Eine Welle aus AI-Agenten rollt auf die deutsche Fertigungsindustrie zu. Doch diese Agenten sind nur so leistungsfähig wie die Daten, mit denen sie arbeiten – und dabei zählt nicht nur die Menge, sondern auch die Struktur. Unstrukturierte Daten können schnell ins Chaos führen.
Agenten - also AI-Anwendungen, die als eigenständige Einheiten agieren und Entscheidungen treffen – sind nur so gut wie die Daten, auf die sie Zugriff haben. Dazu gehört auch, wie repräsentativ bzw. ganzheitlich diese Daten sind. Lassen Sie uns das an einem Beispiel verdeutlichen: Ein smarter Kühlschrank kann heute analysieren, welche Zutaten er enthält, und er kann vorschlagen, welche Gerichte daraus gekocht werden können. Doch wenn man ihn fragt: „Was soll ich heute Abend kochen?“, stößt er schnell an seine Grenzen. Ohne zusätzlichen Kontext – etwa ob Gäste kommen, ob es Vegetarier gibt oder wie viel Zeit für die Zubereitung bleibt – kann er keine sinnvolle Empfehlung geben. Ein wirklich intelligenter Küchenassistent müsste also nicht nur den Inhalt des Kühlschranks kennen, sondern auch auf den Kalender, frühere Essensvorlieben und vielleicht sogar Bewertungen früherer Gerichte zugreifen können.
Dasselbe Prinzip gilt für AI-Assistenten: Um fundierte Antworten zu liefern und echten Mehrwert zu bieten, reichen konsistente Daten allein nicht aus. Auf Folgendes kommt es an:
Erstens: Der Kontext ist entscheidend
AI-Agenten in Unternehmen müssen nicht nur auf einzelne Datenquellen zugreifen können, sondern auch den gesamten Kontext verstehen. Wenn ein Unternehmen beispielsweise eine ganzheitliche Sicht auf einen Kunden haben möchte, reichen Daten aus dem CRM allein nicht aus. Erst durch die Kombination mit weiteren Quellen – etwa ERP-Systemen, Ticketing-Tools, Anrufprotokollen oder möglicherweise sogar öffentlich zugängliche Informationen – entsteht ein vollständiges Bild. Ein smartes System muss daher nicht nur über Daten verfügen, sondern auch die richtigen Verknüpfungen zwischen ihnen herstellen.
Zweitens: Daten intelligent integrieren
In der realen Welt existiert leider eine kaum zu überschauende Anzahl an Datenquellen, die berücksichtigt werden müssen. Wenn man beispielsweise eine Frage zu einem Kunden in einem großen Unternehmen hat, bräuchte das System Zugriff auf das CRM, das ERP, das Ticketing-System, das Forum, die Anrufprotokolle und viele weitere Quellen, die relevante Informationen enthalten könnten. Möglicherweise soll es sogar öffentlich zugängliche Informationen einbeziehen.
Schnittstellen, die oft von Anbietern von Anwendungen mitgeliefert werden, sind nur eingeschränkt wertvoll – sie binden vielleicht ein CRM an, lassen aber die vielen anderen Quellen unangetastet. Immer öfter kommen daher Datenplattformen zum Einsatz, die den Job der Systemintegration übernehmen. Diese versprechen, alle Quellen ansteuern zu könen und die dort gefundenen Daten mit AI auszuwerten. Doch dieses Vorgehen birgt Gefahren:
- Beim Übertragen der Daten können wichtige Verknüpfungen oder Kontextinformationen unbemerkt verloren gehen.
- Je mehr Daten kopiert und synchronisiert werden müssen, desto größer wird der Ressourcenaufwand – man verliert Zeit und Speicherplatz.
- Die Ergebnisse werden nie so gut sein, als wenn der Agent direkt auf die Originalquelle zugreifen könnte.
Ergo: Für wirklich fundierte Antworten bedarf es einer intelligenten Integration der Daten.
Drittens: Die richtigen Werkzeuge bereitstellen
Wie funktionieren eigentlich Agenten? Nun, sie nutzen spezialisierte Unteragenten und manchmal auch weniger agentische Systeme, die als „Tools“ bezeichnet werden. Diese Tools liefern Informationen oder erledigen Aufgaben, die der Hauptagent nicht selbst bewältigen kann.
Um wirklich leistungsfähige Agenten zu bauen, müssen ihnen die richtigen Werkzeuge zur Verfügung gestellt werden: Werkzeuge, die ihnen gezielt die benötigten Informationen liefern, anstatt ihnen bloß unkontrollierten Zugriff auf Datenquellen zu geben.
AI zu Hilf!
Kann eine AI diese Aufgabe übernehmen? Vermutlich. „Je weniger mühsame Vorarbeit der Agent leisten muss, desto mehr kann er sich auf seine eigentliche Aufgabe konzentrieren – genau wie wir Menschen. Und genau wie zuvor schützt die Entkopplung der Datenintegration von den Datenplattformen auch die Investition in Agenten“, erklärte Michael Berthold, CEO von KNIME, einem Plattform-Provider mit Hauptsitz in Zürich. „Auf diese Weise müssen beim Austausch eines der Systeme nur die mittlere Schicht der Integrationstools anpasst werden. Das Data Mesh lebt – gute Daten machen nicht nur Menschen effektiver, sondern helfen nun auch Agenten, ihre Arbeit besser zu erledigen.“
Weitere Artikel zum Schwerpunkt „Data Driven Innovation“