Einführung von GenAI Agentische KI: Wie Unternehmen die nötige Datenexzellenz erreichen

Anbieter zum Thema

Hapag-Lloyd AG

xSuite Group GmbH

Esker Software Entwicklungs-und Vertrieb

Yorizon GmbH & Co. KG

Insbesondere agentische KI lebt von der Qualität und Verfügbarkeit von Daten, doch Unternehmen tun sich oft schwer mit einer durchgängigen Datenstrategie. In einem Projekt des Anwenderverbands CBA Lab haben Unternehmen Best Practices für eine erfolgreiche Datenstrategie erarbeitet. 

Häufig wird erst verspätet klar, dass KI-Lösungen nicht den erwarteten Nutzen bringen. Die Ursache liegt meist in den Daten. Für gute, korrekte Ergebnisse braucht es nicht nur klar geregelte Zugriffsrechte und eine hohe Datenqualität, die Daten müssen auch semantisch verstanden werden. Ohne belastbare Datenstrategie und professionelles Data Management für agentische KI wird es immer schwieriger. Der offene Austausch unter den Peers im Cross-Business-Architecture Lab (CBA Lab) hat jedoch auch gezeigt, dass die Umsetzung einer Datenstrategie branchenunabhängig eine erhebliche Herausforderung darstellt. Zu den Teilnehmern zählten neben Hapag-Lloyd und Festo auch Bayer, der TÜV Rheinland und das Schweizer Bahnunternehmen SBB.

„In diesem Kontext lässt sich kein linearer Masterplan abarbeiten. Bei allen Projektteilnehmern war erkennbar: Es geht sehr dynamisch zu, weil sich zwischen Geschäftsbereichen und IT viel bewegt. Man muss sich dann immer wieder agil zusammensetzen und den nächsten Schritt, die richtige Lösung genau für das eigene Unternehmen finden“, berichtet Nils Schäffler, Enterprise Architect beim Automatisierungsanbieter Festo. Gerade für agentische KI auf Basis von Large Language Models sei es zentral, den Datenschatz im Unternehmen mit jedem neuen Use Case nach und nach konsequent zugänglich zu machen, um Innovation zu beschleunigen. Rund sechs Monate lassen sich erfahrungsgemäß in einem AI-Projekt einsparen, wenn bereits eine Schnittstelle zu den Daten geschaffen wurde. Enterprise Architecture Management (EAM) gilt bereits in vielen Unternehmen als wichtige Basis, um die IT konsequent auf die Geschäftsziele auszurichten.

Agentische KI: Auf die Fachbereiche kommt es an

Alle Teilnehmer waren sich einig: Ein zentraler Fehler besteht darin, Data-Management- und Datenstrategie-Initiativen rein IT-getrieben aufzusetzen. Zwar ist die IT ein entscheidender Enabler, insbesondere beim Aufbau leistungsfähiger Plattformen und Architekturen. Die eigentliche Wertschöpfung mit Daten findet jedoch im Business statt. Dafür müssen die Experten und Expertinnen aus den Fachbereichen an Bord geholt und immer wieder der Nutzen deutlich herausgearbeitet werden. Ob eine Datenstrategie dauerhaft erfolgreich ist, hängt direkt von der Motivation derjenigen ab, die mit den Daten arbeiten. Hauptherausforderung: Geeignete Personen zu finden, die sowohl das fachliche Verständnis mitbringen als auch intrinsisch motiviert sind, Rollen wie Data Owner aktiv auszufüllen.

Frameworks verringern die Umsetzungshürden

Im Projekt wurden Frameworks wie DMBOK, DCAM und CDQ zur Orientierung genutzt und eine vergleichende Analyse vorgenommen. Die Frameworks erleichtern den Einstieg, weil nicht bei null begonnen werden muss. Vor allem ermöglichen sie von Anfang an ein gemeinsames Begriffs- und Zielverständnis und bewährte Konzepte. Auf dieser Basis lässt sich zudem die eigene Weiterentwicklung systematisch und messbar gestalten – beispielsweise entlang von Capabilities und Reifegraden. Welches Framework im konkreten Fall am besten geeignet ist, hängt jedoch stark vom jeweiligen Unternehmenskontext ab. Hier muss jedes Unternehmen das Konzept wählen, das am besten zu seinen Prozessen und zur Kultur passt. So findet sich im umfangreichen DMBOK viel zu Datenarchitektur, -modellierung und Master Data Management. Damit lassen sich etwa im Logistikumfeld bereits große Knowledge Areas abdecken.

Agentische KI: Neuer Umgang mit Daten als Ressource

Aus Sicht der Projektteilnehmer ist ein klares Management-Mandat essentiell. Doch auch wenn ein solches Bekenntnis fehlt, gibt es Alternativen: So kann ein Bottom-up-Ansatz sinnvoll sein, bei dem über sogenannte Lighthouse-Domains erste Strukturen und Verantwortlichkeiten etabliert werden. Vor allem in stark regulierten Branchen kann Data Management ein sehr wirkungsvoller Enabler sein, beispielsweise indem einzelne Domänen oder Business Lines eigenständig und regulatorisch sauber eine Datenstrategie aufbauen.

Der Weg zur Datenstrategie erfordert Zeit, Ressourcen und auch Investments, um Daten als Asset für alle künftigen Entwicklungen und als Basis für das Business schnell und sicher zugänglich zu machen. Für immer mehr Unternehmen ist das wettbewerbsrelevant. Um die nötige Reife zu erreichen, sollten ein bis zwei Jahre eingeplant werden.

KI in der Medizin

KI-Agent: Wie dieser Leben in der Notaufnahme retten kann