Auf der Databricks Data + KI-Gipfel, Artefact vermittelte den Verantwortlichen für KI in Unternehmen eine klare Botschaft: Die nächste Phase der KI-Einführung wird nicht allein durch Modelle gewonnen werden. Sie wird von den Unternehmen gewonnen werden, die in der Lage sind, die erforderlichen vertrauenswürdigen data-, Governance- und semantischen Grundlagen zu schaffen, um KI-Agenten von Pilotprojekten in den Produktivbetrieb zu überführen.

Dieser Artikel wurde ursprünglich in T veröffentlichtDas AI Journal, um mehr darüber zu erfahren, warum „Retrieval-Augmented Generation“ (RAG) für KI in Unternehmen nicht ausreicht, Wir laden Sie herzlich ein, die Website von „The AI Journal“ zu besuchen.

Artefact, das auf KI spezialisierte Unternehmen, das technische Umsetzung mit beratendem Denken verbindet, um nachweislich wirkungsvolle Ergebnisse zu erzielen, präsentierte produktionsorientierte, agentenbasierte Architekturen mit Live-Agenten sowie Demos auf Basis echter data- und Databricks-Lösungen in den Bereichen Marketingmessung, Finanzdienstleistungen, Kosmetik, Konsumgüter (CPG) und Logistik.

Aus der Teilnahme von Artefact an der Databricks kristallisierte sich ein zentrales Thema heraus: KI für Unternehmen lässt sich nicht allein durch Datenabruf skalieren. Zwar helfen RAG, „metadata“-Kataloge und Copiloten Unternehmen dabei, schnell zu experimentieren, doch benötigen KI-Agenten für den produktiven Einsatz etwas Tiefgreifenderes: eine Ontologie-Ebene, die geschäftliche Zusammenhänge auflösen, Autoritäten bestimmen und über Beziehungen hinweg Schlussfolgerungen ziehen kann.

Genau hier kommen die Erkenntnisse aus Artefact, gewinnen dabei besondere Bedeutung. Ihrer Ansicht nach erkennen viele Unternehmen derzeit dieselbe bittere Wahrheit: KI-Agenten können nur dann sicher agieren, wenn das Unternehmen geklärt hat, was sein data bedeutet, wer dafür verantwortlich ist und wie sich Geschäftskonzepte systemübergreifend miteinander verknüpfen.

Warum die Kataloge RAG und metadata für den Einsatz von KI in der Produktion nicht ausreichen

Für viele Unternehmen ist die „Retrieval-Augmented Generation“ (RAG) mittlerweile zum Standardansatz für den Einsatz von KI in Unternehmen geworden. Artefact vertritt die Ansicht, dass RAG strukturelle Grenzen aufweist, wenn es um kontrollierte, produktionsreife Entscheidungsprozesse geht.

Akhilesh Kale (AK), Partner bei Artefact, erklärt:

“Eine Vektorsuche liefert Passagen, die Ihrer Frage ähneln. Sie hat keinen Einblick darin, ob die Zahl in dieser Passage diejenige ist, die Ihr Finanzvorstand genehmigt hat, oder wie ‘aktiver Kunde’ drei Systeme weiter mit ‘Vertrag’ verknüpft ist. Das sind die beiden Dinge, die RAG strukturell nicht leisten kann: Autorität und Zusammenhänge über Beziehungen hinweg zu klären. Eine Ontologie behebt beide Probleme. Sie ordnet Definitionen danach, wer sie verfasst hat, wie oft sie verwendet werden und wie nah sie an zertifizierten Datenquellen liegen, und sie kodiert die Beziehungen, die aus einer Frage eine berechnete Antwort statt einer abgerufenen Vermutung machen. Kataloge erfassen Ihr data. Ontologien werten es aus. Diese Lücke ist der Unterschied zwischen einer Demo und etwas, das in einem regulatorischen Umfeld funktionieren kann.”

Diese Unterscheidung ist von Bedeutung, da sich die KI in Unternehmen zunehmend von der Beantwortung von Fragen hin zum Ergreifen von Maßnahmen verlagert. In diesem Umfeld reicht eine “nahezu zutreffende” Antwort nicht aus. Die Agenten müssen verstehen, welche Definition maßgeblich ist, welche data-Ressource zertifiziert ist und wie Konzepte über Finanz-, Kunden-, Produkt-, Rechts- und Betriebssysteme hinweg miteinander in Zusammenhang stehen.

Dies ist besonders wichtig in regulierten Branchen wie Finanzdienstleistungen, Versicherungen, Gesundheitswesen, Energie und Telekommunikation, in denen Erklärbarkeit, Nachverfolgbarkeit, Berechtigungen und Governance unverzichtbar sind.

Die verborgene Herausforderung der KI im Unternehmensbereich: Verantwortung statt Technologie 

Die Botschaft von Artefact in „Databricks“ stellt zudem die Vorstellung in Frage, dass der schwierigste Aspekt der KI in Unternehmen die technische Umsetzung sei. Kale: Viele Initiativen kommen nicht ins Stocken, weil die Technologie versagt, sondern weil Unternehmen den personellen und organisatorischen Aufwand unterschätzen, der erforderlich ist, um sie aufrechtzuerhalten.

Akhilesh Kale (AK), “Die Erstellungsphase ist nicht der Punkt, an dem diese Prozesse ins Stocken geraten. Sie geraten an zwei Stellen ins Stocken, die von den Teams oft als Nebensache betrachtet werden. Zum einen liefert die automatische Extraktion lediglich einen Entwurf, keine Entscheidung: Wenn drei Definitionen von ‘Marge’ ermittelt werden, muss eine Person mit Entscheidungsbefugnis eine Auswahl treffen, und das ist ein politischer Akt, den die meisten Organisationen mit aller Kraft zu vermeiden suchen. Der zweite Punkt ist der Verfall. Eine Definition, die im ersten Quartal noch korrekt war, ist nach einer Umstrukturierung oder einer Systemmigration falsch; daher benötigt der Graph instrumentierte Pipelines und einen namentlich benannten Verantwortlichen – und nicht nur eine jährliche Aktualisierung. Unterstützen Sie die Verantwortung für den Graph, sonst stirbt der ”lebende Graph‘ still und leise.“

Dies ist eine der zentralen Erkenntnisse, die Artefact hervorhebt: Bei der KI-Transformation geht es nicht nur um die Einführung von Plattformen oder Modellen. Es geht vielmehr darum, die Art und Weise neu zu gestalten, wie Organisationen mit Sinnhaftigkeit, Eigenverantwortung, Rechenschaftspflicht und Wandel umgehen.

Eine lebendige Ontologie erfordert eine aktive Pflege. Geschäftsdefinitionen ändern sich. Systeme werden migriert. Teams werden neu organisiert. Regulatorische Anforderungen entwickeln sich weiter. Ohne Verantwortungsübernahme und entsprechende Instrumente veraltet die semantische Ebene, und sobald dies geschieht, verlieren die Akteure das Vertrauen.

Echtzeit-Governance: Der Übergang von der Zugriffskontrolle zu Laufzeitschutzmaßnahmen

Die dritte Erkenntnis ist, dass moderne KI-Governance in Echtzeit erfolgen muss. Es reicht nicht mehr aus, zu Beginn eines Arbeitsablaufs festzulegen, auf welche Daten ein System zugreifen darf. Bei KI-Agenten im Produktivbetrieb muss die Governance in den Laufzeitpfad integriert sein, sodass gesteuert wird, was ein Agent während seiner Ausführung tun darf.

Akhilesh Kale (AK) erläutert weiter:

“Ja, allerdings unter einer zwingenden Voraussetzung: Der eigentliche Fortschritt besteht darin, dass die Steuerung in den Laufzeitaufbau integriert wird: Das Unity AI Gateway regelt, was ein Agent während der Ausführung einer Aufgabe tun darf – und nicht nur, was er lesen darf –, und es gibt kein zweites Berechtigungssystem, das synchronisiert werden muss. Für den Bankensektor, die Versicherungsbranche und die Vermögensverwaltung ist dies der Unterschied zwischen einem Pilotprojekt und einer tatsächlichen Einführung. Doch diese Ebene erbt Vertrauen; sie schafft es nicht. Sie wirkt als Multiplikator für das bereits vorhandene data foundation, und ein Multiplikator behält das Vorzeichen bei: Die Unternehmen, die die Governance-Arbeit geleistet haben, profitieren unmittelbar davon; die übrigen erhalten eine schnellere, sicherere Version eines Chaos, mit dem sie sich bisher nicht direkt auseinandergesetzt hatten.”

Dieser Punkt knüpft direkt an die übergeordnete Position von Artefact an: Produktionsreife Agenten erfordern vertrauenswürdige Grundlagen. Databricks können die regulierte data-Ebene bereitstellen, doch Unternehmen müssen weiterhin die anspruchsvolle Aufgabe bewältigen, Verantwortlichkeiten festzulegen, Unklarheiten zu beseitigen und Betriebsmodelle im Hinblick auf die Zusammenarbeit zwischen Menschen und Agenten neu zu gestalten.

Von Pilotprojekten bis zur Serienproduktion: Die agentenbasierten Systeme von Artefact in der Praxis

Artefact veranschaulicht, wie dies in der Praxis aussieht, und präsentiert reale Anwendungsfälle auf Basis von Databricks, darunter:

  • Ein Tool zur Messung des dialogorientierten Marketings, mit dem Führungskräfte die Zuweisung von Budgets mithilfe natürlicher Sprache simulieren können.
  • Synthetische Personas für die Finanzdienstleistungsbranche und den Konsumgüterbereich, die es Marketingfachleuten ermöglichen, simulierte Kundenprofile zu analysieren, um schneller Erkenntnisse zu gewinnen.
  • Ein KI-gestützter Einkaufsassistent für Beauty-Produkte, der die personalisierte Produktsuche in einem Sortiment von über 60.000 Artikelnummern unterstützt.
  • Corrie, ein KI-Assistent für die Logistikabwicklung, der Lagerteams dabei unterstützt, fehlende oder vertauschte Artikel schneller zu identifizieren und zu bearbeiten.

In all diesen Beispielen entfalten Agenten ihren Wert, wenn sie mit präzisen, geregelten und unternehmenstauglichen data-Daten vernetzt sind und wenn Unternehmen die damit verbundenen menschlichen Rollen und Steuerungsstrukturen neu gestalten.

Für Artefact lautet die Erkenntnis aus Databricks Das ist klar. Die Zukunft der KI in Unternehmen besteht nicht aus einer Ansammlung von „Piloten“, „Copiloten“ oder voneinander getrennten Assistenten. Es handelt sich vielmehr um eine produktionsreife hybride Organisation, in der Menschen und KI-Agenten auf der Grundlage gemeinsamer data foundations-Standards, geregelter Arbeitsabläufe und klar definierter Verantwortlichkeiten zusammenarbeiten.

Das Modell lautet nicht “KI statt Menschen”. Vielmehr geht es darum, dass Menschen in der Wertschöpfungskette aufsteigen – von der Ausführung hin zur Entscheidungsfindung, von der Produktion hin zur Beurteilung und von der Durchführung von Prozessen hin zur Steuerung der Systeme, die diese Prozesse steuern.