Veraltete Daten bedeuteten früher einen fehlerhaften Bericht, und meist fiel der Fehler noch rechtzeitig auf. KI-Agenten erhöhen den Einsatz, denn sie berichten nicht nur über das Geschäft, sondern handeln selbst. Gibt ein Agent ohne menschliche Kontrolle eine Zahlung frei oder löst eine Bestellung aus, führen veraltete Daten direkt zu einer falschen Entscheidung, die erst auffällt, wenn sie bereits umgesetzt ist.
Kai Waehner hat diesen Punkt gleich zu Beginn unseres Webinars gemacht. Als Advisory Field CTO und eine der bekanntesten Stimmen im Bereich Data Streaming betonte er, dass aktuelle Daten heute eine Frage des Vertrauens sind und keine Leistungskennzahl. Zum Abschluss teilte er fünf Lektionen aus Kundenprojekten weltweit.
Event Streams, Message Queues, APIs und Batch-Verarbeitung sind keine konkurrierenden Optionen, und die meisten Unternehmensarchitekturen brauchen alle vier. Streaming steht oft im Zentrum, weil Daten das führende System nur einmal verlassen müssen. Das belastet das Quellsystem nicht zusätzlich und schafft keine neue Angriffsfläche. Trotzdem ist eine Message Queue oder ein Batch-Job für manche Anwendungsfälle die einfachste Lösung.
Die meisten Unternehmen verwalten ihre APIs seit Jahren, ihre Event Streams erhalten aber selten dieselbe Aufmerksamkeit. Kai empfiehlt, mit Data Contracts zu beginnen und darauf einen Katalog aufzubauen, der Events, APIs und Data Lakes abdeckt. Ein Gateway, Datenschutzkontrollen und durchgängige Data Lineage vervollständigen das Bild. Fehlt eines dieser Elemente, müssen Sie Probleme später mühsam bis zu ihrer Ursache zurückverfolgen.
Eine Streaming-Plattform lässt sich als Fully Managed Service, selbst betrieben oder im eigenen Cloud-Konto nutzen, und die richtige Wahl beginnt bei Ihren Anforderungen. Regulierung, Latenz und die Toleranz für Datenverlust schliessen einige Optionen meist aus, lange bevor der Preis eine Rolle spielt. Dasselbe gilt für Souveränität im gesamten KI-Stack. Für jede Ebene sollten Sie wissen, wo sie läuft, wer sie betreibt und wie Sie wieder aussteigen können. Wie Kai betonte, lässt sich das Modell am einfachsten austauschen.
Agenten sollten nur Daten erhalten, die Ihre Regeln für Qualität und Zugriff erfüllen. Eine Orchestrierungsschicht zwischen Ihren Systemen und Ihren Agenten macht das möglich, indem sie Wiederholungen, menschliche Kontrollpunkte und die Wahl des passenden Modells für jede Aufgabe übernimmt. Gleichzeitig bietet sie Ihnen einen zentralen Ort, an dem Sie alles im Blick behalten.
Früher oder später wird jemand fragen, warum ein Agent eine bestimmte Entscheidung getroffen hat. Werden jeder Input, jede Entscheidung und jede Aktion als Event erfasst, liegt die Antwort bereits vor und lässt sich prüfen oder erneut abspielen.
Keine dieser Lektionen dreht sich wirklich um das Modell. Es geht um die Daten, auf deren Basis Ihre Agenten handeln, und darum, ob Sie hinter jeder ihrer Entscheidungen stehen können. Gelingt das, werden KI-Agenten von einem Risiko, das Sie eindämmen müssen, zu einer Fähigkeit, die Sie skalieren können.
Die vollständige Aufzeichnung geht noch weiter. Kai stellt eine Referenzarchitektur vor, die zeigt, wie Confluent, heute Teil von IBM, mit IBM MQ, webMethods und Ihrem bestehenden Mainframe zusammenarbeitet. Das Ergebnis sind Agenten, die mit aktuellen, kontrollierten Daten arbeiten, ohne dass ein einziges Kernsystem ersetzt wird.