{"id":1404825,"date":"2026-09-17T15:08:29","date_gmt":"2026-09-17T14:08:29","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=blog&p=1404825"},"modified":"2026-09-17T18:07:01","modified_gmt":"2026-09-17T17:07:01","slug":"why-enterprise-ai-needs-more-than-rag-to-reach-production","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/de\/blog\/why-enterprise-ai-needs-more-than-rag-to-reach-production\/","title":{"rendered":"Warum Unternehmens-KI mehr als nur RAG ben\u00f6tigt, um den Einsatz in der Produktion zu erreichen"},"content":{"rendered":"

Auf der Databricks Data + KI-Gipfel<\/strong><\/span>,\u00a0Artefact<\/b>\u00a0vermittelte den Verantwortlichen f\u00fcr KI in Unternehmen eine klare Botschaft: Die n\u00e4chste Phase der KI-Einf\u00fchrung wird nicht allein durch Modelle gewonnen werden. Sie wird von den Unternehmen gewonnen werden, die in der Lage sind, die erforderlichen vertrauensw\u00fcrdigen data-, Governance- und semantischen Grundlagen zu schaffen, um KI-Agenten von Pilotprojekten in den Produktivbetrieb zu \u00fcberf\u00fchren.<\/p>\n

Dieser Artikel wurde urspr\u00fcnglich in T ver\u00f6ffentlicht<\/em>Das AI Journal,<\/em> um mehr dar\u00fcber zu erfahren, warum \u201eRetrieval-Augmented Generation\u201c (RAG) f\u00fcr KI in Unternehmen nicht ausreicht, <\/em>Wir laden Sie herzlich ein, die Website von \u201eThe AI Journal\u201c zu besuchen.<\/em><\/a><\/p>\n

Artefact<\/b><\/a>, das auf KI spezialisierte Unternehmen, das technische Umsetzung mit beratendem Denken verbindet, um nachweislich wirkungsvolle Ergebnisse zu erzielen, pr\u00e4sentierte produktionsorientierte, agentenbasierte Architekturen mit Live-Agenten sowie Demos auf Basis echter data- und Databricks-L\u00f6sungen in den Bereichen Marketingmessung, Finanzdienstleistungen, Kosmetik, Konsumg\u00fcter (CPG) und Logistik.<\/p>\n

Aus der Teilnahme von Artefact an der Databricks kristallisierte sich ein zentrales Thema heraus: KI f\u00fcr Unternehmen l\u00e4sst sich nicht allein durch Datenabruf skalieren. Zwar helfen RAG, \u201emetadata\u201c-Kataloge und Copiloten Unternehmen dabei, schnell zu experimentieren, doch ben\u00f6tigen KI-Agenten f\u00fcr den produktiven Einsatz etwas Tiefgreifenderes: eine Ontologie-Ebene, die gesch\u00e4ftliche Zusammenh\u00e4nge aufl\u00f6sen, Autorit\u00e4ten bestimmen und \u00fcber Beziehungen hinweg Schlussfolgerungen ziehen kann.<\/p>\n

Genau hier kommen die Erkenntnisse aus\u00a0Artefact<\/b>, gewinnen dabei besondere Bedeutung. Ihrer Ansicht nach erkennen viele Unternehmen derzeit dieselbe bittere Wahrheit: KI-Agenten k\u00f6nnen nur dann sicher agieren, wenn das Unternehmen gekl\u00e4rt hat, was sein data bedeutet, wer daf\u00fcr verantwortlich ist und wie sich Gesch\u00e4ftskonzepte system\u00fcbergreifend miteinander verkn\u00fcpfen.<\/p>\n

Warum die Kataloge RAG und metadata f\u00fcr den Einsatz von KI in der Produktion nicht ausreichen<\/b><\/span><\/h2>\n

F\u00fcr viele Unternehmen ist die \u201eRetrieval-Augmented Generation\u201c (RAG) mittlerweile zum Standardansatz f\u00fcr den Einsatz von KI in Unternehmen geworden. Artefact vertritt die Ansicht, dass RAG strukturelle Grenzen aufweist, wenn es um kontrollierte, produktionsreife Entscheidungsprozesse geht.<\/p>\n

Akhilesh Kale (AK)<\/b><\/a>, Partner bei Artefact, erkl\u00e4rt:<\/p>\n

\u201cEine Vektorsuche liefert Passagen, die Ihrer Frage \u00e4hneln. Sie hat keinen Einblick darin, ob die Zahl in dieser Passage diejenige ist, die Ihr Finanzvorstand genehmigt hat, oder wie \u2018aktiver Kunde\u2019 drei Systeme weiter mit \u2018Vertrag\u2019 verkn\u00fcpft ist. Das sind die beiden Dinge, die RAG strukturell nicht leisten kann: Autorit\u00e4t und Zusammenh\u00e4nge \u00fcber Beziehungen hinweg zu kl\u00e4ren. 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 L\u00fccke ist der Unterschied zwischen einer Demo und etwas, das in einem regulatorischen Umfeld funktionieren kann.\u201d<\/em><\/p>\n

Diese Unterscheidung ist von Bedeutung, da sich die KI in Unternehmen zunehmend von der Beantwortung von Fragen hin zum Ergreifen von Ma\u00dfnahmen verlagert. In diesem Umfeld reicht eine \u201cnahezu zutreffende\u201d Antwort nicht aus. Die Agenten m\u00fcssen verstehen, welche Definition ma\u00dfgeblich ist, welche data-Ressource zertifiziert ist und wie Konzepte \u00fcber Finanz-, Kunden-, Produkt-, Rechts- und Betriebssysteme hinweg miteinander in Zusammenhang stehen.<\/p>\n

Dies ist besonders wichtig in regulierten Branchen wie Finanzdienstleistungen, Versicherungen, Gesundheitswesen, Energie und Telekommunikation, in denen Erkl\u00e4rbarkeit, Nachverfolgbarkeit, Berechtigungen und Governance unverzichtbar sind.<\/p>\n

Die verborgene Herausforderung der KI im Unternehmensbereich: Verantwortung statt Technologie\u00a0<\/b><\/span><\/h2>\n

Die Botschaft von Artefact in \u201eDatabricks\u201c 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 untersch\u00e4tzen, der erforderlich ist, um sie aufrechtzuerhalten.<\/p>\n

Akhilesh Kale (AK)<\/b>,<\/b>\u00a0\u201cDie 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 \u2018Marge\u2019 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 ben\u00f6tigt der Graph instrumentierte Pipelines und einen namentlich benannten Verantwortlichen \u2013 und nicht nur eine j\u00e4hrliche Aktualisierung. Unterst\u00fctzen Sie die Verantwortung f\u00fcr den Graph, sonst stirbt der \u201dlebende Graph\u2018 still und leise.\u201c<\/em><\/p>\n

Dies ist eine der zentralen Erkenntnisse, die Artefact hervorhebt: Bei der KI-Transformation geht es nicht nur um die Einf\u00fchrung von Plattformen oder Modellen. Es geht vielmehr darum, die Art und Weise neu zu gestalten, wie Organisationen mit Sinnhaftigkeit, Eigenverantwortung, Rechenschaftspflicht und Wandel umgehen.<\/b><\/span><\/p>\n

Eine lebendige Ontologie erfordert eine aktive Pflege. Gesch\u00e4ftsdefinitionen \u00e4ndern sich. Systeme werden migriert. Teams werden neu organisiert. Regulatorische Anforderungen entwickeln sich weiter. Ohne Verantwortungs\u00fcbernahme und entsprechende Instrumente veraltet die semantische Ebene, und sobald dies geschieht, verlieren die Akteure das Vertrauen.<\/p>\n

Echtzeit-Governance: Der \u00dcbergang von der Zugriffskontrolle zu Laufzeitschutzma\u00dfnahmen<\/b><\/span><\/h2>\n

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 w\u00e4hrend seiner Ausf\u00fchrung tun darf.<\/p>\n

Akhilesh Kale (AK)<\/b>\u00a0<\/a>erl\u00e4utert weiter:<\/p>\n

\u201cJa, 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 w\u00e4hrend der Ausf\u00fchrung einer Aufgabe tun darf \u2013 und nicht nur, was er lesen darf \u2013, und es gibt kein zweites Berechtigungssystem, das synchronisiert werden muss. F\u00fcr den Bankensektor, die Versicherungsbranche und die Verm\u00f6gensverwaltung ist dies der Unterschied zwischen einem Pilotprojekt und einer tats\u00e4chlichen Einf\u00fchrung. Doch diese Ebene erbt Vertrauen; sie schafft es nicht. Sie wirkt als Multiplikator f\u00fcr das bereits vorhandene data foundation, und ein Multiplikator beh\u00e4lt das Vorzeichen bei: Die Unternehmen, die die Governance-Arbeit geleistet haben, profitieren unmittelbar davon; die \u00fcbrigen erhalten eine schnellere, sicherere Version eines Chaos, mit dem sie sich bisher nicht direkt auseinandergesetzt hatten.\u201d<\/em><\/p>\n

Dieser Punkt kn\u00fcpft direkt an die \u00fcbergeordnete Position von Artefact an: Produktionsreife Agenten erfordern vertrauensw\u00fcrdige Grundlagen. Databricks k\u00f6nnen die regulierte data-Ebene bereitstellen, doch Unternehmen m\u00fcssen weiterhin die anspruchsvolle Aufgabe bew\u00e4ltigen, Verantwortlichkeiten festzulegen, Unklarheiten zu beseitigen und Betriebsmodelle im Hinblick auf die Zusammenarbeit zwischen Menschen und Agenten neu zu gestalten.<\/p>\n

Von Pilotprojekten bis zur Serienproduktion: Die agentenbasierten Systeme von Artefact in der Praxis<\/b><\/span><\/h2>\n

Artefact veranschaulicht, wie dies in der Praxis aussieht, und pr\u00e4sentiert reale Anwendungsf\u00e4lle auf Basis von Databricks, darunter:<\/p>\n

    \n
  • Ein Tool zur Messung des dialogorientierten Marketings, mit dem F\u00fchrungskr\u00e4fte die Zuweisung von Budgets mithilfe nat\u00fcrlicher Sprache simulieren k\u00f6nnen.<\/li>\n
  • Synthetische Personas f\u00fcr die Finanzdienstleistungsbranche und den Konsumg\u00fcterbereich, die es Marketingfachleuten erm\u00f6glichen, simulierte Kundenprofile zu analysieren, um schneller Erkenntnisse zu gewinnen.<\/li>\n
  • Ein KI-gest\u00fctzter Einkaufsassistent f\u00fcr Beauty-Produkte, der die personalisierte Produktsuche in einem Sortiment von \u00fcber 60.000 Artikelnummern unterst\u00fctzt.<\/li>\n
  • Corrie, ein KI-Assistent f\u00fcr die Logistikabwicklung, der Lagerteams dabei unterst\u00fctzt, fehlende oder vertauschte Artikel schneller zu identifizieren und zu bearbeiten.<\/li>\n<\/ul>\n

    In all diesen Beispielen entfalten Agenten ihren Wert, wenn sie mit pr\u00e4zisen, geregelten und unternehmenstauglichen data-Daten vernetzt sind und wenn Unternehmen die damit verbundenen menschlichen Rollen und Steuerungsstrukturen neu gestalten.<\/p>\n

    F\u00fcr Artefact lautet die Erkenntnis aus Databricks<\/strong><\/span> Das ist klar. Die Zukunft der KI in Unternehmen besteht nicht aus einer Ansammlung von \u201ePiloten\u201c, \u201eCopiloten\u201c 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 Arbeitsabl\u00e4ufe und klar definierter Verantwortlichkeiten zusammenarbeiten.<\/p>\n

    Das Modell lautet nicht \u201cKI statt Menschen\u201d. Vielmehr geht es darum, dass Menschen in der Wertsch\u00f6pfungskette aufsteigen \u2013 von der Ausf\u00fchrung hin zur Entscheidungsfindung, von der Produktion hin zur Beurteilung und von der Durchf\u00fchrung von Prozessen hin zur Steuerung der Systeme, die diese Prozesse steuern.<\/p>","protected":false},"excerpt":{"rendered":"

    Zwar beginnen viele Unternehmen ihre KI-Reise mit \u201eRetrieval-Augmented Generation\u201c (RAG), doch schon bald sto\u00dfen sie an deren strukturelle Grenzen. Auf dem Databricks Data + AI Summit argumentierte das Beratungsunternehmen Artefact, dass KI-Agenten f\u00fcr den produktiven Einsatz mehr als nur die Informationsgewinnung ben\u00f6tigen \u2013 sie ben\u00f6tigen eine vertrauensw\u00fcrdige semantische Grundlage. Dieser Artikel untersucht, warum eine Ontologieebene der Schl\u00fcssel ist, um gesch\u00e4ftliche Zusammenh\u00e4nge zu erschlie\u00dfen, die Autorit\u00e4t von data zu bestimmen und es der KI zu erm\u00f6glichen, den Schritt von der Beantwortung von Fragen hin zu geregelten Echtzeit-Ma\u00dfnahmen im Unternehmen zu vollziehen.<\/p>","protected":false},"featured_media":1404827,"parent":0,"template":"","meta":{"_acf_changed":false},"blog-category":[22035,21940],"blog-language":[2991],"class_list":["post-1404825","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-data-ai-consulting","blog-category-generative-ai","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog\/1404825","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/1404827"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=1404825"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-category?post=1404825"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-language?post=1404825"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}