KI im Unternehmensbereich entwickelt sich zu einem Datenarchitekturprojekt

In der ersten Phase konzentrierten sich KI-Programme in Unternehmen auf Modelle. Führungskräfte verglichen Anbieter, Technologieteams testeten Eingabeaufforderungen und Abteilungen suchten nach Anwendungen, die Dokumente zusammenfassen, Fragen von Mitarbeitern beantworten oder sich wiederholende Aufgaben automatisieren konnten. Während Unternehmen von isolierten Pilotprojekten zu Produktionssystemen übergehen, gibt ein altbekanntes technologisches Problem zunehmend den Ton an: Unternehmensdaten wurden selten für Maschinen konzipiert, von denen erwartet wird, dass sie diese kontinuierlich auswerten.

Ein Proof-of-Concept kann diese Schwäche verschleiern, da Teams in der Regel eine überschaubare Sammlung von Dokumenten auswählen, offensichtliche Unstimmigkeiten beseitigen und dem Modell Zugriff auf Informationen gewähren, die sie bereits verstehen. In Produktionsumgebungen sieht die Situation anders aus. Kundendaten sind über mehrere Systeme verteilt, Produktnamen haben sich im Laufe der Zeit geändert, Dokumente weisen widersprüchliche Versionen auf und Berechtigungen spiegeln Organisationsstrukturen wider, die seit Jahren niemand mehr überprüft hat.

Generative KI deckt solche Unstimmigkeiten schnell auf, da das Modell die abgerufenen Informationen als Teil des Materials behandelt, aus dem es eine Antwort konstruiert. Wenn zwei Richtliniendokumente widersprüchlich sind, muss die KI sich entscheiden oder sie miteinander in Einklang bringen; wenn niemand weiß, welches davon maßgeblich ist, kann auch eine bessere Modelllogik das zugrunde liegende Versagen der Governance nicht zuverlässig beheben.

Das Eigentumsrecht an Daten wird somit zu einem Bestandteil der KI-Architektur. Es muss jemand die Verantwortung dafür übernehmen, zu entscheiden, welche Informationen aktuell sind, wer sie ändern darf und was geschieht, wenn Systeme zu unterschiedlichen Ergebnissen kommen. Unternehmen, die diese Zuständigkeiten nie festgelegt haben, können dennoch Analysen durchführen, da erfahrene Mitarbeiter oft wissen, welchem Bericht sie vertrauen können, während ein automatisiertes System erfordert, dass diese ungeschriebenen Konventionen explizit festgelegt werden.

Unstrukturierte Informationen verschärfen das Problem. Unternehmenswissen findet sich in Präsentationen, E-Mail-Verläufen, PDF-Dateien, Besprechungsnotizen und gemeinsam genutzten Laufwerken ebenso wie in sorgfältig verwalteten Datenbanken. KI macht diese Materialien in großem Umfang durchsuchbar und nutzbar – und genau deshalb wirken sich Unstimmigkeiten, die zuvor in einzelnen Ordnern verborgen blieben, nun auf automatisierte Ergebnisse aus.

Metadaten sind besonders wertvoll, da ein Modell mehr als nur das Dokument selbst benötigt. Erstellungsdatum, Eigentümer, Vertraulichkeitsstufe, Produkt, Rechtsraum und Gültigkeitsdauer können darüber entscheiden, ob Informationen in eine bestimmte Antwort gehören, sodass Abrufsysteme den Kontext eingrenzen können, bevor das Modell mit der Schlussfolgerung beginnt.

Auch den Zugriffsrechten muss vergleichbare Aufmerksamkeit gewidmet werden. Wenn einem KI-Assistenten Zugriff auf jedes Dokument gewährt wird, das ein Mitarbeiter theoretisch finden könnte, könnten dadurch Informationen offengelegt werden, die in bestehenden Systemen eher aufgrund von Unbequemlichkeit als durch gezielte Zugriffskontrolle verborgen blieben. Sobald KI in der Lage ist, Tausende von Dateien in Sekundenschnelle zu durchsuchen, stellen Unternehmen fest, dass technische Zugriffsrechte und legitime geschäftliche Erfordernisse zwei unterschiedliche Konzepte sind.

Die Datenarchitektur muss daher den Zugriff regeln, bevor die Informationen das Modell erreichen. Ein System sollte wissen, welcher Mitarbeiter, welcher Agent oder welche Anwendung die Anfrage gestellt hat, und nur jene Daten abrufen, zu deren Nutzung diese Identität berechtigt ist, anstatt sich darauf zu verlassen, dass das Sprachmodell sensible Informationen nach deren Erhalt ignoriert.

Veraltete Infrastruktur erschwert den Übergang, da viele Unternehmen Daten aus mehreren Jahrzehnten nicht einfach auf eine moderne Plattform übertragen können. Kernsysteme mögen den Geschäftsbetrieb zwar zuverlässig aufrechterhalten, obwohl ihre Architektur lange vor dem Aufkommen generativer KI entworfen wurde, doch regulatorische oder betriebliche Einschränkungen machen eine vollständige Migration unrealistisch.

Hybride Architekturen ermöglichen es Unternehmen, Informationen dort zu belassen, wo sie sich bereits befinden, und gleichzeitig kontrollierte Ebenen zu schaffen, über die KI-Anwendungen auf diese Informationen zugreifen können. Bei diesem Ansatz wird architektonische Reinheit zugunsten der Praktikabilität aufgegeben, allerdings erfordert er eine einheitliche Identitätsverwaltung, Metadatenverwaltung und Governance über alle Umgebungen hinweg, zu denen unter anderem öffentliche Clouds, private Infrastrukturen und Altsysteme gehören können.

Echtzeitdaten stellen eine weitere Anforderung dar, da Agenten nicht mehr nur Fragen beantworten, sondern aktiv handeln. Ein KI-Assistent, der die Umsätze des letzten Quartals zusammenfasst, kann gewisse Verzögerungen verkraften, während ein Agent, der vor der Zusage einer Lieferung prüfen muss, ob Ware vorrätig ist, aktuelle Betriebsdaten benötigt. Je stärker sich die KI in Richtung Geschäftsprozesse bewegt, desto weniger nützlich werden statische Wissensmomentaufnahmen.

Die Datenqualität muss zudem je nach Anwendungsfall gemessen werden. Ein Marketingassistent mag eine unvollständige Kundenbeschreibung tolerieren, während ein automatisierter Compliance-Workflow fehlende Informationen nicht einfach als gewöhnliche Unannehmlichkeit abtun kann. Unternehmen benötigen daher Qualitätsschwellenwerte, die an die Folgen einer fehlerhaften Nutzung der Daten durch das KI-System geknüpft sind.

Die wirtschaftliche Rechtfertigung für Infrastrukturmaßnahmen kann schwierig sein, da Führungskräfte sich für KI entschieden haben, weil sie Automatisierung erwarteten und nicht ein weiteres mehrjähriges Datenprogramm. Technologieteams sollten sich dagegen wehren, jede Einführung als Vorwand zu nutzen, um die Unternehmensarchitektur von Grund auf neu aufzubauen, und gleichzeitig der Vorstellung widerstehen, dass immer leistungsfähigere Modelle unorganisierte Informationen auf unbestimmte Zeit kompensieren können.

Kleinere, klar abgegrenzte Verbesserungen funktionieren oft besser. Ein Unternehmen kann einen wichtigen Arbeitsablauf identifizieren, die dafür erforderlichen maßgeblichen Quellen festlegen, die Berechtigungen und Metadaten rund um diese Quellen korrigieren und dann erst expandieren, nachdem sich gezeigt hat, dass das System zuverlässig funktioniert.

Dieser Prozess schafft wiederverwendbare Infrastruktur, da die zweite KI-Anwendung auf die für die erste Anwendung bereits geleistete Arbeit in den Bereichen Identität, Governance und Datenqualität zurückgreifen kann. Im Laufe der Zeit baut das Unternehmen durch die Umsetzung von Anwendungsfällen eine KI-fähige Informationsebene auf, anstatt zu versuchen, jeden Datensatz zu perfektionieren, bevor ein Mehrwert entsteht.

Der Markt für Modellierungslösungen wird sich weiterhin rasant entwickeln, und das heute führende System könnte diese Position innerhalb weniger Monate verlieren. Unternehmensdaten ändern sich hingegen wesentlich langsamer, da Kundendaten, Verträge und Betriebshistorien dem Unternehmen selbst und nicht dem Anbieter der Modellierungslösung gehören.

Unternehmen, die Modelle Da die gesamte KI-Strategie daher das Risiko birgt, genau die Komponente zu optimieren, die am einfachsten zu ersetzen ist. Die nachhaltige Arbeit besteht darin, organisatorische Informationen so zu regeln, zugänglich zu machen und zuverlässig zu gestalten, dass jedes nachfolgende Modell sie ordnungsgemäß nutzen kann.