Warum Ihre KI-Agenten Ihr Unternehmen nicht verstehen
Für wen dieser Artikel gedacht ist
Dieser Artikel richtet sich an CIOs, CDOs, CTOs, CAIOs sowie an Führungskräfte aus Daten- und KI-Teams, die KI-Agenten produktiv einsetzen und über Pilotprojekte hinaus skalieren möchten. Er hilft dabei, zu verstehen, warum Datenzugriff nicht automatisch zu Datenverständnis führt, welche Aufgaben Fachbereiche sowie Daten- und KI-Teams übernehmen müssen und wie moderne Datenplattformen wie Databricks Kontext, Governance und konsistente Geschäftslogik unterstützen.
Agentische KI ist längst Realität, doch viele Projekte bleiben hinter den Erwartungen zurück
KI-Agenten sind keine Zukunftsmusik mehr. Unternehmen und ihre Mitarbeiter können sie heute mit Anwendungen wie Microsoft Copilot Studio, Amazon Bedrock AgentCore, Google Cloud Gemini Enterprise Agent Platform oder Salesforce Agentforce entwickeln. Databricks bietet mit Agents Bricks und Genie Agents domänenspezifische Umgebungen, in denen Daten- und KI-Teams vertrauenswürdige Daten, Kennzahlen und Geschäftsregeln für Abfragen in natürlicher Sprache konfigurieren und diese KI-Agenten zugänglich machen können.
Die Werkzeuge bei der Entwicklung von KI-Agenten unterscheiden sich zwar, aber das Grundproblem ist ähnlich: Sind die Daten strukturiert, können KI-Agenten Informationen finden, lesen und Aktionen daraus ableiten – ohne ihre fachliche Bedeutung jedoch korrekt zu erfassen. Die Antwort klingt dann auf den ersten Blick plausibel, folgt aber womöglich einer falschen Annahme, nutzt eine veraltete Quelle oder übersieht eine geschäftliche Ausnahme. Der Grund dafür liegt nicht im verwendeten Modell. Oft versteht der Agent das Unternehmen nicht gut genug.
Geben Sie Ihren Agenten den Kontext, den sie brauchen, um verlässliche Ergebnisse zu liefern.
Datenzugriff ist nicht dasselbe wie Datenverständnis
Ein Agent kann auf Tausende Tabellen, Dokumente und Anwendungen zugreifen und trotzdem nicht wissen, was ihre Inhalte im Unternehmens- oder Abteilungskontext bedeuten. Datenverständnis entsteht dann, wenn Definitionen, Beziehungen, Gültigkeiten und Verantwortlichkeiten eindeutig festgelegt und für KI lesbar hinterlegt sind.
Ein Beispiel dafür ist der Begriff „aktiver Kunde“. In einem Unternehmen ist damit ein Kunde gemeint, der in den vergangenen 90 Tagen mindestens einen Kauf getätigt hat. Ein anderes Unternehmen hingegen versteht darunter einen Kunden mit laufendem Vertrag oder definiertem Mindestumsatz. Sind diese Kriterien nicht eindeutig festgelegt und maschinenlesbar hinterlegt, muss der Agent interpretieren.
Die Kontextualisierung betrifft nicht nur strukturierte Daten. In Dateiablagen liegen häufig mehrere Versionen eines Dokuments, Entwürfe liegen neben freigegebenen Fassungen und veraltete Richtlinien bestehen neben aktuellen Vorgaben. Mitarbeiter ordnen diese Signale oft aus Erfahrung richtig ein. Agenten brauchen aber explizite Hinweise darauf, welche Quelle maßgeblich ist, wem sie gehört und wie lange sie gültig ist.
Warum bisherige Datenstrategien für Agentische KI nicht ausreichen
Um Daten für Agenten lesbar zu machen, müssen Organisationen Kontext, Bedeutung, Entscheidungslogik und Unternehmenswissen verfügbar machen. Die Investitionen in Datenqualität, Reporting und Datenplattformen waren deswegen nicht vergeblich. Sie wurden jedoch überwiegend für strukturierte Analysen, Dashboards, Forecasts und klassische Machine-Learning-Anwendungen aufgebaut. Agentische KI stellt zusätzliche Anforderungen, weil Agenten Informationen nicht nur ausgeben, sondern auch interpretieren, Entscheidungen vorbereiten und Aktionen anstoßen sollen.
1. Der Kontext beschreibt, in welcher geschäftlichen Situation eine Information gilt.
Zum Kontext gehören zum Beispiel der Zeitraum, das Produkt, die Region, der Prozessschritt, die Datenherkunft und der zulässige Verwendungszweck. Ohne diesen Rahmen kann demselben Fakt in zwei Situationen eine unterschiedliche Bedeutung beigemessen
2. Bedeutung entsteht durch verbindliche Begriffe und Beziehungen.
Fachwörter wie Kunde, Umsatz oder Risiko müssen unternehmensweit so weit harmonisiert werden, dass Agenten und Menschen auf dieselbe Definition zurückgreifen. Die Business-Semantik wird damit von einer Form der Dokumentation zur Betriebsgrundlage für das agentische Unternehmen.
3. Die Entscheidungslogik legt fest, welche Kriterien, Schwellenwerte, Ausnahmen und Genehmigungen zu einem Ergebnis führen.
Die Entscheidungslogik muss so klar sein, dass sich nachvollziehen lässt, warum ein Agent eine Information ausgewählt, eine Empfehlung formuliert oder einen Prozessschritt angestoßen hat. Nur so lassen sich Ergebnisse plausibel und schnell prüfen.
4. Das Unternehmenswissen umfasst nicht nur Daten, sondern auch Richtlinien, Prozesswissen, dokumentierte Ausnahmen und Erfahrungswissen.
Das Unternehmenswissen liegt oft in Präsentationen, Wikis, Dateien und den Köpfen erfahrener Mitarbeitender. Für Agenten wird es erst nutzbar, wenn es gepflegt, auffindbar und eindeutig ist. Wenn klar geregelt ist, welche Stelle für die Pflege der jeweiligen Daten verantwortlich ist, werden Widersprüche zudem schnell aufgelöst.
Wie Unternehmen die Grundlagen für Agentische KI schaffen
Die Verantwortung für agentenfähige Daten liegt nicht allein bei der IT. Das operative Wissen der Organisation entsteht in den Fachbereichen. Sie müssen Begriffe, Prozessregeln, Ausnahmen und gewünschte Ergebnisse erklären. Daten- und KI-Teams können diese Inhalte anschließend in strukturierte Metadaten, semantische Modelle, Datenprodukte und technische Kontrollen übersetzen. Governance-, Security- und Compliance-Funktionen definieren darüber hinaus den zulässigen Rahmen. Dabei steht fest: In diesem Konstrukt muss die Unternehmensführung Verantwortlichkeiten und bereichsübergreifende Definitionen festlegen.
Auf diese Weise entsteht ein gemeinsames Arbeitsmodell für die gesamte Organisation, eindeutige und gültige Definitionen zu etablieren. Für jedes relevante Wissensobjekt gibt es eine fachliche Eigentümerschaft. Es existieren freigegebene Definitionen, technische Repräsentationen dieser Definitionen und ein klarer Prozess für Pflege und Änderungen.
Warum die Prozessoptimierung vor der Automatisierung erfolgen muss
Unternehmen, die mit der Automatisierung statt mit der Prozessoptimierung beginnen, laufen Gefahr, unnötig komplexe Abläufe mit KI-Agenten lediglich schneller auszuführen. Die Folge sind Medienbrüche, doppelte Prüfungen, widersprüchliche Zuständigkeiten und nicht dokumentierte Ausnahmen, die vom Agenten übernommen werden. Daher muss zuerst der Prozess fachlich überprüft und gegebenenfalls neu gestaltet werden.
Führungskräfte sollten daher nicht mit der Frage beginnen, welchen Agenten sie entwickeln können. Stattdessen sollten sie fragen, welches Ergebnis ein Prozess zuverlässig liefern soll. Daraus lassen sich Prozessschritte, Entscheidungspunkte, benötigte Informationen, zulässige Aktionen und Eskalationen ableiten. Danach wird klar, welche Aufgaben ein spezialisierter Agent übernehmen kann und an welchen Stellen Mitarbeiter verantwortlich bleiben müssen.
Starten Sie mit diesen vier Schritten:
1. Wählen Sie einen wertvollen, überschaubaren Prozess. Geeignet ist eine repetitive Aufgabe mit erkennbarem Nutzen, klaren Beteiligten und messbarem Ergebnis. Wenn sich das Experiment gut skalieren lassen soll, achten Sie darauf, dass die gewählte Aufgabe Teil eines Fachbereichs ist und keine komplexen Ausnahmefälle aufweist.
2. Gestalten Sie den Zielprozess vor der Automatisierung. Deklinieren Sie den Arbeitsprozess von Anfang bis Ende durch. Legen Sie Entscheidungen, Ausnahmen, Verantwortlichkeiten und menschliche Eingriffe fest und entfernen Sie die Prozessschritte, die keinen Beitrag zum gewünschten Ergebnis leisten.
3. Leiten Sie Wissen und Kontrollen ab, die dem Agenten helfen. Definieren Sie für jeden Schritt, welche Daten, Definitionen, Richtlinien, Berechtigungen und Nachweise der Agent benötigt und welche Handlungen ausdrücklich ausgeschlossen sind.
4. Grenzen Sie die Aufgabe des Agenten ein und messen Sie den Erfolg. Geben Sie dem Agenten ein klar beschriebenes Aufgabenpaket. Legen Sie Qualitäts-, Zeit-, Kosten- und Nutzungskennzahlen fest, die Ihnen helfen zu erkennen, ob der Einsatz des Agenten tatsächlich Mehrwert schafft.
Governance wird vom Compliance-Thema zum Erfolgsfaktor für KI
KI-Agenten erreichen Ergebnisse oft am Ende mehrstufiger Entscheidungsprozesse. Daher reicht es nicht, nur festzulegen, auf welche Daten der Agent zugreifen darf. Nutzer müssen erkennen können:
- welche Informationen der Agent nutzt,
- wie das Ergebnis zustande kommt,
- ob dabei die gültigen Richtlinien eingehalten werden
- wann sie eingreifen müssen.
Diese Governance gibt die Leitplanken für Mitarbeiter und Agenten vor und wird damit zum Erfolgsfaktor für die operative Qualität der Zusammenarbeit von Mitarbeitern und Agenten.
Nachvollziehbarkeit
Die Antworten und Entscheidungen von Agenten müssen immer nachvollziehbar sein. Ein Agent muss verwendete Quellen, Regeln und Zwischenschritte darlegen, um die fachliche Prüfung, Fehleranalysen und Auditierung zu erleichtern.
Definieren Sie in Zusammenarbeit mit Fachexperten bereits in der Konzeptionsphase, welche Belege für jede relevante Entscheidung von Agenten gespeichert und für den Human-in-the-Loop verständlich angezeigt werden müssen.
Observability
Observability hilft Ihnen, zu verstehen, was innerhalb des Agentensystems geschieht. Auf welche Quellen greift der Agent zu? Welche Werkzeuge nutzt er? Welche Pfade wählt er und wo treten Fehler auf?
Monitoring
Die laufende Qualitätsmessung macht sichtbar, ob Genauigkeit, Kosten, Reaktionszeit und Nutzung im erwarteten Bereich liegen. Das System sollte Warnungen automatisch verschicken, wenn definierte Schwellenwerte verletzt werden.
Legen Sie noch vor dem Pilotbetrieb wenige belastbare Erfolgs- und Risikokennzahlen fest und knüpfen Sie Abweichungen an klare Reaktionswege.
Berechtigungen
Ihre Agenten sollten Informationen nur im zulässigen Kontext verwenden. Die Identität des Nutzers, der diesen Agenten bedient, reicht dafür nicht immer aus. Vor allem, wenn Daten einzeln zugänglich sind, aber laut Geschäftsvorgabe nicht kombiniert werden dürfen.
Ergänzen Sie rollenbasierte Datenzugriffe um kontextbezogene Regeln für Zweck, Prozess, Datendomäne und zulässige Kombinationen.
Richtlinien
Richtlinien müssen nicht nur vorhanden sein, sondern so formuliert werden, dass sie in Agentenabläufen geprüft und technisch durchgesetzt werden können. Dazu zählen Verbote, Genehmigungen, Eskalationen und menschliche Freigaben.
Übersetzen Sie kritische Richtlinien in explizite Regeln, Tests und Stopp-Kriterien und benennen Sie fachlich verantwortliche Stellen für Änderungen.
Welche Rolle moderne Datenplattformen dabei spielen
Moderne Datenplattformen wie Databricks können Ihnen die organisatorische Arbeit nicht abnehmen. Sie können aber eine kontrollierte Schicht bereitstellen, in der Daten, Geschäftsbegriffe, Kennzahlen, Berechtigungen und Herkunft gemeinsam verwaltet und für Mitarbeiter und KI-Systeme gleichermaßen nutzbar werden. Besonders gut für diese Schicht eignet sich Databricks mit folgenden Eigenschaften:
1. Unity Catalog
Unity Catalog bildet die Governance-Grundlage. Daten und weitere Objekte werden zentral katalogisiert, mit Berechtigungen versehen und können über ihre Herkunft nachvollzogen werden. Dadurch entsteht ein kontrollierter Rahmen, in dem Agenten auf Governance aufbauen und sich innerhalb der definierten Regeln bewegen.
2. Unity Catalog Semantics und semantische Layer
Unity Catalog Semantics bündelt Werkzeuge, mit denen Unternehmen standardisierte Geschäftskennzahlen, Begriffe und organisatorische Strukturen über ihre katalogisierten Daten definieren. So können Fachexperten und KI-Agenten Daten innerhalb eines gemeinsamen Governance-Modells konsistenter interpretieren.
3. Metric Views und Metrikdefinitionen
Metric Views ermöglichen es Ihnen, Geschäftskennzahlen zentral zu definieren und zu verwalten. Measures werden von Dimensionen getrennt, nach denen sie gruppiert oder gefiltert werden. Für Ihre Mitarbeiter und Fachabteilungen bedeutet das: Eine Kennzahl wie „Umsatz“ oder „aktiver Kunde“ muss nicht in jedem Dashboard oder von jedem Agenten neu interpretiert werden.
4. Pages, Domains und Zertifizierung
Domains ordnen Datenbestände nach Geschäftszweck. Pages können verbindliche Definitionen für Begriffe, Entitäten oder Abkürzungen enthalten. Zertifizierungs- und Deprecation-Signale markieren, welche Assets vertrauenswürdig und welche Assets veraltet sind. Damit erhalten Ihre Agenten entscheidende Hinweise zur fachlichen Autorität und Aktualität Ihrer Daten.
5. Genie One und Genie Agents
Daten-Teams können in Genie Agents domänenspezifische Umgebungen mit ausgewählten Daten, Kennzahlen, Beispielabfragen und Geschäftsregeln konfigurieren. Genie One bietet einen zentralen Zugang, über den Nutzer Fragen in natürlicher Sprache an ihre Unternehmensdaten stellen können. So begrenzen Sie den Datenkontext und erreichen Antworten, die fachlich gezielter sind.
6. Genie Ontology
Genie Ontology verbindet explizit modellierten Kontext aus Unity Catalog Semantics mit Kontext, den Genie aus vorhandenen Assets und deren Nutzung ableitet. Sie dient als einheitliche Kontextschicht für Genie-Erlebnisse. Eine Ontologie ersetzt aber keine fachliche Verantwortung. Sie kann bestätigtes Wissen und bestätigte Beziehungen auffindbar und wiederverwendbar machen.
Diese Funktionen machen Ihr Unternehmen nicht auf Knopfdruck maschinenlesbar. Sie schaffen jedoch die technischen Bausteine, mit denen Ihre Fachbereiche und Plattformteams gemeinsame Definitionen, vertrauenswürdige Datenquellen und kontrollierte Zugriffe systematisch umsetzen können. Wichtig ist zu verstehen, dass KI-Agenten auch außerhalb von Databricks Teil der Gesamtarchitektur sein können. Entscheidend ist, dass sie auf denselben freigegebenen Kontext und dieselben Regeln zugreifen können.
So wird Ihr Unternehmen schrittweise maschinenlesbar
- Beginnen Sie mit einem klar abgegrenzten, messbaren Prozess und optimieren Sie ihn, bevor ein KI-Agent einzelne Aufgaben übernimmt.
- Benennen Sie fachliche Eigentümer, die Definitionen, Entscheidungsregeln, Ausnahmen und maßgebliche Wissensquellen gemeinsam mit Ihren Daten- und KI-Teams maschinenverständlich abbilden.
- Verankern Sie Nachvollziehbarkeit, Observability, Monitoring, Berechtigungen und Richtlinien bereits in Ihrem Pilotprojekt. Entwickeln Sie aus erfolgreichen Ansätzen wiederverwendbare Standards für andere Anwendungsfälle.
Fazit: Nicht das größte Modell entscheidet
Agentische KI ist nicht nur ein Technologie- oder Datenunterfangen. Sie verlangt von Unternehmen, klare Erfolgskriterien und Prozesse festzulegen. Denn wo Begriffe unterschiedlich verwendet werden, Prozesse nicht eindeutig beschrieben sind, Richtlinien nur in Dokumenten existieren und Wissen an einzelne Personen gebunden ist, lösen auch leistungsfähigere KI-Modelle die Probleme nicht.
Maschinenlesbarkeit heißt nicht, dass die gesamte Organisation in einem Großprojekt vollständig modelliert werden muss. Sie entsteht schrittweise: anhand konkreter Prozesse, mit klaren fachlichen Eigentümern, verbindlichen Definitionen und wirksamer Governance. Moderne Datenplattformen wie Databricks ebnen diesen Weg und beschleunigen die Transformation, wenn Technologie, Daten, Prozesse und Menschen gemeinsam weiterentwickelt werden.
Key Takeaways
- Datenzugriff schafft noch kein Datenverständnis: KI-Agenten benötigen explizite Semantik, Kontext und Entscheidungslogik.
- Prozessoptimierung muss der Automatisierung vorausgehen, damit Agenten Unklarheiten und unnötige Arbeitsschritte nicht mitskalieren.
- Fachbereiche tragen die Verantwortung für Bedeutung und Regeln, während Daten-, KI-, Governance- und Security-Teams diese technisch und organisatorisch operationalisieren müssen.
- Mit Unity Catalog, Unity Catalog Semantics, Metric Views, Pages, Genie Agents und Genie Ontology unterstützt Databricks Unternehmen dabei, eine Kontextschicht mit integrierter Governance für KI-Agenten aufzubauen.
- Vertrauen in KI-Agenten entsteht durch Nachvollziehbarkeit, Observability, Monitoring, kontextbezogene Berechtigungen und technisch durchsetzbare Richtlinien.
