--- title: "Agentische Lieferketten laufen auf geregeltem Kontext | Dawiso Blog" description: "KI-Agenten kommen schnell in die Lieferkette. Verlässlich handeln sie nur auf geregeltem Kontext: einheitliche Definitionen, Verantwortung und Lineage." url: "https://www.dawiso.com/de/blog-post/agentic-supply-chain-governed-context" language: "de" --- # Agentische Lieferketten laufen auf geregeltem Kontext, nicht auf einem großen Warehouse Samuel Nagy VP of Strategic Growth \6. August 2026 KI-Agenten kommen schneller in die Lieferkette, als die Daten darunter dafür bereit sind. Sie planen und handeln über Werke und Systeme hinweg, doch verlässlich handeln sie nur auf Daten, deren Bedeutung vereinbart, verantwortet und nachvollziehbar ist. Diese Schicht geregelter Bedeutung, und nicht ein einziges großes Warehouse, entscheidet darüber, ob ein Agent hilft oder still alles schlimmer macht. ## Die agentische Lieferkette kommt schneller als die Daten Die Lieferkette ist einer der ersten Orte, an denen KI-Agenten vom Vorführmodell in den Produktivbetrieb wandern. Statt eine Empfehlung anzuzeigen und auf einen Menschen zu warten, plant, handelt und passt ein Agent sich heute an, während die Arbeit läuft, über Planung, Beschaffung, Qualität und Instandhaltung hinweg. Die Zahlen hinter dieser Verschiebung sind nicht hypothetisch. [Gartner erwartet](https://www.gartner.com/en/newsroom/press-releases/2025-08-26-gartner-predicts-40-percent-of-enterprise-apps-will-feature-task-specific-ai-agents-by-2026-up-from-less-than-5-percent-in-2025), dass bis Ende 2026 bis zu 40 % der Unternehmensanwendungen aufgabenbezogene KI-Agenten enthalten, nach weniger als 5 % ein Jahr zuvor, und [sagt voraus](https://www.gartner.com/en/newsroom/press-releases/2025-05-21-gartner-predicts-half-of-supply-chain-management-solutions-will-include-agentic-ai-capabilities-by-2030), dass bis 2030 die Hälfte aller bereichsübergreifenden Lösungen für das Lieferkettenmanagement intelligente Agenten einsetzen wird, um Entscheidungen eigenständig auszuführen. [Mehr als die Hälfte der Führungskräfte in der Lieferkette](https://www.deloitte.com/us/en/insights/industry/manufacturing-industrial-products/agentic-supply-chain-artificial-intelligence-manufacturing.html) berichtet bereits, Agenten zur Automatisierung von Abläufen einzusetzen. Gartner ordnet seine [Technologietrends für die Lieferkette 2026](https://www.gartner.com/en/newsroom/press-releases/2026-06-30-gartner-identifies-top-supply-chain-technology-trends-for-2026) um drei Themen, und das dritte ist der stille Haken: Neben Eigenständigkeit und Spezialisierung steht **Vertrauen und Governance**, also die Herkunft von Produkten und die Governance von Entscheidungen, die eine eigenständige Entscheidung nachvollziehbar und verantwortbar halten. Die Werkzeuge, um diese Agenten zu bauen, sind bereit. Die Daten darunter sind es sehr oft nicht. ## Warum Agenten an rohen Lieferkettendaten straucheln Ein Agent ist nur so gut wie die Bedeutung, auf die er sich stützen kann, und in der Fertigung ist diese Bedeutung meist [über Werke und Systeme zersplittert](https://www.dawiso.com/de/blog-post/why-57-of-manufacturers-cant-see-their-supply-chain-and-how-to-fix-it), lange bevor ein Agent sie überhaupt berührt. Richten Sie einen auf die rohen Systeme eines Betriebs mit mehreren Werken, und drei Fehler zeigen sich fast sofort. Der erste sind **uneinheitliche Definitionen**. Ein Werk zählt Mikrostillstände als Downtime, ein anderes nicht, also bedeuten OEE, Scrap und Downtime von Standort zu Standort nicht dasselbe. Ein Agent, der diese Zahlen zu einer Konzernantwort vermengt, liefert etwas Überzeugtes und Falsches, dieselbe Zahl, der niemand traut, über die Ihre Leute ohnehin streiten, nun mit maschineller Autorität vorgetragen. Der zweite ist **unklare Verantwortung**. Wenn der Agent eine Zahl liefert, ist niemand benannt, der dafür geradesteht, ob sie stimmt. Es gibt niemanden zu fragen und niemanden, der die Quelle richtet, wenn sie abdriftet. Der dritte ist **fehlende Nachvollziehbarkeit**. Sie sehen nicht, woher die Zahl kam, und können einen Agenten deshalb nicht gefahrlos eigenständig darauf handeln lassen. Den Agenten in eine andere Laufzeitumgebung zu verschieben ändert daran nichts. Die Quellen beschreiben das Geschäft uneinheitlich, und diese Bedeutung abzugleichen ist die eigentliche Arbeit. Hersteller kennen diesen Reflex bereits vom **digitalen Faden**, der Idee einer durchgehenden Informationsspur über das Leben eines Produkts. Agenten brauchen dieselbe Disziplin, angewendet auf Betriebsdaten, damit ein Begriff von der Werkshalle bis zum Vorstandsbericht seine Bedeutung behält. ## Was geregelter Kontext tatsächlich bedeutet Geregelter Kontext ist die vereinbarte Bedeutungsschicht über Ihren Systemen. Es ist die Menge der [Definitionen, die alle abgezeichnet haben](https://www.dawiso.com/de/product/business-glossary), eine benannte verantwortliche Person für jede davon, die [Lineage](https://www.dawiso.com/de/product/interactive-data-lineage), die zeigt, wie eine Zahl von der Quelle bis zum Bericht fließt, und die Klassifizierung dessen, was sensibel ist. Es ist der Unterschied zwischen einem Agenten, der eine Spalte namens `oee_pct` liest, und einem Agenten, der weiß, was OEE bedeutet, wer dafür geradesteht und woher es kam. Agenten brauchen kein einziges riesiges Warehouse. Sie brauchen einheitliche Definitionen, klare Verantwortung und genug Struktur, um über die Systeme hinweg zu schlussfolgern, die Sie ohnehin betreiben. Dieser letzte Punkt zählt, denn hier übersteuern Teams. Der Reflex ist, fünf ERP-Systeme und ein Dutzend Produktionssysteme in ein riesiges Warehouse zu reißen und das eine einheitliche Datenbasis zu nennen. Die Empfehlung von Deloitte widerspricht dem: Agenten brauchen nicht alles in einem physischen Speicher, sie brauchen eine **einheitliche Bedeutung**. Sie regeln die Definitionen einmal und lassen die Daten dort, wo sie bereits laufen. ## Den Kontext zum Agenten bringen, nicht die Daten ins Warehouse Sobald Sie aufhören, die Daten zentralisieren zu wollen, wird der Entwurf einfacher. Halten Sie den geregelten Kontext in einer Schicht, die Ihnen gehört, und stellen Sie ihn jedem Agenten bereit, der ihn braucht, laufend dort, wo dieser Agent am besten unterstützt wird, meist [nativ auf der Plattform, die Daten und Rechenleistung ohnehin hält](https://www.dawiso.com/de/blog-post/build-agents-where-your-data-lives). Der Agent bleibt nah an Daten und Rechenleistung. Die Bedeutung reist zu ihm. Der Weg der Auslieferung ist ein offener Standard. Das [Model Context Protocol](https://www.dawiso.com/de/glossary/model-context-protocol-mcp) lässt einen geregelten Context Layer Definitionen, Verantwortlichkeiten und Lineage jedem kompatiblen Agenten zugänglich machen, sodass der Agent in derselben verantworteten Bedeutung verankert ist, ob er nun auf einem Hyperscaler, in einer Datenplattform oder als eigene Anwendung gebaut wurde. Sie binden den Kontext nicht an eine Laufzeitumgebung, und Sie verschieben keine Terabyte, um einer Definition zu genügen. ## So bauen Sie die geregelte Schicht, der Ihre Agenten trauen können Der Weg ist derselbe, ob Sie ein Werk betreiben oder dreißig, und er lässt sich auf vier Schritte abbilden. **Jedes System katalogisieren.** Lesen Sie ERP, Produktion, Warehouse und BI in einen [Datenkatalog](https://www.dawiso.com/de/product/data-catalog) ein, damit Sie wissen, welche Daten es gibt, wer für sie verantwortlich ist und woher sie kommen. Dawiso bindet mehr als 40 Quellen an, darunter einen eigens gebauten Scanner für SAP S/4HANA neben Snowflake, Databricks, Power BI, dbt, Oracle, SQL Server und Tableau. **Die Begriffe vereinbaren.** Definieren Sie gemeinsame KPIs einmal im [Business Glossary](https://www.dawiso.com/de/product/business-glossary), von OEE und Scrap bis Downtime und Yield, und verknüpfen Sie jeden mit den tatsächlichen Spalten dahinter in jedem Werk. Technik an einem Standort und Analyse an einem anderen arbeiten endlich mit derselben Definition. **Die Lineage verfolgen.** Erzeugen Sie [Lineage](https://www.dawiso.com/de/product/interactive-data-lineage) auf Spaltenebene aus Ihrem SQL und Ihren ETL-Pipelines, damit sich jede Zahl, die ein Agent liefert, bis zu ihrer Quelle zurückverfolgen lässt. Nachvollziehbarkeit ist das, was eine eigenständige Handlung vertretbar macht. **Über MCP bereitstellen.** Machen Sie den geregelten Kontext über einen offenen [MCP Server](https://www.dawiso.com/de/product/mcp) jedem MCP-fähigen Agenten zugänglich, sodass der Agent, den Sie auf der Plattform Ihrer Wahl bauen, in verantworteter, geprüfter Bedeutung verankert ist. Das ist keine Theorie. [Stora Enso](https://www.dawiso.com/case-study/stora-enso) betreibt einen einheitlichen geregelten Katalog über Snowflake, dbt und Power BI hinweg, einen Ort, an dem fachliche und technische Metadaten zusammenkommen. Genau aus dieser geregelten Schicht muss ein Agent lesen, und sie ist das Gut, das wertvoll bleibt, ganz gleich welche Agentenplattform als Nächstes gewinnt. Bauen Sie Ihre Agenten dort, wo Daten und Rechenleistung ohnehin liegen, und lassen Sie den Kontext, der Ihnen gehört, das sein, was zu ihnen reist. ## FAQ **Brauchen KI-Agenten in der Lieferkette ein einziges Data Warehouse?** Nein. Was ein Agent braucht, ist geregelter Kontext, also einheitliche Definitionen, klare Verantwortung und nachvollziehbare Lineage, über die Systeme hinweg, die Sie ohnehin betreiben. Deloitte macht denselben Punkt und hält fest, dass eine perfekte Harmonisierung der Daten keine Voraussetzung für Agentic AI ist, einheitliche Definitionen und klare Verantwortung aber schon. Sie regeln die Bedeutung einmal und lassen die Daten dort, wo sie liegen, statt jedes ERP und jedes Produktionssystem in einen physischen Speicher neu aufzubauen. **Warum geben Agenten in der Lieferkette über Werke hinweg uneinheitliche Antworten?** Weil jedes Werk denselben KPI meist anders definiert. Ein Werk zählt Mikrostillstände als Downtime, ein anderes nicht, also bedeuten OEE, Scrap und Downtime von Standort zu Standort nicht dasselbe. Ein Agent, der diese Zahlen vermengt, liefert eine überzeugte Antwort, der niemand traut. Jeden Begriff einmal im Business Glossary zu definieren, verknüpft mit den tatsächlichen Spalten dahinter in jedem Werk, beseitigt die Mehrdeutigkeit, die der Agent sonst durch Raten überbrücken muss. **Wie liefert Dawiso geregelten Kontext an einen Agenten in der Lieferkette?** Dawiso katalogisiert Ihre Systeme für ERP, Produktion, Warehouse und BI über mehr als 40 Konnektoren, darunter einen eigens gebauten Scanner für SAP S/4HANA, definiert jeden Geschäftsbegriff einmal mit einer verantwortlichen Person und einem Freigabeablauf, verfolgt Lineage auf Spaltenebene von der Quelle bis zum Bericht und stellt all das über einen offenen MCP Server jedem MCP-fähigen Agenten bereit. Der Agent läuft dort, wo Ihre Daten und Ihre Rechenleistung ohnehin liegen, und bleibt in derselben verantworteten Bedeutung verankert, wo immer er gebaut wird. [In Aktion erleben](https://www.dawiso.com/de/context-layer) Dawiso Context Layer Regeln Sie die fachliche Bedeutung einmal und stellen Sie sie dann Ihren Agenten auf jeder Plattform über ein offenes Protokoll bereit. ### Inhalt Die agentische Lieferkette kommt schneller als die DatenWarum Agenten an rohen Lieferkettendaten strauchelnWas geregelter Kontext tatsächlich bedeutetDen Kontext zum Agenten bringen, nicht die Daten ins WarehouseSo bauen Sie die geregelte Schicht, der Ihre Agenten trauen könnenFAQ ## Mehr zum Thema Lesen Sie weiter und tauchen Sie tiefer in unsere neuesten Beiträge zu Metadatenmanagement und mehr ein: ### [Wo sollten Sie die KI-Agenten bauen, die mit Ihren Daten sprechen?](https://www.dawiso.com/de/blog-post/build-agents-where-your-data-lives) Alle bauen Agenten, die mit Daten sprechen. Bauen Sie sie dort, wo Daten und Rechenleistung ohnehin liegen, und bringen Sie den geregelten Kontext zu ihnen. Weiterlesen ### [Warum 57 % der Hersteller ihre Lieferkette nicht sehen und wie Sie das ändern](https://www.dawiso.com/de/blog-post/why-57-of-manufacturers-cant-see-their-supply-chain-and-how-to-fix-it) Mehr als der Hälfte der Hersteller fehlt der vollständige Blick auf ihre Lieferkette. Was die blinden Flecken verursacht und wie Data Governance die Lücke schließt. Weiterlesen ### [Einen Context Layer für KI im Unternehmen umsetzen](https://www.dawiso.com/de/blog-post/how-to-implement-enterprise-context-layer-for-ai) Eine Schritt-für-Schritt-Anleitung, wie Sie einen Context Layer für KI umsetzen: Katalog, Glossar, Lineage, Klassifizierung, Bereitstellung über MCP und Lebenszyklus. Kontext einmal regeln, überall bereitstellen. Weiterlesen