Wie der Datenzugriff die Leistung von KI-Agenten beeinflusst

Wenn Sie einen KI-Agenten bitten, eine geschäftliche Frage zu beantworten, erfahren Sie möglicherweise zufällig mehr über Ihre Dateninfrastruktur als über den Agenten. Das Modell gerät nicht ins Straucheln, weil es nicht intelligent genug ist. Es gerät ins Straucheln, weil es nicht findet, was es braucht, weil es dem, was es findet, nicht trauen kann oder weil es nicht versteht, was die Daten in Ihrem spezifischen Geschäftskontext tatsächlich bedeuten.

Dies ist das Muster, das sich hinter den Milliarden von Dollar an gescheiterten KI-Investitionen verbirgt. Und wenn Sie Datenverantwortlicher oder Data Engineer sind, liegt es an Ihnen, dieses Problem zu lösen.

[CTA_MODULE]

Die Misserfolgsquote, über die niemand sprechen will

Die Zahlen sind brutal. Im Rahmen der NANDA-Initiative des MIT wurde die Studie „The GenAI Divide: State of AI in Business 2025“ veröffentlicht, die auf 150 Interviews mit Führungskräften, Befragungen von 350 Mitarbeitern und der Analyse von 300 öffentlichen KI-Implementierungen basiert. Die auffälligste Zahl: 95 % der Pilotprojekte zu generativer KI in Unternehmen hatten keine messbaren Auswirkungen auf die Gewinn- und Verlustrechnung. Nicht „hinter den Erwartungen zurückgeblieben“, sondern keine messbaren Auswirkungen.

Gartner geht davon aus, dass mehr als 40 % der Projekte im Bereich agentenbasierter KI bis Ende 2027 abgebrochen werden, da die Kosten eskalieren, der Geschäftswert unklar ist und die Risikokontrolle unzureichend ist. Und dies sind keine unterfinanzierten Experimente. Laut Gartner sind die weltweiten KI-Ausgaben dabei, im Jahr 2026 die Marke von 2 Billionen US-Dollar zu überschreiten, was einem Anstieg von 37 % im Vergleich zum Vorjahr entspricht. Das Geld ist da. Die Ergebnisse sind es nicht.

Die CEO-Studie 2025 des IBM Institute for Business Value bringt es noch deutlicher auf den Punkt: Nur 16 % der KI-Initiativen konnten erfolgreich auf das gesamte Unternehmen skaliert werden. Das sind viele Proofs of Concept, die nie wirklich etwas bewiesen haben.

Was also läuft hier schief? Die MIT-Forscher weisen nicht auf die Qualität der Modelle hin, sondern auf das, was sie als „Lernlücke“ bezeichnen, die durch unflexible Arbeitsabläufe und einen Mangel an kontextbezogenem Lernen verursacht wird. Im Klartext: Die KI kann keine Verbindung zu den Daten herstellen, die sie benötigt, und wenn sie eine Verbindung herstellt, versteht sie nicht, was die Daten bedeuten.

Das ist ein Datenproblem, kein KI-Problem.

Integration ist der erste Engpass

Ein KI-Agent ist immer nur so gut wie die Daten, auf die er zugreifen kann. Wenn Ihre Kundendaten in Salesforce, Ihre Produktnutzungsmetriken in einem Data Warehouse, Ihre Support-Tickets in Zendesk und Ihre Finanzdaten in einem ERP-System gespeichert sind, hat der Agent dasselbe Problem, das Ihre Analysten schon seit Jahren haben. Er arbeitet mit Fragmenten.

Der Unterschied besteht darin, dass ein menschlicher Analyst weiß, dass er das Finance-Team anrufen und nach der fehlenden Tabelle fragen kann. Ein Agent improvisiert nicht um Datenlücken herum. Entweder halluziniert er eine selbstbewusst klingende Antwort, oder es gibt etwas technisch Korrektes, aber praktisch Unbrauchbares zurück, weil er auf der Grundlage unvollständiger Informationen arbeitet.

Datenintegration ist nichts Neues. Schon seit Jahrzehnten verbinden Datenteams Quellen miteinander. Die Anforderungen an agentenbasierte KI unterscheiden sich jedoch grundlegend von den Anforderungen an Dashboards und Berichte.

Ein BI-Dashboard kann Massenaktualisierungen, manuelle Abstimmungen und einige bekannte Lücken verkraften. Ein Analyst sieht eine merkwürdige Zahl, pingt das Datenteam auf Slack an und erhält bis zum Ende des Tages die richtige Antwort. Ein autonomer Agent kann das nicht tun. Er benötigt einen zuverlässigen, programmgesteuerten Zugriff auf konsolidierte Daten, und diese Daten müssen aktuell sein. Also wirklich aktuell, keine „Über-Nacht-Aktualisierungen“.

Überlegen Sie einmal, was ein Agent tatsächlich tut, wenn Sie ihn bitten, die Kundenabwanderung zu analysieren. Er benötigt Kontodaten aus Ihrem CRM-System, Produktnutzungsereignisse aus Ihrer Anwendungsdatenbank, die Support-Ticket-Historie aus Ihrer Helpdesk-Plattform, Rechnungsdaten aus Ihrem Finanzsystem und wahrscheinlich einige Metriken zur Kundenbindung aus Ihren Marketing-Tools. Wenn auch nur eine dieser Quellen fehlt, veraltet ist oder nicht mit den anderen übereinstimmt, beeinträchtigt dies die Kundenabwanderungsanalyse des Agenten. Sie ist nicht offensichtlich falsch, sie ist subtil falsch. Und subtil falsch ist schlimmer, weil die Menschen damit arbeiten.

Hier kommt es auf die Infrastruktur an. Wenn Ihre Datenpipelines anfällig sind, übernehmen Ihre Agenten diese Anfälligkeit. Wenn Ihre Integrationsschicht Datensätze verliert, Duplikate erzeugt oder stundenlange Verzögerungen verursacht, während das Unternehmen nur wenige Minuten Zeit hat, spiegelt sich jeder einzelne dieser Mängel in den Ergebnissen des Agenten wider. Gartner fand heraus, dass allein schlechte Datenqualität Unternehmen durchschnittlich 12,9 Millionen US-Dollar jährlich kostet. Stellen Sie sich nun vor, diese Kosten würden sich vervielfachen, wenn man einem autonomen System die Befugnis gäbe, auf der Grundlage fehlerhafter Daten zu handeln, ohne dass ein Mensch in den Prozess eingebunden ist.

Die Unternehmen, die echten Nutzen aus agentenbasierter KI ziehen, sind nicht diejenigen mit den ausgefallensten Modellen. Sie verfügen vielmehr über eine zuverlässige, automatisierte Datenintegration, die Quellen in einer einzigen, abfragbaren Ebene zusammenführt. Kein manuelles Zusammenfügen. Kein Insiderwissen darüber, welche Tabelle die „richtige“ ist. Kein „Frag Sarah, sie weiß, wo die richtigen Daten sind“. Nur saubere, konsolidierte, zugängliche Daten, die ein Agent abfragen kann, ohne dass ein Mensch aufpassen muss.

Saubere Daten oder selbstbewusste Halluzinationen (bitte eine Option auswählen)

Es gibt eine bestimmte Art von Fehlern, die Data Engineers nachts wach hält: der Agent, der selbstbewusst und falsch antwortet. Kein Absturz. Keine Fehlermeldung. Eine falsche Antwort, die mit perfekter Grammatik und voller Überzeugung gegeben wird.

Und dies passiert, wenn die zugrunde liegenden Daten „verschmutzt“ sind: doppelte Kundendatensätze, inkonsistente Datumsformate, Nullwerte, wo eigentlich Ist-Werte stehen sollten, Umsatzzahlen, die nicht in allen Systemen übereinstimmen, weil jedes Team sie anders berechnet. Der Agent weiß das alles nicht. Er verarbeitet alles, was er findet, und erzeugt eine Ausgabe.

Der Data, BI and Analytics Trend Monitor 2026 von BARC, für den mehr als 1.500 Fachleute befragt wurden, hat ergeben, dass das Datenqualitätsmanagement inzwischen wieder den ersten Platz unter allen Prioritäten der Befragten einnimmt. Für KI-Agenten ist eine hohe Datenqualität wichtiger denn je, um Halluzinationen, Verzerrungen und fehlerhafte Empfehlungen zu vermeiden. Dies ist kein theoretisches Problem. Das ist das am häufigsten genannte Hindernis für eine tatsächlich funktionierende KI.

Die Datenqualität für Agenten ist etwas strenger als die Datenqualität für Dashboards. Ein Dashboard mit ein paar veralteten Zeilen ist ärgerlich. Ein Agent aber, der eine Kaufentscheidung auf der Grundlage veralteter Bestandsdaten trifft, ist teuer. Ein Agent, der eine Kundenbeschwerde aufgrund eines doppelten Datensatzes an das falsche Team weiterleitet, stellt ein Vertrauensproblem dar, das sich mit jedem Mal verschärft.

Es gelten nach wie vor die üblichen Maßstäbe: Genauigkeit, Vollständigkeit, Konsistenz und Aktualität. Aber es steht mehr auf dem Spiel, weil der Verbraucher der Daten kein Mensch ist, der sein Urteilsvermögen und einen Kontext anwenden kann. Es ist ein System, das auf alles reagiert, was es erhält. Ihre Datenqualität ist nicht mehr nur ein Hygieneproblem, sondern schränkt die Leistung jedes Agenten ein, den Sie einsetzen.

Der Kontext trennt eine Demo von der Produktion

Die meisten Agentenprojekte stoßen genau an die Grenze, die in der MIT-Studie beschrieben wird. Der Agent kann auf die Daten zugreifen und die Daten sind einigermaßen sauber. Aber der Agent gibt immer noch Antworten, die Ihre Fachleute zusammenzucken lassen. Er verwechselt den Bruttoumsatz mit dem Nettoumsatz. Er behandelt Geschäftsquartale wie Kalenderquartale. Er weiß nicht, dass „aktive Nutzer“ für Ihr Produktteam etwas anderes bedeutet als für Ihr Marketingteam.

Dies ist das Kontextproblem. Der bloße Zugriff auf Tabellen und Spalten reicht nicht aus. Der Agent muss verstehen, was die Daten für Ihr Unternehmen bedeuten.

AtScale veröffentlichte ein Szenario, das dies auf perfekte Weise veranschaulicht. Die Finanzabteilung meldet in Power BI einen Umsatz von 10,2 Millionen USD. Die Marketingabteilung gibt den Umsatz in Tableau mit 10,4 Millionen USD an. Ein KI-Copilot zeigt einen Umsatz von 9,8 Millionen USD in Slack an. Jede Zahl ist aufgrund ihrer Quelle und Berechnungslogik „richtig“. Aber sie widersprechen einander. Die Finanzabteilung zählt die gebuchten Einnahmen nach Retouren. Die Marketingabteilung zählt den Bruttotransaktionswert. Da dem KI-Agenten jeglicher Kontext fehlt, wertet er jedes Muster aus, das er in den rohen Transaktionstabellen findet. Manchmal sind auch Testdaten enthalten. Manchmal werden internationale Transaktionen ausgeschlossen. Es kommt darauf an, wie die Frage formuliert ist, und ohnehin ist der „Denkprozess“ des Agenten möglicherweise nicht einmal deterministisch.

Ein Mensch meistert diese Mehrdeutigkeit mithilfe von institutionellem Wissen und Abstimmungsgesprächen. Für einen Agenten muss dieses Wissen kodiert und zugänglich sein. Genau dies tut eine semantische Ebene. Sie definiert, wie Kennzahlen berechnet werden, ordnet Geschäftsbegriffe bestimmten Datentransformationen zu und stellt sicher, dass „Umsatz“ immer dasselbe bedeutet, egal wer (oder was) fragt.

In den Daten- und Analysevorhersagen 2026 von Gartner werden universelle semantische Ebenen nun als kritische Infrastruktur betrachtet und auf eine Stufe mit Datenplattformen und Cybersicherheit gestellt. Das ist ein deutlicher Aufstieg von „nice to have“.

Aber semantische Ebenen sind nicht die einzige Möglichkeit, Kontext zu liefern. Der richtige Ansatz hängt von der Art der Daten und der Art der Fragestellung ab.

Agentenfähigkeiten – strukturierte Anweisungen, die einem Agenten sagen, wie er mit bestimmten Tools oder Datenquellen interagieren soll – dienen einem ähnlichen Zweck bei der Aufgabenausführung. Ein Agent mit einer gut definierten Fähigkeit zur Abfrage Ihres Data Warehouse für Kundendaten weiß, auf welche Tabellen er zugreifen, welche Verknüpfungen er herstellen und welche Filter er anwenden muss. Er rät nicht einfach nur, sondern folgt einem kodifizierten Verständnis Ihres Datenmodells. Diese Fähigkeiten sind besonders wertvoll für strukturierte, wiederholbare Abfragen, bei denen die Geschäftslogik klar definiert ist und die Datenbeziehungen stabil sind.

Für unstrukturierte Daten bieten Einbettungen und Vektorspeicher eine andere Art von Kontext. Wenn ein Agent relevante Dokumente, interne Richtlinien, frühere Analysen oder Slack-Unterhaltungen abrufen muss, um eine Antwort zu finden, kann er mit der Vektorsuche semantisch ähnliche Inhalte finden, ohne auf exakte Schlüsselwortübereinstimmungen angewiesen zu sein. Ein Support-Agent, der auf der Grundlage der Bedeutung der Kundenfrage (und nicht nur der Schlüsselwörter) die entsprechende Anleitung zur Fehlerbehebung finden kann, schneidet wesentlich besser ab als einer, der dies nicht kann.

Protokolle wie MCP (Model Context Protocol) bieten Agenten eine standardisierte Möglichkeit, sich mit externen Tools und Datenquellen zu verbinden, was die benutzerdefinierte Integrationsarbeit, die so viele Implementierungen verzögert, reduziert. Anstatt für jedes Tool, mit dem ein Agent interagieren muss, maßgeschneiderte Konnektoren zu erstellen, bietet MCP eine gemeinsame Schnittstelle. Stellen Sie es sich als den USB-C-Anschluss der Agentenkonnektivität vor. Es macht den Agenten nicht schlauer, aber es macht seinen Zugang zu Daten und Tools wesentlich zuverlässiger und konsistenter.

Alle diese Ansätze haben eines gemeinsam: Sie vermitteln dem Agenten ein strukturiertes Verständnis Ihrer Daten, das über den reinen Tabellenzugriff hinausgeht. Ohne Kontext erhalten Sie eine Demo, die die Führungskräfte in einem Konferenzraum beeindruckt. Mit Kontext erhalten Sie ein System, das Antworten liefert, denen Ihre Fachleute wirklich vertrauen.

Die ISG-Studie „Data and AI Market Lens“ ergab, dass mehr als ein Drittel der Unternehmen ihre Initiativen zur semantischen Modellierung als unter den Erwartungen liegend einstuften. Die Technologie funktioniert. Das Schwierige ist die Ausführung. Die Unternehmen aber, die in die Entwicklung dieser Kontextebene investieren (wie auch immer sie dies tun), sind diejenigen, die die Kluft zwischen Pilot und Produktion überbrücken.

Governance ist nicht optional

Es besteht die Versuchung, Governance als etwas zu betrachten, das man erst später, nachdem der Agent bereits arbeitet, hinzufügt. Es ist aber genau umgekehrt. Für einen KI-Agenten ist Governance eine Voraussetzung, keine Folgeaufgabe.

Überlegen Sie einmal, was ein Agent eigentlich tut. Er greift systemübergreifend auf Daten zu. Er verbindet Daten, die ggf. unterschiedliche Zugriffskontrollen haben. Er erzeugt Ausgaben, die von Personen eingesehen werden könnten, die keinen Zugang zu den zugrunde liegenden Quelldaten haben sollten. Er trifft Entscheidungen oder gibt Empfehlungen, die einen Prüfpfad benötigen. Ohne in die Datenschicht integrierte Governance geben Sie im Grunde einem autonomen System einen Generalschlüssel zu Ihren Enterprise Data und hoffen, dass es verantwortungsvoll damit umgeht.

Zugriffskontrollen müssen mit den Daten „mitreisen“ und dürfen nicht nur auf der Anwendungsebene angesiedelt sein. Sicherheit auf Spaltenebene, Filterung auf Zeilenebene und rollenbasierte Zugriffsrichtlinien müssen unabhängig davon durchgesetzt werden, ob ein Mensch oder ein Agent die Abfrage durchführt. Die Data Lineage muss sichtbar sein, damit Sie, wenn ein Agent eine Zahl produziert, diese bis zu ihrer Quelle zurückverfolgen und nachvollziehen können, wie sie abgeleitet wurde. Und die Datenklassifizierung muss explizit sein, damit der Agent weiß, welche Datensätze er für eine bestimmte Aufgabe verwenden kann und welche nicht.

In der PwC-Umfrage zu verantwortungsvoller KI 2025 gaben fast 60 % der Führungskräfte an, dass Praktiken zu verantwortungsvoller KI den ROI und die Effizienz zwar steigern, aber fast die Hälfte räumte ein, dass die Umsetzung dieser Prinzipien in betriebliche Prozesse eine große Herausforderung bleibt. Die Kluft zwischen Absicht und Ausführung ist enorm. Agentische KI vergrößert diese Kluft, weil Agenten nicht innehalten und fragen: „Darf ich diesen Datensatz verwenden?“. Sie nutzen ihn einfach.

Der Trend Monitor von BARC unterstreicht dies: Richtige Entscheidungen können nur auf der Grundlage zuverlässiger, konsistenter Daten getroffen werden. Für Agenten bedeutet „zuverlässig und konsistent“ auch „geregelt“. Eine nicht verwaltete Datenschicht ist nicht nur ein Compliance-Risiko, sondern stellt auch einen Leistungsengpass dar, denn die Alternative zu Governance ist die manuelle Überprüfung jeder Agentenausgabe. Und das macht den gesamten Zweck der Automatisierung zunichte.

Aktualität ist wichtig und kein Luxus

Eine Dimension der Datenqualität verdient bei agentengestützter KI besondere Beachtung: die Aktualität.

Ein Dashboard, das einmal am Tag aktualisiert wird, ist für die meisten Geschäftsberichte ausreichend. Für die Erstellung von Trendberichten ist ein wöchentlicher Pipeline-Lauf vollkommen angemessen. Aber ein Agent, der Empfehlungen gibt, Fragen beantwortet oder Workflows auslöst, arbeitet nach einer anderen Uhr. Wenn ein Kunde sein Abonnement vor 2 Stunden gekündigt hat und der Agent immer noch Upsell-Strategien auf der Grundlage der Daten von gestern empfiehlt, ist das nicht nur ungenau – es ist peinlich. Und in regulierten Branchen könnte dies sogar gegen Vorschriften verstoßen.

Die Anforderungen an die Aktualität variieren je nach Anwendungsfall, aber die Richtung ist klar: Agenten benötigen Daten, die die Realität zum Zeitpunkt der Abfrage widerspiegeln und nicht die Realität der letzten Stapelverarbeitung. Dies bedeutet nicht, dass alles in Echtzeit ablaufen muss. Dies bedeutet, dass Sie die Anforderungen der einzelnen Agenten-Workflows hinsichtlich Aktualität verstehen und entsprechende Pipelines erstellen müssen, die diese Anforderungen erfüllen. Ein Bestandsagent benötigt Zugriff auf Lagerbestandsinformationen in nahezu Echtzeit. Ein Agent für vierteljährliche Planungen kann mit täglichen Momentaufnahmen arbeiten. Der Fehler besteht darin, für alles denselben Aktualisierungsrhythmus anzuwenden und zu hoffen, dass das ausreicht.

Hier hilft eine Umstellung auf verwaltete Dateninfrastrukturen. Wenn Ihre Integrationsschicht die Aktualität als konfigurierbaren Parameter pro Quelle behandelt (statt als universellen Batch-Job), können Sie das Verhalten der Pipeline an die Anforderungen der Agenten anpassen, ohne Ihre Architektur bei jedem neuen Anwendungsfall neu aufbauen zu müssen.

Was dies für Datenteams bedeutet

Wenn Sie als Datenverantwortlicher beobachten, wie Ihr Unternehmen Pilotprojekte mit Agenten auf den Weg bringt, wissen Sie bereits, wohin das führen wird. Die Modelle werden besser. Die Frameworks werden immer ausgereifter. Die Orchestrierungstools werden sich verbessern. Aber all das spielt keine Rolle, wenn die Datengrundlage nicht vorhanden ist.

Die Arbeit, die Agenten zum Erfolg verhilft, ist dieselbe Arbeit, für die sich Datenteams schon seit Jahren einsetzen: zuverlässige Integration verschiedener Quellen, konsistente Datenqualität, klare Geschäftsdefinitionen und starke Governance. Der Unterschied besteht darin, dass Agenten die Kosten, die dadurch entstehen, dass sie diese Arbeit nicht tun, auf eine Weise sichtbar machen, wie es Dashboards nie getan haben. Ein schlechtes Dashboard wird ignoriert. Ein schlechter Agent handelt auf der Grundlage falscher Daten und zieht Konsequenzen nach sich, die sich auf das gesamte Unternehmen auswirken.

Dies ist für Datenteams eigentlich eine gute Nachricht. Jahrelang wurde Data Engineering als „Klempnerarbeit“ betrachtet (notwendig, aber wenig glamourös), während die KI- und ML-Teams im Rampenlicht standen. Agentische KI kehrt diese Dynamik um. Die Qualität der Datenebene ist heute der wichtigste Faktor, der darüber entscheidet, ob eine millionenschwere KI-Initiative erfolgreich ist oder zu einem weiteren Eintrag auf der Folie „Lessons Learned“ wird.

Die Unternehmen, die die Dateninfrastruktur als Grundlage ihrer KI-Strategie betrachten (und nicht als nachträgliches Element), werden über die Pilotphase hinausgehen. Die in der MIT-Studie genannte Ausfallquote von 95 % ist nicht unvermeidlich. Dies passiert, wenn man Agenten auf Datenschichten aufbaut, die noch nicht für die autonome Nutzung bereit waren.

Ihre Agenten sind nicht durch das Modell eingeschränkt, sie sind durch die Daten eingeschränkt. Beseitigen Sie das Problem an der Basis – und die 95 % werden zurückgehen.

Sind Sie bereit, die Datengrundlage zu schaffen, die Ihre KI-Agenten benötigen? Sehen Sie, wie der Managed Data Lake Service von Fivetran integrierte, verwaltete Daten für Ihre „Agentic AI“-Initiativen liefert.

[CTA_MODULE]