Immer mehr Unternehmen stellen fest, dass selbst ihre hochwertigsten Daten noch nicht bereit sind, damit KI-Agenten, um darauf basierend Entscheidungen zu treffen.
Um sicher zu wissen, ob Ihre Daten „agentauglich“ – und nicht nur „berichtsfähig“ – sind, benötigen Sie Möglichkeiten, dies zu testen.
Hier sind fünf Tests, die Sie in Ihrer eigenen Umgebung durchführen können, um sicherzustellen, dass Ihre Daten agententauglich sind.
1. Sind Ihre Daten in jedem System, auf das ein Agent zugreift, konsistent?
Hier geht es darum, ob Ihre Systeme aus strukturellen Gründen übereinstimmen müssen oder ob jedes System seine eigene Version der Wahrheit verwaltet.
Um dies zu beurteilen, prüfen Sie Folgendes:
- Wie oft Schlüsselfelder für dieselbe Entität systemübergreifend voneinander abweichen, beispielsweise die Produktbeschreibung, die Kontaktdaten eines Kunden oder der Status eines Lieferanten
- Ob diese Abweichungen automatisch erkannt werden oder erst dann zutage treten, wenn es weiter unten in der Kette zu Problemen kommt
- Ob jedes System Daten aus einer einzigen, regulierten Quelle bezieht oder eine eigene Kopie verwaltet, die im Laufe der Zeit von der Originalquelle abweichen kann
Wenn die Antwort auf den letzten Punkt „eigene Kopie“ lautet, hat ein Mitarbeiter keine Möglichkeit zu wissen, welche Version korrekt ist.
Er wird auf diejenige reagieren, auf die er zuerst zugreift, und diese Entscheidung birgt eben diese Unsicherheit in sich.
2. Sind Ihre Daten vollständig genug, damit ein Agent handeln kann, ohne zu raten?
Ein Bericht kann ein fehlendes Feld umgehen. Ein Dashboard zeigt eine Lücke an, und der Leser weiß, dass er jemanden fragen muss. Ein Mitarbeiter hat jedoch niemanden, den er fragen kann.
Vollständigkeit bedeutet für einen Sachbearbeiter nicht, wie vollständig ein Datensatz insgesamt aussieht, sondern bezieht sich auf bestimmte Attribute, die ein Workflow benötigt. Sind diese Attribute in jedem Datensatz, den dieser Workflow verarbeitet, konsistent ausgefüllt?
Um dies zu überprüfen, bilden Sie den gesamten Arbeitsablauf eines Sachbearbeiters ab und listen Sie jedes Feld auf, aus dem er Daten bezieht.
Führen Sie anschließend eine Überprüfung der Feldausfüllung anhand dieser Liste durch, nicht anhand des Datensatzes als Ganzes. Betrachten Sie die Fehlerquote pro Feld und nicht pro Datensatz.
Ein Kundenstamm kann jede Vollständigkeitsprüfung bestehen und dennoch bei einem nicht unerheblichen Anteil der Konten den Berechtigungsstatus vermissen lassen. Auf einem Dashboard ist das kein großes Problem. Wenn ein Mitarbeiter jedoch entscheiden muss, was einem Kunden zusteht, gerät er ins Stocken oder muss raten.
3. Sind Ihre Daten mit Kontext versehen, den ein Sachbearbeiter selbstständig interpretieren kann?
Ein Rohwert sagt einem Sachbearbeiter nicht, was er bedeutet. Ein Berichtstool ruft eine Zahl ab und stellt sie dar, und eine Person entscheidet, was daraus zu schließen ist. Ein Sachbearbeiter muss das selbst entscheiden.
Um dies zu überprüfen, wählen Sie einen Datensatztyp aus und prüfen Sie, ob die Beziehungen, von denen er abhängt, als strukturierte Daten gespeichert sind und nicht nur den Personen bekannt sind, die damit arbeiten:
- Wird die Produktkategorie in allen Märkten, in denen das Produkt verkauft wird, einheitlich zugeordnet? Oder variiert sie je nach Region, ohne dass eine Verbindung zwischen den verschiedenen Versionen besteht?
- Bezieht sich der Name eines Kundenkontos auf eine einzige juristische Person? Oder könnten zwei Datensätze dasselbe Unternehmen beschreiben, ohne dass eine Verbindung zwischen ihnen besteht?
Wenn diese Beziehungen nur als etwas existieren, das ein Mensch erkennen würde, hat ein Agent nichts abzufragen.
Er wird auf den Rohwert reagieren, und es gibt keine Möglichkeit vorherzusagen, ob dieser Wert korrekt ist.
4. Sind Ihre Daten genau in dem Moment korrekt, wann ein Agent sie nutzt?
Ein Bericht kann auf den Zahlen von gestern basieren und dennoch nützlich sein. Ein Mitarbeiter, der eine Entscheidung in Echtzeit trifft, kann das nicht.
Um dies zu überprüfen, wählen Sie ein Feld aus, das sich häufig ändert, zum Beispiel:
- Lagerbestände
- Lieferzeiten der Lieferanten
- Produktklassifizierung
- Kapazitätsstatus
- Konformitäts- oder Zertifizierungsstatus
Vergleichen Sie den Wert, den ein Sachbearbeiter im System ausliest, mit dem Wert, der zum selben Zeitpunkt im Referenzsystem vorliegt.
Prüfen Sie anschließend die Verzögerung. Wie lange dauert es, bis eine Aktualisierung in einem System das andere erreicht?
Eine Verzögerung von einigen Stunden macht in einem Wochenbericht nichts aus. Für einen Mitarbeiter, der Bestände weiterleitet oder die Verfügbarkeit in Echtzeit bestätigt, bedeutet dieselbe Verzögerung jedoch, dass er auf der Grundlage einer Zahl handelt, die zum Zeitpunkt der Entscheidung bereits falsch war.
Wenn sich Ihre Systeme nicht kontinuierlich, sondern nach einem festen Zeitplan synchronisieren, ist dieser Zeitplan die eigentliche Antwort darauf, wie aktuell Ihre Daten sind.
5. Können Ihre Daten belegen, welche Entscheidung ein Agent getroffen hat und warum?
Mitarbeiter treffen Entscheidungen, ohne dass jemand dies in Echtzeit beobachtet, was bedeutet, dass der Nachweis bereits vorliegen muss, wenn jemand danach fragt.
Wählen Sie in diesem Test eine Entscheidung eines Agenten aus dem vergangenen Monat aus und versuchen Sie, vier Fragen zu beantworten, ohne jemanden zu befragen:
- Welche Version der jeweiligen Eingabedatensätze hat der Mitarbeiter gelesen und zu welchem Zeitpunkt?
- Welche Regel oder Richtlinie galt für diese Entscheidung, und handelte es sich dabei um die zu diesem Zeitpunkt aktuelle Version?
- Wo wurde die Entscheidung protokolliert, und wie lange wird dieses Protokoll aufbewahrt?
- Wenn der Agent seine Ausgabe an einen anderen Agenten oder ein anderes System weitergeleitet hat, können Sie nachvollziehen, was anschließend geschah?
Wenn Sie alle vier Fragen anhand des Systems selbst beantworten können, lässt sich die Entscheidung bei Bedarf rekonstruieren.
Wenn eine Antwort vom Gedächtnis einer Person, einem Screenshot oder einem Protokoll abhängt, das nach einer bestimmten Anzahl von Tagen überschrieben wird, werden Sie erst dann feststellen, dass sie nicht nachweisbar ist, wenn jemand danach fragt.
Wovon hängt es ab, ob alle fünf Datentests auf Agenten-Niveau bestanden werden?
Das Bestehen aller fünf Tests hängt davon ab, wie gut Ihre Produkt-, Kunden-, Lieferanten-, Standort- und Geschäftspartnerdaten strukturiert und miteinander verknüpft sind. Es geht nicht um einen einzelnen Bereich für sich genommen.
Ein Mitarbeiter bleibt selten innerhalb eines einzigen Bereichs.
- Eine Beschaffungsentscheidung betrifft sowohl Lieferanten- als auch Produktdaten
- Eine Serviceentscheidung betrifft sowohl Kunden- als auch Produktdaten
Wenn ein Bereich die Anforderungen erfüllt und ein anderer nicht, übernimmt der Bearbeiter den schwächeren Bereich in dem Moment, in dem sein Arbeitsablauf zwischen den beiden Bereichen wechselt.
Aus diesem Grund führt die schrittweise Optimierung einzelner Bereiche ein Unternehmen selten dorthin, wo es hinmuss. Die Arbeit, die wirklich etwas bewirkt, verbindet alle Bereiche miteinander, ohne dabei Einbußen hinzunehmen:
- Konsistenz
- Vollständigkeit
- Kontext
- Genauigkeit
- Rückverfolgbarkeit
Genau wie die Ernährung, die dem Trainingsplan dieses Sportlers zugrunde liegt, muss auch dies aufrechterhalten werden. Es handelt sich nicht um eine einmalige Maßnahme.
Wie schafft es Stibo Systems, all dies auf einer einzigen Plattform zu vereinen?
Durch STEP, unserer bewährten Intelligence-Plattform, strukturiert Stibo Systems Ihre Produkt-, Kunden-, Lieferanten- und Geschäftspartnerdaten auf einer einzigen Plattform, sodass die fünf Prüfkriterien gleichzeitig für alle vier Bereiche gelten.
- Ein domänenübergreifendes Datenmodell, sodass ein Produkt, sein Lieferant und der Kunde, der es kauft, miteinander verknüpft und konsistent bleiben
- In die Daten selbst integrierte Governance- und Zugriffsregeln, sodass die Bearbeiter bei ihren Aktionen automatisch die richtigen Regeln übernehmen
- Vollständige Rückverfolgbarkeit für jeden Datensatz, sodass jede von einem Agenten verwendete Eingabe und jede von ihm erzeugte Ausgabe bei Bedarf rekonstruiert werden kann
- Kontinuierliche Synchronisierung über alle verbundenen Systeme hinweg, sodass die Mitarbeiter mit aktuellen Daten arbeiten und nicht mit einer periodischen Momentaufnahme
Das Ergebnis ist eine Grundlage, die auch bei Hinzufügung weiterer Agenten stabil bleibt, anstatt einer Konfiguration, die jedes Mal neu überprüft werden muss.
FAQ
Was sind Agenten-Qualitätsdaten?
Agenten-Qualitätsdaten sind Unternehmensdaten, die so strukturiert sind, dass sie autonomes Entscheiden unterstützen: konsistent über Systeme hinweg, vollständig auf Domain-Ebene, semantisch reichhaltig, in Echtzeit genau und vollständig nachvollziehbar. Die meisten Unternehmensdaten wurden für Berichterstattung erstellt, was eine niedrigere Messlatte darstellt.
Wie unterscheidet sich Agenten-Qualitätsdaten von sauberen Daten?
Saubere Daten können innerhalb eines einzelnen Systems genau sein und dennoch einen Agenten scheitern lassen, wenn sie mit einem anderen System in Konflikt stehen, keinen Kontext haben oder nachträglich nicht zurückverfolgt werden können. Sauberkeit ist notwendig, aber nicht ausreichend für Agenten-Qualitätsdaten.
Können KI-Agenten mit bestehenden Unternehmensdaten arbeiten?
Oft nur teilweise. Die meisten Unternehmensdaten waren nicht für autonomes Handeln vorbereitet, sodass Agenten ins Stocken geraten, raten oder auf veraltete oder inkonsistente Eingaben reagieren können, es sei denn, die Daten werden aktualisiert.
Was passiert, wenn ein KI-Agent fehlerhafte Daten verwendet?
Im Gegensatz zu einem Menschen, der einen Bericht überprüft, handelt ein Agent sofort auf das, was er findet. Eine Inkonsistenz oder Lücke wird nicht erkannt, bevor eine Entscheidung getroffen wird, sie wird zur Entscheidung.
Wie bereiten Sie Daten für KI-Agenten vor?
Vorbereitung bedeutet, fünf Bereiche anzugehen: Konsistenz über Systeme hinweg, Vollständigkeit auf Domänenebene, semantischer Kontext, Echtzeitgenauigkeit und Governance mit vollständiger Rückverfolgbarkeit, über alle verbundenen Datenbereiche hinweg und nicht nacheinander.
Welche Rolle spielt das Master Data Management bei der Bereitschaft für KI?
MDM bietet die strukturierte, geregelte Grundlage, die Produkt-, Kunden-, Lieferanten- und Geschäftspartnerdaten verbindet, was es den Agenten ermöglicht, zuverlässig über verschiedene Bereiche hinweg zu agieren, anstatt beim Übergang zwischen ihnen zu scheitern.
