Auf den Punkt: Agentische KI scheitert in Unternehmen nicht an der Modellwahl, sondern an fragmentierten Daten, fehlender semantischer Eindeutigkeit und unzureichender Traceability beim Betrieb autonomer Systeme.
Mittelständler setzen auf agentische KI für autonome Prozesse und schnellere Entscheidungen, doch der tatsächliche Engpass liegt in der Dateninfrastruktur. Wenn operative Daten in mehreren widersprüchlichen Varianten vorliegen, treffen Agenten Entscheidungen auf falscher Grundlage.
Agentische KI, die selbstständig Entscheidungen treffen und Aktionen in Fachanwendungen auslösen soll, hat für Mittelständler erhebliches Potenzial: autonome Prozesse, weniger manuelle Eingriffe, schnellere Entscheidungsfindung. Laut IBM-Umfrage investieren 64 Prozent der befragten CEOs aus Angst, den Anschluss zu verlieren, in neue Technologien, ohne deren Wert zuvor vollständig zu klären. Bereits 26 Prozent der deutschen Unternehmen mit mindestens zehn Beschäftigten nutzen laut Statistischem Bundesamt KI, bei Großunternehmen sind es 57 Prozent. Als Hürden nennen Unternehmen fehlendes Wissen, rechtliche Unsicherheit, inkompatible Systeme sowie Defizite bei Datenverfügbarkeit und -qualität.
Der tatsächliche Engpass liegt aber tiefer als die Modell-Wahl. Operative Daten sind über Fachanwendungen, Integrationsplattformen und analytische Systeme verteilt und werden permanent kopiert und transformiert. Das Resultat: dieselbe betriebliche Realität existiert in mehreren Varianten gleichzeitig. Produktion, Logistik und Qualitätssicherung verwenden oft unterschiedliche Definitionen für identische Begriffe. Das führt zu asynchronen Systemständen und einer fragmentierten Datenbasis — jede Abteilung arbeitet mit ihrer eigenen Wahrheit. Ein Agent, der autonom handeln soll, benötigt jedoch Klarheit darüber, ob ein Auftrag wirklich freigegeben ist, ob ein Bestand verfügbar ist und ob ein Vorgang fachlich abgeschlossen wurde. Geben verschiedene Systeme unterschiedliche Antworten, trifft der Agent Entscheidungen auf widersprüchlicher Grundlage und löst Folgeaktionen aus, die sich kaum noch korrigieren lassen.
Aus mittelständischen IT-Projekten kristallisieren sich drei regelmäßig wiederkehrende Problemmuster heraus: Erstens Datenkopien als Standardlösung. Jeder neue Use Case beginnt mit Datenidentifikation und -aufbereitung, woraus langfristig separate Datenhaltungen mit eigenen Schemata, Qualitätsregeln und Verantwortlichkeiten entstehen. Jede Kopie benötigt Pflege, Monitoring und Zugriffskontrolle; Modelländerungen erfordern synchrone Anpassungen an mehreren Stellen, die Inkonsistenzen zur Folge haben.
Zweitens Schnittstellen ohne semantische Eindeutigkeit. Gewachsene IT-Landschaften gelten intern oft als integriert, weil Daten technisch fließen. Für agentische KI genügt das nicht: Eine API schafft Verbindung, aber keine fachliche Eindeutigkeit. Ein Bestand kann im Lagersystem verfügbar sein, an anderer Stelle aber noch gesperrt — technisch korrekt, fachlich widersprüchlich. Menschen gleichen solche Unschärfen durch Erfahrung aus; Agenten tun das nicht ohne zusätzlichen Kontext.
Das dritte Muster ist die fehlende Nachvollziehbarkeit im Betrieb. Wenn ein Agent handelt, muss nachgewiesen werden können, auf welcher Datengrandlage die Entscheidung basierte und warum diese zum damaligen Zeitpunkt gültig war. Das erfordert eine durchgehend dokumentierte und auditierbare Datenkette, nicht nur für Compliance, sondern auch für operative Fehlerbehebung.
Quelle: www.it-daily.net · Erschienen 31. Juli 2026
Lumi AI News — KI-assistierte Kuratierung gemaess Art. 50 EU AI Act. Paraphrase und Klassifikation durch Lumi News Pipeline v1.7.3.