Berliner Abendpost - Unstrukturierte Daten: Das Fundament für Enterprise Agentic AI

Die Hälfte der in den letzten zwei Jahren gestarteten Unternehmens-KI-Initiativen hat keine messbaren Geschäftsergebnisse erzielt. Diese weit verbreitete Diskrepanz zwischen Investition und Nutzen hat den Fokus der Branche verschoben: Es geht nicht mehr primär um die Einführung von KI-Technologie, sondern um die zugrundeliegende Datenbasis, auf der sie funktionieren muss.

Analysten identifizieren das Kernproblem in der fehlenden Infrastruktur für digitale Innovation. Während Unternehmen massiv in KI-Kapazitäten investieren, wird oft übersehen, dass diese Systeme auf riesigen Mengen unstrukturierter Daten basieren – E-Mails, Dokumente, Bilder, Videos und Chat-Protokolle, die 80 bis 90 Prozent des Unternehmensinhalts ausmachen.

Unstrukturierte Daten liefern den Kontext, den Enterprise-AI-Agenten benötigen, um im Einklang mit den Geschäftszielen zu handeln. Im Gegensatz zur traditionellen assistiven KI, die auf spezifische Eingaben reagiert, ist Agentic AI darauf ausgelegt, Aufgaben autonom auszuführen. Damit diese Agenten effektiv arbeiten können, müssen sie dieselbe digitale Landschaft wie menschliche Mitarbeiter navigieren: Sie greifen auf Systeme zu, in denen Arbeit dokumentiert wird, interagieren über Kundenkanäle und halten Compliance-Regeln ein.

Berichte heben hervor, dass schlechte Datenqualität in veralteten Systemen eine große Hürde für die KI-Implementierung darstellt. Der britische Public Accounts Committee hat fragmentierte Daten, schwache Governance und unklare Ziele als Faktoren identifiziert, die Agentic-AI-Projekte scheitern lassen können. Experten raten Unternehmen daher dringend, ihre Workflows und Dateninfrastruktur zu überprüfen, bevor sie erhebliche Zeit und Budget in die Bereitstellung investieren.

Die Behandlung von KI-Agenten als einfache Plug-ins birgt erhebliche Risiken. Ohne eine bewusste Strategie und einen klaren Governance-Ansatz können Agenten Aufgaben duplizieren, operative Engpässe verursachen oder falsche Aktionen ausführen, die die Arbeitslast der Mitarbeiter erhöhen. Unternehmen müssen daher zunächst eine Plattform etablieren, die Terabytes historisch isolierter Daten verbindet und nutzbar macht.

Ein praktisches Beispiel für eine erfolgreiche Integration findet sich im Bereich Accounts Payable (AP). In diesem Sektor eignen sich Agenten gut für wiederholbare, regelbasierte Aufgaben. Sie können Rechnungen aus verschiedenen Kanälen erfassen, in strukturierte Daten umwandeln, Schlüsselwerte validieren und ein Drei-Wege-Matching gegen Bestellungen und Wareneingänge durchführen, bevor sie die Daten in Finanzsysteme übernehmen.

Da diese Agenten im bestehenden Technologie-Stack operieren, können Genehmiger die notwendigen Informationen anzeigen, ohne zwischen Anwendungen zu wechseln. Mobile Freigabefunktionen helfen, enge Durchlaufzeiten beizubehalten. Jeder Schritt wird protokolliert, sodass Prüfprotokolle und Betrugschecks in den Workflow integriert sind und nicht als nachträglicher Zusatz dienen.

Obwohl Automatisierung erhebliche Arbeitsspareffekte bringt, bleibt menschliches Engagement kritisch. Agenten übernehmen routinemäßige Arbeitslasten, aber menschliches Urteilsvermögen ist für Entscheidungen unerlässlich, die Ergebnisse verändern. Dieser hybride Ansatz stellt sicher, dass Automatisierung die notwendige Aufsicht unterstützt, anstatt sie zu ersetzen.

Die Branche bewegt sich über die Experimentierphase hinaus. Bis 2026 werden führende Unternehmen voraussichtlich KI im großen Maßstab einsetzen und diejenigen zurücklassen, die weiterhin auf Pilotprojekte setzen. Der Fokus verschiebt sich von der reinen Technologieinstallation hin zur Kuratierung und Verfeinerung bestehender Daten sowie zur Implementierung einer skalierbaren Infrastruktur.

In den kommenden Jahren werden Enterprise-Agenten von assistiven Werkzeugen zu governierten Operatoren werden. Dieser Übergang beinhaltet policy-kodierte Autonomie, Human-in-the-Loop-Kontrollen und föderierte Inhaltsintelligenz. Die Zusammenarbeit multipler Agenten wird voraussichtlich zum Standardarbeitsmuster in Finanzen, Personalwesen, Kundenservice, Gesundheitswesen, Regierung und Versicherungswesen.

Natürlichsprachliche Automatisierung wird zur universellen Schnittstelle werden, die es Teams ermöglicht, Prozesse zu entwerfen, zu simulieren und bereitzustellen, ohne spezialisierte Entwicklungskenntnisse. Closed-Loop-Feedback-Mechanismen werden Durchlaufzeiten, Ausnahmeverarbeitung und Straight-Through-Processing kontinuierlich verbessern.

Vertikalisierte Agenten-Fähigkeitspakete und wiederholbare Blaupausen sollen die Adoption beschleunigen und produktionsreife Betriebsmodelle vorantreiben. Agenten werden Arbeit beobachten, Optimierungen vorschlagen und Aufgaben sicher unter rollenbasierter Autonomie mit vollständigen Prüfprotokollen und Rollback-Schutz ausführen.

Das Rückgrat dieser neuen Ära ist eine einheitliche, föderierte Inhaltsschicht, die Repositorien und Anwendungen verbindet, ohne erzwungene Migrationen. Dies ermöglicht Agenten, Kontext zuverlässig zu sammeln, Beweise mit Quelldokumenten zu verknüpfen und Downstream-Aktionen auszulösen, die messbare Ergebnisse liefern.

Experten betonen, dass die Gewinner dieser neuen Ära nicht diejenigen sein werden, die KI zuerst eingeführt haben, sondern diejenigen, die sich die Zeit nehmen, Strategien zu entwickeln, den Ort zu bestimmen, an dem Automatisierung echten Impact liefert, und ihren Systemen die notwendigen Grundlagen zu verschaffen. Organisationen, die es versäumen, Datenfundamente, Governance und Enablement jetzt aufzubauen, riskieren, von Wettbewerbern zurückgelassen zu werden, die unstrukturierte Inhalte in eine Action-Engine verwandeln.

N.Mahnke--BlnAP