Wenn ein KI-Agent eine Entscheidung trifft, stützt er sich direkt auf die Daten, die ihm vorliegen. Ein leistungsfähiges Sprachmodell – sei es ein großes oder ein maßgeschneidertes – kann Unstimmigkeiten in diesen Daten nicht ausgleichen, sobald kein Mensch mehr die Ausgabe überprüft.
Nehmen wir das Krafttraining als Beispiel. Progressive Überlastung funktioniert nur, wenn man weiß, was man in der vergangenen Woche tatsächlich gestemmt hat. Sind die Zahlen, auf deren Grundlage man trainiert, inkonsistent und falsch, sind es auch alle darauf folgenden Entscheidungen.
KI-Agenten funktionieren genauso. Ganz gleich, wie leistungsfähig das Modell auch sein mag – es kann Entscheidungen nur auf der Grundlage der Daten treffen, die ihm zur Verfügung gestellt werden. Sind diese Daten inkonsistent oder unzuverlässig, sind es die Entscheidungen ebenfalls.
In diesem Blog erfahren Sie, welche Daten Agenten benötigen, um zuverlässig zu agieren, und wie Master-Data-Management (MDM) dies ermöglicht.
Kann ein Sprachmodell inkonsistente Daten ausgleichen?
Nein. Ein Sprachmodell – sei es ein großes Allzweckmodell oder ein kleineres, intern trainiertes Modell – generiert Ergebnisse auf der Grundlage von Mustern in den Daten, auf die es zugreifen kann.
Ohne zusätzlichen Kontext oder Governance kann es nicht zuverlässig feststellen, ob ein Kundendatensatz korrekt ist oder welche Version widersprüchlicher Unternehmensdaten als maßgeblich angesehen werden sollte.
Diese Unterscheidung war leicht zu übersehen, als ein Modell einen Bericht erstellte, den eine Person überprüfte, bevor sie darauf reagierte. Ein Analyst konnte eine Inkonsistenz erkennen, einen Ausreißer außer Acht lassen oder eine Folgefrage stellen, bevor er eine Entscheidung traf. Ein Agent, der angewiesen ist zu handeln, hält nicht inne, um eine solche Ermessensentscheidung zu treffen.
Hierzu gibt es zwei gängige Annahmen:
- Das Modell erkennt Unsicherheiten stets und kennzeichnet sie
- Inkonsistente Datensätze gleichen sich im großen Maßstab aus
Keine dieser Annahmen ist sicher, sobald von einem Agenten erwartet wird, autonom zu handeln. Sofern er nicht ausdrücklich darauf ausgelegt ist, Klarheit zu suchen oder die Entscheidung aufzuschieben, wird er in der Regel die wahrscheinlichste Interpretation wählen und fortfahren.
Darüber hinaus liefern bessere Modelle nur noch abnehmende Erträge, wenn die zugrunde liegenden Daten nicht vertrauenswürdig sind.
Wie verbessert MDM die Zuverlässigkeit der Entscheidungen von KI-Agenten?
MDM verbessert die Zuverlässigkeit von KI-Agenten, indem es kontrollierte, vertrauenswürdige Geschäftsdaten bereitstellt, die jeder Agent einheitlich nutzen kann. Anstatt dass jeder Agent unterschiedliche Versionen der Wahrheit interpretiert, bietet MDM ihnen eine gemeinsame Grundlage für Schlussfolgerungen und Handlungen.
Identität
Bevor ein Agent Schlussfolgerungen über einen Kunden, Lieferanten oder ein Produkt ziehen kann, muss er wissen, um wen bzw. was es sich handelt.
Doppelte Datensätze, fragmentierte Identitäten und widersprüchliche Identifikatoren führen dazu, dass Agenten Entscheidungen über die falsche Entität treffen. Die Identitätsauflösung – eine Kernfunktion von MDM – stellt sicher, dass jeder Agent von einer einzigen, vertrauenswürdigen Darstellung der Geschäftseinheit ausgeht.
Domänenübergreifende Konsistenz
Ein KI-Agent sollte niemals entscheiden müssen, welcher Kunden-, Produkt- oder Lieferantendatensatz der „richtige“ ist. MDM stellt eine kontrollierte Version jedes Datensatzes bereit, auf die jeder Agent zurückgreifen kann, unabhängig davon, welches Betriebssystem ihn erstellt oder aktualisiert hat. Auf diese Weise:
- bleiben die Produktdaten bei jedem Agenten, der mit ihnen arbeitet, konsistent
- Kundendatensätze verzweigen sich nicht in konkurrierende Versionen
- Lieferanten- oder Geschäftspartnerdaten geraten nicht zwischen den Systemen aus dem Gleichgewicht
Konsistenz verbessert nicht nur die Datenqualität – sie verbessert auch die Entscheidungsqualität.
Geschäftlicher Kontext, nicht nur Geschäftsdaten
Konsistenz allein reicht nicht aus. Neben dem Zugriff auf die Datensätze müssen die Mitarbeiter auch erkennen können, wie diese Datensätze miteinander in Beziehung stehen.
Ein Lieferantendatensatz enthält beispielsweise mehr als nur einen Namen und eine Adresse. Er kann mit zugelassenen Produkten, Verträgen, regulatorischen Anforderungen und Risikobewertungen verknüpft sein. Ohne diesen Kontext kann ein Sachbearbeiter zwar Daten abrufen – aber er kann die geschäftliche Situation nicht vollständig erfassen.
Verlässliche Informationen im Moment des Handelns
Das Timing ist wichtig, wenn auch nicht im Sinne von reiner Geschwindigkeit. Ein Mitarbeiter, der um zwei Uhr nachmittags tätig wird, benötigt einen Datensatz, der die aktuelle Geschäftslage widerspiegelt. Nicht unbedingt das, was in Ihrer letzten vierteljährlichen Aktualisierung stand.
Entscheidungen, die Sie begründen können
Da Unternehmen ihren Mitarbeitern immer mehr Autonomie einräumen, muss jede wichtige Entscheidung nachvollziehbar sein. MDM bietet die erforderlichen Kontrollmechanismen und Nachverfolgbarkeit, um Entscheidungen zu überprüfen, Fehler zu untersuchen und Vertrauen zu wahren.
Warum verschärfen sich diese Datenprobleme in Workflows mit mehreren Agenten noch weiter?
Ein Datenproblem, das in einem einzelnen System nur ein Fehler wäre, wird zu mehreren Fehlern, sobald es eine Kette von Agenten durchläuft. Das liegt daran, dass jeder Agent die Ausgabe des vorherigen Agenten als Tatsache betrachtet.
Ein einfaches Beispiel
- Ein Produktagent aktualisiert die Lagerbestände auf der Grundlage eines Lieferantendatensatzes, der nie abgeglichen wurde
- Ein Bestandsagent liest diese Aktualisierung und löst eine Nachbestellung aus
- Ein Lieferantenagent gibt die Bestellung beim falschen Lieferanten auf, da die fehlerhaften Daten des Produktagenten die einzigen Informationen waren, auf die er zurückgreifen konnte.
Ein einziger inkonsistenter Datensatz zu Beginn führte zu drei falschen Aktionen, und niemand hat diese überprüft, bevor sie stattfanden.
Warum sich Fehler häufen
Wenn ein einzelner Mitarbeiter eine falsche Entscheidung trifft, ist das ein Problem der Datenqualität, das man erkennen und beheben kann.
Eine Kette von Bearbeitern hingegen, die auf die Ergebnisse der jeweils vorherigen Stufe reagieren, verwandelt dasselbe Problem in etwas, das mit jeder einzelnen Übergabe an Größe zunimmt.
Jeder Agent vertraut auf das, was der vorherige Agent erzeugt hat, anstatt es zu überprüfen, da Agenten nicht dafür ausgelegt sind, Überprüfungen durchzuführen.
Die Nachvollziehbarkeit wird dadurch erschwert
Als diese Entscheidungen noch von einer Person getroffen wurden, war mit der Entscheidung in der Regel ein Name verbunden.
Wenn eine Kette von Akteuren diese Entscheidungen trifft, muss jemand die Entscheidung nachträglich anhand der zugrunde liegenden Daten rekonstruieren. Ohne geregelte, nachvollziehbare Stammdaten wird die Beantwortung dieser Fragen extrem schwierig.
Ändert sich MDM in einer Welt der KI-Agenten?
Ja. Der Zweck von MDM hat sich gewandelt. In der Vergangenheit lieferte MDM vertrauenswürdige Datensätze, die von Menschen vor dem Treffen von Entscheidungen überprüft werden konnten.
Heute dienen dieselben Datensätze zunehmend als operative Grundlage, auf der KI-Agenten direkt agieren.
Von Referenzdaten zu operativen Daten
Früher war ein „Golden Record“ etwas, das ein Mensch nachschlug. Heute ist es etwas, das ein KI-Agent kontinuierlich auswertet, darüber Schlussfolgerungen zieht und darauf reagiert.
Das verändert die Rolle des MDM. Es geht nicht mehr nur darum, vertrauenswürdige Informationen zu veröffentlichen. Es geht darum, autonome Systeme, die Entscheidungen in Maschinen-Geschwindigkeit treffen, kontinuierlich mit vertrauenswürdigen Informationen zu versorgen.
Governance funktioniert in beide Richtungen
Governance beschränkt sich nicht auf die Daten, die KI-Agenten verarbeiten. Sie muss auch jede Änderung regeln, die Agenten vornehmen.
Ein Agent, der einen doppelten Kundendatensatz bereinigt:
- ein fehlendes Produktattribut ergänzt
- Kennzeichnet eine widersprüchliche Lieferantenadresse
- Ändert einen Datensatz, den der nächste Agent in der Warteschlange verwenden wird
Jede Änderung, die ein Sachbearbeiter vornimmt, sollte mit derselben Sorgfalt überprüft werden wie die Daten, auf die er ursprünglich zugegriffen hat.
Jede Domäne muss bereit sein
Produkt-, Kunden-, Lieferanten-, Standort- und Geschäftspartnerdaten müssen alle denselben Standard erfüllen, bevor Mitarbeiter darauf zugreifen.
Der schwächste Bereich wird zum blinden Fleck des Mitarbeiters.
Wie STEP KI-Agenten auf vertrauenswürdige Unternehmensdaten stützt
STEP, die „Trusted Intelligence“-Plattform von Stibo Systems, bildet die verlässliche Grundlage aus Unternehmensstammdaten, auf die sich KI-Agenten stützen, um Daten zu lesen, Schlussfolgerungen zu ziehen und sicher zu handeln.
STEP unterstützt KI-Agenten durch:
- automatische Bereinigung doppelter und widersprüchlicher Datensätze
- Produkt-, Kunden-, Lieferanten- und Geschäftspartnerdaten einheitlich strukturiert
- die Beziehungen zwischen Datensätzen domänenübergreifend pflegt
- Validierung der von Agenten zurückgeschriebenen Daten, bevor diese Teil des Datensatzes werden
- Bereitstellung einer nachvollziehbaren Historie hinter jeder Entscheidung, die ein Mitarbeiter trifft
- Durchsetzung einheitlicher Governance-Regeln in allen Systemen, die mit den Daten in Berührung kommen
Beim Krafttraining wird dem Spotter hinter einem Gewichtheber selten viel Aufmerksamkeit geschenkt. Der gesamte Fokus liegt auf dem Hebevorgang selbst. Doch wenn der Spotter im falschen Moment wegschaut, wird aus einer einzigen missglückten Wiederholung eine Verletzung.
STEP funktioniert bei KI-Agenten genauso. Wenn alles gut läuft, wird es leicht übersehen – aber gerade STEP sorgt dafür, dass eine schlechte Entscheidung nicht zu einer Kettenreaktion führt.
Unabhängig davon, welche Agentenarchitektur Sie einsetzen, kann diese unzuverlässige Unternehmensdaten nicht kompensieren. Ohne eine geregelte Grundlage häufen sich Fehler, da Agenten auf den Entscheidungen der anderen aufbauen. STEP bietet den vertrauenswürdigen Kontext, der diese Arbeitsabläufe von Anfang bis Ende zuverlässig hält.
FAQ
Warum benötigen KI-Agenten MDM, wenn sie bereits Zugang zu Unternehmenssystemen haben?
Zugriff ist nicht dasselbe wie Vertrauen. Unternehmenssysteme enthalten oft widersprüchliche oder doppelte Daten. MDM bietet die geregelte, vertrauenswürdige Sicht, auf die KI-Agenten angewiesen sind.
Kann ein LLM das Stammdatenmanagement ersetzen?
Nein. Ein LLM kann über Daten nachdenken, aber es kann nicht bestimmen, welche Datensätze maßgeblich sind oder Governance durchsetzen. MDM bietet die vertrauenswürdige Grundlage für zuverlässige KI.
Wenn KI immer leistungsfähiger wird, warum ist MDM dann wichtiger denn je?
Weil KI Muster lernt, nicht die Wahrheit. Da Agenten immer autonomer werden, wird vertrauenswürdige Stammdaten für zuverlässige Entscheidungen unerlässlich.
Ist das nicht einfach ein Datenqualitätsproblem?
Nein. Datenqualität ist eine Fähigkeit innerhalb von MDM. Zuverlässige KI hängt auch von Governance, Beziehungen, Geschäftskontext, Identitätsauflösung, Herkunft und Durchsetzung von Richtlinien ab.
Kann die retrieval-augmented generation (RAG) MDM ersetzen?
Nein. RAG verbessert, wie KI auf Informationen zugreift. Es verbessert nicht die Qualität dieser Informationen. Wenn die zugrunde liegenden Daten Duplikate, Inkonsistenzen oder widersprüchliche Datensätze enthalten, ruft RAG sie einfach schneller ab.
Kann KI schlechte Daten von selbst beheben?
Nein. KI kann Probleme identifizieren und Korrekturen vorschlagen, aber sie kann die autoritative Version eines Kunden, Lieferanten oder Produkts ohne verwaltete Stammdaten nicht bestimmen.
Wie unterscheidet sich Agenten-Daten von Reporting-Daten?
Berichtsdaten sind genau genug für eine Person, die ein Dashboard überprüft, die einen Ausreißer erkennen und eine Folgefrage stellen kann. Agenten-Daten müssen standhalten, ohne dass jemand das Ergebnis überprüft, bevor es zu einer Entscheidung wird.
Beseitigen KI-Agenten die Notwendigkeit von Datenmanagement?
Nein. KI-Agenten erhöhen den Bedarf an Datenverwaltung. Da Agenten autonom handeln, stellt die Governance sicher, dass jede Entscheidung auf vertrauenswürdigen Daten basiert und jede Änderung den Geschäftsregeln folgt.
Was passiert, wenn KI-Agenten inkonsistente Daten teilen?
Fehler häufen sich. Die schlechte Ausgabe eines Agenten wird zur Eingabe des nächsten Agenten, und der Fehler kann durch mehrere Entscheidungen wandern, bevor ihn jemand bemerkt.
Wie steht MDM im Zusammenhang mit einem Datengewebe?
Ein Datengewebe verbindet und bewegt Daten über Systeme hinweg, während sie sich ändern. MDM regelt, was diese Daten bedeuten, und bestätigt, dass sie genau sind, bevor sie sich bewegen. Agenten brauchen beides, aber ein Datengewebe, das unzuverlässige Daten überträgt, verbreitet das Problem nur schneller.
