In letzter Zeit ist der Begriff „AI-Ready Data Infrastructure“ sehr wichtig geworden und häufig zu sehen.
Es scheint, dass es nicht nur darum geht:
„Ein DWH aufzubauen“, „BI einzurichten“ oder „interne Daten in RAG zu stecken“.
Nachdem ich mehrere Artikel gelesen und die Gedanken geordnet habe, bedeutet AI-Ready im Wesentlichen:
Ein Zustand, in dem KI sicher auf Daten zugreifen, sie korrekt interpretieren und für geschäftliche Aktionen nutzen kann.
Zunächst einmal als grundlegende Prämisse: Die Fähigkeit von KI, SQL zu schreiben, unterscheidet sich von der Fähigkeit von KI, Geschäftsfragen korrekt zu beantworten.
Zwei Hauptkomponenten einer „AI-Ready“-Dateninfrastruktur
1. Datenaufbereitung
Verwendung einer Medaillon-Architektur wie Bronze / Silber / Gold, um Rohdaten in eine Granularität, Qualität und Struktur zu organisieren, die einer Analyse standhalten.
2. Bereitstellung von Datenkontext
Die Bedeutung von Daten, Beziehungen und Geschäftsregeln durch semantische Modelle und Ontologien für KI lesbar machen.
Dies ist extrem wichtig; es reicht nicht, KI einfach Tabellen zu geben.
„Was ist Umsatz?“ Beinhaltet er Retouren? Welche Kunden-ID sollte mit welcher Vertrags-ID verknüpft werden? Welche Abteilungsdefinition ist korrekt? Ohne diesen Geschäftskontext wird KI plausible, aber ungenaue Antworten liefern.
Die im Finatext-Artikel erwähnte Diskussion auf dem Snowflake Summit ist ähnlich.
Im KI-Zeitalter nimmt die Bedeutung von Datenpipelines tatsächlich zu. Selbst wenn LLMs intelligenter werden, stößt die Ausgabequalität an ihre Grenzen, wenn die Aktualität, Genauigkeit und Strukturierung der Eingabedaten schwach sind. Interessanterweise bewegt sich Snowflakes Richtung dahin, Reibung in Entwicklung, Bereitstellung und Überwachung zu reduzieren, anstatt nur „Funktionen hinzuzufügen“.
KI erstellt DAGs, baut Pipelines und schreibt Code. In dieser Welt verlagert sich die menschliche Arbeit von „Aufgaben“ hin zu „dem Entwerfen korrekter Datenprodukte“.
Ein weiterer Artikel für Startups war ebenfalls aufschlussreich.
Startup-Daten sind tendenziell über Produkt-DBs, CRMs, Tabellenkalkulationen, Slack, Notion und Support-Tools verstreut.
Das funktioniert zunächst.
Aber wenn man versucht, KI-Agenten in den Betrieb zu integrieren, wird diese Fragmentierung zur Grenze. Ein Vertriebsagent möchte beispielsweise CRM, Nutzungsprotokolle, Vertragsinformationen, Anfrageverlauf und vergangene Angebotsmaterialien durchsuchen. Ein CS-Agent möchte nicht nur den Anfrageinhalt sehen, sondern auch den Nutzungsstatus des Kunden und vergangene Interaktionen. Ein Management-Support-Agent sollte Änderungen in KPIs erkennen und die Ursachen sowie nächsten Schritte organisieren.
Kurz gesagt, was KI-Agenten brauchen, ist Kontext, nicht nur Datenvolumen.
Strukturierte Daten allein reichen nicht aus.
Unstrukturierte Daten wie Besprechungsnotizen, Slack-Diskussionen, Notion-Spezifikationen, CS-Verlauf, Gründe für verlorene Geschäfte und Fallstudien werden ebenfalls zu wichtigen Materialien, damit KI das Geschäft versteht.
Basierend auf dem Obigen denke ich, dass diese fünf Dinge für eine AI-Ready-Dateninfrastruktur notwendig sind.
1. Zuverlässige, aufbereitete Daten
2. Definitionen von KPIs und Geschäftsbegriffen
3. Verbindung zwischen strukturierten und unstrukturierten Daten
4. Berechtigungsverwaltung und Zugriffskontrolle
5. Fähigkeit, die Grundlage von Antworten und Vorschlägen nachzuverfolgen
Konkret denke ich, dass die nächste Form von BI wichtig sein wird. Traditionelles BI war etwas, das Menschen auf einem Dashboard ansahen. Aber wenn ein AI-Ready-Zustand etabliert ist, ändert es sich zu einer Form, in der KI Anomalien bemerkt, die Gründe untersucht und die nächste Aktion vorschlägt.
Es kommt dem nahe, was Push BI genannt wird.
Das Wichtige bei Push BI ist jedoch nicht die Benachrichtigung.
Wenn man einfach „Umsatz ist gefallen“ in Slack postet, ist das nur ein Alarm-Bot. Was wirklich benötigt wird, ist die Ausgabe von:
- Welche KPI
- Im Vergleich zu was sie normalerweise ist
- Wie stark sie sich verändert hat
- Warum dies passiert sein könnte
- Welche Beweise betrachtet werden
- Wer was tun sollte
Dafür reicht ein DWH allein nicht aus.
Metrikdefinitionen, Datenkataloge, Geschäftswissen, RAG, Berechtigungen und Feedbackschleifen sind erforderlich. Eine AI-Ready-Dateninfrastruktur ist kein Zustand, in dem man Daten einfach an KI übergeben kann. Es ist ein Zustand, in dem KI den Geschäftskontext versteht, Urteile mit Beweisen fällt und zur nächsten menschlichen Aktion führt.
Die zukünftige Dateninfrastruktur wird sich von einer einfachen Plattform zur „Visualisierung“ zu einem „Business OS“ für KI-Agenten entwickeln, die urteilen, vorschlagen und ausführen.
Übrigens haben Snowflake und Databricks, die großen Akteure in der Dateninfrastruktur, kürzlich zufällig Ankündigungen in Bezug auf 2027 gemacht. Menschen, die in Zukunft Daten verwalten, werden wahrscheinlich eher Data Architect x AI Director sein als Leute, die nur SQL und ETL implementieren. o11y ist ebenfalls ein Thema.
Referenzartikel:
- Finatext Tech Blog: Snowflake Summit 2026 / Smart Pipeline Development für AI-Ready Data
https://zenn.dev/finatext/articles/6c5f6a7f7862e4
- Qiita: Was ist eine AI-Ready-Dateninfrastruktur?
https://qiita.com/ayumito/items/746fc38b5675869b96a0
- Zenn: Organisation der Dateninfrastruktur, die Startups im KI-Zeitalter benötigen
