Warum KI-Agenten an schlechten CRM-Daten scheitern

Gerade in mittelständischen Unternehmen erleben wir es derzeit fast wöchentlich: Nach KI-Agenten wird geradezu hektisch gefragt – jeder will sie, möglichst sofort, und die Erwartungen sind entsprechend hoch. Spätestens beim ersten echten Einsatz folgt dann oft die Ernüchterung: Der Agent beantwortet eine Kundenanfrage am Thema vorbei, qualifiziert Leads nach Kriterien, die niemand so gesetzt hat, oder zieht in einer Zusammenfassung Zahlen heran, die kein Mensch im Haus wiedererkennt.

Der erste Reflex ist dann meist, auf die KI zu schimpfen: zu dumm, überschätzt, noch nicht so weit. Allerdings können KI-Agenten nicht zaubern – sie arbeiten mit dem, was da ist. Und der Fehler liegt fast nie im Agenten selbst, sondern eine Schicht tiefer: in den Daten, aus denen er seine Antworten überhaupt erst zieht.

Welche Aufgaben überhaupt sinnvoll an einen Agenten gehen, haben wir an anderer Stelle beschrieben – im Artikel KI-Agenten im CRM: Welche Aufgaben gehören ins System. Hier setzen wir bewusst darunter an: Selbst die perfekt gewählte, agenten-taugliche Aufgabe scheitert, wenn das Daten-Fundament darunter nicht trägt. Wir zeigen Ihnen, woran Sie schlechte CRM-Daten erkennen, warum kein besserer Agent das Problem heilt – und was ein tragfähiges Fundament ausmacht.

Ein KI-Agent ist nur so gut wie die Daten, aus denen er liest

Ein KI-Agent „weiß“ nichts über Ihr Unternehmen. Er hat kein Gedächtnis und keine Intuition – er liest in dem Moment, in dem er handelt, zusammen, was im System steht, und formt daraus eine Antwort. Das ist die entscheidende, oft übersehene Mechanik: Die Qualität der Ausgabe wird nicht primär vom Modell bestimmt, sondern von der Qualität dessen, was es vorfindet.

In HubSpot gibt es für diesen Zugriffspunkt sogar einen eigenen Namen: das sog. Context Home (die Kontextzentrale, aus der jede KI-Funktion liest, was Ihr Portal über Ihr Unternehmen weiß). Ist dieser Kontext lückenhaft, veraltet oder widersprüchlich, verschlechtert das jede KI-Ausgabe – unabhängig davon, wie leistungsfähig der Agent darüber ist.

Der alte Programmierer-Satz gilt hier unverändert: Shit in, Shit out. Nur dass dieser Müll bei einem KI-Agenten nicht in einer Fehlermeldung endet, sondern in einer flüssig formulierten, selbstbewusst klingenden – und falschen – Antwort.

Woran schlechte CRM-Daten erkennbar sind

„Schlechte Daten“ klingt abstrakt. In der Praxis zeigt es sich in sehr konkreten Mustern, die fast jedes gewachsene CRM in der einen oder anderen Form hat:

• Lücken: Pflichtfelder sind leer, Datensätze halb gepflegt. Was der Agent nicht findet, rät er sich zusammen – oder lässt es weg, ohne es zu sagen.

• Dubletten und Widersprüche: Dieselbe Firma liegt dreimal im System, mit drei unterschiedlichen „Wahrheiten“. Der Agent zieht eine davon – und niemand weiß vorher, welche.

• Veraltete Stände: Der Ansprechpartner ist längst weg, der Deal-Status stammt von vorletztem Quartal. Der Agent handelt auf einem Stand, den die Realität überholt hat.

• Freitext statt Struktur: Das Wesentliche steht in Notizfeldern und E-Mail-Verläufen, nicht in sauberen Eigenschaften. Der Agent findet es nicht zuverlässig oder interpretiert es falsch.

• Wissen am falschen Ort: Das entscheidende Firmenwissen steckt in Köpfen, PDFs und geteilten Laufwerken – also genau dort, wo der Agent nicht hinsieht.

Keines dieser Probleme ist spektakulär. Zusammengenommen reichen sie aber aus, um jeden noch so fähigen Agenten ins Leere laufen zu lassen.

Warum ein besserer Agent das Problem nicht löst

Hier liegt der eigentliche Kern – und der Punkt, an dem die meisten Hoffnungen falsch abbiegen. Die naheliegende Reaktion auf einen enttäuschenden Agenten ist, auf das nächste Update zu warten: das stärkere Modell, die neue Funktion, den smarteren Agenten im nächsten Release. Nur ändert das an der Ursache nichts. Ein besserer Agent liest schneller und eloquenter – aber er liest aus derselben trüben Quelle.

Kein KI-Agent ist besser als die Daten, aus denen er liest. Über das Ergebnis entscheidet nicht das Werkzeug, sondern das Fundament darunter.

Das Bild dazu kommt aus der Seefahrt: Das modernste Navigationssystem bringt Sie absolut zuverlässig ans falsche Ziel, wenn die Seekarte, mit der es arbeitet, veraltet ist. Das Gerät funktioniert tadellos – es führt Sie nur präzise auf die Untiefe. Genauso verhält es sich mit einem KI-Agenten auf schlechten Daten: Je besser der Agent, desto überzeugender der Irrtum.

Deshalb ist Datenqualität kein Hygiene-Thema, das man „auch noch“ erledigt, sondern die Voraussetzung, die über Erfolg und Misserfolg der gesamten KI-Einführung entscheidet. Es ist dasselbe unterschätzte Fundament, das schon beim HubSpot-Start zum blinden Fleck wird – nur dass KI es jetzt gnadenlos sichtbar macht.

Muss das CRM erst makellos sein? Nein – aber die richtigen Daten müssen stimmen

An dieser Stelle kippt die Argumentation gern ins andere Extrem: „Dann rühren wir KI eben erst an, wenn das CRM perfekt ist.“ Das ist genauso falsch – nur in die andere Richtung. Ein makelloses CRM gibt es nicht, und wer darauf wartet, startet nie. Perfektionismus ist hier nur die elegantere Form des Nichtstuns.

Entscheidend ist nicht, dass alle Daten sauber sind, sondern dass die Daten sauber sind, die der konkrete Agent tatsächlich liest. Ein Customer Agent, der Serviceanfragen beantwortet, braucht eine gepflegte Wissensdatenbank und korrekte Produktinfos – aber nicht zwingend ein lückenloses Lead-Scoring. Das Fundament wird also nicht am ganzen System gemessen, sondern am Ausschnitt, auf dem der Agent arbeitet. Das macht die Aufgabe beherrschbar: Sie bringen gezielt das in Ordnung, worauf es für den ersten Anwendungsfall ankommt – und bauen von dort aus weiter.

Was ein tragfähiges Daten-Fundament ausmacht

Aus unseren Projekten lässt sich das Vorgehen auf wenige, unspektakuläre Schritte eindampfen – und genau diese Unspektakularität ist der Punkt:

• Zuerst definieren, welche Daten der Agent liest. Nicht „alles sauber machen“, sondern den Ausschnitt bestimmen, auf den der konkrete Agent zugreift.

• Den Kontext bewusst pflegen. In HubSpot heißt das: Context Home und die hinterlegten Wissensquellen aktiv kuratieren, statt sie dem Zufall der gewachsenen Datenlage zu überlassen.

• Vorne ansetzen, nicht hinten. Pflichtfelder und Validierung sorgen dafür, dass erst gar kein Müll ins System kommt – das ist billiger als jedes spätere Aufräumen.

• Eine Wahrheit pro Datensatz. Dubletten bereinigen, Zuständigkeiten klären, damit der Agent nicht zwischen drei Versionen derselben Firma würfelt.

• Pflege als Dauerzustand begreifen. Datenqualität ist kein Sprint, sondern ein Marathon: Sie verfällt ohne laufende Hygiene wieder.

Was uns in der Praxis immer wieder auffällt: Die erfolgreichen KI-Einführungen beginnen fast nie mit dem Agenten. Sie beginnen mit einer wenig glamourösen Woche Datenarbeit – und genau die ist der Grund, warum der Agent danach überhaupt liefert.

Das Fundament entscheidet, nicht das Werkzeug

Die KI-Welle wird die Agenten in CRM-Plattformen weiter stärker machen, und zwar schneller, als jede Momentaufnahme abbilden kann. Das senkt die Bedeutung sauberer Daten aber nicht – es erhöht sie. Ein starker Agent auf einem schwachen Fundament scheitert nicht "leiser", sondern überzeugender. Wer die Reihenfolge umdreht und zuerst das Daten-Fundament in Ordnung bringt, macht aus einem teuren Experiment ein Werkzeug, das wirklich weiterhilft.

Auf den Punkt

• Ein KI-Agent liefert nur so gute Ergebnisse wie die CRM-Daten, aus denen er im Moment der Aktion liest.

• Schlechte Daten zeigen sich in wenigen typischen Mustern: Lücken, Dubletten, veraltete Stände, Freitext statt Struktur und Wissen am falschen Ort.

• Ein stärkerer Agent löst das Problem nicht – er liest nur schneller aus derselben trüben Quelle.

• Das CRM muss nicht makellos sein, aber die Daten, die der konkrete Agent liest, müssen stimmen.

• Datenqualität ist keine Nebenaufgabe, sondern die Voraussetzung, die über Erfolg und Misserfolg der KI-Einführung entscheidet.

Sie wollen wissen, ob Ihre CRM-Daten tragfähig genug für den Einsatz von KI-Agenten sind? In einem HubSpot-Audit sehen wir uns Ihr Portal konkret an – wie es um Datenqualität, Struktur und Kontext bestellt ist – und zeigen Ihnen schwarz auf weiß, wo das Fundament schon trägt und wo zuerst Datenarbeit nötig ist.

Über diesen Beitrag

Dieser Beitrag stammt aus der Praxis von IXTENSA, HubSpot-Partner für den Mittelstand im deutschsprachigen Raum. Wir begleiten Unternehmen bei Einführung, Ausbau und strategischer Nutzung von HubSpot – sachlich, ehrlich und mit dem Blick fürs Ganze.