Kontext ist das neue Gold: Die nächste Welle von Agentic AI kauft Verständnis, nicht Rechenleistung

Die AI-Revolution ist an einem Wendepunkt angelangt – nicht wegen unzureichender Rechenleistung, sondern weil Organisationen die falschen Probleme lösen.

Während das weltweite GenAI-Ausgaben-Volumen voraussichtlich 644 Milliarden Dollar im Jahr 2025 erreichen wird, warnen Experten auch davor, dass über 40% der Agentic-AI-Projekte bis 2027 abgesagt werden. Tatsächlich signalisiert die jüngste M&A-Aktivität – wie Snowflakes 250-Millionen-Dollar-Übernahme von Crunchy Data und Rubriks Übernahme von Predibase – einen grundlegenden Wandel: Die nächste Phase von Unternehmens-AI dreht sich um mehr als nur Rechenleistung… Es geht um tiefere Verständnis.

Smartes Geld bewegt sich

Laut S&P Global Market Intelligences Umfrage 2025 haben 42% der Unternehmen die meisten ihrer jüngsten AI-Initiativen aufgegeben, im Vergleich zu nur 17% im Jahr 2024. Weitere 46% gaben ihre Proof-of-Concept-Demos auf, bevor die Produktion überhaupt begann.

Diese AI-Projekte scheitern nicht an technischen Einschränkungen, sondern an semantischen Lücken. Wenn ein AI-System Petabytes an Daten verarbeiten kann, aber nicht versteht, was “Kundenlebenszeitwert” in verschiedenen Abteilungsbedürfnissen bedeutet, werden die Fehlerpunkte wahrscheinlich kontextuell sein.

Betrachten Sie die Strategie hinter Snowflakes Integration von Postgres’ semantischer AI-Fähigkeit, die darauf abzielt, eine Grundlage zu schaffen, auf der AI-Agents Transaktionskontext und Geschäftssémantik verstehen können – und Entwicklern ermöglicht, “vertrauenswürdige AI-Agents” mit “größerer Agilität, Sichtbarkeit und Kontrolle” zu bauen. Rubriks Übernahme von Predibase zielt ähnlich darauf ab, Kunden zu helfen, “agentic AI sicher zu bereitstellen”, indem Kontextgenauigkeit neben Rechenleistung priorisiert wird.

Wo Kontext und Skalierbarkeit zusammentreffen

Der Erfolg von Palantirs jüngster Zusammenarbeit mit Qualcomm zur Erweiterung von AI-Verständnisfähigkeiten ist ein weiteres Beispiel für die transformative Kraft von kontextorientierter AI-Architektur. Ihre “Ontologie”-Ansatz — die Schaffung linguistischer Präzedenzfälle für die Abbildung von Geschäftskonzepten, Beziehungen und Regeln in maschinenlesbare Formate — verwandelt AI von Mustererkennung in Geschäftslogik und zeigt, wie semantisches Verständnis es AI ermöglicht, effektiv zu arbeiten, auch in offline- oder ressourcenbeschränkten Umgebungen.

Beispielsweise versteht Palantirs AI im Rahmen ihrer nuklearen Energieinitiativen nicht nur Vorhersagen von Ausrüstungsfehlern – sie versteht auch die kaschierenden Geschäftsauswirkungen über Lieferketten und regulatorische Compliance, die zu diesen Fehlern führen oder daraus resultieren. Ähnlich verhält es sich in der Fertigung, wo ihre Systeme die Interdependenzen zwischen Qualitätskontrolle, Lagerverwaltung und Kundenverpflichtungen verstehen, was eine umfassende Übersicht der Betriebsabläufe ermöglicht und dabei hilft, Probleme vorherzusagen und vorzubeugen.

Wie ein Palantir-Exekutive bemerkte, “Die Ontologie [basierte Herangehensweise] ermöglicht es Benutzern, Workflows zu konstruieren, die heterogene Logik-Assets einbeziehen und kombinieren”, was es AI ermöglicht, “sicher in zunehmend komplexe Entscheidungskontexte eingeführt zu werden”.

Die kontextorientierte Infrastruktur-Revolution

Der Wechsel von effizienzorientierten zu bedeutungsorientierten Architekturen stellt eine grundlegende Neubewertung von Unternehmens-AI dar. Laut Gartners Data & Analytics Summit 2025 hängt diese Transformation von drei kritischen Faktoren ab:

• Semantische Datenarchitektur: Jeder Datenpunkt muss Geschäftsbegriffe tragen, nicht nur Rechenwert. Wie die Forschung von Enterprise Knowledge zeigt, dienen semantische Schichten als Brücken zwischen Rohdaten und Anwendungen, indem sie “einheitliche und kontextualisierte Ansichten” bereitstellen, die intuitive Benutzerinteraktionen ermöglichen.
• Integration von Geschäftlogik: Um den maximalen Nutzen zu erzielen, erfordert moderne AI die Integration mit vordefinierten Geschäftskontexten, die spezifisch für die Bedürfnisse einer bestimmten Organisation sind. Oracles AI Agent Studio ist ein Beispiel für diese Herangehensweise, indem es Zugang zu Oracle Fusion Applications APIs, Wissensspeichern und vordefinierten Tools bietet, die unternehmensspezifische Geschäftlogik innerhalb von AI-gesteuerter Workflows bewahren. Solche Lösungen ermöglichen es agentic AI-Systemen, Geschäftsontologien mit Model Context Protocols (MCP) zu integrieren, was eine nahtlose, kontextreiche Dateninterpretation ermöglicht und es AI-Agents ermöglicht, über verschiedene Unternehmensdatenquellen hinweg zu funktionieren.
• Kontextuelle Entscheidungsmotoren: McKinseys AI-Bericht 2025 betont, dass erfolgreiche Unternehmens-AI-Systeme das Geschäft umfassend verstehen müssen, um kontextuell fundierte Entscheidungen treffen zu können. Doch nur 1% der Unternehmen glauben, dass sie AI-Reife erreicht haben, was die Lücke zwischen aktuellen Fähigkeiten und kontextuellen Anforderungen unterstreicht.

Die wettbewerblichen Auswirkungen

Organisationen, die kontextreiche AI-Systeme erfolgreich etablieren, werden sich selbst verstärkende Vorteile schaffen.

Jede Geschäftskommunikation hat das Potenzial, das differenzierte Verständnis von Agentic AI für die spezifischen Bedürfnisse eines bestimmten Geschäfts zu vertiefen, was die Leistung verbessert und wettbewerbliche Vorteile schafft, die durch reine Rechenleistung allein schwer zu replizieren sind. Deloittes State of Generative AI-Bericht bestätigt, dass während 60% der Organisationen bis zu 20 AI-Experimente durchführen, diejenigen, die sich auf “industrie- und geschäftsspezifische Herausforderungen” konzentrieren, deutlich bessere Ergebnisse erzielen.

Die Talent-Implicationen sind ebenso signifikant. Während AI-Ingenieure Premium-Gehälter erhalten, ist die wahre Knappheit an Fachleuten, die sowohl AI-Implementierung als auch Geschäftsdomäne-Ontologie verstehen. PwCs Vorhersagen 2025 betonen, dass “AI-Erfolg so viel über Vision wie über Adoption geht, wobei Unternehmen systematische, transparente Ansätze benötigen, um nachhaltigen Wert zu bestätigen.” Mit anderen Worten: Wenn die Menschen, die AI trainieren, um Geschäftsanforderungen zu verstehen, diese Anforderungen selbst nicht verstehen, wird auch die AI nicht verstehen.

Die strategische Imperative

Was sind also die architektonischen Änderungen, die Organisationen vornehmen müssen?

Gartners Data & Analytics Summit unterstreicht die Bedeutung des Übergangs von technischen Metadaten zu semantischen Metadaten – Daten, die mit vordefinierten Geschäftsbegriffen, Ontologien und Beziehungen angereichert sind. Diese ‘Semantik-First-Design’-Veränderung ist entscheidend für Organisationen, die bedeutungsvolle Erkenntnisse ableiten und Klarheit über Systeme hinweg sicherstellen möchten. Gleichzeitig ist effektive kontextuelle AI-Governance entscheidend, um wahre agentic AI-Fähigkeiten von unzureichenden Modellen zu unterscheiden, die lediglich grundlegende Automatisierung bieten, aber als agentic vermarktet werden.

Die Unternehmen, die mit agentic AI erfolgreich sind, werden diejenigen sein, deren AI-Agents strategisch konfiguriert sind, um Geschäftskontexte tief genug zu verstehen, um autonom und effektiv handeln zu können.

Die Agentic AI-Gelegenheit

Gartner prognostiziert, dass 33% der Unternehmenssoftware bis 2028 Agentic AI enthalten werden, im Vergleich zu weniger als 1% im Jahr 2024. Der Aufstieg von Agentic AI macht semantische Infrastruktur unerlässlich; um dies zu erreichen, benötigen AI-Systeme:

• Tiefes kontextuelles Verständnis, um autonome Entscheidungen im Einklang mit Geschäftszielen treffen zu können.
• Semantische Konsistenz über alle Datenquellen hinweg, um widersprüchliche Aktionen zwischen verschiedenen Abteilungen und Aufgaben zu vermeiden
• Integration von Geschäftlogik, um die Einhaltung von Unternehmensregeln und Vorschriften sicherzustellen

Während Organisationen Milliarden in die Entwicklung von Agentic AI investieren, werden diejenigen ohne semantische Grundlagen mit steigenden Ausfallraten konfrontiert sein.

Die Kontext-Imperative

Wenn Agentic-AI-Systeme häufiger werden, wird die Kluft zwischen Organisationen mit semantischer Infrastruktur und denen ohne nur größer werden. Für Unternehmen, die in Agentic AI investieren, ist die Wahl klar: Bauen Sie semantische Grundlagen jetzt oder beobachten Sie, wie kontextbewusste Wettbewerber klügere AI-Investitionen in unübertroffene Vorteile umwandeln.

In der Ära der reichlichen Rechenleistung ist Kontext das neue Gold, und diejenigen, die ihre AI-Systeme dazu bringen können, das Geschäft, das sie bedienen, wirklich zu verstehen, werden den Midas-Touch erlangen.