Organisationen gehen dazu über, KI-Agenten von Tests in Geschäftsabläufe zu integrieren, doch ein neuer MIT Technology Review Insights-Bericht argumentiert, dass viele Unternehmen die Datensysteme, die diese Agenten benötigen, nicht vorbereitet haben. Der am 12. August veröffentlichte Bericht, basierend auf einer Umfrage unter 300 Daten- und Technologie-Führungskräften, nennt den eingeschränkten Zugriff auf Unternehmensinformationen und Legacy-Infrastrukturen als zentrale Hindernisse für vertrauenswürdige, schnelle Entscheidungen.

Die Ergebnisse deuten darauf hin, dass das nächste Hindernis für agentische KI weniger in der Modellfähigkeit liegen könnte als darin, ob Agenten die richtigen Daten erreichen, ihren geschäftlichen Kontext verstehen und sicher mit den Systemen interagieren können, in denen gearbeitet wird. Das ist wichtig für Produktteams und Unternehmenskunden, die Bereitstellungen planen, die über das Beantworten von Fragen hinausgehen und operative Maßnahmen auslösen.

Was die Umfrage ergab

Laut dem Bericht können KI-Systeme durchschnittlich auf 45 % der Unternehmensdaten in den untersuchten Organisationen zugreifen. Der Zugang sinkt bei der als „Daten-Nachzügler“ eingestuften Gruppe auf 30 % oder weniger, während „Datenführer“ Zugang zu mehr als 70 % ihrer Daten bereitstellen.

Der Bericht verknüpft diesen Unterschied mit dem Vertrauen in KI-Agenten. Nur etwa die Hälfte aller Befragten gab an, den Entscheidungen ihrer Agenten zu vertrauen, dass diese genau und relevant seien. Unter den Datenführern hingegen, so der Bericht, äußerten 100 % dieses Vertrauen.

Der Bericht identifiziert zudem eine Lücke bei Skalierung und Geschwindigkeit. 66 % der Daten-Nachzügler sagten, dass Legacy-Datensysteme ihre Fähigkeit einschränken, KI-Agenten zu skalieren, während 68 % angaben, dass diese Systeme Agenten daran hindern, schnell Entscheidungen zu treffen. Unter den Datenführern meldeten nur 8 % eine dieser Einschränkungen.

Diese Zahlen stellen Datenzugriff als operative Anforderung dar und nicht als bloßes Infrastrukturthema im Hintergrund. Ein Agent, der keine aktuellen Lieferkettenaufzeichnungen, Point-of-Sale-Informationen oder Personaldaten abrufen kann, mag eine plausible Antwort liefern, aber dennoch nicht in der Lage sein, einen Workflow zuverlässig abzuschließen.

Warum Altsysteme wichtig sind

Traditionelle Unternehmensdatenumgebungen wurden im Allgemeinen für Anwendungen, Berichte und menschliche Nutzer mit definierten Zugriffswegen entworfen. KI-Agenten erzeugen eine andere Anforderung: Sie müssen möglicherweise strukturierte Datensätze mit unstrukturierten Dokumenten kombinieren, Informationen im Kontext interpretieren und Entscheidungen treffen, während sie mit Live-Betriebssystemen verbunden sind.

Der Bericht argumentiert, dass selbst relativ neue Altsysteme Reibung verursachen können, wenn Agenten diese Art von Zugriff benötigen. Daten können über inkompatible Plattformen verteilt sein, durch uneinheitliche Berechtigungen gesteuert werden oder ohne die geschäftlichen Definitionen gespeichert sein, die ein Agent benötigt, um einen maßgeblichen Datensatz von einem veralteten oder unvollständigen zu unterscheiden.

Diese Unterscheidung ist für Enterprise-KI wichtig. Einem Agenten mehr Zugriff zu geben, ohne Datenqualität, Berechtigungen, Herkunft und Kontext zu verbessern, könnte die Zahl der Aktionen erhöhen, die er ausführen kann, ohne diese Aktionen verlässlicher zu machen. Für Entwickler besteht das Problem daher nicht nur darin, ein Modell mit mehr Quellen zu verbinden. Es geht darum, einen kontrollierten Zugriff auf Informationen zu schaffen, die aktuell, interpretierbar und für eine bestimmte Aufgabe geeignet sind.

Der Bericht nennt einen verbesserten Zugang zu strukturierten und unstrukturierten Daten als wichtigste Initiative zur Skalierung von Agenten. Er hebt außerdem eine stärkere Datengovernance hervor, die den Geschäftskontext einbezieht, sowie eine größere Automatisierung des Datenmanagements.

Belege und Grenzen der Aussagen

Die zentrale Evidenz stammt aus einer Umfrage unter 300 Daten- und Technologie-Führungskräften, wie sie im MIT Technology Review Insights-Bericht beschrieben wird. Die Kategorien Datenführer und Daten-Nachzügler sowie die gemeldeten Prozentsätze für Zugriff, Vertrauen und Systemeinschränkungen sind daher Umfrageergebnisse und keine unabhängig geprüften Messungen von Unternehmensbereitstellungen.

Der Bericht verweist außerdem auf eine Gartner-Prognose, wonach KI-Agenten bis 2027 50 % der Geschäftsentscheidungen ergänzen oder automatisieren könnten. Das ist eine Vorhersage und kein gesichertes Ergebnis, und das bereitgestellte Material nennt weder die Methodik noch die zugrunde liegenden Annahmen.

Die Veröffentlichung enthält einen wichtigen Hinweis: Der Inhalt wurde von Insights, dem Custom-Content-Bereich von MIT Technology Review, und nicht von der Redaktionsabteilung von MIT Technology Review erstellt. Der Bericht sagt, dass Umfrage und Text von menschlichen Forschern, Autoren, Redakteuren, Analysten und Illustratoren erstellt wurden, wobei etwaige KI-Tools auf sekundäre Produktionsprozesse beschränkt waren, die einer menschlichen Prüfung unterlagen.

Diese Offenlegung entkräftet die Umfrage nicht, bedeutet aber, dass Leser die stärksten Vergleiche und Schlussfolgerungen als forschungsbasierten Inhalt eines maßgeschneiderten Berichts behandeln sollten. Die Quelle liefert keine unabhängigen Fallstudien, technischen Audits oder benannten Unternehmensbereitstellungen, die bestätigen würden, ob die Datenführer die berichteten Ergebnisse in bestimmten Workflows erreicht haben.

Auswirkungen für Entwickler und Unternehmenskäufer

Für KI-Entwickler verschieben die Ergebnisse die Aufmerksamkeit auf die Systeme rund um ein Modell. Ein Agent für Beschaffung, Kundenbetrieb, Finanzen oder Personalverwaltung braucht mehr als nur Retrieval. Er benötigt Zugriffsrichtlinien, aktuelle Datensätze, klare Quellpriorität, Fehlerbehandlung und eine Möglichkeit zu erklären, welche Daten eine Entscheidung geprägt haben.

Produktteams sollten auch festlegen, was ein Agent tun darf, wenn Informationen fehlen oder widersprüchlich sind. Ein System, das für eine menschliche Überprüfung pausiert, mag langsamer sein, kann aber verlässlicher sein als eines, das Lücken mit einer unbegründeten Annahme füllt. Das Monitoring sollte nicht nur Modellantworten abdecken, sondern auch Tool-Aufrufe, Datenaktualität, Berechtigungsfehler und nachgelagerte Auswirkungen.

Für Unternehmenskäufer ist der Bericht eine Erinnerung daran, die Datenbereitschaft vor einer Ausweitung eines Agentenpiloten zu prüfen. Zu den Fragen sollte gehören, ob das vorgeschlagene System ohne unkontrollierte Kopien sensibler Daten mit operativen Systemen verbunden werden kann, ob der Zugriff nach Rolle und Aufgabe begrenzt werden kann und ob Geschäftsbenutzer die Entscheidungen eines Agenten prüfen können.

Dies eröffnet auch eine Wettbewerbschance für Infrastrukturanbieter. Tools, die Datenzugriff vereinheitlichen, Metadatenmanagement automatisieren, Governance durchsetzen und Agenten mit operativen Systemen verbinden, könnten für die Bereitstellungsökonomie ebenso wichtig werden wie die Modellauswahl. Doch breitere Konnektivität allein garantiert noch keine besseren Ergebnisse; die Zuverlässigkeit hängt von der Qualität und Bedeutung der offengelegten Informationen ab.

Worauf als Nächstes zu achten ist

Das erste Signal wird sein, ob Unternehmen von isolierten Pilotprojekten zu Agenten übergehen, die über mehrere Systeme hinweg arbeiten. Eine breitere Bereitstellung sollte zeigen, ob sich der Datenzugriff in der Praxis verbessert oder ob Organisationen Agenten weiterhin auf enge, risikoarme Aufgaben beschränken.

Ein zweites Signal ist das Entstehen unabhängiger Benchmarks für die Datenbereitschaft von Agenten. Nützliche Kennzahlen könnten den Anteil relevanter Daten umfassen, auf den ein Agent zugreifen kann, die Aktualität der Daten, die Genauigkeit von Berechtigungen, die Wiederherstellung bei fehlenden Informationen und die Rate von Aktionen, die menschliche Korrekturen erfordern.

Käufer sollten auch beobachten, wie Anbieter Governance und Nachvollziehbarkeit angehen. Aussagen über vertrauenswürdige Agenten werden aussagekräftiger, wenn Anbieter Fehlerraten, Eskalationsverhalten und Leistung über reale Workflows hinweg offenlegen, statt sich nur auf Modell-Benchmarks oder Adoptionsumfragen zu stützen.

Schließlich muss die im Bericht zitierte Gartner-Prognose anhand der tatsächlichen Automatisierung von Geschäftsentscheidungen überprüft werden. Wenn die Nutzung zunimmt, ohne dass Vertrauen und Kontrollen entsprechend verbessert werden, könnten Unternehmen Agenten breit einsetzen und sie dennoch von den Entscheidungen fernhalten, in denen ihr Wert am höchsten wäre.

Creati.ai-Perspektive

Die Kernaussage des Berichts ist als Warnung für die Bereitstellung plausibel: Agenten können nicht zuverlässig mit Informationen handeln, die sie nicht erreichen oder nicht interpretieren können. Doch seine Zahlen sollten als Umfrageindikatoren gelesen werden, nicht als Beweis dafür, dass Datenführer Enterprise-KI gelöst haben. Die nützlichere Erkenntnis für Entwickler ist, Datenzugriff, Governance und Systemintegration als Teil des Agentenprodukts selbst zu betrachten.

Der Markt wird sich wahrscheinlich zwischen Anbietern trennen, die Agenten lediglich leichter startbar machen, und solchen, die ihre Aktionen messbar, rückgängig machbar und nachvollziehbar machen. Für Enterprise-Teams ist der praktische Test einfach: Bevor man fragt, ob ein Agent intelligent genug ist, sollte man feststellen, ob er über die vertrauenswürdigen Daten und kontrollierten Berechtigungen verfügt, die zum Handeln erforderlich sind.