Eine belastbare Datenbasis als Fundament für KI-Agenten

KI-Agenten können eigenständig Daten auswerten, Entscheidungen vorbereiten oder treffen und anschließend Aktionen in angeschlossenen Systemen ausführen. Das gelingt allerdings nur, wenn sie auf eine verlässliche Datenbasis zugreifen können.

Wie wichtig diese Voraussetzung ist, zeigt eine Befragung von Gartner aus dem November und Dezember 2025. Von den 782 befragten Verantwortlichen für Infrastruktur und Betrieb nannten 38 Prozent eine schlechte Datenqualität oder eine eingeschränkte Datenverfügbarkeit als direkte Ursache für das Scheitern eines KI-Projekts. Mit Blick auf KI-Agenten ist dieses Ergebnis besonders relevant: Ihre Empfehlungen und Handlungen sind nur so zuverlässig wie die Daten, auf denen sie basieren.

Damit Unternehmen KI-Agenten erfolgreich einsetzen können, müssen die benötigten Daten vollständig, aktuell, konsistent und für die jeweiligen Agenten zugänglich sein.

Datenqualität kontinuierlich sicherstellen

Der erste Schritt zu einer hohen Datenqualität ist eine transparente Bestandsaufnahme. Dabei zeigt sich in Unternehmen oft, dass Daten veraltet, fehlerhaft oder mehrfach gespeichert sind. Im Zuge einer initialen Datenbereinigung werden Dubletten zusammengeführt, Fehler korrigiert und veraltete Informationen aktualisiert. Das Ziel ist ein konsistenter, maßgeblicher Datensatz, der beispielsweise einen Kunden, Lieferanten oder ein Produkt eindeutig beschreibt. Ein solcher „Golden Record“ bildet den verlässlichen, konsolidierten Stammdatensatz, auf den KI-Agenten zugreifen.

Eine einmalige Bereinigung reicht allerdings nicht aus, da sich Stammdaten laufend ändern. Kunden und Lieferanten ziehen um, Unternehmen ändern ihre Rechtsform oder werden übernommen. Spezialisierte Software für Datenqualität und Stammdatenpflege kann dazu beitragen, solche Änderungen systematisch aufzunehmen und die Daten aktuell zu halten. Auch neu eingehende Informationen sollten bereits bei der Erfassung gegen Referenzdaten öffentlicher Register oder etablierter Wirtschaftsauskunfteien validiert werden.

Entscheidend ist daher, Datenqualität als kontinuierliche Aufgabe zu verstehen. Nur wenn Unternehmen neue Informationen zuverlässig prüfen und bestehende Daten regelmäßig oder anlassbezogen aktualisieren, können KI-Agenten auf einer belastbaren Grundlage arbeiten.

Vernetzte Datenbasis für KI-Agenten

Neben einer hohen Datenqualität ist die Verfügbarkeit der Informationen eine weitere zentrale Herausforderung. In vielen Unternehmen sind geschäftsrelevante Daten auf unterschiedliche Anwendungen verteilt: CRM-Systeme beinhalten Kundendaten und Vertriebsinformationen, ERP-Systeme verwalten unter anderem Aufträge und Zahlungsdaten, während in Fachanwendungen weitere wichtige Informationen abgelegt sind.

Diese Fragmentierung erschwert den Einsatz von KI-Agenten. Sie können nur solche Informationen berücksichtigen, die für sie technisch und organisatorisch zugänglich sind. Liegen Kunden-, Produkt-, Auftrags- und Zahlungsinformationen in voneinander isolierten Systemen vor, fehlt ihnen ein wesentlicher Teil des Geschäftskontextes. Das kann dazu führen, dass KI-Agenten ihre Aufgaben nur unvollständig erfüllen.

Hinzu kommt, dass KI-Agenten je nach Anwendungsfall nicht nur Daten abrufen, sondern auch Aktionen in angeschlossenen Systemen ausführen müssen. Dafür benötigen sie geeignete Schnittstellen. Die Integration beteiligter Anwendungen ist somit ein wesentlicher Bestandteil einer tragfähigen KI-Architektur.

Wie groß der Handlungsbedarf ist, zeigt eine aktuelle Untersuchung des Analystenhauses techconsult. Demnach nutzen 76 Prozent der Unternehmen mit 500 bis 2.000 Beschäftigten KI produktiv, doch nur 26 Prozent haben sie vollständig in ihre Kernprozesse integriert. Fast die Hälfte betreibt die Technik in isolierten Silos. Für IT-Verantwortliche stellt sich daher die Frage, wie sich die benötigten Daten und Funktionen so verbinden lassen, dass KI-Agenten sie kontrolliert und systemübergreifend nutzen können.

Punkt-zu-Punkt-Verbindungen oder Integrationsplattform?

Für einzelne, klar abgegrenzte Anwendungsfälle können Punkt-zu-Punkt-Verbindungen ausreichen. Dabei werden KI-Agenten mit den jeweiligen Anwendungen über deren Schnittstellen (Application Programming Interface, API) direkt verbunden. Ein Beispiel hierfür ist ein Agent, der die Anfrage eines Interessenten (Lead) im CRM-System bewertet und bei ausreichender Relevanz eine Verkaufschance (Opportunity) anlegt. Der technische Aufwand bleibt dabei überschaubar und die Anbindung lässt sich vergleichsweise schnell umsetzen.

Mit einer zunehmenden Zahl von KI-Agenten und beteiligten Anwendungen steigt jedoch die Komplexität. Die Zahl der Verbindungen wächst oft rasant, weil jeder KI-Agent einzeln an jede benötigte Anwendung angebunden wird. Jede dieser Verbindungen schafft weitere Abhängigkeiten. Sollen mehrere KI-Agenten auf unterschiedliche Systeme zugreifen, müssen die erforderlichen Schnittstellen einzeln aufgebaut, verwaltet und gewartet werden. Änderungen an Anwendungen oder APIs können Anpassungen an mehreren Verbindungen erforderlich machen. Es fehlt eine zentrale Architektur, über die sich sämtliche Integrationen einheitlich steuern ließen.

Dieses Bild wurde komplett mit KI generiertProvideropenaiModellgpt-imagePromptPhotorealistic editorial office scene of an enterprise data integration hub with physical server modules and optical data cables for AI agents; 16:9; no people, text, numbers, logos, screens, watermark, robots or cyberpunk.

Für unternehmensweite Szenarien kann eine Integrationsplattform eine skalierbare Architekturgrundlage schaffen. Sie verbindet die beteiligten Systeme als zentrale Middleware und ermöglicht es KI-Agenten, Informationen systemübergreifend abzurufen und Aktionen in den jeweiligen Anwendungen auszuführen. Die APIs werden zentral verwaltet, Zugriffsrechte an einer Stelle gesteuert und Compliance- sowie Sicherheitsvorgaben einheitlich umgesetzt. Dies erleichtert es IT-Teams, den Überblick über angebundene Systeme, Berechtigungen und eingesetzte Agenten zu behalten.

Neue Anwendungen und weitere KI-Agenten lassen sich über die bestehende Integrationsarchitektur mit geringerem Aufwand in die IT-Landschaft einbinden. Änderungen an einer Anwendung müssen nur an einer Stelle berücksichtigt werden. Das erleichtert die Wartung und Weiterentwicklung der gesamten Lösung.

Über diese Integrationsschicht können KI-Agenten beispielsweise einen Lead im CRM-System qualifizieren, bei ausreichender Relevanz eine Opportunity anlegen und zusätzlich Informationen aus dem ERP-System abrufen, um weitere Schritte in der Auftragsabwicklung automatisiert anzustoßen.

Vernetzte Daten liefern den Geschäftskontext

Durch die Integration verschiedener Anwendungen erhalten KI-Agenten Zugang zu einem umfassenderen Geschäftskontext. Das ist entscheidend, da sie nicht nur einzelne Informationen verarbeiten, sondern diese auch miteinander verknüpfen müssen, um daraus fundierte Schlussfolgerungen abzuleiten.

Ein Beispiel verdeutlicht dies: Die Meier GmbH fragt bei einem Lieferanten ein Angebot für eine Maschine an. Kennt der KI-Agent des Lieferanten lediglich den angefragten Artikel, kann er nur die dazu verfügbaren Standardinformationen berücksichtigen. „Weiß“ er dagegen auch, dass die Meier GmbH zur Meier Holding AG gehört und diese zu den wichtigsten Kunden des Lieferanten zählt, kann er auf hinterlegte Rahmenvereinbarungen zugreifen und ein angepasstes Angebot unterbreiten. Dieses Szenario setzt Stammdaten voraus, in denen solche Unternehmensverflechtungen abgebildet sind, sowie deren Zugänglichkeit für den Agenten. Datenqualität und Datenverfügbarkeit greifen hier ineinander.

Auch im Kundenservice ist der Geschäftskontext wichtig. So kann der Kundenstatus beispielsweise darüber entscheiden, wie Anfragen priorisiert, weitergeleitet und bearbeitet werden. Dafür muss ein KI-Agent aus einem Ticketsystem auf die im CRM-System hinterlegten Informationen und Vereinbarungen zugreifen können.

Leitplanken für den Einsatz von KI-Agenten setzen

Der Zugriff auf verlässliche Daten allein genügt jedoch nicht. Unternehmen müssen festlegen, welche Informationen ein KI-Agent einsehen und welche Aktionen er selbstständig ausführen darf. Dafür sind klare Rollen, Berechtigungen und Handlungsregeln erforderlich. Ebenso sollte definiert sein, ob und wann Mitarbeitende die Ergebnisse von KI-Agenten prüfen oder aktiv in den Prozess eingreifen müssen („Human in the Loop“).

Auch regulatorische Anforderungen sprechen für eine nachvollziehbare Daten- und Prozessarchitektur. So formuliert etwa der EU AI Act für bestimmte Hochrisiko-KI-Systeme unter anderem Anforderungen an die Qualität der verwendeten Datensätze, die Protokollierung und die menschliche Aufsicht (Art. 10, 12 und 14). Welche Pflichten konkret gelten, hängt von der Einstufung des Systems und dem jeweiligen Anwendungsfall ab.

Fazit

Eine belastbare Datenbasis für KI-Agenten entsteht aus mehreren Komponenten. Unternehmen müssen ihre Datenbestände kennen, deren Qualität kontinuierlich sicherstellen und relevante Informationen systemübergreifend verfügbar machen. Eine geeignete Integrationsplattform schafft dafür die technischen Voraussetzungen. Zugleich benötigen Agenten klar definierte Zugriffsrechte, Handlungsspielräume und Kontrollmechanismen. Erst wenn Datenqualität, Datenverfügbarkeit, Integration und Governance ineinandergreifen, können KI-Agenten Geschäftsprozesse verlässlich unterstützen und Aktionen kontrolliert ausführen.