Unternehmensweite KI-Agenten stagnieren aufgrund fehlenden Organisationswissens
Eine Umfrage von MIT Technology Review Insights zeigt, dass KI-Agenten in Unternehmen aufgrund fehlenden Kontexts stagnieren und Unternehmen zu Wissensebenen, Retrieval und Graphen drängt.
MIT Technology Review Insights zufolge scheitern viele KI-Agenten in Unternehmen daran, über Pilotprojekte hinauszukommen, weil ihnen der organisatorische Kontext fehlt, der erforderlich ist, um Daten zu interpretieren und zuverlässig zu handeln. Ein neuer Bericht auf Grundlage einer Umfrage unter 300 Führungskräften aus den Bereichen Daten, KI und Technologie ergab, dass durchschnittlich nur etwa 34 % der agentischen KI-Projekte die Produktionsphase erreichen.
Die Erkenntnis verweist auf ein tiefergehendes Problem als den bloßen Zugang zu mehr Dokumenten oder größeren Sprachmodellen. Agenten müssen verstehen, was Informationen innerhalb eines bestimmten Unternehmens bedeuten, wie Ereignisse miteinander zusammenhängen und welche Verfahren eine Entscheidung bestimmen. Ohne diesen Kontext verfügen Unternehmen möglicherweise über funktionierende Demonstrationen, aber nicht über Systeme, denen sie Produktionsaufgaben anvertrauen wollen.
Die Produktionslücke ist auch eine Wissenslücke
Der Bericht unterteilt Unternehmenswissen in drei umfassende Fähigkeiten: semantisches Wissen, das die Bedeutung und Beziehungen in Daten beschreibt; episodisches Gedächtnis, das relevante vergangene Ereignisse festhält; und prozedurales Wissen, das erfasst, wie Arbeit ausgeführt werden sollte.
MIT Technology Review Insights berichtet, dass Organisationen mit stärkeren Fähigkeiten in diesen Bereichen ihre Agentenprojekte mit größerer Wahrscheinlichkeit voranbringen. Eine von der Studie als Produktionsführer bezeichnete Gruppe brachte durchschnittlich 61 % ihrer agentischen Projekte über die Pilotphase hinaus, verglichen mit dem Durchschnitt von etwa einem Drittel bei den befragten Organisationen.
Der Bericht belegt nicht, dass bessere Wissensfähigkeiten unmittelbar höhere Produktionsraten verursachen. Er stellt eine enge Beziehung zwischen beiden fest. Diese Unterscheidung ist wichtig, da die Untersuchung auf den Antworten von Führungskräften und nicht auf einem unabhängigen Audit eingesetzter Systeme basiert.
Die Umfrage ergab außerdem, dass Datenfragmentierung das am häufigsten genannte Hindernis für die Ausweitung des Zugangs von Agenten zu Organisationswissen war; 55 % der Befragten nannten diesen Punkt. Nicht verbundene Anwendungen und uneinheitliche Datenstrukturen erschweren es einem Agenten, ein vollständiges Bild eines Kunden, Prozesses, Risikos oder Geschäftsvorfalls zusammenzustellen.
Bei den Produktionsführern waren Sicherheits- und Datenschutzbedenken stärker ausgeprägt; 72 % dieser Gruppe nannten sie. Dies könnte darauf hindeuten, dass Organisationen mit größeren Fortschritten bei der Bereitstellung nun auf Governance-Probleme stoßen, die entstehen, wenn Agenten breiteren Zugriff auf sensible Informationen erhalten.
Warum Unternehmenskontext für Agenten wichtig ist
Ein herkömmliches Suchsystem kann ein relevantes Dokument zurückgeben, ohne zu verstehen, wie dieses Dokument in die betrieblichen Regeln eines Unternehmens passt. Ein Agent, von dem erwartet wird, eine Vorgehensweise zu empfehlen oder einen Workflow auszuführen, benötigt mehr. Er muss maßgebliche Informationen identifizieren, widersprüchliche Datensätze abgleichen, sich daran erinnern, was bereits geschehen ist, und genehmigte Verfahren befolgen.
Das ist der Unterschied, den der Bericht zwischen Daten und Wissen zieht. Daten können zeigen, dass ein Konto eine Zahlung versäumt hat oder dass eine Komponente nicht auf Lager ist. Wissen hilft einem Agenten zu bestimmen, ob für das Konto ein Sondervertrag gilt, ob der Bestandsdatensatz aktuell ist und welche Maßnahme die Organisation in dieser Situation erlaubt.
Dieses Kontextproblem beeinflusst die Zuverlässigkeit von KI-Agenten in praktischen Workflows. Ein mit fragmentierten Systemen verbundener Agent kann eine plausible Antwort erzeugen und dabei eine Ausnahme übersehen, die in einer anderen Anwendung gespeichert ist. Im Kundenservice, im Finanzwesen, in der Beschaffung oder im operativen Geschäft kann ein solcher Fehler schädlicher sein als die bloße Unfähigkeit zu antworten.
Die Ergebnisse des Berichts erklären auch, warum Retrieval-Augmented Generation allein möglicherweise nicht jedes Bereitstellungsproblem löst. Retrieval kann die einem Modell bereitgestellten Informationen verbessern, doch Organisationen benötigen weiterhin Regeln für Quellenqualität, Zugriffsberechtigungen, Datenbeziehungen und die Abfolge der Aktionen, die ein Agent ausführen darf.
Unternehmen bauen eine Wissensebene auf
Die befragten Führungskräfte erwarten die größten Verbesserungen bei der Entscheidungsqualität von Agenten durch eine stärkere strukturelle Verbindung zwischen Unternehmensdaten und KI-Systemen. Der Bericht beschreibt dies als Wissensebene: eine organisatorische Grundlage, die Agenten Zugriff auf nutzbare, kontextualisierte Informationen statt auf isolierte Datenspeicher gibt.
Zu den im Bericht genannten Investitionsprioritäten gehören Ingestion-Pipelines, KI-fähige APIs, Retrieval-Augmented Generation, Evaluierungsagenten und Wissensgraphen. Diese Technologien adressieren unterschiedliche Teile des Problems. Pipelines können Informationen für die Nutzung aufbereiten, APIs können Daten und Geschäftsfunktionen auf konsistente Weise zugänglich machen, und Wissensgraphen können Beziehungen darstellen, die sich allein aus unstrukturiertem Text nur schwer ableiten lassen.
Der Bericht stellt diese Bereiche als organisatorische Prioritäten und Expertenempfehlungen dar, nicht als Beweis dafür, dass eine Architektur für jedes Unternehmen funktionieren wird. Ein Wissensgraph kann beispielsweise dabei helfen, Entitäten und Abhängigkeiten abzubilden, erfordert aber auch eine kontinuierliche Zuständigkeit für Definitionen und Beziehungen. Ebenso kann eine KI-fähige API den Zugriff verbessern und einen Agenten dennoch unvollständigen oder schlecht gesteuerten Quelldaten aussetzen.
Für Entwickler bedeutet dies, dass die Entwicklung von Agenten zunehmend Datenengineering, Metadatenverwaltung, Zugriffskontrolle und Workflow-Design umfasst. Das Modell bleibt wichtig, ist aber nur eine Komponente eines Produktionssystems.
Was die Ergebnisse für Entwickler und Käufer bedeuten
Produktteams, die KI-Agenten bewerten, sollten mehr messen als die Frage, ob ein Agent eine vorgegebene Demonstration abschließt. Sie sollten testen, ob er die richtige Quelle auswählt, mit widersprüchlichen Datensätzen umgeht, Berechtigungen respektiert, relevante Ereignisse erinnert und erklärt, warum er eine bestimmte Aktion ausgeführt hat.
Evaluierungsagenten könnten in diesem Prozess nützlich werden, insbesondere beim Testen großer Mengen von Entscheidungen anhand von Unternehmensrichtlinien und erwarteten Ergebnissen. Automatisierte Evaluierung sollte jedoch die menschliche Prüfung von Workflows mit hoher Wirkung ergänzen und nicht ersetzen. Das Ausgangsmaterial liefert keine detaillierten Belege für die Genauigkeit oder Reife dieser Evaluierungssysteme.
Unternehmenskäufer sollten Datenfragmentierung außerdem als Bereitstellungsbeschränkung und nicht als bloße Unannehmlichkeit im Backoffice behandeln. Die Verbindung eines Agenten mit mehr Systemen kann seine Reichweite erhöhen, zugleich aber die Zahl der Fehlerstellen und den Umfang eines möglichen Datenschutzvorfalls vergrößern. Die Betonung von Sicherheit bei den Produktionsführern deutet darauf hin, dass eine erfolgreiche Bereitstellung voraussetzt, dass sich Zugriffsrichtlinien und Auditierbarkeit parallel zu den Fähigkeiten weiterentwickeln.
Für Gründer und Plattformanbieter ist das Marktsignal, dass sich die Nachfrage möglicherweise von eigenständigen Agentenoberflächen hin zu einer Infrastruktur verschiebt, die Unternehmenswissen nutzbar macht. Produkte, die Retrieval, Berechtigungen, Gedächtnis, Evaluierung und Workflow-Ausführung vereinen, könnten ein unmittelbarer dringendes Käuferproblem lösen als Systeme, die Autonomie ohne verlässlichen Organisationskontext versprechen.
Was als Nächstes zu beobachten ist
Die nächsten wichtigen Signale werden sein, ob Unternehmen nach Investitionen in Wissensebenen höhere Produktionsraten melden und ob diese Verbesserungen in regulierten sowie datenintensiven Branchen Bestand haben. Käufer sollten nach unabhängig überprüfbaren Belegen für den Einsatz suchen, statt sich auf die Zahl von Pilotprojekten oder allgemeine Aussagen über die Einführung zu verlassen.
Ebenso wichtig wird es sein zu verfolgen, wie Anbieter eine KI-fähige API definieren, wie sie Wissensgraphen aktuell halten und ob Retrieval-Systeme Berechtigungen über mehrere Unternehmensanwendungen hinweg bewahren können. Sicherheitsvorfälle, Evaluierungsfehler und messbare Verringerungen manueller Prüfungen werden mehr über die Produktionsreife aussagen als Demonstrationen allein.
Der Bericht wurde von Insights, dem Bereich für kundenspezifische Inhalte von MIT Technology Review, und nicht von dessen Redaktion erstellt. Seine Umfrageergebnisse sind daher als richtungsweisender Einblick in die Prioritäten von Führungskräften nützlich, sollten aber als forschungsbasierte Aussagen und nicht als definitive Marktkennzahlen gelesen werden.
Die Perspektive von Creati.ai
Die zentrale Lektion ist praktisch: Unternehmensagenten werden nicht allein dadurch zuverlässig, dass sie mehr Daten erhalten. Sie benötigen ein gepflegtes Verständnis von geschäftlicher Bedeutung, Historie, Berechtigungen und Verfahren. Dadurch wird Wissensinfrastruktur zu einem Kernbestandteil des KI-Produkt-Stacks und nicht zu einer optionalen Erweiterung nach der Auswahl des Modells.
Die stärksten Implementierungen werden wahrscheinlich jene sein, die Kontext als messbare Infrastruktur behandeln. Teams, die zeigen können, welche Quellen ein Agent genutzt hat, welche Regeln ihn beschränkt haben und wie seine Entscheidungen bewertet wurden, werden einen klareren Weg vom Pilotprojekt zur Produktion haben als Teams, die sich allein auf flüssige Ausgaben verlassen.
