Kommentar von Alexander Laubert, Lakeside Software Sind Ihre Daten gut genug für den Einsatz von KI-Agenten?

Anbieter zum Thema

Fsas Technologies GmbH

Board Deutschland GmbH

BigData-Insider

Es ist das KI-Thema des Jahres: autonome Agenten. Ihr Einsatz in Unternehmen schreitet rasant voran. Immer mehr Prozesse, die bisher manuell erledigt wurden, werden von autonomen Systemen übernommen. Während die Technik dabei immer ausgereifter erscheint, bleibt eine Frage oft außen vor: Ist die zugrundeliegende Datenbasis überhaupt reif für diese Art der Automatisierung?

Denn so leistungsfähig KI-Agenten auch sein mögen, ihre Intelligenz ist nur so gut wie die Daten, auf denen sie basieren. Schlechte oder unvollständige Daten führen unweigerlich zu schlechten Ergebnissen. Wer also auf KI-Agenten setzen will, muss sich zunächst mit der Qualität seiner Daten auseinandersetzen.

Was agentische KI überhaupt bedeutet

Während sich der öffentliche Diskurs in den letzten Jahren stark auf die generative KI konzentriert hat, rückt mit der agentischen KI nun zunehmend eine weitere Variante in den Fokus. Im Gegensatz zu klassischen, reaktiven KI-Systemen sind KI-Agenten in der Lage, eigenständig Entscheidungen zu treffen und komplexe Prozesse vollständig zu automatisieren – auf Basis klar definierter Regeln, Prozesse und Datenmodelle.

Ein Beispiel: Ein Mitarbeiter öffnet das interne Self-Service-Portal und klickt auf „Neues Arbeitsgerät anfordern“. Diese Anfrage wird automatisch von einem KI-Agenten bearbeitet. Der Agent greift auf vorhandene Telemetriedaten des bisherigen Geräts zu – etwa zur Prozessorlast, zur genutzten Software oder zur Akkuleistung – und vergleicht diese mit den unternehmensinternen Vorgaben für Beschaffungen. Basierend darauf wählt der Agent das passende Modell aus, stößt die Bestellung an, informiert den Mitarbeiter und plant über das IT-System direkt die Einrichtung des neuen Geräts. Der gesamte Prozess läuft automatisiert ab – ohne manuelles Eingreifen. Das spart Zeit, reduziert den Aufwand und sorgt im Idealfall für eine konsistente Nutzererfahrung.

Voraussetzung für Best Practices wie diese ist jedoch, dass dem Agenten alle relevanten Informationen in hoher Qualität zur Verfügung stehen – was in der Praxis häufig nicht der Fall ist.

Warum Datenqualität über Erfolg oder Misserfolg entscheidet

Agentische KI kann Entscheidungen nur dann sinnvoll treffen, wenn die zugrunde liegenden Informationen vollständig, korrekt, aktuell und gut strukturiert sind. Fehlen wichtige Kontextdaten oder ist die Datenlage verzerrt, können Fehlentscheidungen mit weitreichenden Folgen entstehen.

Ein KI-Agent, der den Gerätezustand oder die Softwarenutzung eines Mitarbeiters nicht korrekt erfassen kann, bestellt womöglich ein Gerät mit zu geringer Leistung oder überdimensionierter Ausstattung. Im ersten Fall leidet die Produktivität, im zweiten werden Ressourcen verschwendet. Beides senkt die Akzeptanz solcher Systeme.

Mehr noch: Da agentische KI zunehmend ohne menschliche Kontrollinstanz agiert („Human out of the loop“), steigen die Anforderungen an die Datenqualität deutlich. Fehler, Verzerrungen oder Lücken im Datenbestand bleiben sonst unbemerkt – und können sich unkontrolliert in Prozessen und Entscheidungen fortpflanzen.

Das ist ein Grund, warum einige Unternehmen derzeit bei der Einführung von KI vorsichtig sind und die menschlichen Kollegen stark miteinbeziehen. Ein Beispiel: Bei der Hardware-Beschaffung recherchiert der KI-Agent einen neuen Laptop, aber ein Mensch überprüft die Spezifikationen und bestätigt die Bestellung. Eine weitere Möglichkeit ist, den KI-Agent den gesamten Bestellvorgang übernehmen zu lassen, der aber mittels eines Audit Trails bei Bedarf von Menschen überprüft werden kann.

Wie bestimmt man die Datenqualität?

Doch was unterscheidet „gute“ von „schlechten“ Daten? Es gibt eine Reihe von Kriterien, die darüber bestimmen, ob Daten für den Einsatz in der Agenten-KI geeignet sind:

• Genauigkeit: Messwerte, Protokolle oder Nutzerverhalten müssen realitätsgetreu abgebildet werden.

• Konsistenz: Daten sollten einheitlich strukturiert und formatiert sein, um Vergleichbarkeit und maschinelle Lesbarkeit zu gewährleisten.

• Vollständigkeit: Lücken – etwa durch Offline-Zeiten oder unstrukturierte Formate – führen zu einer verzerrten Datengrundlage.

• Aktualität: Entscheidungen auf Basis veralteter Daten sind besonders kritisch in dynamischen Systemumgebungen.

• Struktur: Gut strukturierte Daten lassen sich einfacher analysieren, interpretieren und in Modelle integrieren.

• Kontextsensitivität: Daten ohne Kontext – etwa die Information, dass ein Fehler aufgetreten ist, aber nicht warum – reichen für belastbare Entscheidungen nicht aus.

Nur wenn diese Voraussetzungen erfüllt sind, können KI-Agenten ihr Potenzial entfalten.

Der Weg zu besseren Daten

Viele Unternehmen sehen sich in der Praxis mit einem Sammelsurium an Datenquellen konfrontiert: ERP-Systeme, Collaboration Tools, IT-Telemetrie, CRM, Ticketsysteme, Umfragen – jede Quelle hat eigene Standards, eigene Lücken, eigene Fehlerquellen. Um daraus eine verlässliche Entscheidungsgrundlage zu machen, braucht es gezielte Maßnahmen zur Qualitätssicherung von Daten:

• 1. Automatisierte Datenerfassung: Manuell eingegebene Daten sind fehleranfällig. Automatisierung reduziert „fat-finger“-Fehler, subjektive Verzerrungen und Datenlücken.

• 2. Standardisierung und Strukturierung: Daten müssen einheitlich formatiert und logisch aufgebaut sein, um von KI-Systemen effektiv verarbeitet werden zu können.

• 3. Reduktion von Subjektivität: Insbesondere bei Feedback oder Stimmungsdaten gilt: Emotionen können Verzerrungen verursachen. Objektive, messbare Nutzungsdaten sind oft aussagekräftiger.

• 4. Feedback-Schleifen und Validierung: Selbst nach der Einführung von KI-Systemen müssen kontinuierliche Prüfprozesse etabliert werden, um Modelle zu verbessern und Fehler frühzeitig zu erkennen.

• 5. Zweckorientierte Datenerhebung: Nicht jede verfügbare Information ist auch relevant. Daten sollten immer auf einen konkreten Anwendungsfall hin erhoben und verwendet werden.

Und was ist mit Datenschutz?

Ein weiteres Feld, das in der Diskussion um Datenqualität oft vergessen wird, betrifft den Datenschutz und die Sicherheit. Agentische KI kann nur funktionieren, wenn sie auch auf personenbezogene oder sensible Daten zugreifen darf – etwa bei der Automatisierung von HR-Prozessen, IT-Support oder Compliance-Prüfungen.

Hier braucht es klare Governance-Strukturen: Wer darf auf welche Daten zugreifen? Wie wird sichergestellt, dass Agenten keine Rechte überschreiten? Wie lassen sich Datenhoheit, Revisionssicherheit und Transparenz gewährleisten? Ohne ein robustes Konzept zur Datenverantwortung kann aus einem intelligenten Agenten schnell ein Compliance-Risiko werden.

Bias erkennen – und entschärfen

Ein weiteres Risiko schlechter Daten: Verzerrungen. Wenn etwa Mitarbeiter in bestimmten Zeitzonen seltener IT-Tickets einreichen, weil der Support während ihrer Arbeitszeit nicht erreichbar ist, interpretiert ein KI-Agent das womöglich als geringeren Bedarf – und reduziert die Serviceleistungen. Solche Beispiele zeigen: Auch korrekt erhobene Daten können falsche Schlüsse zulassen, wenn sie nicht kontextualisiert oder kritisch hinterfragt werden.

Wer mit agentischer KI arbeitet, muss sich dieser Verzerrungspotenziale bewusst sein – und gegensteuern, etwa durch erklärbare Modelle, transparente Datenpfade oder bewusste Gewichtung einzelner Datenquellen.

Fazit: Daten sind kein Beiwerk – sie sind das Fundament

Die Einführung agentischer KI ist kein reines Technologieprojekt. Es ist eine Frage der Datenreife. Nur wer über saubere, vollständige und strukturierte Daten verfügt, kann die Potenziale autonomer Systeme wirklich ausschöpfen.

Oder anders formuliert: Der technologische Fortschritt der KI verlagert das Problem nicht – er vergrößert es. Denn je mehr Entscheidungsmacht an KI-Agenten übergeben wird, desto größer wird der Einfluss schlechter Daten auf Geschäftsprozesse, Nutzererfahrung und strategische Entscheidungen.

Die gute Nachricht: Datenqualität lässt sich systematisch verbessern. Mit einem klaren Plan, geeigneten Werkzeugen und der nötigen Sensibilität für Kontext, Bias und Governance. Wer heute in Datenqualität investiert, schafft die Voraussetzung für vertrauenswürdige, leistungsfähige und akzeptierte KI-Systeme von morgen.

(ID:50394752)