Agentic AI und Metadaten-Governance: Warum Ihre KI-Agenten fachlichen Kontext brauchen, um zu liefern
KI-Agenten sind längst kein Forschungsthema mehr. 2025 und 2026 setzen Unternehmen in Finanzdienstleistung, Fertigung und Beratung agentische Systeme ein, um Compliance-Prüfungen zu automatisieren, Auffälligkeiten nachzugehen und komplexe analytische Fragen zu beantworten. Die meisten berichten jedoch von enttäuschenden Ergebnissen. Schuld ist selten das KI-Modell selbst, sondern der fehlende fachliche Kontext, den Agenten brauchen, um verlässlich Schlüsse aus Ihren Daten zu ziehen.
Was ist Agentic AI?
Agentic AI bezeichnet KI-Systeme, die nicht nur auf Eingaben antworten, sondern eigenständig planen, entscheiden und mehrstufige Aufgaben ausführen, oft indem sie externe Werkzeuge aufrufen, Datenbanken abfragen und Handlungen auslösen, ohne dass ein Mensch jeden Schritt anweist.
Wo ein normales LLM eine Frage beantwortet, erledigt ein KI-Agent einen ganzen Ablauf. Er bekommt womöglich ein Ziel, etwa „prüfe, ob diese Transaktion verdächtig ist“, und ruft daraufhin selbstständig die Kontohistorie ab, gleicht Sanktionslisten ab, berechnet Risikowerte und erstellt einen strukturierten Fallbericht. Der Unterschied ist für den Einsatz im Unternehmen enorm: Agenten tun Dinge, sie sagen nicht nur etwas.
Nach Gartner werden bis 2028 mehr als 80 % der Unternehmensanwendungen Agentic AI enthalten, nach weniger als 1 % im Jahr 2024. Die Frage, die Unternehmen jetzt beantworten müssen, ist nicht, ob sie Agenten einsetzen, sondern welches Fundament diese Agenten brauchen, um verlässlich zu arbeiten.
Das Problem mit dem Kontext: warum Agenten ohne Metadaten scheitern
Wenn ein menschlicher Analyst einer Auffälligkeit in den Daten nachgeht, bringt er angesammelten Kontext mit: Er weiß, dass „Umsatz“ im Finanzsystem den Nettoumsatz ohne Mehrwertsteuer meint, dass das Rechenzentrum in Prag die europäische Berichtsstrecke speist und dass die Zahl für das vierte Quartal im Januar stets angepasst wird. Dieses Wissen des Unternehmens ist unsichtbar, formlos und steckt in jahrelanger Erfahrung.
KI-Agenten haben davon nichts, solange es ihnen nicht ausdrücklich bereitgestellt wird. Wenn ein Agent Ihr Data Warehouse abfragt, ohne zu verstehen, dass „Kunde“ in Ihrem CRM etwas anderes bedeutet als in Ihrem Risikosystem, oder dass eine bestimmte Datenquelle abgekündigt und nicht mehr gepflegt ist, sind seine Ergebnisse unzuverlässig, so ausgefeilt das zugrunde liegende Modell auch sein mag.
Das ist die Lücke bei den Metadaten. Und sie erklärt, warum Gartner schätzt, dass Unternehmen 60 % ihrer KI-Vorhaben aufgeben werden, die nicht von einer KI-ready Dateninfrastruktur getragen werden. Die Agenten können es. Die Datenfundamente nicht.
Was passiert, wenn Agenten ohne Metadaten-Governance arbeiten
Die Folgen, KI-Agenten auf schlecht geregelten Daten einzusetzen, sind nicht theoretisch. Sie zeigen sich in vier vorhersehbaren Fehlermustern:
1. Begriffliche Verwirrung
Ein Agent, der nicht weiß, welche Definition von „aktiver Kunde“ in welchem fachlichen Zusammenhang gilt, erzeugt Zahlen, die sich über Berichte hinweg widersprechen. Menschliche Analysten fangen das aus Erfahrung ab. Agenten nicht.
2. Verstärkte Halluzinationen
LLMs neigen ohnehin dazu, plausibel klingende, aber falsche Antworten zu erzeugen, wenn ihr Trainingswissen nicht ausreicht. Fragt ein Agent Daten ab, ohne ihre Herkunft, Qualität oder Bedeutung zu verstehen, verstärkt er dieses Risiko: Das Modell ist unsicher, und der Datenkontext, auf den es sich stützt, bietet keinen verlässlichen Anker.
3. Fehler bei Compliance und Sicherheit
Agenten, die nicht wissen, welche Daten der DSGVO unterliegen, wer worauf Zugriff hat oder welche Datensätze personenbezogene Angaben enthalten, werden Verstöße auslösen, nicht bloß auslösen können. Automatisierte Systeme im großen Maßstab schaffen ein Compliance-Risiko, das kein händischer Prüfprozess rechtzeitig einfangen kann.
4. Wegbrechendes Vertrauen
Hat ein KI-Agent in einem folgenreichen Ablauf erst einmal ein einziges falsches oder unerklärliches Ergebnis geliefert, wenden sich die Nutzer ab. Eine Untersuchung von McKinsey (2025) zeigt, dass Vertrauen und nicht Leistungsfähigkeit die wichtigste Hürde für den Einsatz von KI im Unternehmen ist. Metadaten-Governance ist der Weg, dieses Vertrauen planmäßig aufzubauen und zu halten.
Die 5 Metadaten-Fundamente, die Agentic AI verlangt
Verlässliche KI-Agenten im Unternehmen zu bauen ist in erster Linie kein Problem der Modellauswahl. Es ist ein Problem der Dateninfrastruktur. Diese fünf Metadaten-Fundamente entscheiden darüber, ob Ihre Agenten im großen Maßstab gelingen oder scheitern.
1. Business Glossary: eine gemeinsame Sprache für Agenten und Menschen
Ein Business Glossary bestimmt die maßgebliche Bedeutung jedes Geschäftsbegriffs, also „Kunde“, „Transaktion“, „Umsatz“ oder „Risikoposition“, und ordnet diese Definitionen den Systemen und Zusammenhängen zu, in denen sie gelten. Ohne es legen Agenten Begriffe uneinheitlich aus, und die Ergebnisse eines Ablaufs können nicht gefahrlos in einen anderen fließen.
Wirksame Business Glossaries leisten dreierlei: Sie halten Definitionen so genau fest, dass KI sie maschinell nutzen kann, sie erfassen, welche Definition in welchem aufsichtsrechtlichen oder fachlichen Zusammenhang gilt, und sie melden Widersprüche zwischen Systemen, damit Agenten eskalieren können, statt sie still und falsch aufzulösen.
2. Data Lineage: Woher stammt diese Zahl?
Data Lineage verfolgt Herkunft und Umformung jedes Datenelements, vom Quellsystem über jede ETL-Pipeline, jede Geschäftsregel und jede Verdichtung bis zum fertigen Bericht oder zur Entscheidung. Für KI-Agenten ist Lineage nicht nur eine Anforderung der Prüfung. Sie ist unverzichtbarer Kontext, um daraus Schlüsse zu ziehen.
Ein Agent, der untersucht, warum zwei Berichte verschiedene Umsatzzahlen zeigen, muss wissen, dass einer aus dem Data Warehouse zieht (täglich aktualisiert) und der andere aus einer API in Echtzeit. Ohne Lineage kann er einen Mangel der Datenqualität nicht von einem zeitlichen Unterschied unterscheiden. Er wird entweder raten oder jeden Fall eskalieren, und beides trägt nicht im großen Maßstab.
Eine Untersuchung von IBM schätzt, dass schlechte Datenqualität Unternehmen im Schnitt 12,9 Mio. $ im Jahr kostet, und die Zahl wächst im gleichen Maß, wie KI-Agenten mit höherem Volumen und höherer Geschwindigkeit arbeiten.
3. Data Ownership: Wer steht dafür ein?
Jeder Datensatz und jeder Geschäftsbegriff braucht eine benannte verantwortliche Person: jemanden oder ein Team, das für Richtigkeit, Aktualität und Eignung geradesteht. Für KI-Agenten beantworten Metadaten zur Verantwortung eine entscheidende Frage: Wen soll der Agent benachrichtigen, wenn er auf eine Auffälligkeit stößt?
Ohne Metadaten zur Verantwortung brechen automatisierte Eskalationswege zusammen. Der Agent kann Ausnahmen nicht sinnvoll weiterleiten, und die menschliche Aufsicht, die Aufsichtsbehörden für KI-Entscheidungen mit hohem Risiko verlangen, lässt sich im großen Maßstab nicht umsetzen.
4. Indikatoren für Datenqualität: Kann der Agent diesen Daten trauen?
Nicht alle Daten in Ihrem Unternehmen sind gleich verlässlich. Manche Quellen werden in Echtzeit aktualisiert, andere nächtlich im Stapel geladen. Manche haben dokumentierte Qualitätsprüfungen, andere werden formlos gepflegt. Agenten, die das Qualitätsprofil der Daten nicht kennen, die sie nutzen, behandeln alle Daten als gleich maßgeblich, was sie nicht sind.
Metadaten zur Datenqualität, also Werte zur Vollständigkeit, Zeitstempel zur Aktualität, Ergebnisse von Prüfregeln und bekannte Auffälligkeiten, geben Agenten die Signale, die sie brauchen, um ihre Zuversicht einzuschätzen und Unsicherheit an menschliche Prüfende weiterzugeben, statt minderwertige Ergebnisse als Tatsachen zu präsentieren.
5. Zugriffsrichtlinien: Was soll der Agent sehen dürfen?
KI-Agenten mit breitem Datenzugriff und ohne Leitplanken sind ein Risiko für die Compliance. Metadaten zum Zugriff bestimmen, welche Datenkategorien beschränkt sind, welche Regelwerke sie regeln und welche Rollen von Agenten sie abfragen dürfen.
Sauber umgesetzt bedeuten Metadaten zu Zugriffsrichtlinien, dass ein Agent, der eine Finanztransaktion untersucht, von sich aus weiß, dass er personenbezogene Daten ohne angemessene geschäftliche Begründung nicht offenlegen darf, ohne dass ein Mensch jede Abfrage des Agenten prüfen muss.
MCP: das Protokoll, das Agenten mit fachlichem Kontext verbindet
Das Model Context Protocol (MCP), Ende 2024 von Anthropic vorgestellt und im Ökosystem der Unternehmens-KI rasch aufgegriffen, liefert den technischen Standard, um KI-Agenten mit externen Datenquellen und Werkzeugen zu verbinden. MCP löst aber ein Problem der Anbindung, kein Problem des Kontexts.
Denken Sie an MCP als das Rohr. Es erlaubt einem KI-Agenten, einen Datenkatalog abzufragen, einen Eintrag im Business Glossary abzurufen oder eine Governance-API aufzurufen. Was durch das Rohr fließt, also Qualität, Vollständigkeit und Vertrauenswürdigkeit des fachlichen Kontexts, entscheidet Ihre Infrastruktur für Metadaten-Governance.
Unternehmen, die MCP einsetzen, ohne in Metadaten-Governance zu investieren, bekommen Anbindung ohne Verlässlichkeit. Ihre Agenten erreichen Daten überall und trauen ihnen nirgends. MCP zusammen mit einer geregelten Metadatenschicht macht aus unberechenbarer Agentenleistung eine gleichbleibende.
Systeme aus mehreren Agenten, in denen spezialisierte Agenten an komplexen Aufgaben zusammenarbeiten, verstärken Chance und Risiko zugleich. Untersuchungen zu solchen Architekturen im Finanzwesen zeigen Produktivitätsgewinne von 20 bis 60 %, aber nur in Unternehmen, in denen die Agenten auf einem gemeinsamen, geregelten Context Layer arbeiten. Hat jeder Agent seine eigene Auslegung der zugrunde liegenden Daten, summieren sich Fehler über die Pipeline hinweg, statt sich auszugleichen.
Wo Dawiso hineinpasst: der Context Layer für Agentic AI
Dawiso wurde gebaut, um genau das Problem zu lösen, das Agentic AI dringend macht. Als Plattform für die Steuerung von Kontext mit KI-ready Metadaten führt Dawiso die fünf Metadaten-Fundamente, also Business Glossary, Data Lineage, Datenverantwortung, Qualitätskennzahlen und Zugriffsrichtlinien, in einer geregelten Schicht zusammen, die KI-Agenten über MCP nutzen können.
Fragt ein KI-Agent Dawiso über MCP ab, bekommt er nicht nur Daten. Er bekommt geregelten Kontext: die maßgebliche Definition des Begriffs, mit dem er arbeitet, die Lineage des abgefragten Datensatzes, die verantwortliche Person, den zugehörigen Qualitätswert und die Richtlinien, die seine Nutzung regeln. Dieser Kontext muss nicht von Hand in die Eingaben des Agenten geschrieben werden. Er wird zentral gepflegt und dynamisch genutzt.
Das heißt: Wird das Business Glossary Ihres Unternehmens aktualisiert, etwa weil eine neue aufsichtsrechtliche Definition übernommen, eine Datenquelle abgekündigt oder ein Qualitätsproblem gemeldet wird, übernimmt jeder Agent, der Kontext über Dawiso bezieht, diese Änderung von selbst. Modelle müssen nicht neu trainiert und Eingaben nicht neu geschrieben werden. Der Context Layer erledigt das.
Für Unternehmen, die am Anfang ihres Weges mit Agentic AI stehen, liefert Dawiso das Fundament, das die ersten Agenten verlässlich genug macht, um ihnen zu trauen. Für Unternehmen, die Agenten bereits im großen Maßstab betreiben, liefert Dawiso die zentrale Governance-Schicht, die die Zersplitterung und Uneinheitlichkeit verhindert, die mit der Zahl der Agenten üblicherweise entsteht.
„In KI zu investieren, ohne in Metadaten zu investieren, ist, als wollte man eine smarte Stadt auf Sand bauen“, wie unser Team schon festgestellt hat. Der Sand ist nicht das Modell. Es ist der Context Layer darunter.
Fazit: das Fundament vor dem Agenten bauen
Agentic AI ist keine Fähigkeit der Zukunft. Sie ist eine Aufgabe der Gegenwart. Die Unternehmen, die dauerhaft Wert aus KI-Agenten ziehen, sind jene, die das Muster erkennen, das jede frühere Welle der Unternehmenstechnik geprägt hat: Das fähigste Werkzeug scheitert ohne die Infrastruktur, die es trägt.
Die fünf Metadaten-Fundamente, also Business Glossary, Data Lineage, Datenverantwortung, Qualitätskennzahlen und Zugriffsrichtlinien, sind keine wahlfreien Ergänzungen einer Strategie für Agentic AI. Sie sind Voraussetzungen. Ohne sie liefern Agenten Ergebnisse, denen man nicht trauen kann, die Compliance nicht prüfen kann und die Fachbereiche nicht annehmen werden.
Mit ihnen werden KI-Agenten zu etwas wirklich Umwälzendem: zu Systemen, die mit dem Tempo und im Maßstab der Automatisierung arbeiten und zugleich im Kontext und in der Rechenschaft menschlicher Governance verankert sind.
Die Frage ist nicht, ob Sie die Daten regeln, die Ihre Agenten nutzen. Sondern ob Sie es vorausschauend tun, bevor die Agenten laufen, oder nachträglich, wenn der erste aufsehenerregende Fehlschlag das Vertrauen bereits untergraben hat.
