Bei NTT DATA erlebe ich hautnah, wie KI – in den vergangenen Jahren insbesondere generative KI und jetzt auch Agentic AI – Unternehmen branchenübergreifend transformiert.
Autonome agentenbasierte Systeme analysieren, planen und handeln eigenständig, um definierte Ziele zu erreichen – häufig in Abstimmung mit anderen Agenten. Doch der erwartete ROI stellt sich nur ein, wenn diese Systeme in Echtzeit auf große Mengen qualitativ hochwertiger und kontextuell relevanter Daten zugreifen können.
Das volle Potenzial dieser Technologie entfaltet sich also erst, wenn Unternehmen das Thema Data Readiness verstanden haben und konsequent adressieren. Ein globaler IT-Entscheider brachte es bei einer Veranstaltung, an der ich kürzlich teilgenommen habe, auf den Punkt: „Erst das Zusammenspiel von Daten und KI bringt den entscheidenden Fortschritt.”
Der Grundstein für Agentic AI
Im aktuellen Global GenAI Report von NTT DATA gaben lediglich 53 Prozent der befragten Unternehmen an, sich im Rahmen ihrer GenAI-Initiativen bereits mit dem Thema Data Readiness beschäftigt zu haben. Allerdings haben 95 Prozent vor, dies im kommenden Jahr nachzuholen – ein klares Signal für das wachsende Bewusstsein rund um die Bedeutung datenbasierter Grundlagen. Die Befragten nannten Data Readiness auch als wichtigste Erkenntnis aus ihren bisherigen GenAI-Projekten.
Ohne eine solide Datenbasis kein nachhaltiger Erfolg: Was für generative KI gilt, gilt für Agentic AI umso mehr, denn hier bilden Daten das Rückgrat des gesamten Ökosystems.
Ein Beispiel: Ein globaler Getränkehersteller möchte Agentic AI nutzen, um seine Lieferkette effizienter zu gestalten. Dafür müssen die autonomen KI-Agenten in der Lage sein, riesige Datenmengen aus unterschiedlichsten Quellen zu verarbeiten – etwa aus Sensoren, von Logistikdienstleistern oder Marktforschungsplattformen. Sind diese Daten nicht konsistent, bereinigt und sinnvoll integriert, können die Agenten nur suboptimale Entscheidungen treffen.
Das Problem in einem solchen Fall liegt dann nicht etwa in der Technologie oder der Strategie. Das Problem ist schlicht eine unzureichende Data Readiness.
Was ist Data Readiness?
Sich vor der Einführung von KI mit der Data Readiness zu beschäftigen, ist vergleichbar mit den Vorbereitungen, um einen Kuchen zu backen. Es reicht nicht, die Zutaten zu besorgen. Denn sind diese nicht auch frisch, korrekt abgemessen oder sauber verarbeitet, wird der Kuchen wahrscheinlich misslingen.
Im Kontext von GenAI bedeutet das: Ihre Daten müssen hochwertig, gut strukturiert, bereinigt und kontextbezogen sein, damit die KI präzise, kreative Ergebnisse liefern kann. Je besser die Datenqualität, desto leistungsfähiger Ihre GenAI-Modelle.
Bei Agentic AI steigen die Anforderungen noch einmal deutlich. Autonome KI-Agenten benötigen kontinuierliche Datenströme aus unterschiedlichen Quellen und in variablen Formaten, um fundierte Entscheidungen zu treffen. Diese Daten müssen kontextreich, semantisch interoperabel – also über Plattformgrenzen hinweg verständlich – und in Echtzeit verfügbar sein.
Darüber hinaus setzen Multiagentensysteme synchronisierte Datenumgebungen voraus, um eine effektive Zusammenarbeit, Aufgabenverteilung und Verhandlung zwischen den einzelnen KI-Agenten zu ermöglichen.
In einem Multiagentensystem können verschiedene Agenten für unterschiedliche Aspekte in der Lieferkette verantwortlich sein. So ist ein Agent zum Beispiel für die Beschaffung, ein anderer für die Lagerverwaltung und ein dritter für die Logistik zuständig. Damit diese nahtlos zusammenarbeiten und Entscheidungen auf Basis eines gemeinsamen Lagebilds treffen können, müssen ihre Daten in Echtzeit verfügbar, synchronisiert und integriert sein.
6 Schritte zur Data Readiness für Agentic AI
Der Weg zur Data Readiness lässt sich in sechs zentrale Schritte unterteilen:
1. Den Entscheidungsprozess verstehen
Klären Sie, welche geschäftskritischen Entscheidungen in Ihrem Unternehmen getroffen werden und welche Daten dafür erforderlich sind. Erst wenn Sie Ihre Prozesse, Entscheidungspunkte und Informationsbedarfe genau kennen, können Sie die passenden Daten identifizieren und strukturieren.
2. Datenqualität und -integrität prüfen
Strukturierte, verlässliche und eindeutig gekennzeichnete Daten sind das Fundament jeder KI-Anwendung. Eine menschliche Validierung ist hier unverzichtbar. Sie sichert Genauigkeit, Konsistenz und Vertrauen in die Datengrundlage.
3. Datenerfassung und -integration planen
Agenten benötigen kontinuierlich aktuelle Informationen. Echtzeit-Datenpipelines und APIs sorgen für die nötige Versorgung. Moderne, KI-gestützte ETL-Tools (Extract, Transform, Load) helfen dabei, Daten aus unterschiedlichen Quellen zu extrahieren, zu standardisieren und effizient in Zielsysteme zu überführen – inklusive der automatisierten Anbindung von Legacy-Systemen.
4. Datenmigration vorbereiten
Der Wechsel von isolierten Altsystemen zu cloudbasierten, agententauglichen Architekturen ist ein zentraler Schritt. Mithilfe von Process Mining, also der Analyse realer Prozessdaten aus Event-Logs, lassen sich Migrationsziele priorisieren und relevante Daten schrittweise in moderne Umgebungen überführen.
5. Daten semantisch strukturieren
Damit KI-Agenten eigenständig Schlüsse ziehen können, brauchen sie semantisch angereicherte Daten – strukturiert durch Ontologien, Taxonomien und Metadaten-Tags:
Taxonomien gruppieren Informationen anhand ihrer gemeinsamen Merkmale in hierarchische Kategorien. Eine Taxonomie für einen Einzelhändler könnte beispielsweise Produkte in Elektronik, Bekleidung und Haushaltswaren kategorisieren.
Ontologien beschreiben darüber hinaus die Beziehungen zwischen diesen Kategorien – etwa zwischen Produkt, Hersteller und Kunde. Sie stellen also eine detailliertere Struktur bereit, die erklärt, wie verschiedene Konzepte miteinander interagieren.
Metadaten liefern zusätzliche Informationen, wie Ersteller:in, Erstellungsdatum oder Dateityp.
Ein KI-Agent, der etwa Produktempfehlungen basierend auf dem Browserverhalten von Nutzer:innen ausspricht, muss die Beziehungen zwischen verschiedenen Produkten, den Kund:innen und deren Präferenzen verstehen können. Eine semantische Strukturierung der Daten durch Ontologien, Taxonomien und Metadaten macht genau das möglich.
6. Governance und Compliance sicherstellen
KI-Systeme müssen nicht nur leistungsfähig, sondern auch regelkonform sein. Sorgen Sie für nachvollziehbare Entscheidungsprozesse durch Audit-Trails, Zugriffsrechte und robuste Kontrollmechanismen. So stellen Sie sicher, dass Ihre KI-Agenten im Einklang mit rechtlichen und ethischen Standards Ihrer Branche arbeiten.
Wie KI Ihre Data-Readiness-Initiativen beschleunigen kann
KI selbst kann in unterschiedlichsten Anwendungen Ihre Data Readiness wesentlich vorantreiben. So lässt sie sich beispielsweise für die Datenprofilierung, das Scannen und Klassifizieren von Daten sowie die Bewertung der Datenqualität einsetzen. Darüber hinaus kann sie Prozesse wie Dublettenbereinigung, Normalisierung und kontextbezogenes Tagging automatisieren.
Große Sprachmodelle (Large Language Models, LLMs) sind in der Lage, Daten automatisch zu klassifizieren und sie mit zusätzlichem Kontext und Bedeutung anzureichern, was die Integration und Analyse von Daten aus verschiedenen Quellen deutlich erleichtert.
Auch klassische ETL-Prozesse (Extract, Transform, Load) lassen sich durch KI beschleunigen. Sie kann die Datennutzung kontinuierlich überwachen, Anomalien kennzeichnen und Richtlinien eigenständig durchsetzen.
Bei NTT DATA, haben wir eine Reihe spezialisierter Accelerators entwickelt, mit denen Sie Ihre Data Readiness gezielt beschleunigen. Dazu zählen KI-gestützte Tools zur Datenprofilierung und -bereinigung sowie Data-Governance-Frameworks, die für Genauigkeit, Verlässlichkeit und regulatorische Compliance sorgen.
Häufige Herausforderungen – und wie Sie ihnen begegnen
Der Weg zur Data Readiness bringt trotz aller Vorteile einige typische Herausforderungen mit sich.
Vielen Unternehmen fehlt zu Beginn ein realistisches Bild ihrer aktuellen Datenlandschaft. Ein guter Startpunkt sind daher Tools wie Reifegradmodelle oder ROI-Rechner, mit denen Sie den aktuellen Stand Ihrer Data Readiness analysieren können. Zusätzlich empfiehlt es sich, auf die Expertise erfahrener Partner zu setzen – insbesondere solcher, die nicht nur mit der Implementierung von Agentic-AI-Systemen vertraut sind, sondern auch mit der technologischen Umgebung, in denen diese Systeme zum Einsatz kommen.
Datensilos stellen häufig ein Hindernis dar, lassen sich aber mit modernen Ansätzen wie Federated Learning oder Data Mesh überwinden. Federated Learning ermöglicht das Training von KI-Modellen auf dezentralen Daten, ohne die Daten physisch zusammenzuführen. Data-Mesh-Architekturen verteilen die Datenverantwortung auf unterschiedliche Teams im Unternehmen und ermöglichen eine agilere, domänenorientierte Datenverwaltung.
Viele Altsysteme sind nicht für moderne Datenarchitekturen ausgelegt. Ein KI-Wrapper kann Daten aus diesen Systemen extrahieren und in aktuelle Plattformen integrieren, ohne dass das gesamte System ersetzt werden muss.
Setzen Sie nicht zuletzt auf strukturiertes Change-Management, etwa durch Reifegradanalysen, Pilotprogramme und eine enge Abstimmung über Bereichsgrenzen hinweg.
Sind Sie bereit?
Data Readiness ist eine strategische Voraussetzung für den Erfolg Ihrer KI-Initiativen.
Wenn Sie verstehen, was Data Readiness bedeutet und welche Schritte zu ihrer Umsetzung nötig sind, schaffen Sie die Basis für zukunftsfähige Anwendungen mit GenAI – und insbesondere mit Agentic AI. Denn erst mit der richtigen Datenbasis wird KI zur treibenden Kraft Ihrer digitalen Transformation.
Sind Sie bereit, diesen Weg zu gehen? Wir begleiten Sie – Schritt für Schritt.
- LESEN SIE AUCH → Gute Kräfte: Wie KI und GenAI unsere Welt zum Besseren verändern