfristig etwas zu lösen, bleiben danach aber als Schatten-System bestehen. Marketing, Sales und Customer Success arbeiten mit unterschiedlichen Kundendefinitionen. Niemand weiss genau, welche Quelle führend ist. Und für wichtige Daten gibt es keine verantwortliche Person.
Besonders kritisch sind fünf Muster:
Erstens: doppelte Wahrheiten. Wenn dieselbe Information in mehreren Tools existiert, aber unterschiedlich gepflegt wird, entsteht Unsicherheit. Welche Zahl stimmt? Welcher Status gilt? Welche Kundendaten sind aktuell?
Zweitens: fehlende Data Owner. Wenn niemand für eine Datenquelle verantwortlich ist, wird sie mit der Zeit zwangsläufig schlechter.
Drittens: ungepflegte Wissensablagen. Wissen wird gesammelt, aber nicht kuratiert. Veraltete Inhalte bleiben liegen und werden später von Menschen oder KI-Systemen wiederverwendet.
Viertens: verwaiste Excel-Listen. Sie entstehen schnell, sind flexibel und praktisch. Doch sie werden gefährlich, wenn sie geschäftskritische Informationen enthalten, aber nicht mehr in klare Prozesse eingebunden sind.
Fünftens: fehlende Standards. Unterschiedliche Schreibweisen, freie Textfelder, unklare Kategorien und lückenhafte Pflichtangaben machen Daten später schwer auswertbar.
Diese Probleme sind nicht nur IT-Themen. Sie betreffen Strategie, Wachstum, Kundenbeziehungen und Investorenfähigkeit.
Was Verschieben kostet
Daten-Housekeeping klingt für viele Gründerinnen und Gründer nicht nach Priorität und wird im hektischen Alltag gerne schnell aussortiert. Doch genau dieses Verschieben kann mit KI teuer werden.
Unsaubere Daten bremsen Skalierung, weil Teams mehr Zeit mit Suchen, Abstimmen und Korrigieren verbringen. Sie verschlechtern KI-Ergebnisse, weil Automatisierungen auf falschen oder unvollständigen Informationen basieren. Sie erschweren Reporting, weil Kennzahlen nicht konsistent berechnet werden. Und sie können bei Investoren Fragen auslösen, wenn zentrale Metriken nicht belastbar sind.
Gerade in Finanzierungsrunden zählt nicht nur die grosse Vision. Es zählt auch die Fähigkeit, das eigene Geschäft sauber zu verstehen und steuerbar zu machen. Wer nicht zeigen kann, welche Daten verlässlich sind, wo sie liegen und wer dafür verantwortlich ist, wirkt weniger reif, als das Produkt vielleicht schon ist.
Warum jetzt der richtige Moment ist
Der Druck steigt von mehreren Seiten. Einerseits wächst die Erwartung, dass Startups KI produktiv einsetzen: in internen Prozessen, im Produkt, im Kundensupport, im Vertrieb oder im Marketing. Andererseits verändern sich die regulatorischen Anforderungen. Seit August 2025 verlangt der AI Act von Unternehmen, die KI-Systeme anbieten oder einsetzen, ein angemessenes Mass an KI-Kompetenz bei den beteiligten Personen.
KI-Kompetenz bedeutet auch, zu verstehen, welche Daten in ein System einfliessen, welche Risiken daraus entstehen und welche organisatorischen Voraussetzungen erfüllt sein müssen. Wer KI verantwortungsvoll nutzen will, braucht deshalb auch Datenkompetenz. Für Startups ist es eine Chance, früh eine professionelle Datengrundlage zu schaffen.
Daten-Housekeeping in fünf Schritten
Der Einstieg ins Aufräumen muss nicht kompliziert sein. Wichtig ist, rasch und pragmatisch zu beginnen und nicht zu warten, bis Zeit da ist, das perfekte Datenprojekt zu starten.
1. Zentrale Datenquellen inventarisieren
Welche Systeme enthalten geschäftskritische Informationen? Dazu gehören CRM, ERP oder Buchhaltung, Produktdaten, Kundendienst-Tools, Marketingdaten, Wissensablagen, Projektmanagement-Systeme und wichtige Tabellen. Ziel ist nicht Vollständigkeit bis ins letzte Detail, sondern ein klares Bild der wichtigsten Quellen.
2. Datenqualität prüfen
Wo gibt es Dubletten? Welche Pflichtfelder fehlen? Welche Informationen sind veraltet? Und welche Daten widersprechen sich zwischen verschiedenen Systemen? Schon eine einfache Qualitätsprüfung zeigt oft, wo die grössten Risiken liegen.
3. Geschäftskritische Daten priorisieren
Nicht alle Daten sind gleich wichtig. Startups sollten zuerst dort aufräumen, wo der Geschäftsnutzen am höchsten ist: Kundendaten, Umsatzdaten, Prozessdaten, Produktinformationen und internes Wissen. Dort entsteht der grösste Hebel für KI, Automatisierung und Reporting.
4. Verantwortlichkeiten festlegen
Für jede wichtige Datenquelle braucht es eine klare verantwortliche Person. Ein Data Owner muss nicht alles selbst pflegen, aber er oder sie stellt sicher, dass Standards definiert, eingehalten und regelmässig überprüft werden.
5. Datenpflege zur Routine machen
Das Wichtigste zum Schluss: Daten-Housekeeping darf kein einmaliges Aufräumprojekt bleiben. Es braucht einfache Routinen: regelmässige Clean-ups, klare Namenskonventionen, definierte Pflichtfelder, Archivierungsregeln und kurze Reviews. Je früher diese Routinen entstehen, desto leichter lassen sie sich skalieren.
Der eigentliche Wettbewerbsvorteil
KI allein schafft noch keinen Wettbewerbsvorteil. Die meisten Tools sind für alle zugänglich. Der Unterschied entsteht dort, wo Technologie auf sauberes Wissen, gute Prozesse und verlässliche Daten trifft.
Startups, die ihre Datenbasis früh ernst nehmen, können KI schneller, sicherer und wirkungsvoller einsetzen. Sie reduzieren Reibung im Team, verbessern Entscheidungsgrundlagen, schaffen bessere Kundenerlebnisse und erhöhen die Qualität ihrer Automatisierungen.
Der erste Schritt in eine wirksame KI-Strategie ist deshalb oft unspektakulär: aufräumen. Nicht, weil Datenpflege spannender ist als KI. Sondern weil KI ohne Datenpflege ihr Potenzial nicht entfalten kann.
Wer heute sein digitales Housekeeping macht, kauft morgen nicht einfach das nächste Tool. Er baut ein Unternehmen, das überhaupt erst in der Lage ist, KI sinnvoll zu nutzen.
Bild Lisa Catena Gyger Fotocredits : Susanne Goldschmid
Aussagen des Autors und des Interviewpartners geben nicht unbedingt die Meinung der Redaktion und des Verlags wieder.
