KI-Agenten brauchen Echtzeitdaten, weil sie im laufenden Geschäft handeln und jede Aktion davon abhängt, was der Agent in diesem Moment sieht. Ein Chatbot, der auf Basis der Dokumente von letzter Woche antwortet, gibt eine schwache Antwort. Ein Agent, der auf Basis der Daten von letzter Nacht eine Rückerstattung genehmigt, eine Lieferung freigibt oder einen Preis anpasst, trifft eine falsche Entscheidung, und zwar automatisch. Dieser Artikel erklärt, wie Agenten Daten nutzen, was schiefgeht, wenn diese Daten veraltet sind, warum so viele KI-Projekte in Unternehmen vor dem produktiven Einsatz ins Stocken geraten und was eine Datenarchitektur für Agentic AI leisten muss.
Ein KI-Agent ist Software, die ein Ziel verfolgt, indem sie entscheidet, welche Schritte nötig sind, und diese dann ausführt. Der Agent liest den Zustand der Systeme, mit denen er arbeitet, überlegt, was zu tun ist, ruft ein Tool oder eine API auf und prüft das Ergebnis vor dem nächsten Schritt. Diese Schleife wiederholt sich innerhalb einer einzigen Aufgabe viele Male, oft in Sekunden.
Jeder Durchlauf der Schleife hängt von Daten ab. Der Agent muss den aktuellen Kontostand kennen, bevor er Geld bewegt, den aktuellen Lagerbestand, bevor er einen Liefertermin zusagt, und den aktuellen Status eines Tickets, bevor er einer Kundin oder einem Kunden antwortet. Ist auch nur einer dieser Werte veraltet, kann der Agent fehlerfrei schlussfolgern und das Ergebnis trotzdem falsch sein.
Das ist der wichtigste Unterschied zwischen Agenten und früheren Anwendungsfällen für Analytics oder generative KI. Ein Mensch, der ein Dashboard liest, bemerkt, wenn eine Zahl seltsam aussieht. Ein Agent hat kein solches Gespür. Er hält alles, was er erhält, für die Wahrheit, und wenn er in ein führendes System zurückschreibt, wird der Fehler Teil des Geschäfts.
Was veraltete Daten kosten, hängt davon ab, wie schnell sich die zugrunde liegenden Fakten ändern. In vielen Anwendungsfällen für Agenten ändern sie sich ständig.
| Aufgabe des Agenten | Mit Daten aus dem nächtlichen Batch | Mit Echtzeitdaten |
|---|---|---|
| Betrugsprüfung bei einer Kartenzahlung | Übersieht ein Muster, das heute Morgen begonnen hat | Sieht die neuesten Transaktionen, bevor er die Zahlung freigibt |
| Einen Liefertermin zusagen | Verplant Bestand, der vor einer Stunde verkauft wurde | Prüft den aktuellen Lagerbestand und offene Bestellungen |
| Eine Lieferung umleiten | Plant um eine Verzögerung herum, die sich bereits aufgelöst hat | Arbeitet mit aktuellen Ereignissen von Transportdienstleistern und aus dem Verkehr |
| Eine Kundenanfrage zu einer Rückerstattung beantworten | Meldet die Rückerstattung als ausstehend, obwohl sie bereits ausgezahlt wurde | Liest den aktuellen Zahlungsstatus |
| Einen Preis anpassen | Reagiert auf die Nachfrage und die Schritte des Wettbewerbs von gestern | Reagiert auf die Nachfrage, während sie sich ändert |
In jedem dieser Fälle erledigt der Agent seine Aufgabe wie vorgesehen. Das Problem ist das Bild des Unternehmens, das er erhalten hat. Deshalb behebt ein besseres Modell diese Fehler nur selten: Die Lücke liegt in der Datenschicht darunter.
Die Forschung weist auf dieselbe Lücke hin. Die Studie The GenAI Divide von MIT NANDA aus dem Jahr 2025 ergab, dass 95 % der untersuchten Organisationen keinen messbaren Ertrag aus ihren Initiativen für generative KI erzielten. Laut Gartner verfügen 63 % der Organisationen nicht über die richtigen Datenmanagement-Praktiken für KI oder wissen nicht, ob sie darüber verfügen. Gartner prognostiziert ausserdem, dass Organisationen bis 2026 60 % der KI-Projekte aufgeben werden, denen KI-fähige Daten fehlen.
Bei Agenten sehen die Zahlen ähnlich aus. Im 2026 Data Streaming Report von Confluent, einer Umfrage unter 4.625 IT-Führungskräften, gaben 72 % an, dass fehlende Echtzeit-Dateninfrastruktur ihre Bemühungen bremst, KI zu skalieren. Ausserdem nannten 66 % Probleme mit Dateninfrastruktur und Datenqualität als Hürden für den Einsatz von Agentic AI, und nur 32 % gaben an, Agentic AI bereits produktiv zu nutzen.
Agenten sehen nur einen Teil des Unternehmens. Die meisten Agenten sind mit einem oder zwei führenden Systemen verbunden, etwa dem CRM oder dem ERP. Die Fakten, die sie brauchen, um gut zu handeln, verteilen sich auf viel mehr Quellen, darunter Zahlungen, Logistik, Support und IoT. Ein Agent, der die Bestellung sieht, aber nicht den Zahlungsstatus, kennt nur die halbe Geschichte und kann auch nur auf dieser Grundlage handeln.
Pipelines sind fragil und Daten liegen in Silos. Punkt-zu-Punkt-Integrationen und nächtliche Extraktions-Jobs brechen ab, wenn sich das Schema einer Quelle ändert, und jeder neue Agent bekommt meist seine eigene Pipeline. Die Daten landen als Kopien in getrennten Lakes und Speichern, ohne gemeinsame Sicht darauf, was aktuell ist und wem die Daten gehören.
Analytische Tabellen sind von Grund auf veraltet. Lakehouse-Tabellen für das Reporting werden nach Zeitplan aktualisiert, oft täglich. Für Analystinnen und Analysten, die Trends untersuchen, ist das in Ordnung. Für einen Agenten, der wissen muss, was vor zwei Minuten passiert ist, nicht.
Echtzeitkontext für KI ist der aktuelle Zustand des Unternehmens, der einem Agenten genau in dem Moment zur Verfügung steht, in dem er entscheidet. Er entsteht aus Ereignissen: Jede aufgegebene Bestellung, jede geleistete Zahlung und jede Statusänderung wird erfasst, sobald sie stattfindet, und zu einer aktuellen Sicht verarbeitet, die der Agent abfragen kann.
Das unterscheidet sich vom Retrieval über Dokumente. Retrieval-Augmented Generation (RAG) hilft einem Modell, Fragen auf Basis einer Wissensdatenbank zu beantworten. Diese Wissensdatenbank aktuell zu halten, ist eine eigene Disziplin, die unser Leitfaden zu Echtzeit-Streaming für generative KI behandelt. Agenten brauchen mehr: operative Fakten in Echtzeit, etwa Kontostände, Lagerbestände und Status, die sich mehrmals täglich ändern und die der Agent womöglich selbst verändert.
Echtzeitkontext muss ausserdem sicher genug sein, um darauf zu handeln. Er muss also gesteuert sein, mit klaren Schemas, Qualitätsregeln und Zugriffskontrollen, die angewendet werden, während die Daten in Bewegung sind. So sieht ein Agent nie Daten, die er nicht sehen darf, und jeder Wert, auf dessen Basis er handelt, lässt sich bis zu seiner Quelle zurückverfolgen.
„KI-fähige Daten“ steht oft für saubere Trainingsdaten. Für Agenten im produktiven Einsatz liegt die Messlatte woanders. Daten sind für einen Agenten bereit, wenn sie diese Eigenschaften erfüllen:
Die meisten Organisationen erfüllen einige dieser Punkte für Analytics bereits. Die Lücke liegt meist bei Aktualität und Zugriff: Die Daten sind vorhanden, erreichen Agenten aber zu spät und über einen Weg, der für Menschen gebaut wurde.
Die Architektur für diese Aufgabe hat inzwischen einen Namen. Ein Streamhouse ist eine Datenarchitektur, die den aktuellen Zustand eines Unternehmens kontinuierlich erfasst, transportiert, transformiert, steuert und bereitstellt, damit produktive Anwendungen und KI-Agenten darauf handeln können. Fünf Data-Streaming-Unternehmen, Aiven, Confluent, Redpanda, StreamNative und Ververica, haben am 15. September 2026 eine offene, herstellerneutrale Definition veröffentlicht.
Die Definition beantwortet die drei oben genannten Probleme direkt. Ein Streamhouse ist dezentral: Es verbindet sich mit Systemen dort, wo sie bereits sind, und gibt Agenten eine Sicht über alle hinweg. Es arbeitet in Echtzeit, sodass der Kontext aktuell ist, wenn der Agent ihn liest. Und es ist produktionsreif, also auf dieselben Service-Levels ausgelegt wie die Agenten und Anwendungen, die davon abhängen.
Ein Streamhouse ersetzt das Lakehouse nicht. Analystinnen und Analysten behalten ihre historischen Daten und Modelle, und das Streamhouse kann seine Streams in offene Tabellenformate wie Apache Iceberg schreiben, sodass auch diese Tabellen aktueller bleiben. Unser Vergleich von Streamhouse, Lakehouse und Data Warehouse erklärt, wie sich die Architekturen die Arbeit teilen.
Für Unternehmen, die auf IBM setzen, liefert die Data-Streaming-Plattform von Confluent, inzwischen Teil von IBM, jede Schicht, die ein Agent braucht. Konnektoren und Change Data Capture streamen Änderungen aus Systemen wie IBM Z, SAP, Oracle und Salesforce. Apache Kafka transportiert die Ereignisse, Apache Flink verarbeitet sie zu aktuellen Sichten, und die integrierte Governance verwaltet Schemas und Datenqualität in Bewegung. Agenten erreichen diesen Kontext über APIs, SQL und MCP, und Tableflow stellt dieselben Streams als Apache-Iceberg-Tabellen für Lakehouses wie IBM watsonx.data bereit.
Mimacom ist IBM Silver Business Partner mit langjähriger Erfahrung mit Confluent und Apache Kafka. Unsere Teams betreiben Streaming-Plattformen in Produktion für Banken, Handelsunternehmen, Hersteller und Verkehrsbetriebe, und wir unterstützen Unternehmen dabei, mit den Agentenentscheidungen zu beginnen, die am stärksten von aktuellen Daten abhängen.
Nein. Ein Agent, der die Berichte des letzten Quartals zusammenfasst oder ein Dokument auf Basis einer Richtliniensammlung entwirft, kann mit Batch-Daten arbeiten. Echtzeitdaten sind wichtig, wenn der Agent auf Basis von Fakten handelt, die sich im Lauf des Tages ändern, etwa Zahlungen, Lagerbestände, Bestellungen und Kundenstatus. Die meisten Agenten, die in führende Systeme zurückschreiben, fallen in diese Kategorie.
RAG ruft Dokumente oder Wissen ab, damit ein Modell eine Frage korrekt beantworten kann. Echtzeitdaten für KI-Agenten sind der aktuelle operative Zustand des Unternehmens, etwa Kontostände, Lagerbestände und Status, den ein Agent liest, bevor er handelt. Viele Agenten nutzen beides: RAG für Wissen und Echtzeitkontext für die Fakten, auf deren Basis sie handeln.
Agenten greifen in der Regel über APIs, SQL-Abfragen oder das Model Context Protocol (MCP) auf Echtzeitdaten zu. MCP ist ein offener Standard, der KI-Anwendungen mit Tools und Daten verbindet. Hinter diesen Schnittstellen erfasst eine Streaming-Plattform wie Apache Kafka Ereignisse aus den Quellsystemen, und Stream Processing hält die Sichten aktuell.
Das Streaming-Team von Mimacom unterstützt Unternehmen dabei, die Echtzeit-Datenschicht aufzubauen, die KI-Agenten brauchen, auf IBM Confluent und den Systemen, die Sie bereits betreiben. Erfahren Sie mehr über unsere Confluent-Beratung oder kontaktieren Sie uns, um Ihren ersten Anwendungsfall für Agenten zu planen.