Saubere Daten, dauerhaft — mit Agentic AI
Autonome KI-Agenten profilieren Ihre Daten, finden Duplikate, die keine Regel-Engine erkennt, validieren neue Einträge und überwachen die Qualität laufend — und jede Korrektur durchläuft ein menschliches Freigabe-Gate. Gebaut auf Claude, verbunden mit Ihren Systemen via MCP, ausgerichtet auf Schweizer Datenschutz.
Kommt Ihnen das bekannt vor?
- "Müller AG", "Mueller AG" und "Müller AG, Grenchen" sind drei verschiedene Kunden in Ihrem CRM — und niemand traut der Kundenzahl
- Jeder Monatsabschluss beginnt mit stundenlangem manuellem Aufräumen in Excel, bevor jemand die Zahlen zu präsentieren wagt
- ERP, CRM und Excel-Listen widersprechen sich bei Adressen, Preisen oder Beständen — und der Abgleich ist irgendjemandes inoffizieller Nebenjob
- Eine Migration oder ein KI-Projekt steht still, weil "die Daten nicht bereit sind" — und niemand sagen kann, wann sie es sein werden
- Ihre bestehenden Datenqualitätsregeln brechen jedes Mal, wenn die Realität einen Fall produziert, für den niemand eine Regel geschrieben hat
Agenten, die Ihre Daten verstehen — statt nur Muster abzugleichen
Klassische Datenqualitäts-Tools führen handgeschriebene Regeln aus. Agentic AI liest Ihre Daten wie eine sorgfältige Mitarbeiterin: Sie erkennt, dass zwei unterschiedlich geschriebene Firmen derselbe Kunde sind, dass ein Preis für seine Produktgruppe unplausibel ist, dass sich ein Datumsformat nach dem letzten ERP-Update geändert hat. Moderne Claude-Modelle halten 200’000 bis 1 Million Tokens Kontext — grob 300 bis 2’500 Seiten oder Zehntausende Datensätze — sodass ein Agent Ihr Schema, Ihre Geschäftsregeln und grosse Datenstichproben gleichzeitig betrachten kann statt Zeile für Zeile. Das ist kein Nice-to-have: Gartner prognostiziert, dass bis Ende 2026 60% der KI-Projekte ohne AI-ready Data abgebrochen werden. Saubere Daten sind das Fundament, auf dem jede Automatisierung und jede KI-Initiative steht.
Semantische Deduplizierung
Findet Duplikate, die Fuzzy-Matching übersieht: Namensvarianten, Umlaute, Abkürzungen, umgezogene Adressen. Zusammenführungen werden in Batches vorgeschlagen und von einem Menschen geprüft, bevor sich irgendetwas ändert.
Regeln in natürlicher Sprache
Beschreiben Sie auf Deutsch oder Englisch, was "gültig" bedeutet — der Agent macht daraus ausführbare Prüfungen. Kein Regel-Engine-Scripting, kein Berater-Lock-in. Genau dorthin bewegt sich die gesamte Branche.
Laufende Überwachung statt jährlicher Putzaktion
Ein Monitoring-Agent beobachtet neue und geänderte Datensätze, meldet Anomalien ohne vordefinierte Schwellenwerte und zeigt die Datengesundheit auf einem Dashboard, dem Ihr Team wirklich vertraut.
Kontextfenster, richtig eingesetzt
Grosse Kontextfenster ermöglichen Prüfungen über ganze Datensätze — aber publizierte Forschung (NVIDIA RULER, Chromas Context-Rot-Studie) zeigt: Der effektive Kontext ist kleiner als der beworbene. Unsere Agenten kombinieren deshalb langen Kontext fürs Schlussfolgern mit direkten MCP-Datenbankabfragen und Batch-Verarbeitung, statt naiv "eine Million Zeilen zu lesen".
So sieht das konkret aus
Ein fiktives, aber typisches Beispiel: eine Kundenliste, wie sie in fast jedem KMU existiert — und was die Agenten daraus machen.
1Schritt 1 — Der Profiling-Agent findet die Probleme
| Firma | Ort | UID | Telefon |
|---|---|---|---|
| Müller AG Duplikat-Cluster | Grenchen | CHE-123.456.789 | +41 32 645 11 22 |
| Mueller AG Duplikat-Cluster | Grenchen | UID fehlt | 032 645 11 22 Format-Drift |
| Müller AG, Grenchen Duplikat-Cluster | — | CHE-123.456.789 | 0326451122 Format-Drift |
| Bäckerei Steiner GmbH | Biel/Bienne | CHE-987.654.321 | +41 32 322 33 44 |
| steiner gmbh bäckerei Duplikat-Cluster | Biel | UID fehlt | +41 32 322 33 44 |
2Schritt 2 — Der Bereinigungs-Agent schlägt vor, Sie geben frei
Begründung des Agenten: identische UID-Registrierung, gleiche Telefonnummer nach Normalisierung, Adresse in Grenchen in allen drei Quellen. Konfidenz: hoch.
3Schritt 3 — Messbares Resultat
Illustratives Beispiel mit fiktiven Daten und Beispielwerten — Ihre Ausgangslage messen wir im Audit.
Die Architektur dahinter
So bringen wir Ihre Daten in Ordnung
Datenqualitäts-Audit
Agenten profilieren Ihre Systeme (ERP, CRM, Dateien) und erstellen einen bewerteten Report: Duplikate, Lücken, Inkonsistenzen, Format-Drift — jeweils mit Business-Impact.
Bereinigung mit Freigabe-Gates
Bereinigungs-Agenten schlagen Korrekturen und Zusammenführungen in Batches vor; Sie geben frei. Ohne Freigabe wird nichts in Ihre Systeme zurückgeschrieben.
Validierung an der Quelle
Neue Einträge werden bei der Erfassung geprüft — Plausibilität, Vollständigkeit, systemübergreifende Konsistenz — damit die Qualität gar nicht erst wieder abrutscht.
Monitoring & Übergabe
Ein Datengesundheits-Dashboard (auf Wunsch in Power BI), sinnvolle Alarme und Training, damit Ihr Team das System selbstständig betreibt.
Häufige Fragen
Was haben KI-Kontextfenster mit Datenqualität zu tun?
Das Kontextfenster ist das Arbeitsgedächtnis des Modells. Aktuelle Claude-Modelle halten 200’000 bis 1 Million Tokens — mehrere hundert bis rund 2’500 Seiten oder Zehntausende Datensätze. Damit kann ein Agent Schema, Datenkatalog, Geschäftsregeln und grosse Stichproben gleichzeitig betrachten — genau das macht semantische Deduplizierung und tabellenübergreifende Konsistenzprüfungen möglich. Die Forschung ("Lost in the Middle", NVIDIAs RULER-Benchmark, Chromas Context-Rot-Studie 2025) zeigt aber: Modelle bauen deutlich vor der beworbenen Grenze ab. Deshalb kippen wir nie Ihre Datenbank in einen Prompt: Agenten fragen sie über MCP ab, verarbeiten in Batches und reservieren das Kontextfenster fürs Schlussfolgern. Das ist der Unterschied zwischen einer Demo und einem System, dem Sie vertrauen können.
Sind meine Daten sicher? Was ist mit dem revDSG?
Ihre Daten bleiben in Ihren Systemen; Agenten greifen über MCP-Konnektoren lesend zu. Bei sensiblen Datensätzen arbeiten wir mit Stichproben oder Redaktion, nutzen wo nötig EU-/Schweiz-gehostete Deployment-Optionen und dokumentieren jeden Verarbeitungsschritt. Anthropic trainiert seine Modelle standardmässig nicht auf API-Daten, und EU-Hosting (z.B. Frankfurt) ist verfügbar. Sie erhalten ein Bearbeitungsverzeichnis und ein revDSG-konformes Setup — keine Black Box.
Halluziniert die KI nicht einfach "Korrekturen"?
Unbeaufsichtigt kann sie das — genau deshalb wird keine Korrektur automatisch angewendet. Bereinigungs-Agenten schlagen vor, Menschen geben frei. Deterministische Prüfungen übernehmen, was Determinismus am besten kann (exakte Summen, Schlüssel-Integrität, referenzielle Prüfungen); der Agent übernimmt die semantischen Ermessensfälle. Dieses Human-in-the-Loop-Muster ist der Branchenstandard: Forresters Data-Quality-Wave vom Q1 2026 beschreibt agentische Bereinigung "mit dem Menschen in der Schleife" als die prägende Marktverschiebung.
Was unterscheidet das von Informatica, Talend und den klassischen Tools?
Das sind exzellente Enterprise-Plattformen — und selbst sie werden agentisch: Gartner hat die Kategorie 2024 in "Augmented Data Quality Solutions" umbenannt, und die etablierten Anbieter bauen Natural-Language-Regel-Agenten ein. Die Evidenz spricht für den Ansatz: In einem 2026 publizierten Benchmark aus einem echten Produktions-Deduplizierungsworkflow schlug LLM-basiertes Matching das langjährig eingesetzte regelbasierte System deutlich. Mein Service bringt dieses Muster zu Schweizer KMU in KMU-Massstab: Wochen statt Quartale, Fixpreise, gebaut auf Claude und MCP gegen die Systeme, die Sie bereits nutzen — bexio, ABACUS, Microsoft 365.
Was kostet das, und wie lange dauert es?
Das Datenqualitäts-Audit dauert etwa eine Woche und liefert einen bewerteten Report plus priorisierten Bereinigungsplan — das allein ist oft ein Augenöffner. Ein typisches Bereinigungs- und Monitoring-Setup dauert 4–8 Wochen. Die Preise folgen denselben transparenten Fixpreis-Paketen wie alle meine Services.
Agentic AI ist stark gehypt. Warum sollte dieses Projekt gelingen?
Berechtigte Frage — Gartner erwartet, dass über 40% der Agentic-AI-Projekte bis 2027 abgebrochen werden, meist wegen unklarem Geschäftsnutzen. Datenqualität ist das Gegenbeispiel, weil die Ausgangslage messbar ist, bevor wir starten: Duplikatquote, Fehlerquote, Stunden manueller Bereinigung pro Monat. Diese Kennzahlen definieren wir im Audit — und Sie sehen sie nach jedem Bereinigungs-Batch. Wenn sie sich nicht bewegen, sehen Sie auch das.
Finden Sie heraus, wie sauber Ihre Daten wirklich sind
Buchen Sie ein kostenloses 30-Minuten-Gespräch. Wir schauen gemeinsam auf einen Ihrer Datensätze — und ich sage Ihnen ehrlich, was Agenten beheben können und was nicht.