Widersprüchliche Informationen in einem Dashboard können von einem Mitarbeiter untersucht werden. Ein KI-Agent, der mit derselben Mehrdeutigkeit konfrontiert ist, kann den daraus resultierenden Fehler bei seiner Arbeit weiterverbreiten, heißt es in dem Artikel. Damit sich Unternehmen auf von KI erzeugte Ergebnisse verlassen können, müssen Daten sowohl für die maschinelle Nutzung strukturiert als auch geregelt und von Menschen verstanden werden.
Der Artikel nennt vier Anforderungen an KI-fähige Daten. Sie müssen vertrauenswürdig sein; Herkunft, Zuständigkeit, Validierungshistorie und Transformationen sollten zusammen mit den Daten nachvollziehbar sein. Governance-Regeln sollten mit den Datensätzen verknüpft sein, statt separat in nachgelagerten Tools zu liegen, wo Änderungen unbemerkt bleiben können. Diese Nachvollziehbarkeit hilft Unternehmen außerdem, die Ergebnisse eines Modells zu erklären und dafür Verantwortung zu übernehmen.
Daten müssen zudem für die Entscheidungen, die sie unterstützen, aktuell genug sein. Für operative Anwendungen wie die Betrugserkennung oder Anpassungen des Lagerbestands können Aktualisierungen innerhalb von Sekunden erforderlich sein, während bei der strategischen Planung tägliche oder wöchentliche Daten ausreichen können. Entscheidend ist, die Aktualität der Daten auf den Zeitpunkt der Entscheidung abzustimmen und etwaige Verzögerungen deutlich zu machen.
Ein gemeinsamer geschäftlicher Wortschatz ist eine weitere Anforderung. Begriffe wie „Umsatz“ können in verschiedenen Systemen unterschiedliche Kennzahlen bezeichnen. Ohne gemeinsame, dokumentierte Definitionen, die auf der Datenebene durchgesetzt werden, kann ein Modell unterschiedliche Kennzahlen so zusammenführen, als bedeuteten sie dasselbe.
Schließlich müssen Daten auffindbar und für Maschinen nutzbar sein. Analysten verlassen sich oft auf ihr Wissen darüber, welche Tabellen und Felder zu verwenden sind, doch KI-Agenten verfügen nicht automatisch über diesen institutionellen Kontext. Daher sind die Organisation der Daten und die Art ihrer Bereitstellung ebenso wichtig wie ihr Inhalt.
Der Artikel stellt Datenprodukte als eine Möglichkeit vor, diese Anforderungen zu erfüllen. Ein Datenprodukt ist eine klar abgegrenzte, verantwortete und dokumentierte Einheit, die Angaben wie ihr Schema, ihren Aktualisierungsplan, ihre Zugriffsrichtlinie und ihre geschäftliche Bedeutung umfasst. Dadurch erhalten Agenten eine einheitliche, maschinenlesbare Möglichkeit, Daten zu finden und abzurufen.
Unternehmen können Datenprodukte über MCP, das Model Context Protocol, bereitstellen. Der Artikel beschreibt dieses als einen aufkommenden Standard, der KI-Agenten einen strukturierten, berechtigungsgesteuerten Zugriff auf Systeme und Datenquellen ermöglicht. Mit diesem Ansatz könnte ein Agent ein Datenprodukt namens „Customer Lifetime Value“ identifizieren, dessen Inhalt und Aktualität verstehen und relevante Informationen abrufen, ohne dass eine Person eine maßgeschneiderte Integration erstellen oder eine Abfrage fest codieren muss.
Unternehmen, die dagegen rohe, undifferenzierte Data Lakes verwenden, müssen möglicherweise für jeden neuen Anwendungsfall zunächst eine Navigationsebene erstellen, bevor Agenten mit den Daten arbeiten können. Dem Artikel zufolge können Unternehmen mit etablierten Datenprodukten diesen Einrichtungsaufwand und den Bedarf an menschlichem Eingreifen während der Inferenz verringern.
Quellen: TechRadar.