Agenten sind bereit, aber Ihre Architektur wahrscheinlich nicht

Die Frage, die sich derzeit in Vorstandsetagen und bei Strategiegesprächen stellt: Warum erzeugen so viele KI-Initiativen Aktivität, aber keinen Wert? Das klingt einfach, bis man versucht, es zu beantworten.

Arsalan Tavakoli-Shiraji hat dieses Muster bei Hunderten von Unternehmensgesprächen beobachtet. Als Mitbegründer und Senior Vice President of Field Engineering bei Databricks sitzt er an der Schnittstelle von technischer Architektur und KI-Geschäftsstrategie.

In diesem Gespräch sprachen Arsalan und ich darüber, was CDOs und CTOs verstehen müssen, um agentische Systeme in die Produktion zu bringen, wie Governance-Fehler aussehen, wenn KI von der Erzeugung von Ausgaben zur Ausführung von Aktionen übergeht — Senden von Nachrichten, Aktualisieren von Datensätzen, Ausführen von Entscheidungen — und wie man einen sinnvollen Erfolg erzielt, ohne die Art von KI-Wildwuchs zu schaffen, der Organisationen jahrelang verfolgt.

Die Kluft zwischen KI-Aktivität und KI-Wert

Catherine Brown: Sie arbeiten mit Unternehmen in allen Phasen der KI-Adaption zusammen. Wo stehen die meisten von ihnen, wenn man es ehrlich betrachtet?

Arsalan Tavakoli-Shiraji: In verschiedenen Kategorien. Einige experimentieren noch — sie befassen sich mit Modellen, führen Pilotprojekte durch, sehen, was möglich ist. Andere sind weiter fortgeschritten und automatisieren spezifische Aufgaben: Texterstellung, Transkription von Notizen, Ermöglichung von Datenabfragen. Und dann gibt es die viel kleinere Gruppe, die herausgefunden hat, wie man von Grund auf mit KI-Fähigkeiten im Hinterkopf entwirft. Die meisten Organisationen befinden sich noch in den ersten beiden Kategorien. Es gibt viel KI-Wildwuchs, viel KI-Aktivität. Es gibt deutlich weniger KI-Wert.

Der große Unterschied liegt im Ausgangspunkt. Diejenigen, die zu bedeutsamen Werten gelangen, beginnen mit dem Ergebnis, das sie erzielen wollen — höhere Produktivität, eine neue Geschäftsfähigkeit, Risikominderung — und arbeiten rückwärts. Sie beginnen nicht mit der Technologie.

Catherine: Was ist der häufigste architektonische Fehler, der verhindert, dass agentische Systeme jemals die Produktion erreichen?

Arsalan: Der häufigste Fehler ist die Annahme, dass die Auswahl eines Modells der schwierigste Teil ist. Derzeit ist es am einfachsten, ein hochwertiges Basismodell zu erhalten. Der schwierigste Teil ist alles darunter.

Im Unternehmen müssen Sie einige Dinge bedenken. Wo befinden sich Ihre Daten und wie verbinden Sie sich damit? Die meisten Organisationen haben Daten an einem Dutzend verschiedener Orte, eingeschlossen in proprietären Formaten, die nicht miteinander kommunizieren. Und sobald Sie beginnen, Agenten mit diesen Daten zu verknüpfen, benötigen Sie ernsthafte Governance. Nicht nur Governance für die Daten selbst, sondern Governance, die die Agenten versteht: was sie tun, welche Berechtigungen sie haben, wohin sie gehen und wie mehrere Agenten aus mehreren Systemen miteinander verbunden sind. Und schließlich benötigen Agenten ein tiefes semantisches Verständnis Ihrer Organisation. Sie sind im Wesentlichen virtuelle Mitarbeiter, die in Ihrem Namen handeln. Sie müssen wissen, was gut aussieht, was die Schlüsseldefinitionen und Metriken sind und was der tatsächliche Geschäftskontext ist.

Das Anti-Muster ist einfach: Daten, die in Silos eingeschlossen sind, Governance, die übersprungen oder als nachrangiges Problem behandelt wird, und dann ein Wettlauf darum, herauszufinden, warum die Agenten in der Produktion nicht funktionieren. Organisationen scheitern fast jedes Mal an diesen drei Dingen.

Warum Dashboards und Batch-Pipelines die falsche Grundlage sind

Catherine: Strukturell, warum sind Dashboards und Batch-Pipelines für die zukünftige Ausrichtung von Unternehmen ungeeignet?

Arsalan: Sie sind Pflaster. Dashboards bieten einen visuellen Bezugspunkt, der für Unternehmen bei Entscheidungen immer noch wichtig ist. Aber die meisten werden erstellt, um eine einzige Frage zu beantworten, die jemand einmal gestellt hat. Sie werden erstellt, ein paar Mal angesehen und treten dann dem bei, was ich als das Dashboard-Friedhof bezeichnen würde.

Dashboards sind auch schwer zu hinterfragen. Man sieht etwas in den Daten und möchte wissen, warum es passiert ist. Man möchte es mit einem Ereignis verknüpfen, tiefer graben und eine Folgefrage stellen. Historisch gesehen bedeutet das, dass jemand die zugrunde liegenden Daten abruft, eine Analyse durchführt und zu Ihnen zurückkehrt. Diese Latenz ist in einer sich schnell entwickelnden Welt brutal.

Batch-Pipelines haben ein ähnliches Problem. Batch-Verarbeitung war sinnvoll, als Entscheidungen langsam genug getroffen wurden, dass tägliche oder wöchentliche Daten ausreichten. Aber in einer agentischen Welt schrumpft das Zeitfenster zwischen dem Zeitpunkt, an dem man etwas sieht, und dem Zeitpunkt, an dem man handeln kann, schnell. Wenn Sie über getrennte Systeme verfügen, die auf Batch-Zyklen laufen, können Sie einfach nicht mit der Geschwindigkeit reagieren, die Agenten benötigen.

Was Lakebase tatsächlich löst

Catherine: Wenn Unternehmen von KI-Experimenten zur agentischen Ausführung übergehen, wo passt Lakebase hinein?

Arsalan: Die Infrastruktur, die die meisten Organisationen um ihre Analyse-Schichten und Data Warehouses herum aufgebaut haben, wurde für eine bestimmte Art von Arbeit entwickelt: groß angelegte Abfragen, aggregierte Erkenntnisse und menschliche Analysten, die Berichte ausführen. Das ist eine grundlegend andere Arbeitslast als die, die agentische Anwendungen erfordern.

Wenn Sie beginnen, für Agenten zu entwickeln, entwickeln Sie für einen ganz anderen Verbraucher. Denken Sie an ein Telekommunikationsunternehmen, das jedem Außendiensttechniker eine intelligente Anwendung zur Verfügung stellen möchte. Oder eine Vermögensverwaltungsfirma, die jedem ihrer Berater einen KI-Assistenten zur Verfügung stellt. Oder ein Einzelhändler, der in Echtzeit Empfehlungen am Verkaufsort anzeigt. Diese Anwendungen müssen riesige Mengen von Benutzern gleichzeitig mit sehr geringer Latenz bedienen. Und all dies muss zu Kosten geschehen, die im großen Maßstab sinnvoll sind.

Hier kommt Lakebase ins Spiel. Agenten benötigen eine Transaktionsdatenbank, keine Analyse-Datenbank. Und sie benötigen eine, die speziell für die Anforderungen der agentischen Welt entwickelt wurde. Lakebase ist diese Grundlage. Sie ermöglicht es Organisationen, von der Experimentierung mit KI zur tatsächlichen Ausführung in großem Maßstab in der Produktion überzugehen, ohne dass die Infrastruktur unter der Last zusammenbricht. Und sie funktioniert neben der Analyse-Schicht, die Organisationen bereits haben. Sie ist kein Ersatz. Sie ist das fehlende Teil.

Governance-Fehler, wenn Agenten handeln

Catherine: Welche Governance-Fehler treten tendenziell auf, wenn Systeme aufhören, nur Ausgaben zu generieren, und tatsächlich mit dem Handeln beginnen?

Arsalan:

Es ist üblich anzunehmen, dass ein Agent die gleichen Berechtigungen haben sollte wie eine Person. Und obwohl diese Logik sinnvoll ist, ist die Realität, dass fast keine Organisation perfekte Berechtigungen für jede Person und in jedem System korrekt eingerichtet hat. Menschen navigieren diese Realität unvollkommen, aber da wir Bauchgefühl haben, können wir Herausforderungen umgehen. Wir haben ein Bewusstsein für den Kontext, das uns sagt: „Ja, technisch kann ich das tun. Aber ich sollte es wahrscheinlich nicht tun, ohne vorher nachzufragen.“ Agenten haben dieses Situationsbewusstsein nicht. Sie haben ein Ziel und eine Reihe von Einschränkungen. Und sie finden einen Weg zum Ziel innerhalb dieser Einschränkungen.

Wenn Agenten nur Ausgaben generieren, ist das schlimmste Szenario, dass sie Inhalte von geringer Qualität generieren. Wenn sie anfangen zu handeln, Nachrichten zu senden, Bestellungen aufzugeben, Datensätze zu löschen, in Ihrem Namen zu kommunizieren, sind die Einsätze völlig anders. Governance ist eines der Kernstücke, das bestimmt, ob Sie überhaupt Wert aus Agenten schöpfen können. Die Unternehmen, die dies richtig machen, werden diejenigen sein, die Governance als Voraussetzung und nicht als nachträglichen Gedanken behandeln.

Der schnellste Weg zum Erfolg

Catherine: Was ist der schnellste Weg, den Sie zu einer erfolgreichen Bereitstellung von KI-Agenten gesehen haben, ohne mehr technologischen Wildwuchs zu erzeugen?

Arsalan: Zwei Dinge fallen auf. Erstens, Klarheit darüber, wie Erfolg aussieht, bevor man anfängt. Klingt offensichtlich, aber die meisten Teams überspringen es. Wenn Sie das spezifische Ergebnis, das Sie erzielen wollen (wie Produktivitätssteigerung, neue Umsatzmöglichkeit, Kostenreduzierung, Risikovermeidung), nicht definieren können, können Sie nicht rückwärts zum richtigen Ansatz arbeiten. Technologie ist nicht das Ziel.

Das zweite ist Isolation. Es ist wirklich schwierig, ein großes, kritisches Team von innen heraus zu transformieren, während es noch seinen normalen Arbeitsalltag bewältigt. Was ich sehe, funktioniert, ist die Einrichtung eines kleinen, fokussierten Pilotteams mit einem klar definierten Anwendungsfall, dem die Freiheit gegeben wird, schnell zu iterieren, und das von technischer Altschuld und bestehenden Richtlinienbeschränkungen ferngehalten wird. Sie sind nicht belastet, also bewegen sie sich schnell. Sie lernen, wie Gutes in einem realen Kontext aussieht. Und dann nehmen Sie diese Erkenntnisse und überlegen, wie Sie die breitere Organisation skalieren und befähigen können. Sie wollen schnell herausfinden, was funktioniert, und dann schnell skalieren, sobald Sie es getan haben.

Die unbequeme Wahrheit über die Agenten-Ära

Catherine: Was ist die unbequeme Wahrheit, die Führungskräfte akzeptieren müssen, wenn sie sich für diesen Moment neu gestalten?

Arsalan: Aus Infrastruktursicht erfordert die Agenten-Ära eine Reihe von Kernkomponenten, die zusammenarbeiten müssen: eine gesteuerte Analyse-Schicht, eine Transaktionsdatenbank, die die Geschwindigkeit und Skalierung bewältigen kann, die Agenten benötigen, eine Plattform zum Erstellen und Überwachen dieser Agenten und eine Anwendungsschicht, die Menschen tatsächlich nutzen können.

Bei Databricks verankert Lakebase die transaktionale Seite. AgentBricks bietet die Entwicklungs- und Überwachungsschicht für die Erstellung und Verwaltung von Agenten im großen Maßstab. Databricks Apps bietet Ihnen die Anwendungsschicht für die Bereitstellung dieser Erfahrungen für Endbenutzer. Und Genie ist die Art und Weise, wie Menschen tatsächlich mit ihren Daten sprechen – die konversationelle Schnittstelle, die es Geschäftsbenutzern ermöglicht, Fragen zu stellen und Antworten zu erhalten, ohne dass ein Datenanalyst beteiligt ist. Wenn Sie in großem Maßstab agieren und nicht nur Dutzende, sondern potenziell Tausende von Agenten betreiben, benötigen Sie ein System, bei dem all diese Teile von Anfang an so konzipiert wurden, dass sie zusammenarbeiten.

Aber die härtere Wahrheit ist diese: Die Unternehmen, die diesen Moment am meisten nutzen werden, sind diejenigen, die bereit sind, den zugrunde liegenden Prozess zu überdenken, und nicht nur KI auf den bestehenden Prozess aufsetzen. Es gibt ein bekanntes Beispiel aus der zweiten industriellen Revolution. Fabriken, die Dampfmaschinen durch Elektromotoren ersetzten, aber das gleiche Layout beibehielten, erzielten fast keine Effizienzsteigerungen. Die Technologie änderte sich. Das System nicht. Genau dort befinden sich viele Organisationen jetzt.

Die Teams, die anfangen zu fragen: „Wenn wir dies von Grund auf mit KI-Funktionen im Hinterkopf entwickeln würden, wie würde es aussehen?“ Das sind diejenigen, die transformative Ergebnisse sehen werden. Es erfordert Change Management, Befähigung und eine klare Definition dessen, was gut aussieht. Nichts davon ist einfach. Aber die erfolgreichen Organisationen gehen all dies gemeinsam an, nicht Stück für Stück.

Das System ist die Strategie

Die Frage, mit der sich CDOs und CTOs jetzt auseinandersetzen sollten, ist nicht, ob in Agenten-KI investiert werden soll. Diese Entscheidung wurde weitgehend vom Markt getroffen. Die Frage ist, ob das zugrunde liegende System, die Datenarchitektur, die Governance-Schicht, die transaktionale Infrastruktur, die Entwicklungsplattform tatsächlich für das ausgelegt ist, was sie zu tun versuchen.

Um mehr über die Entwicklung einer Roadmap zur Integration von KI in Ihr Unternehmen zu erfahren, laden Sie den State of AI Agents herunter.

(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag