Die meisten Programme zur Datenqualität in Unternehmen wurden nicht mit Blick auf KI-Agenten entwickelt. Sie wurden geschaffen, um präzise Berichte und verlässliche Informationen für menschliche Entscheidungsträger zu liefern.
KI-Agenten treffen ihre eigenen Entscheidungen.
Und der von ihnen geforderte Datenstandard liegt deutlich über dem, für den Ihre Berichtsinfrastruktur ausgelegt ist.
Das lässt sich mit den Trainingszonen von Sportlern vergleichen. Der Trainingsaufwand für einen lokalen Wettkampf reicht nicht aus, um bei den Olympischen Spielen anzutreten. Mit höheren Anforderungen gehen auch höhere Standards einher. Bei Daten verhält es sich genauso.
Was brauchen Sie also, um im Wettbewerb bestehen zu können? Dies sind die fünf Standards, die Ihre Daten erfüllen müssen.
1. Konsistente Daten in allen Systemen, auf die sich ein Mitarbeiter stützt
Wenn ein menschlicher Analyst eine Inkonsistenz zwischen den Systemen entdeckt, wird daraus ein Gespräch. Jemand geht der Sache nach, und es wird eine Ermessensentscheidung getroffen. Es ist ein Mensch im System, der diese Reibung auffangen kann.
Ein KI-Agent verfügt über keinen solchen Puffer.
Er handelt entsprechend dem, was er feststellt. Wenn das, was er in einem System findet, im Widerspruch zu den Daten in einem anderen System steht, könnte er einfach weitermachen. Die Entscheidung, die er im weiteren Verlauf trifft, spiegelt die Unstimmigkeit wider, und es gibt keine Garantie dafür, dass jemand dies bemerkt, bevor sich der Fehler weiter ausbreitet.
Ihre Daten mögen innerhalb jedes einzelnen Systems vollkommen korrekt sein. Sie müssen jedoch auch systemübergreifend konsistent bleiben – und zwar genau in dem Moment, in dem ein Agent sie benötigt, sowie über:
- Ihre Produktdatensätze
- Ihre Kundendaten
- Ihre Lieferanteninformationen
- Ihre Standortdaten
All das gleichzeitig.
2. Strukturierte Domänenbeziehungen, die von Agenten verfolgt werden können
Berichtstools sind so konzipiert, dass sie innerhalb festgelegter Grenzen funktionieren.
- Ein Vertriebs-Dashboard greift auf Kundendaten zurück
- Ein Bericht zur Lieferkette bezieht Daten aus Lieferantendatensätzen
Jedes ist für seinen jeweiligen Anwendungsbereich konzipiert. Und es funktioniert, weil ein Mensch die Verbindungen zwischen ihnen herstellt.
Agenten arbeiten nicht auf diese Weise. Der Workflow eines einzelnen Agenten könnte von einem Kundendatensatz zu einem zugehörigen Produkt, dann zum dahinterstehenden Lieferanten und schließlich zu einer Compliance-Regel führen, die die Transaktion regelt.
Diese Kette ist nur dann stabil, wenn die Beziehungen zwischen den Bereichen explizit definiert, geregelt und durchlaufbar sind, ohne dass der Agent in eine Sackgasse gerät. Oder noch schlimmer: die Lücke mit einer Annahme füllt.
Die meisten Unternehmensdatenumgebungen wurden nicht für diese Art der Durchquerung konzipiert. Die Domänen existieren zwar, oft jedoch nicht die Beziehungen zwischen ihnen. Zumindest nicht in einer Form, der ein Agent ohne menschliches Eingreifen folgen kann.
3. Semantischer Kontext, den Agenten ohne menschliche Eingabe interpretieren können
Daten abzurufen und sie zu verstehen, ist nicht dasselbe. Ein Berichtstool ruft einen Wert ab und stellt ihn dar – der Mensch am anderen Ende entscheidet, was er bedeutet.
Ein Agent muss diese Entscheidung selbst treffen, und zwar in diesem Moment.
Unternehmensdaten sind selten so eindeutig, wie sie erscheinen. Ein Beispiel hierfür ist ein Produkt, das in zwei Märkten unterschiedlich kategorisiert ist, oder ein Kundendatensatz, bei dem der Kontoname nicht mit der juristischen Person übereinstimmt. Ein menschlicher Analyst würde bei beiden Fällen innehalten.
Ein Agent hat keinen Grund dazu. Er wird mit der Interpretation fortfahren, die die Daten zulassen, es sei denn, etwas in seiner Programmierung weist ihn an, anzuhalten.
Der semantische Kontext ist es, der dies ändert.
- Metadaten
- Beziehungen
- Definitionen
Diese sind in den Daten selbst eingebettet und bieten einem Agenten zusätzliche Informationen, die über den reinen Wert eines Feldes hinausgehen.
4. Durchgängige Datenherkunft, die jede Entscheidung eines Mitarbeiters nachvollziehbar macht
Wenn ein Mensch eine Entscheidung trifft, hinterlässt er in der Regel eine Spur. Eine E-Mail, ein Meeting oder ein Dokument, das die Gründe dafür erläutert.
Es ist dasselbe Prinzip wie bei Spitzensportlern, die ihr Training protokollieren. Jede Trainingseinheit, jede Variable – jedes Ergebnis wird erfasst und gespeichert. Nur so können sie sich mit Sicherheit und voller Kontrolle verbessern.
Die Entscheidungsfindung von Agenten funktioniert auf dieselbe Weise. Wenn ein Agent handelt, existiert diese Spur nur, wenn die Dateninfrastruktur so aufgebaut wurde, dass sie diese Spur erzeugt.
Agenten arbeiten mit einer Geschwindigkeit und in einem Umfang, die eine manuelle Überwachung unmöglich machen. Ein einziger automatisierter Workflow kann Hunderte von Folgeaktionen auslösen, bevor überhaupt jemand die erste davon überprüft hat.
Das ist kein Problem, solange jede Entscheidung nachvollziehbar ist. Es wird jedoch zu einem ernsthaften Problem, wenn etwas schiefgeht und Ihr Team verstehen muss, warum – und der Datenpfad hinter der Entscheidung einfach nicht existiert.
Die Rückverfolgbarkeit muss strukturell verankert sein und von Grund auf in die Verwaltung Ihrer Daten integriert werden. Jede Eingabe, auf die ein Agent reagiert hat, und jede von ihm erzeugte Ausgabe. All dies lässt sich rekonstruieren, ohne dass Sie im Nachhinein nach Belegen suchen müssen.
5. Integrierte Governance, die Agenten überallhin mit sich führen
Governance, die erst nach dem Handeln eines Agenten angewendet wird, ist keine echte Governance. Dann handelt es sich um Schadensbegrenzung.
Die meisten Governance-Rahmenwerke in Unternehmen wurden auf menschliche Arbeitsabläufe ausgerichtet. Dort kann eine Person geschult, erinnert oder gestoppt werden, bevor eine Entscheidung getroffen wird.
Agenten bewegen sich schnell über Systeme und Domänen hinweg. Sie benötigen zwar weiterhin Kontrollpunkte, aber eine Governance, die auf die Arbeitsweise von Menschen zugeschnitten ist, funktioniert nicht für die Arbeitsweise von Agenten. Sie muss um den Agenten herum aufgebaut werden, nicht umgekehrt.
Damit Governance in einer agentenbasierten Umgebung funktioniert, muss sie in die Daten selbst eingebettet sein . Sie muss durch die Struktur der Datenverwaltung durchgesetzt werden und nicht durch einen separaten Prozess, der parallel zu den Arbeitsabläufen der Agenten läuft.
Wenn Ihre Governance strukturell verankert ist, tragen Ihre Agenten sie bei ihrer Arbeit mit sich. Die Regeln wandern mit den Daten mit, statt mit der Person, die sie überwacht.
Wo stehen Ihre Unternehmensdaten auf der Bereitschaftsskala?
Nicht alle Unternehmensdaten sind für dieselbe Arbeitslast ausgelegt. Ähnlich wie ein Sportler, der zwar fit genug ist, um ein Rennen zu absolvieren, aber nicht, um an einem Wettkampf teilzunehmen, sind die meisten Unternehmensdaten auf ein bestimmtes Anforderungsniveau ausgerichtet.
Und dieses Niveau entspricht selten dem, das KI-Agenten benötigen, um erfolgreich zu sein.
Es gibt drei unterschiedliche Bereiche:
Zone 1: Datenerfassung
Transaktionsdaten. Genau genug, um zu protokollieren, was geschehen ist, jedoch nicht für darüber hinausgehende Zwecke strukturiert.
Zone 2: Berichterstattung
Der Standard, den die meisten Unternehmen erreicht haben. Geeignet für Dashboards und BI, zuverlässig genug, damit menschliche Analysten Schlussfolgerungen daraus ziehen können. Die meisten KI-Initiativen gehen davon aus, dass Zone 2 ausreichend ist.
Zone 3: Autonome Entscheidungsfindung
Der Standard, den Agenten benötigen. Systemübergreifend konsistent, semantisch reichhaltig, vollständig nachvollziehbar und standardmäßig geregelt.
Die Lücke zwischen Zone 2 und Zone 3 ist der Punkt, an dem die meisten Agenten-Implementierungen ins Stocken geraten. Genau hier dienen die fünf oben genannten Standards als Diagnoseinstrument.
So gelangen Sie mit Stibo Systems zu Daten auf Agent-Ebene
Das Erreichen von Zone 3 ist ein schrittweiser Prozess, und die Reihenfolge, in der Sie die einzelnen Schritte umsetzen, ist genauso wichtig wie der Inhalt der Maßnahmen selbst.
Bei Stibo Systems strukturieren wir diesen Prozess mithilfe von STEP, unserer bewährten Intelligence-Plattform. Als multidomänenfähige MDM-Plattform ist sie darauf ausgelegt, alle vier Datendomänen auf den von Agenten geforderten Standard zu bringen:
- Produkt
- Kunde / Geschäftspartner
- Lieferant
- Standort
Wenn Daten domänenübergreifend gesteuert werden, verfügen die Mitarbeiter über die integrierte Governance-Grundlage, die sie benötigen. Eine einzige Quelle der Wahrheit, kein nachträglich übergestülptes Regelwerk.
Semantischer Kontext, domänenübergreifende Beziehungen und lückenlose Rückverfolgbarkeit sind direkt in die Architektur integriert.
Sie erhalten Daten, auf deren Grundlage Agenten eigenständig handeln können – mit der Rückverfolgbarkeit und den Sicherheitsvorkehrungen, die eine autonome Entscheidungsfindung erfordert.
