Ausmaß und Geschwindigkeit des Wandels hin zur agentischen KI sind beeindruckend. Die Welt der KI bewegt sich weg von einfachen Chatbots und Copiloten hin zu einem Modell, in dem Menschen und KI-Agenten nahtlos zusammenarbeiten, um zu argumentieren, zu entscheiden und zu handeln. Dies ist ein entscheidender Moment. – Ein Beitrag von Korbinian Zollner, Leiter Solutions Architecture, EMEA bei Starburst.
Laut IDC wird knapp die Hälfte der Unternehmen bis 2030 KI-Agenten „in großem Maßstab einsetzen und sie in alle Geschäftsbereiche integrieren“. Das Risiko ist jedoch erheblich. Gartner prognostiziert, dass 60 Prozent der KI-Projekte aufgegeben werden, weil die richtigen Daten nicht wie erforderlich bereitgestellt werden können, und 40 Prozent der Projekte mit agentischer KI voraussichtlich scheitern werden – aufgrund von Kosten, unklarem Nutzen oder unzureichenden Kontrollen und Governance. Im Wettlauf um KI wird für Unternehmen, die es versäumen, „hochwertigen, KI-fähigen Daten Priorität einzuräumen“, ein Produktivitätsverlust von 15 Prozent bis 2027 prognostiziert.
Über Vorschläge hinaus zur Umsetzung
Die Herausforderung ist gewaltig. Herkömmliche GenAI-Modelle sind meist reaktiv und nicht selbststeuernd. Sie verbrauchen Daten, machen Vorschläge, aber Menschen müssen die endgültige Entscheidung treffen. Agentische KI hingegen ist proaktiv, spezialisiert und autonom. KI-Agenten nutzen nicht nur Daten, sie generieren neue Daten, lösen Workflows aus und führen Aufgaben aus.
Dieses Maß an Autonomie legt die Messlatte für Datenqualität höher. KI ist nichts ohne Zugriff auf die richtigen Daten, doch viele Unternehmen sind in fragmentierten Silos gefangen. Wenn Daten über verschiedene Anwendungen und Infrastrukturen verteilt sind, insbesondere wenn diese durch Fusionen und Übernahmen gewachsen sind, sind Datenqualität inkonsistent und Kontext nicht vorhanden. Zudem hat der Aufstieg der Black-Box-Retrieval-Methode (oder „Naive RAG“) ein Vertrauensdefizit geschaffen. Für eine Führungskraft ist das „Urteilsvermögen“ eines Agenten ein Risiko, wenn es nicht durch eine klare Datenherkunft und Governance auf hochwertige Daten zurückgeführt werden kann.
Datensouveränität als Notwendigkeit begreifen
Diese technischen Herausforderungen werden durch eine weltweit verschärfte Daten-Compliance und Anforderungen an Datensouveränität noch verstärkt. Jüngste Entwicklungen in Europa zeigen, dass Datensouveränität sich von einem theoretischen Diskussionsthema zu einer realen Reaktion auf wirtschaftliche und geopolitische Umwälzungen entwickelt.
Dies ist nicht nur ein Thema für Unternehmen in stark regulierten Branchen oder solchen, die sensible Aufgaben für Regierungen ausführen. Technologieführer sehen sich einem stetigen Strom von staatlichen Vorschriften gegenüber, die sich auf Speicherort der Daten, Datenschutz und Datensicherheit beziehen.
Wie gelingt es, diese regulatorischen Herausforderungen für Daten zu lösen?
In dieser komplexen Datenlandschaft benötigen Unternehmen mehr als nur ein „angestöpseltes“ Compliance-Tool, um vom Experimentierstadium in Produktion zu gelangen. Sie benötigen eine sichere Datengrundlage für Agenten, die sich über Workflows hinweg koordinieren und im Rahmen definierter Richtlinien agieren können – auch bekannt als „Agentic Substrate“.
Dieses Substrat basiert auf einem föderierten, modellorientierten Ansatz. Anstatt auf umfangreiche Datenmigrationen zu setzen, die oft zu Dateninkonsistenzen, -fehlern und -kopien führen und ineffiziente Workflows verursachen, bleiben die Daten dort, wo sie sich befinden. Es sind die Modelle und Anwendungen, die zu den Daten kommen.
All dies muss unter Gewährleistung von Compliance, Datensicherheit und Datensouveränität erreicht werden. Der menschliche Faktor ist hier entscheidend. Die richtigen Personen müssen in der Lage sein, zur richtigen Zeit die richtigen Entscheidungen zu treffen, sowohl für das Geschäft als auch im Hinblick auf Compliance.
Der „Human-in-the-Loop“-Faktor
Auch wenn das Ziel Autonomie ist, bleiben Menschen das Herzstück der agentenbasierten Arbeitskraft. IT-Führungspersonal muss ein „AgentOps“-Team aufbauen, um die Ergebnisse der Agenten nachvollziehen zu können und so einen Prüfpfad für kontinuierliche Verbesserungen bereitzustellen.
Außerdem müssen sie sicherstellen, dass auch Nicht-Spezialisten komplexe Datensätze mit natürlicher Sprache abfragen können. Dies senkt die Einstiegs- und Akzeptanzhürden und ermöglicht es menschlichen Mitarbeitern, die entscheidenden Entscheidungen zu Compliance- und Souveränitätsfragen zu treffen, während Agenten die „schwere Arbeit“ der Datenaufbereitung übernehmen.
Das Ergebnis ist eine KI- und Datenstrategie, in die Souveränität und Compliance von Anfang an integriert sind. Das führt dann auch dazu, dass Systeme sowohl sicher als auch agil genug sind, um weitere Wellen der KI-Innovation zu bewältigen.
Fazit
Der Einsatz von agentischer KI wird massiv vorangetrieben, doch der Erfolg hängt maßgeblich vom Vertrauen in die Daten ab. Durch den Aufbau einer Datenarchitektur, die sich auf föderierten Zugriff und regulierte Datenprodukte konzentriert, sind Unternehmen in der Lage, ihre KI-Fähigkeiten zu skalieren. Im Zeitalter von agentischer KI dürfen Souveränität, Compliance und Sicherheit nicht beeinträchtigt werden. Es ist an der Zeit, ständige Datenmigrationen zu beenden und bestehende Modelle zu überdenken.
Hier finden Sie weitere Informationen zu Starburst.