Stammdatenverwaltung ist das Erfassen, Ändern und konsistent Halten von Basisdaten: Kundendaten, Produktcodes, Lieferanteninformationen. Die Arbeit findet zwischen Systemen wie einer ERP-Umgebung und einem Master-Data-Management-Tool statt und wird derzeit häufig von einem Datenverwalter oder administrativen Mitarbeiter erledigt, der Datensätze kontrolliert und korrigiert.
Um zu bestimmen, was KI hier übernehmen kann, betrachten wir nicht die Berufsbezeichnung, sondern die Aufgabe selbst, entlang acht Achsen. Drei davon geben den Ausschlag: Strukturiertheit, Volumen und Fehlerkosten.
Stammdaten haben eine feste Form. Ein Kundendatensatz hat einen Namen, eine Adresse, eine Umsatzsteuer-Identifikationsnummer, ein Produktcode hat eine feste Anzahl von Feldern. Diese Vorhersehbarkeit erzielt einen hohen Wert bei Strukturiertheit, und das ist genau die Art von Arbeit, die Automatisierung schon seit Jahrzehnten gut in den Griff bekommt. Rechnen Sie dazu das Volumen: Unternehmen mit Tausenden Kunden- oder Produktzeilen haben eine Aufgabe, die sich ständig wiederholt, mit denselben Schritten pro Datensatz. Hohes Volumen plus hohe Struktur ist die Kombination, in der regelbasierte Automatisierung, in diesem Fall RPA, ihre Arbeit am besten verrichtet.
Ein Beispiel: Ein Lieferant ändert eine Adresse. Die neue Adresse muss ins ERP-System, in das Rechnungssystem und in das Kundenportal übernommen werden. Das ist dreimal dasselbe Feld nach einer festen Regel ausfüllen. Dafür ist keine Einsicht nötig, wohl aber Konsistenz.
Hier hakt es. Ein Fehler in Stammdaten pflanzt sich fort: eine falsche Umsatzsteuer-Identifikationsnummer führt zu einer fehlerhaften Rechnung, ein fehlerhaftes Produktcode-Feld führt zu falschen Bestandszählungen oder falschen Preisen beim Kunden. Die Achse Fehlerkosten erzielt daher keinen niedrigen Wert, ebenso wenig wie Compliance: viele Stammdaten unterliegen Vorschriften zu personenbezogenen Daten oder zur steuerlichen Erfassung. Das bedeutet nicht, dass KI hier keine Rolle hat, wohl aber, dass eine vollständig autonome Verarbeitung ohne Kontrolle ein Risiko darstellt, das nicht ohne Weiteres akzeptiert wird.
Der Beurteilungsspielraum ist außerdem gering: es gibt wenig Raum, um selbst zu interpretieren, was ein korrekter Wert ist, die Regeln liegen fest. Das ist eine gute Nachricht für die Automatisierung, denn Beurteilungsspielraum ist meist die Achse, die menschliche Arbeit erfordert. Bei Stammdaten liegt die Schwierigkeit nicht im Entscheiden, sondern im Erkennen von Abweichungen: eine Adresse, die nicht existiert, ein Name, der nicht mit einem früheren Datensatz übereinstimmt. Das ist der Punkt, an dem menschliche Aufsicht mit begründetem Genehmigen oder Ablehnen ihren Wert behält.
Der größte Teil der regulären Erfassung und Synchronisation zwischen Systemen ist eine Aufgabe, die KI heute übernehmen kann, sofern zwei Rahmenbedingungen erfüllt sind: eindeutige Datendefinitionen, sodass kein Zweifel darüber besteht, was ein gültiger Wert ist, und Validierungsregeln bei der Erfassung, sodass abweichende Fälle erkannt werden, bevor sie weiterfließen. Ohne diese zwei Rahmenbedingungen verschiebt sich die Aufgabe automatisch zurück in den dritten Block: menschliche Arbeit, weil niemand darauf vertrauen kann, was automatisch weggeschrieben wird.
Die Verschiebung, die hier im Gange ist, besteht nicht darin, dass der Datenverwalter verschwindet, sondern dass sich der Aufgabeninhalt verändert: vom selbst Eintippen zum selbst Beurteilen, was ein System als abweichend gemeldet hat. Das ist eine andere Art von Arbeit, mit einer anderen Art von Aufmerksamkeit, und sie erfordert jemanden, der versteht, warum ein Datensatz abgelehnt wurde, nicht nur, wie man ihn erfasst.
Bei einem Unternehmen mit einem kleinen, übersichtlichen Kundenstamm und wenigen Produktvarianten ist der Nutzen der Automatisierung begrenzt: das Volumen ist zu gering, um die Investition in Validierungsregeln und Verknüpfungen wieder einzuspielen. Bei einem Unternehmen mit stark unterschiedlichen Quelldaten — etwa nach einer Fusion, mit zwei verschiedenen CRM-Systemen, die nicht dieselben Felder verwenden — liegt die Schwierigkeit nicht bei der Erfassung, sondern zunächst beim Festlegen eindeutiger Definitionen. Das ist eine einmalige, inhaltliche Aufgabe, bevor Automatisierung sinnvoll wird.
Diese Abwägung zwischen Struktur, Volumen und Fehlerrisiko spielt nicht nur bei Stammdaten eine Rolle. Dieselbe Logik kehrt wieder bei Fragen darüber, welche Arbeit in der Einkaufsabteilung sich für Automatisierung eignet, wo Lieferantendaten und Bestellzeilen dieselbe Kombination aus Wiederholung und Fehleranfälligkeit aufweisen. Auch bei der Beantwortung von Nutzeranfragen zu Software spielt eine vergleichbare Abwägung zwischen festen Mustern und Eskalation eine Rolle: siehe wie KI mit Nutzeranfragen zu Softwareproblemen umgeht. Und wo Systeme selbst auf Abweichungen überwacht werden, ist die Logik von Erkennen und Weiterleiten vergleichbar mit dem, was über die Überwachung der Systemleistung durch KI zu lesen ist.
Dies ist kein Personalberatung und keine Begründung für eine Entscheidung über eine Funktion oder Stellenbesetzung. Wenn das Ergebnis dieser Analyse an anderer Stelle in einem Prozess rund um Personal verwendet wird, gelten dafür eigene gesetzliche Anforderungen, an denen dieser Artikel nichts ändert. Was hier steht, ist eine Aussage über die Aufgabe, nicht über die Person, die sie derzeit ausführt.
Um zu sehen, wie sich diese Einteilung für das eigene Unternehmen auswirkt, gibt es den kostenlosen Quickscan: zwölf Fragen, kein Konto erforderlich, mit als Ergebnis einen Hinweis darauf, welcher Teil der Stunden in diesem Profil heute durch KI übernommen werden kann. Der vollständige Werkscan, der die Arbeit eines ganzen Unternehmens Aufgabe für Aufgabe entlang dieser acht Achsen betrachtet, befindet sich noch im Aufbau und wird hier später angeboten.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.