Angesichts der schnellen Entwicklung von KI-Fähigkeiten und dem Übergang zu agentenbasierten Systemen erweitern Unternehmen ihre Anwendungsfälle. Diese ständige Evolution birgt jedoch Risiken und erfordert von IT-Führungskräften strategische Entscheidungen für zukunftssichere Investitionen. Eine Rückbesinnung auf die grundlegenden Elemente der KI-Architektur ist entscheidend, um zuverlässige, integrierte und skalierbare Systeme zu gewährleisten.
Datenqualität als Fundament
Die Zuverlässigkeit von KI-Modellen hängt direkt von der Qualität der Daten ab, auf die sie zugreifen. Mangelhafte Datenqualität führt zu sogenannten KI-Halluzinationen, Verzerrungen und unzuverlässigen Ergebnissen. Viele Unternehmen kämpfen mit Altsystemen, inkonsistenten Datenstrukturen, fragmentierten Zuständigkeiten und unvollständigen Datensätzen, was eine effektive Skalierung von KI erschwert. Die KI selbst kann diese grundlegenden Datenprobleme nicht lösen.
Adnan Adil, CIO von Elastic, betont: „Die Daten sind ein dauerhafter Bestandteil der KI-Architektur, denn ohne sie laufen diese Modelle nicht, liefern nicht den richtigen Kontext oder nicht das richtige Maß an Dienstleistungen, die wir implementieren wollen.“ Branchenumfragen nennen Datenqualität durchweg als eines der größten Hindernisse für den KI-Erfolg. Eine effektive KI-Strategie beginnt daher mit der unternehmensweiten Vernetzung von Daten und der Sicherstellung, dass diese organisiert, präzise, verwaltet und in Echtzeit zugänglich sind. Gartner prognostiziert, dass Unternehmen bis 2026 60 % aller KI-Projekte aufgeben werden, wenn diese nicht durch KI-bereite Daten unterstützt werden. Dies kann durch klare Datenstandards, Eigentumsrechte, saubere und gelabelte Daten sowie Pipelines für den Echtzeitabruf vermieden werden.
Kontext-Engineering für Präzision
Kontext-Engineering stellt sicher, dass das Modell für jede Abfrage die relevantesten Informationen heranzieht, indem es die benötigten Daten effizient auswählt und organisiert, um präzise Antworten zu liefern. Während Prompt-Engineering sich auf die Formulierung einer Anfrage konzentriert, gestaltet Kontext-Engineering die gesamte Informationsumgebung um das Modell herum. Dies umfasst das Abrufen der richtigen Daten und deren Präsentation in einer strukturierten, maschinenlesbaren Form. Eine zuverlässige KI hängt oft ebenso stark von der Kontextqualität ab wie von der Modellstärke.
Für effektives Kontext-Engineering sind eine modernisierte, einheitliche Datengrundlage sowie Abruf- und Speichersysteme wie Retrieval Augmented Generation (RAG) und Vektordatenbanken unerlässlich. Eine sorgfältige Priorisierung ist notwendig, um relevante Informationen zu bestimmen, Unwichtiges auszuschließen und den Einsatz verschiedener Informationstypen zu steuern. Zu viel Kontext kann relevante Details verwässern, Kosten erhöhen und Antwortzeiten verlangsamen. Adnan Adil hebt hervor: „Minimaler Kontext, korrekte und aktuelle Daten sowie maschinenlesbare Informationen sind entscheidend für effektives Kontext-Engineering.“
Governance und Observability
Eine starke Governance und LLM-Observability (Beobachtbarkeit großer Sprachmodelle) ermöglichen es Unternehmen, die Datennutzung von KI-Systemen zu kontrollieren, die Systemleistung zu überwachen und Probleme frühzeitig zu erkennen. Ohne klare Kontrollen verarbeiten KI-Systeme oft unnötig viele Informationen, was Betriebskosten durch erhöhten Rechenressourcenverbrauch und höhere API-Gebühren in die Höhe treibt. KI erweitert zudem die Angriffsfläche und birgt Risiken wie datenbasierte Lecks durch Prompts, Modellschwachstellen und adversarische Eingaben. Robuste Sicherheitsmaßnahmen, starke Zugriffssteuerungen und Überwachung sind hierbei unerlässlich.
Adil merkt an, dass wesentliche Kontrollen, einschließlich Sicherheit, detailliertes Kostenmanagement, Projektkontrollen, Datensicherheit und Architektur, häufig unzureichend sind. Governance-Strukturen müssen von Anfang an in die Architektur, Arbeitsabläufe und Entscheidungsprozesse integriert werden, um transparente, konforme und kosteneffiziente KI zu ermöglichen. Observability hilft, die Leistung von KI-Anwendungen in der Praxis zu verstehen, die Genauigkeit und Nützlichkeit über die Zeit zu bewerten, Nutzungsmuster zu überwachen und Systeme bei Bedarf anzupassen. Ein Bericht von Elastic aus dem Jahr 2026 prognostiziert, dass 85 % der IT-Entscheidungsträger LLM-Observability für ihre internen generativen KI-Anwendungen implementieren werden. „Observability ist tatsächlich enorm. Wir können Observability-Daten für Kostenkontrolle, Entscheidungsfindung und Engineering-Effizienz nutzen“, so Adil.
Bedarf an spezialisiertem Personal
Die Maximierung des KI-Werts durch durchdachtes Design, Integration und Governance erfordert spezialisiertes internes Fachwissen. Eine Umfrage von Deloitte aus dem Jahr 2025 zeigt, dass fast 70 % der befragten Tech-Führungskräfte planen, ihre Teams als direkte Reaktion auf generative KI zu vergrößern. Dies steht im Gegensatz zu Berichten über KI-bedingte Personalabbauten. Adnan Adil bestätigt: „Wir glauben, dass der Faktor Mensch maßgeblich dazu beitragen wird, dass KI in Zukunft wirkungsvoll ist.“ Unternehmen benötigen Personal, das Arbeitsabläufe steuern, Ergebnisse bewerten, Prozesse neu gestalten und Systeme anpassen kann, während sich die Technologie weiterentwickelt. Die Evolution hin zu zunehmend autonomen Tools erfordert Teams, die in Prompt-Engineering, Orchestrierung und Change Management geschult sind und kritisches Denken sowie Anpassungsfähigkeit an neue Technologien mitbringen.
Thema: Technologie / KI allgemein. Quelle/Inspiration: MIT Technology Review.