Wir leben in einer schnelllebigen Welt, in der jeden Tag enorme Mengen an Daten entstehen. Das betrifft nicht nur unser Privatleben – für Unternehmen gilt das umso mehr.
Über Jahre hinweg haben viele Unternehmen zahlreiche Datensilos mit wertvollen Geschäftsinformationen aufgebaut. Das CRM kennt Kunden, Kontakte und Opportunities. Das ERP kennt Aufträge, Umsätze und Margen. Analytics-Lösungen kennen KPIs und Trends. Hinzu kommen externe und proprietäre Datenquellen, die weitere wertvolle Informationen liefern.
In einem unserer jüngsten Projekte haben wir deshalb eine auf den ersten Blick einfache Frage diskutiert:
Wie können wir all diese Informationen zusammenbringen und für bessere und schnellere Entscheidungen nutzbar machen?
Der verborgene Schatz in Unternehmensdaten
In unserem Kundenszenario waren die relevanten Informationen über verschiedene SAP- und Non-SAP-Systeme verteilt.
Geschäftsdaten kamen aus ERP-, CRM- und Analytics-Lösungen. Ergänzt wurden diese durch externe Quellen wie Creditreform und – besonders interessant – eine intern entwickelte Datenbank mit über viele Jahre gesammelten Marktinformationen.
Gerade diese interne Datenquelle war besonders wertvoll.
Sie enthielt Wissen über Marktentwicklungen, Kunden und Geschäftsbeziehungen, das über Jahre hinweg aufgebaut wurde. Mit anderen Worten: Informationen, die man nirgendwo einfach einkaufen kann.
Die Daten waren also vorhanden. Die Herausforderung bestand darin, sie zugänglich und vor allem sinnvoll nutzbar zu machen.
Von Datensilos zum AI-driven Customer Briefing
Der Wunsch des Kunden war schnell formuliert:
Wie können wir die unterschiedlichen Datensilos zusammenführen? Und wie können wir das darin enthaltene Wissen für den Vertrieb einfach zugänglich machen?
Daraus entstanden schnell verschiedene Lösungsansätze. Eine Idee rückte dabei besonders in den Fokus: ein AI-driven Customer Briefing.
Stellen wir uns einen Vertriebsmitarbeiter vor, der sich auf einen wichtigen Kundentermin vorbereitet.
Anstatt das CRM zu öffnen, ERP-Zahlen zu prüfen, Analytics-Dashboards zu durchsuchen, externe Datenbanken abzufragen und anschließend noch Kollegen nach weiteren Informationen zu fragen, erhält er ein konsolidiertes Briefing:
Was passiert aktuell bei diesem Kunden? Was hat sich seit unserem letzten Gespräch verändert? Welche Opportunities sind offen? Wie entwickelt sich der Umsatz? Was passiert im Markt des Kunden? Und welche Themen sollten wir im nächsten Gespräch adressieren?
Generative AI macht genau diese Art der Interaktion zunehmend möglich.
Doch während der Diskussion über die Architektur wurde deutlich: Die Anbindung eines LLMs an verschiedene Systeme ist nicht die eigentliche Herausforderung.
Die entscheidende Frage lautet vielmehr:
Können wir aus Daten, die ursprünglich nie für eine gemeinsame Nutzung konzipiert wurden, einen verlässlichen Business-Kontext schaffen?
Damit veränderte sich die Diskussion grundlegend.
Wir identifizierten vier zentrale Herausforderungen: Datenqualität, semantische Konsistenz, Data Ownership & Access sowie Vertrauen in das konsolidierte Ergebnis.
Bevor AI daraus ein wirklich wertvolles Customer Briefing erstellen kann, müssen zunächst einige Hausaufgaben gemacht werden.
1. Datenqualität: Erst das Fundament schaffen
Die erste Herausforderung war die Datenqualität.
Für jede Datenquelle mussten Mindestanforderungen definiert werden. Dubletten, veraltete Informationen und unvollständige Datensätze mussten identifiziert und die relevanten Daten validiert werden, bevor sie in das Customer Briefing einfließen.
Genau hier bleibt klassische Datenarbeit unverzichtbar.
AI kann dabei helfen, Anomalien oder potenziell problematische Daten zu erkennen. Sie kann aber aus grundsätzlich schlechten Unternehmensdaten nicht automatisch eine verlässliche Informationsbasis machen.
Wenn niemand weiß, welcher Kundendatensatz der richtige ist, welcher Umsatzwert verwendet werden soll oder ob eine Opportunity überhaupt noch aktiv ist, löst ein LLM dieses Problem nicht.
Das alte Prinzip gilt auch im AI-Zeitalter:
Garbage in, garbage out.
Wer unzuverlässige Daten in ein AI-basiertes Briefing gibt, erhält im schlimmsten Fall eine hervorragend formulierte – aber falsche – Antwort.
2. Semantische Konsistenz: Eine gemeinsame Business-Sprache schaffen
Die zweite Herausforderung ist weniger offensichtlich.
Verschiedene Systeme können jeweils korrekte Daten enthalten und trotzdem unterschiedliche Antworten auf dieselbe Business-Frage liefern.
- Was genau ist ein Kunde?
- Was verstehen wir unter Umsatz?
- Was gehört zur Pipeline?
- Wie wird die Marge berechnet?
- Welches Sales Target ist relevant?
Je nachdem, ob man CRM, ERP, Analytics oder Finance fragt, können die Antworten unterschiedlich ausfallen.
Deshalb haben wir eine gemeinsame Business- und Semantikschicht für zentrale Begriffe wie Customer, Revenue, Pipeline, Opportunity, Margin und Sales Target definiert.
Anschließend können die einzelnen Datenquellen diesen Definitionen zugeordnet und Regeln für widersprüchliche Informationen festgelegt werden.
Denn die AI sollte nicht spontan entscheiden müssen, was das Unternehmen mit „Umsatz“ eigentlich meint.
Zuerst schaffen wir eine gemeinsame Business-Sprache. Danach lassen wir AI damit arbeiten.
3. Data Ownership & Access: Nur weil Daten verfügbar sind, darf sie nicht jeder sehen
Das Zusammenführen bisher getrennter Daten wirft unmittelbar eine weitere Frage auf:
Wer darf eigentlich welche Informationen sehen?
Für jede Datenquelle und Business-Domäne müssen deshalb klare Verantwortlichkeiten definiert werden.
Data Owner legen fest, wer Informationen konsumieren darf, unter welchen Bedingungen und bis zu welchem Detailgrad.
Bestehende SAP-Rollen und Berechtigungen können dabei, soweit möglich, die Grundlage bilden. Je nach Szenario sind zusätzliche rollenbasierte Berechtigungen oder Einschränkungen auf Feldebene notwendig.
Ein Grundsatz sollte dabei nicht verhandelbar sein:
Die AI darf niemals auf Informationen zugreifen, für die der anfragende Benutzer keine Berechtigung besitzt.
Eine AI-Plattform, die zahlreiche Unternehmenssysteme miteinander verbindet, darf nicht unbeabsichtigt zum mächtigsten Superuser des Unternehmens werden.
Berechtigungen müssen deshalb den Daten über den gesamten Prozess hinweg folgen – von der Quelle bis zum fertigen Customer Briefing.
4. Vertrauen: Woher kommt diese Aussage?
Selbst ein technisch perfektes Customer Briefing hat wenig Wert, wenn der Vertrieb den Ergebnissen nicht vertraut.
Stellen wir uns folgende Aussage vor:
„Der Umsatz mit diesem Kunden ist um 12 % gesunken.“
Sofort entstehen weitere Fragen.
Im Vergleich zu welchem Zeitraum? Welche Umsatzdefinition wurde verwendet? Aus welchem System stammt die Zahl? Wann wurden die Daten zuletzt aktualisiert?
Deshalb müssen Ergebnisse nachvollziehbar und erklärbar sein.
Wichtige Fakten und KPIs sollten ihre Datenquelle, ihren Zeitstempel und – sofern relevant – die zugrunde liegende Berechnungslogik transparent machen.
Ebenso wichtig ist die klare Trennung zwischen Fakten und AI-generierter Interpretation.
Zum Beispiel:
Fakt: Der Umsatz mit dem Kunden ist im Jahresvergleich um 12 % gesunken.
Interpretation: Der Umsatzrückgang in Kombination mit einer geringeren Opportunity-Pipeline könnte auf eine abnehmende Kundenaktivität hindeuten.
Empfehlung: Im nächsten Kundengespräch sollten die aktuellen Investitionsprioritäten und mögliche neue Geschäftsfelder adressiert werden.
Das sind drei völlig unterschiedliche Arten von Informationen.
Wer diese Unterschiede transparent macht, erhöht die Nachvollziehbarkeit – und damit letztlich das Vertrauen in die Lösung.
AI ist die letzte Meile – nicht der Ausgangspunkt
Eine der wichtigsten Erkenntnisse aus diesem Szenario war, dass ein AI-driven Customer Briefing nicht in erster Linie ein AI-Projekt ist.
Es ist zunächst ein Daten- und Business-Kontext-Projekt.
Die Integrations- und Semantikschicht muss saubere, autorisierte und fachlich kontextualisierte Informationen bereitstellen. Erst danach sollte AI das übernehmen, was sie besonders gut kann: Informationen miteinander verknüpfen, große Datenmengen zusammenfassen, Muster erkennen und daraus Empfehlungen ableiten.
Oder anders formuliert:
Wir sollten AI nicht die Aufgabe geben, inkonsistente Unternehmensdaten konsistent zu machen. Wir sollten AI einen verlässlichen Business-Kontext geben und sie daraus Insights erzeugen lassen.
Ist dieses Fundament geschaffen, werden aus voneinander isolierten Datensilos plötzlich wertvolle Bausteine eines gemeinsamen Kundenbildes.
Und genau darin liegt der eigentliche Business Value: Vertriebsmitarbeiter verbringen weniger Zeit damit, Informationen aus verschiedenen Systemen zusammenzusuchen. Stattdessen können sie sich auf das konzentrieren, was wirklich zählt – Kunden besser verstehen, Chancen schneller erkennen und fundiertere Entscheidungen in kürzerer Zeit treffen.
