Agentic Analytics: Warum KI-Agenten bessere Entscheidungsgrundlagen brauchen

Wenn KI-Agenten Entscheidungen treffen – aber die Hälfte davon falsch liegt

Die Verheißung ist enorm: KI-Agenten, die nicht nur Daten analysieren, sondern ganze Workflows eigenständig ausführen, Muster erkennen und darauf basierend Maßnahmen einleiten. Agentic Analytics gilt als die nächste große Evolutionsstufe der Unternehmenssteuerung. Doch eine aktuelle Untersuchung von MIT Technology Review Insights, die in Partnerschaft mit Snowflake durchgeführt wurde, zeichnet ein ernüchterndes Bild des aktuellen Reifegrads – und liefert damit wichtige Leitplanken für alle Unternehmen, die KI-Agenten ernsthaft im Einsatz haben oder planen.

Das zentrale Ergebnis lautet: Nur rund 48 Prozent der Erkenntnisse, die Analytics-Agenten in befragten Unternehmen generieren, führen tatsächlich zu Maßnahmen, die das Geschäft verbessern. Vor einem Jahr lag dieser Wert noch bei 37 Prozent – die Entwicklung geht also in die richtige Richtung, aber mehr als die Hälfte der agentisch erzeugten Insights verpufft ohne messbaren Effekt. Für Unternehmen, die in KI-Infrastruktur investiert haben, ist das ein erheblicher Return-on-Investment-Verlust.

Deskriptiv versus präskriptiv – die entscheidende Qualitätslücke

Besonders aufschlussreich ist die Differenzierung zwischen verschiedenen Insight-Typen. Viele Unternehmen sind durchaus zufrieden mit der Qualität deskriptiver Erkenntnisse – also der Fähigkeit von Agenten, Zustände zu beschreiben, Muster sichtbar zu machen und historische Entwicklungen zusammenzufassen. Doch bei präskriptiven Insights – also Handlungsempfehlungen, auf deren Basis Agenten aktiv werden sollen – zeigt sich ein deutlich gemischteres Bild.

Diese Unterscheidung ist entscheidend, denn präskriptive Insights sind der eigentliche Kern agentic AI: Ein Agent, der nur beschreibt, was war, ist im Grunde ein elaboriertes Reporting-Tool. Erst wenn Agenten zuverlässig empfehlen und handeln können, entfaltet sich das transformative Potenzial der Technologie. Genau hier liegt aktuell die größte Schwäche.

Fehlender Kontext als Hauptproblem

Die Studie benennt auch die Ursachen für mangelhafte Insight-Qualität klar. An erster Stelle steht – für 55 Prozent der befragten Führungskräfte – der fehlende Business-Kontext. KI-Agenten verfügen oft nicht über das nötige Organisationswissen, um Datensignale richtig einzuordnen: Welche Anomalie ist saisonbedingt? Welche Kennzahl ist strategisch irrelevant? Was gilt intern als Schwellenwert für eine Eskalation?

Auf Platz zwei folgt das Problem fragmentierter oder schwer zugänglicher Daten, genannt von 45 Prozent der Befragten. Beide Faktoren zusammen erklären, warum selbst technisch ausgereifte Agenten regelmäßig am Kontext scheitern – ein Problem, das sich nicht allein durch bessere Modelle lösen lässt.

„Ein KI-Agent ist nur so klug wie das Wissen, das ihm zur Verfügung steht – und das schließt explizit das implizite Unternehmenswissen ein, das oft nirgendwo formalisiert ist."

Dr. Maik Bunzel, Gründer und Geschäftsführer von mabucon.eu, beschreibt dieses Phänomen als eines der zentralen Implementierungsprobleme in der Praxis: Unternehmen unterschätzen systematisch, wie viel Kontextualisierungsarbeit notwendig ist, bevor ein KI-Agent eigenständig handlungsrelevante Schlussfolgerungen ziehen kann. Der Aufbau eines solchen Kontextrahmens ist keine technische, sondern vor allem eine organisatorische Aufgabe.

Insight-Überflutung als unterschätztes Risiko

Ein weiterer Befund der Studie verdient besondere Aufmerksamkeit: In 52 Prozent der befragten Organisationen generieren KI-Agenten mehr Erkenntnisse, als sinnvoll ausgewertet werden können. Nur 24 Prozent der Unternehmen schaffen es, alle Agenten-Insights tatsächlich zu evaluieren – der Rest arbeitet nach dem Prinzip der Einzelfallprüfung, die nach wie vor stark menschenintensiv ist.

Dieses Phänomen – nennen wir es Insight Overload – ist paradox: Agenten, die eigentlich entlasten sollen, erzeugen durch schiere Masse neuen Auswertungsaufwand. Das untergräbt die Effizienzgewinne und führt dazu, dass wertvolle Signale im Rauschen untergehen. Die Lösung liegt nicht in mehr Agenten, sondern in besser konfigurierten Agenten mit klaren Prioritätshierarchien und Relevanzfiltern.

Was „Insight Leader" besser machen

Die Studie identifiziert eine kleine Gruppe von Vorreiter-Unternehmen, die als Insight Leaders bezeichnet werden. In dieser Gruppe führen mehr als 70 Prozent der agentisch generierten Erkenntnisse zu geschäftsverbessernden Maßnahmen – deutlich über dem Durchschnitt. Was machen diese Unternehmen anders?

• Stärkere KI- und Daten-Governance: 60 Prozent der Gesamtbefragten nennen dies als prioritäre Maßnahme – bei den Insight Leaders ist der Reifegrad in diesem Bereich deutlich höher.
• Semantic Layer in der Datenarchitektur: 45 Prozent der Unternehmen bauen gezielt eine semantische Schicht auf, die Daten mit Bedeutung anreichert und Agenten ermöglicht, Begriffe im richtigen Unternehmenskontext zu interpretieren.
• Weniger, aber schärfer fokussierte Agenten: Statt breiter Insight-Produktion setzen Vorreiter auf gezielte Aufgabenprofile mit klar definiertem Scope.

Besonders die semantische Schicht wird von Experten als kritischer Erfolgsfaktor hervorgehoben. Ein Semantic Layer fungiert als übersetzende Brücke zwischen rohen Datenpunkten und unternehmensrelevantem Kontext – er definiert, was ein „Kunde", ein „Umsatz" oder eine „Abweichung" im jeweiligen Unternehmenskontext bedeutet, und macht diese Definitionen für Agenten maschinell nutzbar.

Governance als Fundament, nicht als Bremse

Ein häufiges Missverständnis in der Praxis ist, Governance als Hemmschuh für KI-Agilität zu betrachten. Die Daten der Studie widerlegen das eindrücklich: Unternehmen mit starker Daten- und KI-Governance produzieren qualitativ bessere Agenten-Outputs und erzielen höhere ROI-Quoten. Governance ist in diesem Kontext kein bürokratisches Korsett, sondern die Infrastruktur, die Agenten überhaupt erst handlungsfähig macht.

Dr. Maik Bunzel von mabucon.eu sieht darin eine fundamentale Lektion für den Aufbau produktiver Automatisierungsarchitekturen: „Ohne belastbare Governance-Strukturen fehlt dem Agenten das Koordinatensystem, das er braucht, um richtig zu priorisieren, zu interpretieren und zu handeln. Gut implementierte Governance ist keine Kontrolle über die KI – sie ist die Voraussetzung dafür, dass KI kontrolliert handeln kann."

Ausblick: Was Unternehmen jetzt tun sollten

Die Erkenntnisse der Studie sind eine wichtige Orientierungshilfe für alle Organisationen, die Agentic Analytics ernst nehmen. Der Weg zu zuverlässigen, handlungsrelevanten Agenten-Insights ist kein rein technisches Projekt – er erfordert ein Zusammenspiel aus Datenarchitektur, organisatorischem Wissen und strategischer Governance.

Konkret lassen sich folgende Prioritäten ableiten:

• Business-Kontext systematisch formalisieren: Implizites Wissen über Schwellenwerte, Ausnahmeregeln und strategische Prioritäten muss explizit und maschinenlesbar gemacht werden.
• Semantic Layer einführen: Eine semantische Datenschicht ist kein Nice-to-have, sondern Grundvoraussetzung für qualitativ hochwertige präskriptive Insights.
• Agenten-Scope eingrenzen: Lieber wenige, klar fokussierte Agenten mit hoher Treffsicherheit als viele Generalisten mit Insight Overload als Nebeneffekt.
• Qualität vor Quantität: Erfolgskennzahlen für Agenten sollten nicht auf der Anzahl generierter Insights basieren, sondern auf dem Anteil, der zu messbaren Verbesserungen führt.

Agentic Analytics steckt noch in einer vergleichsweise frühen Phase – aber die Lernkurve ist steil. Unternehmen, die heute in Kontext, Semantik und Governance investieren, werden morgen zu den Insight Leaders gehören. Der Wettbewerbsvorteil, der sich daraus ergibt, dürfte erheblich sein – denn zuverlässigere Agenten bedeuten schnellere Entscheidungen, weniger Fehlerkosten und eine KI-gestützte Handlungsfähigkeit, die sich direkt in Geschäftsergebnissen niederschlägt.