Warum Agentic AI ohne vertrauenswürdige Asset-Daten scheitern wird

Agentic AI bewegt sich schnell von der Diskussion zur Implementierung in asset-intensiven Branchen. Im Gegensatz zu generativer AI, die Informationen zusammenfasst oder Empfehlungen erstellt, kann Agentic AI ein Ziel setzen, es in Schritte unterteilen, Daten aus mehreren Systemen abrufen und entsprechend handeln. Es kann die Wartungshistorie überprüfen, offene Arbeitsaufträge prüfen, Crew-Pläne vergleichen und eine Empfehlung erstellen, ohne dass ein Mensch jedes Informationsstück manuell verbinden muss.

Diese Fähigkeit ist genau der Grund, warum so viele Organisationen schnell danach streben, sie zu implementieren. Laut der 2026 Gartner CIO und Technology Executive Survey haben nur 17% der Organisationen AI-Agenten implementiert, während mehr als 60% innerhalb der nächsten zwei Jahre damit rechnen, dies zu tun. Das ist schneller als bei jeder anderen aufstrebenden Technologie, die in der Umfrage aufgeführt ist.

In den Implementierungen, die ich unterstützt habe, haben Teams viel zu viel Zeit damit verbracht, zwischen Systemen, Tabellen, Inspektionshinweisen und E-Mails zu wechseln, nur um eine einzige operative Entscheidung zu treffen. Agentic AI verspricht, diese Reibung zu reduzieren, indem sie Planern hilft, Arbeit schneller vorzubereiten, und Technikern ein klareres Bild der Asset-Historie gibt, ohne sich ausschließlich auf institutionelles Wissen zu verlassen.

Aber dieses Versprechen kommt mit einer Einschränkung, die leicht übersehen werden kann, wenn man sich zu sehr auf die Implementierung konzentriert: Soweit ich gesehen habe, ist Agentic AI weniger ein Modellierungsproblem als ein operatives Vertrauensproblem.

In asset-intensiven Branchen wie Versorgungsunternehmen, Transport, Bergbau, Telekommunikation und Fertigung ist ein AI-Agent nur so gut wie die Daten, auf denen er basiert. Wenn diese Daten unvollständig, veraltet oder inkonsistent sind, muss der Agent nicht unbedingt laut fehlschlagen. Er kann selbstsicher fehlschlagen, indem er Arbeit am falschen Asset empfiehlt, eine Abhängigkeit vermisst, das Risiko unterschätzt oder falsch priorisiert, was zu tun ist.

Füttern Sie einen Agenten mit schlechten Daten, und er wird nicht Intelligenz skalieren. Er wird operatives Risiko skalieren.

Die gleichen alten Datenprobleme, bei neuem Tempo

Die Datenqualitätsprobleme, die Agentic AI aufdeckt, sind nicht neu. In über 17 Jahren, in denen ich an Systemen und Enterprise-Asset-Management-Implementierungen gearbeitet habe, habe ich die gleichen Probleme immer wieder gesehen: duplizierte Datensätze, fehlende Asset-Beziehungen, inkonsistente Benennungskonventionen, veraltete Kritikalitätsbewertungen und schlechte Fehlercodierung über Jahre hinweg.

Was sich geändert hat, ist nicht die Natur dieser Probleme, sondern ihre mögliche Reichweite.

Ein erfahrener Techniker kann einen schlechten Datensatz vor der Verarbeitung erkennen, indem er auf Jahre institutionellen Wissens zurückgreift, das nie im System erfasst wurde. Ein AI-Agent verfügt nicht über diesen Instinkt. Er kann Tausende von Datensätzen viel schneller verarbeiten, als ein Mensch sie manuell überprüfen könnte, und dabei die gleiche fehlerhafte Annahme auf große Stufen anwenden, bevor jemand es bemerkt.

Das umfassendere Unternehmensimplementierungsproblem ist bereits sichtbar. Ein vorläufiger MIT Project NANDA Report fand heraus, dass 95% der untersuchten Organisationen keinen messbaren Gewinn- und Verlusteinfluss durch ihre generativen AI-Initiativen erzielt haben. Der Bericht führt die Kluft größtenteils auf Lern- und Integrationslücken zurück, einschließlich Tools, die den Kontext nicht beibehalten oder sich effektiv an bestehende Workflows anpassen. In asset-intensiven Betrieben, in denen eine schlechte Empfehlung physische Ausrüstung und nicht nur ein Dashboard beeinträchtigen kann, ist die Kluft zwischen AI-Ambition und Datenrealität noch folgenschwerer.

Wo schlechte Daten zu unsicheren Entscheidungen werden

In operativen Umgebungen werden die Konsequenzen physisch.

Nehmen wir die Wartungspriorisierung. Wenn ein Agent keine kürzliche Panne, einen verzögerten Arbeitsauftrag oder eine Änderung des Assetzustands erkennen kann, kann er die falsche Priorität zuweisen. Dies kann unnötige Arbeit in einem Bereich schaffen, während ein größeres Risiko an anderer Stelle ungelöst bleibt.

Die Einsätze erhöhen sich weiter, wenn die Asset-Beziehungen selbst inkorrekt sind. Dies ist das Szenario, das eine rote Flagge hisst. Wenn ein System die Asset-Beziehungen nicht genau widerspiegelt, kann es Empfehlungen geben, die tatsächlich unsicher sind.

Das ist der Grund, warum Organisationen sorgfältig überlegen sollten, bevor sie Agentic AI die volle Autonomie über kritische Entscheidungen geben. Der freiwillige NIST AI Risk Management Framework bietet eine Struktur, um Vertrauenswürdigkeit während des gesamten Lebenszyklus eines AI-Systems zu integrieren, anstatt sie nur nach der Implementierung anzusprechen. AI kann Informationen schnell sammeln, Optionen aufdecken und die Beweise hinter einer Empfehlung zusammenfassen. Wenn jedoch Sicherheit, Compliance oder Servicezuverlässigkeit auf dem Spiel stehen, müssen Menschen weiterhin involviert sein.

Zumindest anfangs sollte das Ziel AI sein, die Entscheidungen zu unterstützen, nicht sie alleine zu treffen.

Warum Enterprise-Asset-Management die Grundlage und nicht die Backoffice-Funktion ist

Enterprise-Asset-Management, oder EAM, ist der Ort, an dem die operative Realität organisiert wird. Es ist der Ort, an dem Arbeitsaufträge, Wartungsstrategien, Inspektionen, Genehmigungen, Asset-Beziehungen und Ausrüstungshistorien aufgezeichnet und verwaltet werden.

Eine starke EAM-Grundlage gibt einem AI-Agenten vertrauenswürdige operative Daten, auf denen er basieren kann. Eine schwache Grundlage wird wahrscheinlich fast sofort offensichtlich. Eine EY-Analyse von AI-gestütztem Enterprise-Asset-Management betont ähnlich die Rolle von Echtzeit-Daten und -Analytik, um Organisationen von reaktiver zu proaktiver Wartung zu bewegen.

Anstatt EAM als Backoffice-System zu behandeln, sollten Organisationen, die sich auf Agentic AI vorbereiten, es als Teil der operativen Kontrollschicht behandeln. Es formt, was der AI-Agent zugreifen kann, welche Prozesse er befolgen muss, auf welche Beweise er sich verlässt und wo menschliche Genehmigung immer noch erforderlich ist.

EAM hilft auch dabei, den Kontext hinter einer operativen Entscheidung zu liefern. Eine Wartungsempfehlung sollte nicht nur auf dem Zustand eines einzelnen Assets basieren. Sie kann auch von der Kritikalität, den kürzlichen Pannen, den verbundenen Geräten, den verfügbaren Teilen, den Sicherheitsverfahren, der Crew-Verfügbarkeit und der Auswirkung auf den umfassenderen Betrieb abhängen.

Ohne diesen Kontext kann sogar ein technisch versierter AI-Agent die falsche Vorgehensweise empfehlen.

Ist Ihre Daten tatsächlich “AI-bereit”?

Anstatt eine umfassende und abstrakte Datenqualitätsprüfung zu starten, sind Organisationen besser beraten, mit einem spezifischen Anwendungsfall wie AI-gestützter Wartungsplanung zu beginnen und gezielte Fragen zu stellen.

Das sind die Fragen, die ich zuerst stelle: Können wir der Asset-Hierarchie vertrauen? Ist die Fehlerhistorie zuverlässig? Sind die Arbeitspläne aktuell? Ist die Crew-Verfügbarkeit genau? Sind die Sicherheitspläne auf dem neuesten Stand?

Daten müssen nicht perfekt sein. Wenige Organisationen werden jemals perfekte operative Daten haben. Sie müssen genau, aktuell und gut verwaltet genug für AI sein, um die Menschen, die Entscheidungen treffen, wirklich zu unterstützen.

Dieser Ansatz macht die Datenverbesserung auch handhabbarer. Anstatt versucht, jeden Datensatz in der gesamten Organisation zu reinigen, können Teams sich auf die Informationen konzentrieren, die den ausgewählten Anwendungsfall direkt beeinflussen.

Die Risiken, dies falsch zu machen, sind nicht gleichmäßig verteilt. Branchen, in denen digitale Entscheidungen physische Betriebe beeinflussen, tragen die größte Exposition, was der Grund ist, warum NIST ein dediziertes AI-Risikomanagement-Framework-Profil entwickelt, um Betreiber kritischer Infrastrukturen bei der Nutzung von AI-gestützten Funktionen zu leiten. In einem Prozess mit geringerem Risiko kann eine schlechte AI-Empfehlung Unannehmlichkeiten oder zusätzliche Arbeit verursachen. In einem Stromnetz, einem Wassersystem, einem Bergbau, einem Verkehrsnetz oder einem Telekommunikationsumfeld kann es jedoch Sicherheit, Ausfallzeiten, Compliance-Probleme oder Serviceunterbrechungen beeinflussen.

Das bedeutet nicht, dass diese Branchen Agentic AI vermeiden sollten. Es bedeutet, dass sie bewusster in Bezug auf Datenqualität, Governance und menschliche Aufsicht sein müssen, bevor sie ihre Verantwortung erhöhen.

Ein praktischer Weg zu Agentic AI

Ein praktischer Implementierungsweg beginnt mit einem spezifischen Anwendungsfall, bei dem AI ohne übermäßiges Risiko Mehrwert bieten kann.

Von dort aus sollte die Organisation die Daten kartieren, auf die der Anwendungsfall angewiesen ist, und ehrlich beurteilen, ob diese Informationen vertrauenswürdig sind. Teams sollten dann die kritischsten Asset-Daten korrigieren, klare Eigentümerschaft zuweisen und standardisieren, wie Arbeit, Pannen und operative Änderungen aufgezeichnet werden.

Der AI-Agent sollte innerhalb bestehender Governance-Prozesse und nicht um sie herum operieren. In den frühen Stadien kann der Agent Planern, Zuverlässigkeitsteams und Technikern helfen, indem er Informationen sammelt, Muster identifiziert und mögliche Aktionen empfiehlt.

Das gibt der Organisation Zeit, die Empfehlungen des Agents mit den tatsächlichen Ergebnissen zu vergleichen, Datenlücken zu identifizieren und zu bestätigen, dass die notwendigen Kontrollen funktionieren.

Erst wenn die Ergebnisse verstanden sind, sollte die Organisation in Betracht ziehen, dem AI größere Verantwortung zu übertragen. Autonomie sollte allmählich und nur dann zunehmen, wenn die damit verbundenen Risiken klar, kontrollierbar und überprüfbar sind.

Eine erfolgreiche Agentic-AI-Strategie verbindet AI mit vertrauenswürdigen Asset-Daten und starken EAM-Workflows, unterstützt durch klare Governance und menschliche Rechenschaftspflicht. Deloittes 2026 State of AI in the Enterprise kommt zu dem gleichen Schluss von oben, indem es eine einheitliche, vertrauenswürdige Datenbasis als wesentlich für die Skalierung von AI beschreibt. Organisationen bleiben für die Handlungen verantwortlich, die AI empfiehlt oder ausführt. Diese Verantwortung verschwindet nicht einfach, weil eine Entscheidung von einem Algorithmus generiert wurde.

Agentic AI sollte sich seinen Weg in die Betriebe verdienen, anstatt ihm diese übergeben zu werden. Fangen Sie schmal an, überprüfen Sie die Empfehlungen des Agents gegen das, was tatsächlich passiert, beheben Sie die Datenlücken, die auftauchen, und erweitern Sie seine Rolle nur, wenn die Beweise dies rechtfertigen. Ich würde eher sehen, dass ein Agent ein kleines Maß an Vertrauen verdient und behält, als dass er eine große Menge erhält und sie verliert. In asset-intensiven Branchen ist diese Geduld der Unterschied zwischen AI, die Vertrauen verdient, und AI, die es still und leise verliert.