Insight
Von Daten zur Kontextverfügbarkeit: Was Agentic AI braucht
Viele Daten machen noch keinen brauchbaren AI-Agenten. Entscheidend ist, ob Bedeutung, Regeln und Zusammenhänge zur Aufgabe verfügbar sind.
Organisation und Kultur
5 min Lesezeit
Kernaussage
Der Engpass verlagert sich von der Datenmenge zur Verfügbarkeit von Kontext. Unternehmen, die Bedeutung und Regeln ihrer Daten beschreiben, holen aus unserer Sicht mehr aus denselben Modellen heraus.

Die wichtigsten Erkenntnisse
Modelle sind austauschbar, Kontext ist es nicht.
Unbeschriebene Daten führen zu geratenen Antworten.
Kontext braucht Pflege, Verantwortung und Zugriffswege.
Das Modell war nie das Problem
Viele AI-Vorhaben beginnen nach unserer Erfahrung mit der Wahl des Modells und enden bei den Daten. Der Pilot läuft, die Antworten klingen gut, und dann stellt sich heraus, dass sie am Kern vorbeigehen. AI liefert trotz guter Datenlage schwache Ergebnisse, wenn der Kontext fehlt: die Bedeutung der Felder, die geltenden Regeln und der Stand des Vorgangs, verfügbar in dem Moment, in dem der Agent die Aufgabe bearbeitet.
Was unterscheidet Kontext von Daten?
Daten sind Werte, Kontext ist das, was sie bedeuten. Ein Feld mit einem Kürzel und einer Zahl ist für einen Menschen mit zehn Jahren Erfahrung eindeutig und für ein Sprachmodell ein Rätsel. Zum Kontext gehören die Beschreibung jedes Feldes, die Regeln für seine Auslegung, die Geschichte des Vorgangs und die Entscheidungen, die Fachleute in ähnlichen Fällen getroffen haben. Vieles davon steht bisher in keinem System, sondern in den Köpfen der Mitarbeitenden.
Wie groß ist die Lücke?
Laut Gartner betrifft sie die Mehrheit der Organisationen. Laut einer Gartner-Umfrage haben 63 Prozent der Organisationen nicht die richtigen Praktiken im Datenmanagement für AI oder sind unsicher, ob sie sie haben. Dieselbe Mitteilung verweist auf eine Befragung von 1.203 Verantwortlichen für Datenmanagement im Juli 2024. Gartner sagt in der Mitteilung „Lack of AI-Ready Data Puts AI Projects at Risk“ (Februar 2025) voraus, dass Organisationen bis Ende 2026 60 Prozent der AI-Projekte aufgeben, die nicht von AI-fähigen Daten getragen werden. Der Nachweis der AI-Fähigkeit beruht laut Gartner auf Metadaten, mit denen Daten auf den Anwendungsfall ausgerichtet, qualifiziert und gesteuert werden. Die Analystin Roxane Edjlali ergänzt: „AI-ready data is not ‘one and done.’“ Die Aussagen gelten branchenübergreifend und international.
Warum reicht ein zentraler Datenbestand nicht aus?
Weil er Werte sammelt, aber keine Bedeutung. Ein Datenbestand beantwortet die Frage, wo etwas steht. Ein Agent muss wissen, was es bedeutet, ob er es verwenden darf und wie aktuell es ist. Organisationen mit gewachsenen Bestandssystemen je Sparte oder je Vertriebsweg spüren das besonders. Die Lücke zeigt sich, sobald Agenten über Bereichsgrenzen hinweg arbeiten sollen. Wie Wissensbasen dafür gepflegt werden, beschreibt der Beitrag zur Qualität von Wissensbasen.
Wie kommt Kontext zum Agenten?
Über beschriebene Zugriffswege. Das Model Context Protocol wird dafür nach Angaben von Anthropic von den großen Anbietern unterstützt. Anthropic nennt in der Mitteilung zur Übergabe an die Agentic AI Foundation (Dezember 2025) mehr als 10.000 aktive öffentliche MCP-Server. Der Zugriffsweg allein löst das Problem nicht. Er liefert, was beschrieben ist. Für Finanzunternehmen hat der Weg zusätzlich eine Schutzfunktion: Über ihn lässt sich steuern, welche Daten ein Agent sehen darf und welche nicht.
Woraus besteht guter Kontext für eine Aufgabe?
Aus vier Schichten. Die erste beschreibt die Felder: Bedeutung, Einheit, zulässige Werte. Die zweite enthält die Regeln, nach denen entschieden wird, einschließlich der Ausnahmen. Die dritte liefert den Stand des Vorgangs: was bisher geschah und was offen ist. Die vierte zeigt Beispiele, also frühere Fälle mit der Entscheidung, die Fachleute getroffen haben.
Viele Vorhaben beginnen nach unserer Erfahrung bei der ersten Schicht und unterschätzen die vierte. Beispiele übertragen das Urteilsvermögen der Organisation. Sie brauchen Pflege, weil sich Regeln ändern und alte Entscheidungen dann in die falsche Richtung weisen.
Wer pflegt den Kontext?
Der Fachbereich, dem die Aufgabe gehört. Die IT stellt den Zugriffsweg bereit, die Inhalte kann sie nicht verantworten. Sinnvoll ist eine benannte Person je Aufgabe, die Beschreibungen und Beispiele aktuell hält und Rückmeldungen aus dem Betrieb einarbeitet.
Der Aufwand ist am Anfang am größten und sinkt danach. Er lässt sich an bestehende Arbeit koppeln: Arbeitsanweisungen werden ohnehin gepflegt, Schulungsunterlagen ohnehin geschrieben. Wer beides so verfasst, dass auch ein Agent es lesen kann, pflegt eine Quelle für Menschen und Maschinen. Wer die Verantwortung für die Daten dahinter trägt, beschreibt der Beitrag zu Data Ownership beim Versicherer.
Was hält Unternehmen bisher auf?
Datenschutz, Rechtsunsicherheit und Kosten. Laut der Bitkom-Erhebung „Erstmals nutzt die Mehrheit der Unternehmen KI“ (September 2026, 603 Unternehmen ab 20 Beschäftigten) nennen 66 Prozent der Unternehmen, die AI einsetzen, Anforderungen an den Datenschutz als Hemmnis und 56 Prozent rechtliche Verunsicherung. Kontextverfügbarkeit ist auch darauf eine Antwort: Wer beschrieben hat, welche Daten wofür verwendet werden dürfen, kann Freigaben schneller erteilen. Die Verbindung zur Datenstrategie zieht der Beitrag zu Datenstrategie als Fundament der AI-Strategie.
Woran lässt sich Kontextverfügbarkeit messen?
Am Ergebnis und an der Rückfrage. Die erste Kennzahl ist der Anteil der Vorgänge, die ein Agent ohne Korrektur durch einen Menschen richtig vorbereitet. Die zweite ist die Zahl der Fälle, in denen er zurückfragt oder abbricht, weil ihm eine Angabe fehlt. Jede Rückfrage zeigt eine Lücke im Kontext und damit die nächste Aufgabe für die Pflege.
Beide Zahlen gehören in denselben Bericht wie die Kosten des Agenten. Zusammen zeigen sie, ob bessere Ergebnisse aus besserem Kontext kommen oder nur aus einem teureren Modell. Wie Agenten auf Systeme zugreifen, erklärt der Beitrag zu MCP und WebMCP.
Wie wird Kontextverfügbarkeit aufgebaut?
Für einen konkreten Anwendungsfall die zwanzig wichtigsten Felder in normaler Sprache beschreiben.
Die Regeln und Ausnahmen festhalten, nach denen erfahrene Mitarbeitende entscheiden.
Entscheidungen aus abgeschlossenen Vorgängen als Beispiele sichern und regelmäßig bereinigen.
Einen Zugriffsweg einrichten, der dem Agenten nur freigegebene Daten und Beschreibungen liefert.
Je Bereich eine Verantwortung für die Pflege des Kontexts benennen und im Arbeitsalltag verankern.
Rückfragen und Abbrüche des Agenten auswerten und als Liste offener Lücken im Kontext führen.
Ob ein neuer Mitarbeiter mit den vorhandenen Beschreibungen einen Vorgang ohne Rückfrage bearbeiten könnte, ist ein brauchbarer Test. Was ihm fehlt, fehlt dem Agenten auch.
Der Weg von Daten zu Kontext beginnt mit einem ersten Gespräch. Wir freuen uns darauf.
Ein Thema, das gerade beschäftigt?
Gemeinsam einordnen, was daraus folgt.

Die wichtigsten Erkenntnisse
Modelle sind austauschbar, Kontext ist es nicht.
Unbeschriebene Daten führen zu geratenen Antworten.
Kontext braucht Pflege, Verantwortung und Zugriffswege.
Das Modell war nie das Problem
Viele AI-Vorhaben beginnen nach unserer Erfahrung mit der Wahl des Modells und enden bei den Daten. Der Pilot läuft, die Antworten klingen gut, und dann stellt sich heraus, dass sie am Kern vorbeigehen. AI liefert trotz guter Datenlage schwache Ergebnisse, wenn der Kontext fehlt: die Bedeutung der Felder, die geltenden Regeln und der Stand des Vorgangs, verfügbar in dem Moment, in dem der Agent die Aufgabe bearbeitet.
Was unterscheidet Kontext von Daten?
Daten sind Werte, Kontext ist das, was sie bedeuten. Ein Feld mit einem Kürzel und einer Zahl ist für einen Menschen mit zehn Jahren Erfahrung eindeutig und für ein Sprachmodell ein Rätsel. Zum Kontext gehören die Beschreibung jedes Feldes, die Regeln für seine Auslegung, die Geschichte des Vorgangs und die Entscheidungen, die Fachleute in ähnlichen Fällen getroffen haben. Vieles davon steht bisher in keinem System, sondern in den Köpfen der Mitarbeitenden.
Wie groß ist die Lücke?
Laut Gartner betrifft sie die Mehrheit der Organisationen. Laut einer Gartner-Umfrage haben 63 Prozent der Organisationen nicht die richtigen Praktiken im Datenmanagement für AI oder sind unsicher, ob sie sie haben. Dieselbe Mitteilung verweist auf eine Befragung von 1.203 Verantwortlichen für Datenmanagement im Juli 2024. Gartner sagt in der Mitteilung „Lack of AI-Ready Data Puts AI Projects at Risk“ (Februar 2025) voraus, dass Organisationen bis Ende 2026 60 Prozent der AI-Projekte aufgeben, die nicht von AI-fähigen Daten getragen werden. Der Nachweis der AI-Fähigkeit beruht laut Gartner auf Metadaten, mit denen Daten auf den Anwendungsfall ausgerichtet, qualifiziert und gesteuert werden. Die Analystin Roxane Edjlali ergänzt: „AI-ready data is not ‘one and done.’“ Die Aussagen gelten branchenübergreifend und international.
Warum reicht ein zentraler Datenbestand nicht aus?
Weil er Werte sammelt, aber keine Bedeutung. Ein Datenbestand beantwortet die Frage, wo etwas steht. Ein Agent muss wissen, was es bedeutet, ob er es verwenden darf und wie aktuell es ist. Organisationen mit gewachsenen Bestandssystemen je Sparte oder je Vertriebsweg spüren das besonders. Die Lücke zeigt sich, sobald Agenten über Bereichsgrenzen hinweg arbeiten sollen. Wie Wissensbasen dafür gepflegt werden, beschreibt der Beitrag zur Qualität von Wissensbasen.
Wie kommt Kontext zum Agenten?
Über beschriebene Zugriffswege. Das Model Context Protocol wird dafür nach Angaben von Anthropic von den großen Anbietern unterstützt. Anthropic nennt in der Mitteilung zur Übergabe an die Agentic AI Foundation (Dezember 2025) mehr als 10.000 aktive öffentliche MCP-Server. Der Zugriffsweg allein löst das Problem nicht. Er liefert, was beschrieben ist. Für Finanzunternehmen hat der Weg zusätzlich eine Schutzfunktion: Über ihn lässt sich steuern, welche Daten ein Agent sehen darf und welche nicht.
Woraus besteht guter Kontext für eine Aufgabe?
Aus vier Schichten. Die erste beschreibt die Felder: Bedeutung, Einheit, zulässige Werte. Die zweite enthält die Regeln, nach denen entschieden wird, einschließlich der Ausnahmen. Die dritte liefert den Stand des Vorgangs: was bisher geschah und was offen ist. Die vierte zeigt Beispiele, also frühere Fälle mit der Entscheidung, die Fachleute getroffen haben.
Viele Vorhaben beginnen nach unserer Erfahrung bei der ersten Schicht und unterschätzen die vierte. Beispiele übertragen das Urteilsvermögen der Organisation. Sie brauchen Pflege, weil sich Regeln ändern und alte Entscheidungen dann in die falsche Richtung weisen.
Wer pflegt den Kontext?
Der Fachbereich, dem die Aufgabe gehört. Die IT stellt den Zugriffsweg bereit, die Inhalte kann sie nicht verantworten. Sinnvoll ist eine benannte Person je Aufgabe, die Beschreibungen und Beispiele aktuell hält und Rückmeldungen aus dem Betrieb einarbeitet.
Der Aufwand ist am Anfang am größten und sinkt danach. Er lässt sich an bestehende Arbeit koppeln: Arbeitsanweisungen werden ohnehin gepflegt, Schulungsunterlagen ohnehin geschrieben. Wer beides so verfasst, dass auch ein Agent es lesen kann, pflegt eine Quelle für Menschen und Maschinen. Wer die Verantwortung für die Daten dahinter trägt, beschreibt der Beitrag zu Data Ownership beim Versicherer.
Was hält Unternehmen bisher auf?
Datenschutz, Rechtsunsicherheit und Kosten. Laut der Bitkom-Erhebung „Erstmals nutzt die Mehrheit der Unternehmen KI“ (September 2026, 603 Unternehmen ab 20 Beschäftigten) nennen 66 Prozent der Unternehmen, die AI einsetzen, Anforderungen an den Datenschutz als Hemmnis und 56 Prozent rechtliche Verunsicherung. Kontextverfügbarkeit ist auch darauf eine Antwort: Wer beschrieben hat, welche Daten wofür verwendet werden dürfen, kann Freigaben schneller erteilen. Die Verbindung zur Datenstrategie zieht der Beitrag zu Datenstrategie als Fundament der AI-Strategie.
Woran lässt sich Kontextverfügbarkeit messen?
Am Ergebnis und an der Rückfrage. Die erste Kennzahl ist der Anteil der Vorgänge, die ein Agent ohne Korrektur durch einen Menschen richtig vorbereitet. Die zweite ist die Zahl der Fälle, in denen er zurückfragt oder abbricht, weil ihm eine Angabe fehlt. Jede Rückfrage zeigt eine Lücke im Kontext und damit die nächste Aufgabe für die Pflege.
Beide Zahlen gehören in denselben Bericht wie die Kosten des Agenten. Zusammen zeigen sie, ob bessere Ergebnisse aus besserem Kontext kommen oder nur aus einem teureren Modell. Wie Agenten auf Systeme zugreifen, erklärt der Beitrag zu MCP und WebMCP.
Wie wird Kontextverfügbarkeit aufgebaut?
Für einen konkreten Anwendungsfall die zwanzig wichtigsten Felder in normaler Sprache beschreiben.
Die Regeln und Ausnahmen festhalten, nach denen erfahrene Mitarbeitende entscheiden.
Entscheidungen aus abgeschlossenen Vorgängen als Beispiele sichern und regelmäßig bereinigen.
Einen Zugriffsweg einrichten, der dem Agenten nur freigegebene Daten und Beschreibungen liefert.
Je Bereich eine Verantwortung für die Pflege des Kontexts benennen und im Arbeitsalltag verankern.
Rückfragen und Abbrüche des Agenten auswerten und als Liste offener Lücken im Kontext führen.
Ob ein neuer Mitarbeiter mit den vorhandenen Beschreibungen einen Vorgang ohne Rückfrage bearbeiten könnte, ist ein brauchbarer Test. Was ihm fehlt, fehlt dem Agenten auch.
Der Weg von Daten zu Kontext beginnt mit einem ersten Gespräch. Wir freuen uns darauf.
Ein Thema, das gerade beschäftigt?
Gemeinsam einordnen, was daraus folgt.

Die wichtigsten Erkenntnisse
Modelle sind austauschbar, Kontext ist es nicht.
Unbeschriebene Daten führen zu geratenen Antworten.
Kontext braucht Pflege, Verantwortung und Zugriffswege.
Das Modell war nie das Problem
Viele AI-Vorhaben beginnen nach unserer Erfahrung mit der Wahl des Modells und enden bei den Daten. Der Pilot läuft, die Antworten klingen gut, und dann stellt sich heraus, dass sie am Kern vorbeigehen. AI liefert trotz guter Datenlage schwache Ergebnisse, wenn der Kontext fehlt: die Bedeutung der Felder, die geltenden Regeln und der Stand des Vorgangs, verfügbar in dem Moment, in dem der Agent die Aufgabe bearbeitet.
Was unterscheidet Kontext von Daten?
Daten sind Werte, Kontext ist das, was sie bedeuten. Ein Feld mit einem Kürzel und einer Zahl ist für einen Menschen mit zehn Jahren Erfahrung eindeutig und für ein Sprachmodell ein Rätsel. Zum Kontext gehören die Beschreibung jedes Feldes, die Regeln für seine Auslegung, die Geschichte des Vorgangs und die Entscheidungen, die Fachleute in ähnlichen Fällen getroffen haben. Vieles davon steht bisher in keinem System, sondern in den Köpfen der Mitarbeitenden.
Wie groß ist die Lücke?
Laut Gartner betrifft sie die Mehrheit der Organisationen. Laut einer Gartner-Umfrage haben 63 Prozent der Organisationen nicht die richtigen Praktiken im Datenmanagement für AI oder sind unsicher, ob sie sie haben. Dieselbe Mitteilung verweist auf eine Befragung von 1.203 Verantwortlichen für Datenmanagement im Juli 2024. Gartner sagt in der Mitteilung „Lack of AI-Ready Data Puts AI Projects at Risk“ (Februar 2025) voraus, dass Organisationen bis Ende 2026 60 Prozent der AI-Projekte aufgeben, die nicht von AI-fähigen Daten getragen werden. Der Nachweis der AI-Fähigkeit beruht laut Gartner auf Metadaten, mit denen Daten auf den Anwendungsfall ausgerichtet, qualifiziert und gesteuert werden. Die Analystin Roxane Edjlali ergänzt: „AI-ready data is not ‘one and done.’“ Die Aussagen gelten branchenübergreifend und international.
Warum reicht ein zentraler Datenbestand nicht aus?
Weil er Werte sammelt, aber keine Bedeutung. Ein Datenbestand beantwortet die Frage, wo etwas steht. Ein Agent muss wissen, was es bedeutet, ob er es verwenden darf und wie aktuell es ist. Organisationen mit gewachsenen Bestandssystemen je Sparte oder je Vertriebsweg spüren das besonders. Die Lücke zeigt sich, sobald Agenten über Bereichsgrenzen hinweg arbeiten sollen. Wie Wissensbasen dafür gepflegt werden, beschreibt der Beitrag zur Qualität von Wissensbasen.
Wie kommt Kontext zum Agenten?
Über beschriebene Zugriffswege. Das Model Context Protocol wird dafür nach Angaben von Anthropic von den großen Anbietern unterstützt. Anthropic nennt in der Mitteilung zur Übergabe an die Agentic AI Foundation (Dezember 2025) mehr als 10.000 aktive öffentliche MCP-Server. Der Zugriffsweg allein löst das Problem nicht. Er liefert, was beschrieben ist. Für Finanzunternehmen hat der Weg zusätzlich eine Schutzfunktion: Über ihn lässt sich steuern, welche Daten ein Agent sehen darf und welche nicht.
Woraus besteht guter Kontext für eine Aufgabe?
Aus vier Schichten. Die erste beschreibt die Felder: Bedeutung, Einheit, zulässige Werte. Die zweite enthält die Regeln, nach denen entschieden wird, einschließlich der Ausnahmen. Die dritte liefert den Stand des Vorgangs: was bisher geschah und was offen ist. Die vierte zeigt Beispiele, also frühere Fälle mit der Entscheidung, die Fachleute getroffen haben.
Viele Vorhaben beginnen nach unserer Erfahrung bei der ersten Schicht und unterschätzen die vierte. Beispiele übertragen das Urteilsvermögen der Organisation. Sie brauchen Pflege, weil sich Regeln ändern und alte Entscheidungen dann in die falsche Richtung weisen.
Wer pflegt den Kontext?
Der Fachbereich, dem die Aufgabe gehört. Die IT stellt den Zugriffsweg bereit, die Inhalte kann sie nicht verantworten. Sinnvoll ist eine benannte Person je Aufgabe, die Beschreibungen und Beispiele aktuell hält und Rückmeldungen aus dem Betrieb einarbeitet.
Der Aufwand ist am Anfang am größten und sinkt danach. Er lässt sich an bestehende Arbeit koppeln: Arbeitsanweisungen werden ohnehin gepflegt, Schulungsunterlagen ohnehin geschrieben. Wer beides so verfasst, dass auch ein Agent es lesen kann, pflegt eine Quelle für Menschen und Maschinen. Wer die Verantwortung für die Daten dahinter trägt, beschreibt der Beitrag zu Data Ownership beim Versicherer.
Was hält Unternehmen bisher auf?
Datenschutz, Rechtsunsicherheit und Kosten. Laut der Bitkom-Erhebung „Erstmals nutzt die Mehrheit der Unternehmen KI“ (September 2026, 603 Unternehmen ab 20 Beschäftigten) nennen 66 Prozent der Unternehmen, die AI einsetzen, Anforderungen an den Datenschutz als Hemmnis und 56 Prozent rechtliche Verunsicherung. Kontextverfügbarkeit ist auch darauf eine Antwort: Wer beschrieben hat, welche Daten wofür verwendet werden dürfen, kann Freigaben schneller erteilen. Die Verbindung zur Datenstrategie zieht der Beitrag zu Datenstrategie als Fundament der AI-Strategie.
Woran lässt sich Kontextverfügbarkeit messen?
Am Ergebnis und an der Rückfrage. Die erste Kennzahl ist der Anteil der Vorgänge, die ein Agent ohne Korrektur durch einen Menschen richtig vorbereitet. Die zweite ist die Zahl der Fälle, in denen er zurückfragt oder abbricht, weil ihm eine Angabe fehlt. Jede Rückfrage zeigt eine Lücke im Kontext und damit die nächste Aufgabe für die Pflege.
Beide Zahlen gehören in denselben Bericht wie die Kosten des Agenten. Zusammen zeigen sie, ob bessere Ergebnisse aus besserem Kontext kommen oder nur aus einem teureren Modell. Wie Agenten auf Systeme zugreifen, erklärt der Beitrag zu MCP und WebMCP.
Wie wird Kontextverfügbarkeit aufgebaut?
Für einen konkreten Anwendungsfall die zwanzig wichtigsten Felder in normaler Sprache beschreiben.
Die Regeln und Ausnahmen festhalten, nach denen erfahrene Mitarbeitende entscheiden.
Entscheidungen aus abgeschlossenen Vorgängen als Beispiele sichern und regelmäßig bereinigen.
Einen Zugriffsweg einrichten, der dem Agenten nur freigegebene Daten und Beschreibungen liefert.
Je Bereich eine Verantwortung für die Pflege des Kontexts benennen und im Arbeitsalltag verankern.
Rückfragen und Abbrüche des Agenten auswerten und als Liste offener Lücken im Kontext führen.
Ob ein neuer Mitarbeiter mit den vorhandenen Beschreibungen einen Vorgang ohne Rückfrage bearbeiten könnte, ist ein brauchbarer Test. Was ihm fehlt, fehlt dem Agenten auch.
Der Weg von Daten zu Kontext beginnt mit einem ersten Gespräch. Wir freuen uns darauf.
Ein Thema, das gerade beschäftigt?
Gemeinsam einordnen, was daraus folgt.


