Die Lücke zwischen Daten und Intelligenz schließen
von Stephen Hage, Keerthi Josyula und Michael Zhang
Laut NVIDIA's 2025 State of AI in Telecommunications report bewerten oder setzen 97 % der Telekommunikations-Führungskräfte KI ein, um Kundenerlebnisse zu verbessern, Netzwerkoperationen zu optimieren und Kosten zu senken. Viele haben die Pilotphase überschritten und erzielen positive ROI. Aber das Potenzial der KI übertrifft weiterhin ihre tatsächliche Umsetzung.
Hier liegt das Paradoxon: Telcos verfügen über mehr Daten als je zuvor, doch ihre KI-Initiativen geraten immer wieder ins Stocken, bevor sie die Produktionsreife erreichen. Die Mobiltechnologie entwickelt sich von 3G über 4G zu 5G und darüber hinaus. Breitbandinnovationen quetschen mehr Durchsatz aus bestehender Glasfaser. MVNOs verkaufen Kapazitäten weiter, Tower-Unternehmen koordinieren Tausende von Standorten und regionale Carrier modernisieren ihre Altsysteme. Das Datenvolumen wächst bei allen exponentiell, und diese Bemühungen bleiben hinter ihren Versprechungen zurück.
Warum? Während Foundation Models Schlagzeilen machen, weil sie Humanity's Last Exam bestehen, einen Benchmark von 2.500 Fragen, der Mathematik, alte Sprachen und hochspezialisierte Teilgebiete umfasst, muss Ihr Unternehmen Abwanderung vorhersagen, Nachrichten personalisieren, die Ursachenanalyse für Netzwerkausfälle unterstützen und tausend andere operative Herausforderungen lösen. Ein Modell, das mit Auszeichnung in Physik auf Graduiertenniveau abschneidet, kann immer noch spektakulär daran scheitern, zu verstehen, was „Standort“, „Sendemast“ oder „CDR“ im Kontext Ihres Betriebs bedeutet.
Der Engpass liegt nicht bei der Modellqualität, dem Zugang zu Chips oder der Rechenleistung. Laut dem AI Governance Alliance des Weltwirtschaftsforums ist die größte Herausforderung bei der Implementierung von KI im großen Maßstab ein Mangel an „sauberen, qualitativ hochwertigen, nutzbaren Daten“, verschärft durch unzuverlässige Qualität, Zugänglichkeit und Gültigkeit. Sie nennen dies Datenschulden: der unsichtbare Zwilling technischer Schulden, der riesige Datenmengen repräsentiert, die keinen Wert freisetzen können, weil sie fragmentiert, ungeregelt oder semantisch undurchsichtig sind.
Hier ist die unbequeme Wahrheit: Wenn Ihr Unternehmen seine eigene Datenlandschaft nicht effizient navigieren kann, wenn Analysten tagelang nach maßgeblichen Quellen suchen oder widersprüchliche Definitionen abgleichen müssen, dann wird ein KI-Agent dieselben Reibungsverluste erben. KI umgeht nicht magisch organisatorische Komplexität; sie verstärkt jede vorhandene Struktur (oder deren Fehlen).
Foundation Models differenzieren Ihr Unternehmen nicht. Chips oder Tools auch nicht. Ihre Unternehmensdaten und der sie umgebende Kontext schaffen einen Wettbewerbsvorteil; Plattformen helfen Ihnen, diese Daten effektiv zu nutzen. Einheitlicher Zugriff auf Daten und die sie umgebenden Semantiken überbrücken die Lücke zur KI-Bereitschaft.
Die meisten Telcos haben heute einen Lakehouse implementiert, auch wenn dieser möglicherweise nicht den Großteil ihrer Daten sieht, insbesondere unstrukturierte Inhalte wie Netzwerk-Telemetrieprotokolle, Service-Tickets oder PDF-Verträge. Das erklärt sowohl ihre teilweisen KI-Erfolge als auch ihre anhaltenden Schwierigkeiten.
Laden Sie eine CSV-Datei in eine Chat-Oberfläche hoch, und Sie werden sehen, wie schnell sie oberflächliche Fragen beantwortet. Dieser Eindruck zerfällt, sobald Sie etwas Kompliziertes fragen oder versuchen, jahrelange angesammelte technische Schulden zu durchdringen. Eine gut ausgearbeitete semantische Schicht über Ihren Daten schließt die Lücke zwischen „beeindruckender Demo“ und „Produktions-KI“.
Diese semantische Schicht erfordert drei wichtige Vereinheitlichungen:
Daten leben in Dutzenden von Systemen: Amdocs, Oracle, Teradata, Snowflake, Salesforce, ServiceNow. Jedes verwendet seine eigenen Schemakonventionen, Benennungsmuster und Geschäftslogiken. Ohne eine Meta-Schicht, die diese Quellen föderiert und harmonisiert, treffen KI-Agenten fundierte Vermutungen darüber, welche „customer_id“ in welchem System denselben Kunden tatsächlich repräsentiert. Diese Vermutungen scheitern in der Produktion, wenn sie ein Support-Ticket an das falsche Konto weiterleiten oder ein Produkt empfehlen, das der Kunde bereits gekauft hat.
Laut Googles Forschung von 2025 zu KI-Agenten in der Telekommunikation nennen 35 % der Telekommunikations-Führungskräfte Datenschutz und Sicherheit als wichtigste Überlegung bei der Auswahl eines LLM-Anbieters. Das ist angesichts regulatorischer Anforderungen wie GDPR, CMMC und CUI-Datenverarbeitung sowie telcospezifischer Mandate sinnvoll: CPNI-Regeln regeln, wie Carrier Anrufdatensätze und Standortdaten schützen, während CALEA Carrier verpflichtet, ihre Netzwerke gegen unbefugten Zugriff zu sichern.
Die größte Quelle für Analyse-Paralyse entsteht oft durch die Unsicherheit über Sicherheitsanforderungen. Verwaltungsunterlagen, Verträge, Kundendaten, Genehmigungsdokumente und Netzwerkkonfigurationen unterliegen jeweils unterschiedlichen Compliance-Kriterien, von Zero-Trust-Autorisierung bis hin zu analytischer Transparenz über Domänen hinweg. Eine über verschiedene Abteilungen und Tools siloartige Governance schafft Lücken, in denen die Compliance zusammenbricht und Projekte ins Stocken geraten. Ein KI-Agent, der mit Ihren Kundendaten trainiert wurde, muss die CPNI-Maskierungsregeln respektieren, wenn er einem Support-Mitarbeiter Informationen liefert, auch wenn er fünf verschiedene Backend-Systeme abfragt.
Das Weltwirtschaftsforum stellt fest, dass „der Erfolg von KI-Modellen von einer starken Datenbasis abhängt, die Daten aus mehreren Quellen aufnehmen, korrelieren und analysieren kann und gleichzeitig einen integrierten, dezentralen Zugriff für verschiedene Anwendungsfälle ermöglicht.“ Diese Grundlage umfasst Metadaten, Herkunft, Geschäftsdefinitionen und Nutzungsmuster. Wenn ein KI-Agent Ihre Daten abfragt, weiß er dann, welche von drei Tabellen namens „network_performance“ maßgeblich ist? Versteht er, dass „FTTH“ und „Fiber to the Home“ dasselbe Konzept darstellen? Kann er die Datenqualität und -aktualität bestimmen, bevor er eine Empfehlung ausspricht?
Das sind keine hypothetischen Fragen. Sie erklären, warum KI-Projekte in der Produktion scheitern.
Databricks Unity Catalog adressiert diese Herausforderungen, indem es eine vereinheitlichte Governance- und Metadatenschicht über Ihren gesamten Lakehouse bietet. Aber Technologie allein löst keine organisatorischen Probleme. Die Umsetzung erfordert klare Architekturstandards für Daten, Bereitstellung und Governance sowie ein maßgebliches Mandat, dass Unity Catalog als Quelle der Wahrheit für das Unternehmen dient.
Ihre Daten sind über lokale Systeme, Cloud-Plattformen wie Snowflake, verschiedene SaaS-Tools und mehrere Databricks-Arbeitsbereiche verstreut. Unity Catalog ermöglicht eine Lakehouse-Architektur durch verschiedene Integrationsmuster, die jeweils für unterschiedliche Szenarien geeignet sind:
Delta Sharing eliminiert die Kosten für Datenreplikation, indem es sicheren Datenaustausch ohne Kopien zwischen Organisationen und Plattformen ermöglicht; Empfänger fragen dieselben zugrunde liegenden Datendateien in Ihrem Cloud-Speicher ab. Native Integrationen mit Salesforce Data Cloud und SAP erweitern dieses Muster auf CRM- und ERP-Daten.
Lakeflow Connectors bieten eine verwaltete Aufnahme aus Unternehmenssystemen, die die Aktualität aufrechterhält und gleichzeitig die Herkunft beibehält. Dieser Ansatz übertrifft reine Föderation für häufig abgefragte Datensätze, indem er Speicher- und Zugriffsmuster optimiert.
Lakehouse Federation verwendet Verbindungen, um Daten aus externen Systemen direkt in Databricks zu lesen und zu verknüpfen, ohne alles zu replizieren. Ihre KI-Agenten können Oracle-Abrechnungstabellen, Snowflake-Analysen und Databricks-Lakehouses in einem einzigen Workflow abfragen.
Diese Architektur stellt sicher, dass KI-Agenten auf Daten auf der entsprechenden Aggregationsebene zugreifen. Wenn ein Agent zur Bearbeitung von Abrechnungsstreitigkeiten eine Kundenbeschwerde untersucht, fragt er die validierte, deduplizierte und mit Kundenkontext angereicherte Gold-Layer-Zusammenfassung ab, anstatt rohe Telemetrieprotokolle mit Millionen von Ereignissen pro Sekunde zu durchsuchen. Dies verhindert Halluzinationen, die durch die Überlastung des Agenten mit irrelevanten Details verursacht werden.
Historisch gesehen schufen Reibungen zwischen Delta Lake und Apache Iceberg organisatorische Gräben, wobei verschiedene Teams sich auf unterschiedliche Formate spezialisierten. Dies schuf Datensilos, die nicht leicht interagieren konnten, aber die Wahl des Formats ist nicht das eigentliche Hindernis. Viel wichtiger ist es, herauszufinden, was getan werden muss und wer die Hauptarbeit leistet.
Unity Catalog bietet erstklassige Unterstützung für Delta- und Iceberg-Formate. Sie lesen und schreiben in beide Formate über eine einzige Schnittstelle; Ihre vorhandenen Iceberg-Tabellen koexistieren mit neuen Delta-Tabellen im selben Katalog, abgefragt von denselben KI-Agenten und verwaltet von denselben Richtlinien. Die Formatdebatte verblasst, wenn beide Formate gleichberechtigt in einer vereinheitlichten Governance-Schicht teilnehmen.
Über Tabellenformate hinaus pflegt Unity Catalog umfassende Tabellen- und Spaltenbeschreibungen. Es verwaltet unstrukturierte Daten in Volumes: PDFs, Protokolle, Telemetrieströme, Bilder und Audiodateien erhalten die gleiche Kennzeichnung und Richtliniendurchsetzung wie strukturierte Tabellen. Dies ermöglicht es KI-Agenten, strukturierte Tabellen und unstrukturierte Kontexte kohärent abzurufen.
Unity Catalog bietet einheitliche Governance für Ihren gesamten Lakehouse. Tabellen- und Spaltenbeschreibungen dienen doppelten Zwecken: Sie helfen Analysten, Daten zu finden und zu verstehen, und sie liefern KI-Systemen den semantischen Kontext, um die richtigen Tabellen auszuwählen, Spaltenbedeutungen zu interpretieren und korrekte Transformationen anzuwenden. Ohne aussagekräftige Beschreibungen wird ein KI-Agent, der rät, ob "cust_id" über Systeme hinweg mit "customer_identifier" übereinstimmt, Fehler machen, die sich nachgelagert häufen.
Wichtige Governance-Funktionen umfassen:
Attributbasierte Zugriffskontrolle (ABAC) wendet dynamische Zeilen- und Spaltenfilterung basierend auf Tags wie pii=true, region=EU oder data_owner=finance an. Diese Richtlinien kodieren Sensitivitäts- und Aufenthaltsregeln, die Agentenaufforderungen binden und Planungsentscheidungen einschränken.
Workspace Bindings schränken ein, welche Workspaces auf bestimmte Kataloge zugreifen können, und spiegeln Umgebungssemantiken (dev/stage/prod) wider, ohne Assets zu duplizieren. Dies steuert Agentenausführungskontexte und verhindert Lecks zwischen Umgebungen.
Dynamische Maskierung zeigt unterschiedliche Ansichten derselben Daten basierend auf der Benutzerrolle. Support-Agenten sehen maskierte Sozialversicherungsnummern und Kreditkartendetails; Compliance-Teams sehen die vollständigen Werte; KI-Agenten erben die Berechtigungen des Benutzers, der sie aufgerufen hat.
Information Schema bietet privilegienbewusste Metadaten, die es Agenten ermöglichen, zur Laufzeit sicher zulässige Assets aufzulisten und den Kontext dynamisch zu erstellen.
Audit Logging über Systemtabellen verfolgt jede Abfrage, jeden Datenzugriff, jede Modellinferenz zur Einhaltung von GDPR-, CMMC-, CPNI- und CALEA-Vorschriften.
Hier verwandelt Unity Catalog die KI-Leistung. Es bietet reichhaltigen semantischen Kontext durch umfassende Metadaten: Tags, Beschreibungen, Schemata, Lineage-Graphen, Nutzungsmuster und Metric Views, die kanonische KPIs definieren.
Metric Views sind besonders wichtig. Wenn die NOC die Netzverfügbarkeit mit 90 % meldet und die Chefetage 85 % anzeigt, fragt der Vorstand, welche Zahl richtig ist. Die Antwort beinhaltet normalerweise unterschiedliche Berechnungsmethoden, unterschiedliche Zeitfenster, unterschiedliche Definitionen von "Verfügbarkeit" und unterschiedliche Ausschlussregeln für geplante Wartungsarbeiten. Metric Views deklarieren erstklassige Geschäftsmetriken, Dimensionen und Kennzahlen. Alle werden von Unity Catalog verwaltet, sodass jeder auf dieselbe Berechnung verweist. Agenten, die "Umsatz", "ARPU" oder "Aktiver Benutzer" abfragen, rufen die maßgebliche Definition ab, anstatt Logik neu abzuleiten, die sich zwischen Teams unterscheiden kann.
Wenn Sie eine Genie-Umgebung, Databricks' natürliche Sprachabfrageschnittstelle, eine Frage stellen wie "Was sind die durchschnittlichen FTTH-Bereitstellungskosten pro Region?", geht die KI über einfaches Keyword-Matching hinaus. Sie versteht:
Laut NVIDIA-Forschung nennen 39 % der Telko-Befragten die Genauigkeit der Ergebnisse als wichtigsten Faktor bei der Inferenz von generativen KI-Modellen. Die semantische Ebene von Unity Catalog adressiert dies direkt, indem sie der KI den Kontext liefert, den sie benötigt, um genaue Antworten in Ihrem spezifischen Geschäftsbereich zu liefern.
Dies erweist sich als besonders kritisch für Agenten, die Operationen durchführen und nicht nur Fragen beantworten. Für jedes Unternehmen, das sich die Level-5-Autonome-Netzwerk-Zertifizierung des TM Forum anstrebt, müssen Agenten vertrauenswürdig sein. Dies erfordert Kontrollen, Leitplanken, Auswertungen und die Aufsicht von Fachexperten. All dies hängt davon ab, dass der Agent nicht nur versteht, "welche Daten existieren", sondern auch, "was diese Daten in unserem Geschäftskontext bedeuten".
Betrachten Sie einen Netzwerkoptimierungsagenten, der den Datenverkehr zur Reduzierung von Staus empfiehlt. Ohne semantisches Verständnis könnte er eine Konfigurationsänderung vorschlagen, die den Durchsatz verbessert, aber SLA-Verpflichtungen gegenüber Unternehmenskunden verletzt. Mit den Metadaten von Unity Catalog weiß der Agent, welche Leitungen Premium-SLAs haben, welche Kundensegmente Leistungseinbußen tolerieren und welche Netzwerksegmente kritische Infrastruktur versorgen.
KI-Adoption bedeutet, Ihre Geschäftsfunktionen in eine funktionierende, umsetzbare Sprache zu übersetzen, die an andere Teams, nachgelagerte Systeme und KI-Agenten, die in Ihrem Namen handeln müssen, kommuniziert werden kann.
Sie brauchen keine leistungsfähigeren Foundation-Modelle, damit KI funktioniert. Sie brauchen Daten, die KI-bereit sind:
Unity Catalog bietet die Metadaten- und Governance-Grundlage, die fragmentierte, undurchsichtige Daten in eine KI-bereite Plattform verwandelt. In der Telekommunikation, wo 97 % KI einführen, aber die meisten mit der Datenqualität kämpfen, geht es bei der Erfolgsstrategie nicht darum, das beste Modell zu haben. Es geht darum, die beste Datenbasis und das organisatorische Engagement zu haben, sie zu nutzen. Beschleunigen Sie Ihre KI-Roadmap, indem Sie noch heute Ihren Weg zu einer KI-bereiten Datenbasis definieren: Engagieren Sie sich mit Databricks.
(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag
Abonnieren Sie unseren Blog und erhalten Sie die neuesten Beiträge direkt in Ihren Posteingang.