Wenn ein KI-Agent Daten an einen anderen Agenten weiterleitet, hängt es von der Gestaltung des Arbeitsablaufs ab, inwieweit ein Mensch diese tatsächlich überprüft. Die meisten Unternehmen beziehen heute noch immer eine Person in den Prozess ein – doch genau an der Stelle, an der die Ausgabe eines Agenten zur Eingabe eines anderen Agenten wird, erfolgt diese Übergabe in der Regel, ohne dass jemand in Echtzeit dabei zusieht.
Wenn also ohne Vorwarnung Unstimmigkeiten in diesen Daten auftreten, kommt es zu einer fehlerhaften Entscheidung.
Es ist wie bei einem Staffellauf. Man kann die besten Sprinter der Welt haben und einen Trainer, der jeden Stabwechsel beobachtet. Aber wenn der Stabwechsel selbst nicht durch ein festgelegtes Konzept geregelt ist, kann niemand schnell genug eingreifen, um zu verhindern, dass der Staffelstab auf den Boden fällt.
KI-Workflows zwischen Agenten scheitern auf dieselbe Weise – an der Stelle, an der Daten zwischen Systemen und über Domänen hinweg übertragen werden, ohne dass eine einheitliche Steuerung sie zusammenhält.
Diese Steuerung muss von irgendwoher kommen: Entweder überprüft ein Mensch den Stabwechsel, oder das System ist so aufgebaut, dass es sich selbst überprüft. Eine Steuerung, die bei jedem Stabwechsel auf eine menschliche Überprüfung angewiesen ist, stellt einen Engpass dar, der den Arbeitsablauf auf das Tempo der daran beteiligten Personen verlangsamt.
In diesem Blog erfahren Sie, warum Agent-zu-Agent-Workflows auf der Datenebene scheitern und wie eine geregelte Dateninfrastruktur aussehen muss, um dies zu verhindern.
Warum verursachen Agent-zu-Agent-Workflows Datenprobleme, die bei Systemen mit nur einem Agenten nicht auftreten?
Ein einzelner KI-Agent, der innerhalb eines Systems arbeitet, hat ein begrenztes Datenproblem. Sind die von ihm gelesenen Daten inkonsistent, bleibt der Fehler lokal begrenzt. Ein Mensch oder ein nachgelagerter Prozess kann ihn erkennen.
Multi-Agenten-Workflows verringern diese Begrenzung und beseitigen sie in vollständig autonomen Konfigurationen gänzlich.
Jeder Agent reagiert auf die Ausgabe des vorherigen Agenten – über Systeme und Domänen hinweg, die nie dafür ausgelegt waren, eine einheitliche Datenbasis zu teilen. Daher bleibt ein Fehler in Schritt eins nicht auf Schritt eins beschränkt.
Betrachten Sie einmal, welche Bereiche ein typischer agentenbasierter E-Commerce-Workflow durchläuft:
- Produktdaten (Beschreibungen, Attribute, Klassifizierungen)
- Bestandsbestände über Lagerhäuser und Regionen hinweg
Innerhalb jedes Bereichs mag die Steuerung funktionieren. Das Problem tritt jedoch bei der Übergabe auf, wenn ein für einen bestimmten Bereich entwickelter Agent Daten an einen Kontext übergibt, für den dieser ursprünglich nicht ausgelegt war.
Ohne eine Governance, die diese Domänen übergreift, wandern Inkonsistenzen unbemerkt durch die Kette und verschlimmern sich mit jedem Datenaustausch.
Bei einem Staffellauf bremst ein fallengelassener Staffelstab nicht nur einen Läufer aus: Er beendet das Rennen für alle Läufer hinter ihm.
Wie sieht ein Datenfehler in einer Agentenkette aus?
Nehmen wir einen agentenbasierten E-Commerce-Workflow, bei dem ein Produktempfehlungsagent einen Bestandsagenten versorgt, der wiederum einen Lieferantenagenten versorgt.
Jeder von ihnen führt genau die Aufgaben aus, für die er konfiguriert wurde.
Fügen wir nun eine Inkonsistenz ein:
Die Produktdaten in Schritt eins enthalten einen Klassifizierungsfehler: Eine SKU wurde der falschen Produktkategorie zugeordnet.
Folgendes passiert:
- Der Empfehlungsagent verarbeitet diese Informationen
- Der Bestandsagent erhält diese Ausgabe und ordnet den Bestand entsprechend zu
- Der Lieferanten-Agent gibt auf der Grundlage dieser Zuweisung eine Bestellung auf
Bis der Fehler sichtbar wird, sind bereits mehrere autonome Entscheidungen ausgeführt worden. Kein einzelner Agent hat in seiner eigenen Logik einen Fehler gemacht. Jeder hat sich einfach auf die Daten verlassen, die er erhalten hat.
Fehler in Multi-Agenten-Systemen unterscheiden sich erheblich von Fehlern in Ein-Agenten-Systemen:
- Der Fehler tritt verzögert auf und wird nicht an der Stelle sichtbar, an der er entstanden ist
- Der Auswirkungsbereich vergrößert sich mit jeder Weiterleitung, da jeder nachgelagerte Agent das Problem verschlimmert, anstatt es abzufangen
- Der Arbeitsablauf scheint erfolgreich ausgeführt worden zu sein, da kein Agent etwas als fehlerhaft kennzeichnet
- Ein erneutes Training der Agenten behebt das Problem nicht, da die Ursache in der ihnen zugrunde liegenden Datenschicht liegt
Ohne eine geregelte Datenebene, die diese Agenten miteinander verbindet, gibt es keinen Mechanismus, um nachzuvollziehen, auf welchen Datenzustand jeder Agent reagiert hat oder an welcher Stelle in der Kette der Fehler aufgetreten ist.
Warum versagt die Daten-Governance gerade bei der Übergabe zwischen Agenten?
Der Großteil der Daten-Governance in Unternehmen wurde auf Systemen aufgebaut, die auf Anweisungen warten.
- Ein Benutzer fragt eine Datenbank ab
- Ein Bericht greift auf ein Data Warehouse zurück
- Eine Anwendung liest einen Datensatz
Die Daten stehen lange genug still, um überprüft zu werden.
Agenten sind zunehmend darauf ausgelegt, zu agieren, Ergebnisse weiterzuleiten und den nächsten Schritt auszulösen. Und dies geschieht oft innerhalb derselben Workflow-Ausführung, ohne dass dazwischen ein Kontrollpunkt liegt.
Governance-Maßnahmen, die für die statische Nutzung konzipiert wurden, versagen, sobald Daten beginnen, sich autonom zwischen Systemen zu bewegen.
Agenten beziehen Daten aus nicht regulierten Quellsystemen
Die meisten Unternehmen verfügen über mehrere Quellsysteme, von denen jedes seine eigenen Datenstandards, Definitionen und Aktualisierungszyklen hat. Ein in einem System geregelter Produktdatensatz nimmt diese Regelung nicht mit, wenn ein anderer Agent ihn an anderer Stelle nutzt.
Domänenübergreifende Zugriffe führen zum Verlust des gemeinsamen Kontexts
Daten, die innerhalb einer Domäne korrekt sind, verlieren ihre Integrität, wenn ein Akteur in einer anderen Domäne sie ohne gemeinsame Definitionen interpretiert. Was „aktiv“ für einen Produktdatensatz bedeutet, ist nicht dasselbe wie für eine Lieferantenbeziehung.
Am Übergabepunkt gibt es keinen Prüfpfad
Wenn etwas schiefgeht, gibt es oft keine Aufzeichnung darüber, auf welchen Datenstand sich der jeweilige Mitarbeiter zum Zeitpunkt seiner Entscheidung gestützt hat.
Ohne diese Transparenz ist es nahezu unmöglich, einen Fehler über eine Kette mehrerer Agenten zurückzuverfolgen. Man sieht zwar das Ergebnis, aber nicht, welche Übergabe es verursacht hat – oder wie die Daten aussahen, als sie diese Grenze überschritten haben.
Was benötigt Ihre Datenschicht, um Agent-zu-Agent-KI zu unterstützen?
Die Antwort lautet nicht: mehr Daten. Die meisten Unternehmen verfügen bereits über genügend davon. Das Problem ist, dass die Daten an den Stellen, an denen Agenten Daten untereinander weitergeben, nicht geregelt sind. Was benötigt wird, sind die folgenden vier Elemente.
1. Ein einziger, geregelter Datensatz domänenübergreifend
Jeder Akteur in der Kette muss auf denselben geregelten Datensatz zugreifen. Produkt-, Lieferanten-, Kunden-, Partner- und Standortdaten müssen miteinander verknüpft und konsistent sein. Sie dürfen nicht als separate Silos verwaltet werden, die zufällig eine gemeinsame Infrastruktur nutzen.
2. Governance, die mit den Daten mitwandert
Governance, die bei der Erfassung angewendet und bei der ersten Weitergabe aufgegeben wird, ist keine Governance für Akteure. Die mit einem Datensatz verbundenen Regeln, Definitionen und Standards müssen ihm folgen, während er zwischen Akteuren und über Domänen hinweg weitergeleitet wird.
3. Nachvollziehbarkeit in jedem Schritt
Wenn eine Agentenkette zu einem unerwarteten Ergebnis führt, müssen Sie genau ermitteln, auf welchen Datenstand jeder Agent zu welchem Zeitpunkt reagiert hat. Ohne diese Informationen endet der Prüfpfad beim Workflow-Protokoll und nicht auf der Datenebene, auf der der Fehler seinen Ursprung hatte.
Die Nachvollziehbarkeit beeinflusst auch, wie Sie die Governance von vornherein gestalten. Wenn jeder Datenzustand im Nachhinein nachvollziehbar sein muss, muss die dafür erforderliche Struktur von Anfang an integriert werden.
4. Eine für Ketten konzipierte Struktur
Herkömmliche Daten-Governance war auf einzelne Anwendungen ausgerichtet, die Daten auf Anfrage abriefen.
In Multi-Agent-Workflows benötigen Sie eine Ebene, die darauf ausgelegt ist, den sequenziellen, autonomen Datenabruf über Domänengrenzen hinweg zu unterstützen, wobei – sofern die Governance-Ebene dies nicht zuerst abfängt:
- Eine menschliche Überprüfung bei jeder Übergabe ist nicht gewährleistet (und in autonomen Konfigurationen überhaupt nicht vorhanden)
- kein System eine Inkonsistenz meldet, es sei denn, die Governance-Ebene erkennt sie zuvor
Wie sorgt Stibo Systems dafür, dass Agent-zu-Agent-Workflows vertrauenswürdig sind?
STEP, die „Trusted Intelligence“-Plattform von Stibo Systems, ist eine führende Master-Data-Management-Plattform (MDM). Mit ihr verwalten Sie Produkt-, Kunden-, Partner-, Lieferanten- und Standortdaten als vernetztes Ganzes und nicht als separate Bereiche mit unterschiedlichen Standards.
Für Multi-Agenten-KI bedeutet das:
- Ein einziger verwalteter Datensatz bei jeder Übergabe
- Die Governance-Regeln werden mit den Daten weitergegeben
- Domänenübergreifende Beziehungen werden über die gesamte Kette hinweg aufrechterhalten
- Kontinuierliche Datenvalidierung über alle Domänen hinweg
- Jeder Datenzustand ist nachträglich nachvollziehbar
- Domänenübergreifende Übergänge werden nativ unterstützt, ohne dass die Konsistenz verloren geht
Während die Agent-zu-Agent-KI vom Pilotbetrieb in die Produktion übergeht, wird die ihr zugrunde liegende Datenschicht zum entscheidenden Faktor.
Bei einem Staffellauf verliert das schnellste Team, wenn die Wechselzone unkontrolliert ist. Das Gleiche gilt hier: Die Agenten können noch so gut konfiguriert und zweckmäßig ausgelegt sein – ohne eine kontrollierte Datenebene, die sie miteinander verbindet, bricht die Leistung genau an der Übergabestelle zusammen.
Stibo Systems strukturiert Ihr Unternehmen für vertrauenswürdige Agent-zu-Agent-Intelligenz.
FAQ
Was ist der Unterschied zwischen der Datenverwaltung für traditionelle Software und der Datenverwaltung für KI-Agenten?
Traditionelles Datenmanagement wurde für Systeme entwickelt, die Daten auf Anfrage konsumieren: Ein Benutzer führt eine Abfrage aus und eine Anwendung liest einen Datensatz. KI-Agenten konsumieren Daten autonom und geben sie ohne Pause weiter.
Die für das erste Modell entwickelte Governance bricht im zweiten zusammen, weil es keine menschliche Überprüfung zwischen den Schritten gibt und keinen natürlichen Kontrollpunkt, an dem Inkonsistenzen erkannt werden.
Wie überprüft man den Workflow eines KI-Agenten, wenn etwas schiefgeht?
Die Prüfung eines Multi-Agenten-Workflows erfordert Sichtbarkeit auf der Datenebene (nicht nur im Workflow-Protokoll). Sie müssen wissen, auf welchem Datenstatus jeder Agent zum Zeitpunkt seiner Entscheidung gehandelt hat.
Ohne das können Sie feststellen, dass etwas schiefgelaufen ist, aber nicht, wo in der Kette es entstanden ist oder welche Daten es ausgelöst haben.
Was bedeutet verwaltete Stammdaten für den Einsatz von KI-Agenten?
Gesteuerte Stammdaten bedeuten, dass jeder Agent in einem Workflow aus einem einzigen, autoritativen Datensatz liest – einem, der konsistente Definitionen, Klassifikationen und Beziehungen in allen Bereichen, die er berührt, trägt.
Für KI-Agenten sind unregulierte Stammdaten nicht nur ein Qualitätsproblem. Es ist ein Zuverlässigkeitsproblem an jedem Punkt autonomer Entscheidungen.
Was ist multidomain Master Data Management?
Multidomain master data management governs multiple data domains – product, customer, partner, supplier and location – as a connected whole rather than as separate systems with separate standards.
Für Unternehmen, die KI-Agenten in verschiedenen Geschäftsbereichen einsetzen, bietet es die konsistente Datenbasis, die Agentenketten benötigen, um zuverlässig zu arbeiten.
Wie beeinflusst die Datenqualität die Leistung von KI-Agenten?
Die Datenqualität bestimmt, ob einem Agenten vertraut werden kann, autonom zu handeln. Ein Agent, der auf inkonsistenten oder unvollständigen Daten arbeitet, wird Ausgaben erzeugen, die diese Inkonsistenzen widerspiegeln. In einem Multi-Agenten-Workflow werden diese Ausgaben zu den Eingaben für den nächsten Agenten in der Kette.
