Einheitlicher Kontext: Die fehlende Ebene für AI-Kollegen im Unternehmen

AI-Assistenten verbreiten sich rasant an der Oberfläche der täglichen Arbeit. Sie entwerfen E-Mails, fassen Meetings zusammen und beantworten Fragen mit beeindruckender Leichtigkeit. Doch dort, wo das eigentliche Geschäft stattfindet – wie bei Forecast-Calls, Deal-Reviews und operativen Standups –, verändern sie Ergebnisse nur selten.

Das Problem ist zweifach. Erstens ist der Kontext, von dem geschäftliche Entscheidungen abhängen, über verschiedene Systeme, Teams und Definitionen verstreut. Niemand sieht genau dieselbe Version des Unternehmens – sei es ein CMO, der sich Kampagnenergebnisse ansieht, oder ein CFO, der die Quartalsleistung überprüft. Zweitens wurden die meisten AI-Assistenten nicht für diese Art von Arbeit entwickelt. Sie sind zwar effektiv bei schnellen, in sich geschlossenen Aufgaben wie dem Durchsuchen einer Codebasis, tun sich jedoch schwer damit, Daten, Definitionen und Workflows über Systeme und Geschäftsprozesse hinweg zu verfolgen.

Was Kontext entscheidungsreif macht

Die meisten Unternehmen verfügen bereits über die benötigten Daten: CRM-Einträge, Dashboards, Tabellenkalkulationen und einen ständigen Strom von Signalen aus dem gesamten Unternehmen. Das Problem ist nicht der Zugriff. Es liegt vielmehr daran, dass diese Teile sich nicht zu einer einzigen, vertrauenswürdigen Ansicht zusammenfügen, sodass Teams Schwierigkeiten haben, präzise und konsistente Erkenntnisse zu gewinnen.

Entscheidungsreifer Kontext bedeutet mehr, als nur Daten an einem Ort zu haben. Es ist eine gemeinsame Landkarte, die ein klares, vernetztes Bild davon vermittelt, wie das Unternehmen funktioniert. Wenn diese Karte existiert, können Teams mit denselben Definitionen arbeiten und nachvollziehen, wie eine Zahl zustande kommt. In einem Forecast-Call kann ein Vertriebsleiter beispielsweise in einer einzigen Ansicht sehen, wie die heutige Pipeline mit der Produktnutzung, offenen Support-Tickets und der Account-Historie zusammenhängt, anstatt diese Signale manuell zusammenfügen zu müssen.

Ohne diesen gemeinsamen Kontext verbringen Teams viel Zeit damit, Zahlen abzugleichen, über Definitionen zu diskutieren und zwischen Tools hin- und herzuspringen, um herauszufinden, welche Deals real und welche gefährdet sind. Die Frage lautet selten „Haben wir die Daten?“. Es geht vielmehr darum, ob diese Daten gemeinsam mit ausreichender Konsistenz und Genauigkeit interpretiert werden können, um die Entscheidung zu beeinflussen.

Warum generische Assistenten zu kurz greifen

Die meisten Allzweck-Assistenten sind darauf ausgelegt, einen Prompt zu interpretieren, die am leichtesten zugänglichen Informationen abzurufen und eine flüssige und überzeugende Antwort zu generieren. Während das für viele alltägliche Produktivitätsaufgaben ausreicht, stoßen geschäftliche Anwender schnell an Grenzen, da moderne Geschäftsprozesse im Grunde Datenarbeit sind. Vor einem Forecast-Call fragt ein Vertriebsleiter vielleicht einen generischen Assistenten, welche Deals am wahrscheinlichsten abgeschlossen werden. Der Assistent kann das CRM scannen und eine übersichtliche Liste basierend auf der Phase und den letzten Aktivitäten ausgeben. Er berücksichtigt jedoch nicht automatisch Trends bei der Produktnutzung, offene Support-Tickets oder Änderungen in den Account-Plänen. Er hilft immer nur bei einem Ausschnitt des Gesamtbildes – meist bei dem, was ihm explizit vorgegeben wurde. So können seine Antworten zwar überzeugend klingen, ohne jedoch verlässlich im gesamten Kontext verankert zu sein, von dem die Entscheidung abhängt.

Einheitlichen Kontext mit Genie One nutzen

Genie One ist der AI-Assistent für datengestützte Arbeit, der auf einheitlichem Kontext basiert. Anstatt jede Frage als eigenständige Interaktion zu behandeln, nutzt Genie One eine gemeinsame Kontextebene, die sich über Databricks-Daten, Dokumente, SaaS-Anwendungen und operative Systeme erstreckt. Es geht nicht nur darum, schneller zu antworten. Es geht darum, dass geschäftliche Anwender Fragen stellen, präzise Antworten in Geschäftsbegriffen interpretieren und dieses Verständnis zuverlässig in Folgeaufgaben übertragen können, ohne jedes Mal die Vorgeschichte neu rekonstruieren zu müssen.

Einmal fragen, direkt am Arbeitsplatz: Genie One bringt einheitlichen Kontext direkt in die Tools, die bereits täglich genutzt werden. Das bedeutet, dass geschäftliche Anwender Fragen in Tools wie Slack, Microsoft Teams, Mobilgeräten, MCP oder Dashboards stellen können und Antworten sowie Erkenntnisse erhalten, die auf kontrollierten Echtzeitdaten basieren.

Von Erkenntnissen zu Aktionen: Genie One bietet agentische Funktionen für die Zusammenarbeit, sodass Benutzer Aufgaben planen, Dokumente entwerfen, Berichte erstellen und Workflows in verbundenen Tools auslösen können. Über Genie One können sie zudem Agenten erstellen, die wiederkehrende Anwendungsfälle wie die Forecast-Vorbereitung, QBR-Pakete oder Eskalations-Workflows in gemeinsam nutzbare Agenten verwandeln, die diese Aufgaben automatisieren.

Governance automatisch anwenden: Antworten, Aktionen und Agenten übernehmen Berechtigungen und Governance-Kontrollen direkt aus dem Unternehmen. So bleibt alles im Einklang mit bestehenden Zugriffsregeln und Kontrollvorgaben.

Zusammengenommen führt dies zu einem geringeren Aufwand für die Entscheidungsfindung: weniger Zeit für den Abgleich von Zahlen vor jedem Meeting, weniger fragmentierte Tools, die zusammengefügt werden müssen, und Entscheidungen, die in Minuten statt in Tagen getroffen werden – ohne Abstriche bei Genauigkeit oder Kontrolle.

Eine lebendige geschäftliche Kontextebene

Im Mittelpunkt dieses Ansatzes steht die Genie Ontology, eine einheitliche Kontextebene, die widerspiegelt, wie das Unternehmen tatsächlich arbeitet, und nicht nur, wie Daten gespeichert werden. Sie lernt aus Daten, Dashboards, Abfragen, Dokumenten und verbundenen Anwendungen und organisiert dann Geschäftsbegriffe, Kennzahlen, Entitäten und Beziehungen in einem lebendigen Knowledge Graph.

Das ist wichtig, da Kontext in Unternehmen nicht statisch ist. Definitionen entwickeln sich weiter, Zuständigkeiten verschieben sich und neue Signale entstehen. Die Genie Ontology bewertet Definitionen und Signale anhand von Faktoren wie der Nutzung und Verknüpfungen mit zertifizierten Assets. Dies hilft zu bestimmen, was in einer bestimmten Situation als maßgeblich gelten soll.

Stellen Sie sich vor, ein Marketingleiter fragt, welche Kampagnen die Pipeline wirklich vorantreiben. Eine nützliche Antwort darf nicht bei Top-of-Funnel-Metriken aufhören. Sie muss Kampagnen mit Segmenten, Kanälen, Opportunities im CRM, abgeschlossenen Umsätzen (Closed-Won) und der nachgelagerten Produktnutzung verknüpfen und das Ergebnis dann in denselben Begriffen erklären, die das Unternehmen bereits zur Wirkungsmessung verwendet. Das ist der Unterschied zwischen oberflächlich verfügbarem Kontext und Kontext, der eine Entscheidung tatsächlich stützen kann.

Governance fest integriert

Da AI immer näher an geschäftskritische Entscheidungen heranrückt, ist Governance eine Grundvoraussetzung und keine separate Kontrollebene mehr: Ein AI-Assistent, der Live-Daten lesen und Aktionen ausführen kann, benötigt klare Berechtigungen, Lineage und Aufsicht.

Hier arbeiten Unity Catalog und Genie Ontology Hand in Hand. Unity Catalog steuert den Zugriff, zertifizierte Daten und gemeinsame Definitionen, einschließlich Kennzahlen und Geschäftsbegriffen. Die Genie Ontology baut auf diesem Fundament auf, um eine geschäftsorientierte Karte zu erstellen, die diese kontrollierten Assets mit dem im gesamten Unternehmen gelernten Kontext kombiniert.

In der Praxis bedeutet dies, dass ein Finanzanalyst, der nach dem Umsatz fragt, nur freigegebene Daten und zertifizierte Definitionen sieht, während Genie dennoch verwandte Signale wie die Pipeline oder die Nutzung systemübergreifend verknüpfen kann. Das Ergebnis ist eine AI, die innerhalb der Unternehmensregeln agiert und gleichzeitig eine breitere, vernetzte Sicht auf den Kontext nutzt, um Entscheidungen vertrauenswürdig und verlässlich zu unterstützen.

Konkrete Handlungsschritte für Führungskräfte

Für Führungskräfte, die möchten, dass AI-Kollegen messbare Ergebnisse liefern, haben sich einige Ansätze bewährt:

• Beginnen Sie mit Aufgaben, die bereits wichtig sind. Wählen Sie wiederkehrende Anwendungsfälle, bei denen Teams bereits viel Zeit mit dem Abgleich von Daten verbringen, wie etwa Forecast-Calls oder Planungszyklen. Nutzen Sie diese als Pilotprojekte, verwandeln Sie die besten Muster in Agenten und messen Sie Vorbereitungszeit, Genauigkeit oder Durchlaufzeit.
• Verankern Sie AI in einer unternehmenseigenen Kontextebene. Betrachten Sie das Kontextmodell als einen Vermögenswert des Unternehmens, der über Teams, Assistenten und Modelle hinweg wiederverwendbar ist. Da dieser Kontext bei Ihnen verbleibt und nicht in einem einzelnen Modell oder einer bestimmten Umgebung gefangen ist, können Sie neue Modelle einführen, ohne Ihre Datengrundlage (Ground Truth) oder Ihren Kontext zu verlieren.
• Nutzen Sie Governance, um Skalierung zu ermöglichen. Stellen Sie sicher, dass AI-Kollegen die Daten- und Zugriffskontrollen übernehmen, die Sie bereits verwenden, damit sie ohne neue Regeln für wichtigere Aufgaben eingesetzt werden können. Wenn Richtlinien widerspiegeln, wie Entscheidungen getroffen werden sollen, wird Governance zu einem Hebel, um den Einsatzbereich von AI zu erweitern.

Erste Schritte

Es gibt eine wachsende Kluft zwischen einer AI, die lediglich Antworten generiert, und einer AI, die aktiv an echten Entscheidungen mitwirken kann. Diese Kluft zu schließen, beginnt mit einem einheitlichen, entscheidungsreifen Kontext.

Genie One wurde genau für diesen Wandel entwickelt und vereint Daten, Entscheidungen und Aktionen in einem einzigen, kontrollierten AI-Kollegen.

Mehr erfahren: https://www.databricks.com/genie

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