Warum Open Data Infrastructure für Datenzugriff und -kontrolle wichtig ist

In dem Maße, in dem Unternehmen KI in ihre Produktionsabläufe integrieren, wird der Datenzugriff zu einer immer größeren architektonischen Einschränkung.

Laut Weltwirtschaftsforum planen 82 % der Führungskräfte, innerhalb der nächsten ein bis zwei Jahre KI-Agenten einzuführen. McKinsey hat herausgefunden, dass 23 % der Unternehmen bereits ein agentenbasiertes KI-System in mindestens einer Funktion einsetzen und weitere 39 % mit KI-Agenten experimentieren. Dies deutet darauf hin, dass sich die Art und Weise, wie Unternehmenssysteme Daten nutzen, in naher Zukunft ändern wird: von der periodischen, menschengesteuerten Analyse zur kontinuierlichen, maschinengesteuerten Interaktion.

Dadurch ändern sich die Anforderungen an die Datenschicht.

[CTA_MODULE]

Warum herkömmliche Datenarchitekturen nicht ausreichen

Die meisten Enterprise Data-Architekturen von heute wurden für Analysepipelines, Stapelverarbeitung, Dashboards und BI-Abfragen entwickelt. Bei diesem Modell sind die Latenzzeiten oft tolerierbar, die Duplizierung ist überschaubar und Zugriffsbeschränkungen lassen sich umgehen. Agentische KI führt hier ein anderes Muster ein. Diese Systeme erfordern einen wiederholten Zugriff auf aktuelle und historische Daten in operativen und analytischen Umgebungen. Sie sind auf Interoperabilität, konsistente Semantik und zuverlässige Zugriffspfade über eine wachsende Anzahl von Tools hinweg angewiesen.

Damit ist der Datenzugriff mehr als eine Frage der Konnektivität. Die Herausforderung besteht nicht mehr nur darin, ob ein Unternehmen im Besitz seiner Daten ist. Die Herausforderung ist, ob Daten systemübergreifend abgerufen, verschoben, verwaltet und wiederverwendet werden können, ohne durch plattformspezifische APIs, Preismodelle, geschlossene Speicherformate oder eng gekoppelte Compute-Schichten eingeschränkt zu werden.

Die zunehmenden Einschränkungen beim plattformgesteuerten Datenzugriff

CIO berichtete, dass sich die erhöhten Gebühren im Connector-Programm von Salesforce allmählich auf Softwareanbieter auswirken, was zu höheren Integrationskosten führen und die KI-Pläne der Kunden verkomplizieren könnte. In dem Artikel werden auch Bedenken geäußert, dass strengere kommerzielle und technische Kontrollen die Möglichkeiten der Kunden einschränken könnten, ihre Daten zu übertragen und auf sie zuzugreifen.

Eine Zeit lang konnten die Teams diese Einschränkungen umgehen. Sie fügten weitere Tools hinzu, kopierten Daten an mehr Stellen und implementierten benutzerdefinierte Korrekturen, um die Dinge am Laufen zu halten. Die agentenbasierte KI wird die Herausforderungen im Zusammenhang mit diesen Schwachstellen jedoch deutlich erhöhen.

Eine für Dashboards akzeptable Ratenbegrenzung kann für automatisierte Systeme, die häufige Datenabrufe oder Statussynchronisierungen erfordern, zu einem Engpass werden. Eine plattformspezifische Speicherebene kann für einen eingeschränkten Analyse-Workflow geeignet sein, führt jedoch zu Reibungsverlusten, wenn Teams mehrere Engines, Vektorpipelines, Abfragesysteme, Transaktionsanwendungen oder modellbasierte Umgebungen unterstützen müssen. Das wiederholte Kopieren von Daten zwischen proprietären Systemen mag zwar kurzfristigen Zugriff gewährleisten, erhöht jedoch die Speicherkosten, führt zu semantischen Abweichungen und erschwert Data Lineage und die Durchsetzung von Richtlinien.

Was agentenbasierte KI tatsächlich von Daten erfordert

Und dies sind keine Grenzfälle. Stellen Sie sich einen Support-Workflow vor, bei dem ein KI-Agent Produktnutzungsdaten, die CRM-Historie und den Ticketkontext benötigt, um ein Problem in Echtzeit zu lösen. Oder ein Finance-Team, das mithilfe von KI die Ausgaben überwacht und systemübergreifend Anomalien meldet. Oder ein Betriebsteam, das Automatisierung nutzt, um anhand von Bestandsdaten, Kundenaktivitäten oder Veränderungen in der Lieferkette die nächsten Schritte einzuleiten. In jedem dieser Fälle besteht die technische Anforderung nicht nur im Datenzugriff. Es geht um den Zugriff auf die richtigen Daten, zur richtigen Zeit und mit den richtigen Kontrollen.

An dieser Stelle gewinnt die architektonische Steuerung eine viel größere praktische Bedeutung.

• Kann auf Daten systemübergreifend zugegriffen werden, ohne Pipelines für jede neue Arbeitslast neu aufbauen zu müssen?
• Können Speicher und Compute unabhängig voneinander skaliert werden?
• Können mehrere Engines mit denselben verwalteten Daten arbeiten, ohne eine Replikation in proprietäre Umgebungen zu erzwingen?
• Können Richtliniendurchsetzung, Data Lineage und Geschäftsdefinitionen über Analyse-, Betriebs- und KI-Systeme hinweg konsistent bleiben?
• Lassen sich Kosten und Leistung auch dann noch steuern, wenn sich die Zugriffsmuster von der Stapelverarbeitung hin zur kontinuierlichen Maschineninteraktion verlagern?

Wenn die Antwort nein lautet, ist das Problem nicht nur die Komplexität, sondern ein Verlust an Flexibilität. Und genau dies ist das Problem, das Open Data Infrastructure lösen soll.

Einführung von Open Data Infrastructure

Open Data Infrastructure ist ein architektonischer Ansatz, der auf offenen Standards, interoperablen Speicherebenen und entkoppeltem Systemdesign beruht. Ziel ist es, Daten über verschiedene Tools und Umgebungen hinweg portabel, adressierbar und steuerbar zu halten, anstatt den Zugriff an die Steuerungsebene einer einzelnen Plattform zu binden. Aus praktischer Sicht bedeutet dies, dass Unternehmen gemeinsame Zugriffsmuster für analytische, operative und KI-basierte Arbeitslasten entwickeln können, ohne jeden neuen Anwendungsfall von proprietären Schnittstellen oder redundantem Data Movement abhängig zu machen.

In der Praxis können die Daten dann einmal gespeichert und an mehreren Stellen verwendet werden. Speicher und Compute müssen nicht zwangsläufig miteinander verknüpft sein. Teams können die richtigen Tools für die jeweilige Aufgabe auswählen, anstatt jede Arbeitslast über denselben Weg zu zwingen. Gemeinsame Definitionen, Governance-Richtlinien und Zugriffskontrollen können systemübergreifend angewandt werden, was umso wichtiger wird, wenn automatisierte Systeme auf der Grundlage von Daten handeln und sie nicht nur lesen.

Warum dies für agentenbasierte KI in großem Maßstab wichtig ist

Dies ist von Bedeutung, da durch agentenbasierte KI die Zahl der Systeme steigt, die direkt oder nahezu direkt mit vertrauenswürdigen Daten interagieren müssen. Je größer diese Zugriffsmuster werden, desto schwieriger wird es, eng gekoppelte Architekturen zu pflegen. Jeder duplizierte Datensatz führt zu einem weiteren Synchronisationsproblem. Jede proprietäre Grenze schafft eine weitere Kontrollinstanz. Jede unverbundene semantische Ebene erhöht das Risiko, dass automatisierte Systeme mit inkonsistenten oder veralteten Informationen arbeiten.

Open Data Infrastructure beseitigt die Komplexität nicht. Verteilte Datensysteme erfordern nach wie vor eine starke Governance, betriebliche Disziplin, Beobachtbarkeit und Leistungsmanagement. Offene Architekturen erfordern zudem klarere Zuständigkeitsmodelle und bessere Metadatenpraktiken. Aber sie bieten eine dauerhaftere Grundlage für Veränderungen. Sie erleichtern die Einführung neuer Verarbeitungsengines, die Unterstützung neuer KI-Frameworks und die Ausweitung auf neue Arbeitslasten, ohne dass der Stack auf der Grundlage der Vorgaben eines einzelnen Anbieters oder einer einzigen Schnittstelle neu gestaltet werden muss.

Diese Flexibilität wird mit der Weiterentwicklung der agentenbasierten KI immer wichtiger.

Die Zukunft von Datenzugriff und -kontrolle

Die Unternehmen, die am besten auf die nächste Phase der Daten- und KI-Entwicklung vorbereitet sind, werden nicht einfach nur diejenigen sein, die über mehr Modelle in der Produktion verfügen. Diese Unternehmen verfügen über eine vertrauenswürdige Datenbasis – eine Datengrundlage, die ihnen die Freiheit gibt, schneller voranzukommen, ohne dabei die Kontrolle abzugeben. Sie werden in der Lage sein, neue Arbeitslasten zu unterstützen, ohne sich auf einen einzigen Ansatz festzulegen. Sie werden besser gerüstet sein, um die Zuverlässigkeit der Daten, die Konsistenz der Definitionen und den Datenzugriff zu regeln, wenn KI immer stärker in die tägliche Arbeit integriert wird.

Deshalb ist Open Data Infrastructure für Datenzugriff und -kontrolle so wichtig. Denn da KI-Systeme immer mehr in die Bereiche Ausführung, Orchestrierung und Entscheidungsunterstützung vordringen, reicht es nicht mehr aus, zu sagen, dass Ihr Unternehmen seine Daten besitzt. Die Architektur muss beweisen, dass die Daten tatsächlich genutzt werden können – und zwar auf konsistente und effiziente Weise und mit den für das Unternehmen erforderlichen Kontrollen.

[CTA_MODULE]