Dominic Sartorio, VP of Product Marketing at Denodo – Interview-Serie

Dominic Sartorio ist VP of Product Marketing bei Denodo. Dominic hat über 20 Jahre Erfahrung im Bereich Datenmanagement und -governance und hatte verschiedene Führungspositionen bei Informatica, Protegrity und anderen führenden Anbietern inne.

Denodo ist ein globaler Marktführer im Bereich Datenmanagement und ermöglicht die Nutzung vertrauenswürdiger KI-Agenten und -Anwendungen. Die Denodo-Plattform, eine preisgekrönte logische Datenmanagement-Lösung, wandelt Unternehmensdaten in verlässliche Erkenntnisse für KI, Analytics und Selbstbedienungsinitiativen um. Weltweit nutzen Unternehmen Denodo, um KI-fähige, geschäftsfähige Daten in einem Bruchteil der Zeit im Vergleich zu herkömmlichen Data-Lake-Houses bereitzustellen und damit bis zu 4-mal schnellere Insights, 345 % ROI und 10-mal bessere Leistung zu erzielen. Basierend auf Erkenntnissen von 850 Unternehmensführern zeigt Denodos AI-Trust-Gap-Bericht, warum viele KI-Projekte Schwierigkeiten haben, über die Pilotphase hinauszukommen, und was Unternehmen tun müssen, um vertrauenswürdige, produktionsreife KI aufzubauen.

Sie haben Führungspositionen in Unternehmen wie Informatica, Protegrity, Infoworks und jetzt Denodo inne, die alle auf verschiedene Schichten der Unternehmensdateninfrastruktur fokussiert sind. Wie hat sich Ihre Perspektive auf “vertrauenswürdige Daten” im Laufe der Zeit entwickelt, als KI von der Analyse zu autonomen und agentenbasierten Systemen überging?

Früher in meiner Karriere waren vertrauenswürdige Daten hauptsächlich eine Frage von Genauigkeit, Herkunft, Sicherheit und dem Vertrauen der Analysten in Dashboards und Berichte. Bei agentenbasierten KI-Systemen sind die Einsätze viel höher, da Systeme nicht nur Daten interpretieren, sondern auch autonom handeln, Geschäftsprozesse auslösen oder Entscheidungen mit realen Auswirkungen treffen können. Das bedeutet, dass vertrauenswürdige Daten jetzt auch live betriebliche Kontexte, konsistente Geschäftsbegriffe und Sicherheitsvorkehrungen umfassen müssen, um sicherzustellen, dass Agenten korrekt und sicher handeln.

Denodos AI-Trust-Gap-Bericht hat ergeben, dass 66 % der Unternehmen angeben, dass KI-Daten in Echtzeit oder nahezu in Echtzeit sein müssen, um vertrauenswürdig zu sein. Warum denken Sie, dass so viele Unternehmen Schwierigkeiten haben, live betriebliche Daten an KI-Systeme zu liefern?

Die meisten Unternehmen waren nicht für KI-Agenten konzipiert, die live betriebliche Kontexte über viele Systeme hinweg benötigen. Ihre Daten sind über Anwendungen, Clouds, Data-Warehouse, Data-Lake-Houses, Legacy-Systeme und andere betriebliche Plattformen verteilt. Sie können diese Daten möglicherweise in ein zentrales Data-Warehouse oder einen Data-See für Analytics und BI kopieren, aber das ist nicht geeignet für KI-Agenten, die live betriebliche Kontexte benötigen. Sobald Daten kopiert werden, sind sie nicht mehr live. Es ist möglich, in Echtzeit zu streamen, aber das wird sehr schnell sehr teuer. Genau hier wird Denodos logischer Datenmanagement-Ansatz wichtig, da er KI-Systemen eine geregelte Zugriffsmöglichkeit auf live-Daten bietet, ohne dass Unternehmen ständig alles kopieren und neu plattformieren müssen.

Eine der auffallendsten Erkenntnisse im Bericht ist, dass Unternehmens-KI-Initiativen jetzt aus Hunderten von Datenquellen stammen, wobei einige Unternehmen auf über 1.000 Quellen zugreifen. Wie verändert sich dadurch die Art und Weise, wie Unternehmen über KI-Architektur nachdenken sollten?

Bei diesem Grad an Fragmentierung kann die Architektur nicht davon abhängen, alle Quellen physikalisch zu konsolidieren, bevor KI sie nutzen kann. Unternehmen benötigen eine Abstraktionsebene, die Daten über die verteilte Realität hinweg entdecken, integrieren, regeln und bereitstellen kann, die sie bereits haben. Meiner Meinung nach muss die Datenarchitektur logischer, metadatengetrieben und semantischer werden, damit Agenten die richtigen Daten im Kontext finden können, ohne eng an die zugrunde liegenden Systeme gekoppelt zu sein.

Der Bericht argumentiert, dass viele KI-Misserfolge tatsächlich “Datenarchitektur-Misserfolge” und nicht Modell-Misserfolge sind. Denken Sie, dass die Branche zu viel Zeit damit verbracht hat, sich auf Modelle zu konzentrieren, und die Bedeutung der Dateninfrastruktur unterschätzt hat?

Ja. Modelle sind wichtig, aber viele gescheiterte KI-Projekte scheitern nicht, weil das Modell unfähig ist, sondern weil das Modell mit unvollständigen, veralteten, inkonsistenten oder schlecht geregelten Daten arbeitet. Das Modell funktionierte großartig im Pilotprojekt, bei dem ein gut definiertes und kuratiertes Datenset verwendet wurde, aber sobald es im “echten Leben” mit seiner verteilten Unordnung eingesetzt wurde, scheiterte die KI daran, vertrauenswürdige Ergebnisse zu liefern. Meine Erfahrung hat gezeigt, dass Unternehmen viel bessere KI-Ergebnisse erzielen, wenn sie die Datenebene als ersten Teil der KI-Architektur behandeln und nicht als Nachgedanken.

Denodo spricht häufig über semantische Konsistenz und die Bedeutung einer universellen semantischen Ebene. Wenn KI-Agenten autonome Entscheidungen treffen, wie kritisch wird die semantische Ausrichtung für die Verhinderung falscher Aktionen oder halluzinierter Geschäftslogik?

Die semantische Ausrichtung wird absolut kritisch. Wenn ein System “Kunde”, “Umsatz”, “Risiko” oder “Fluktuation” anders definiert als ein anderes, kann ein KI-Agent eine technisch plausible Antwort liefern, die dennoch falsch ist für den gegebenen Geschäftskontext. Eine universelle semantische Ebene hilft sicherzustellen, dass Agenten mit konsistenten Geschäftsbegriffen und nicht nur rohen Daten operieren.

Ihre Sitzung auf der AI & Big Data Expo konzentrierte sich auf den Übergang von KI-Pilotprojekten zu Produktionsprojekten. Was sind Ihrer Meinung nach die größten Gründe, warum Unternehmen im “Pilot-Modus” stecken bleiben und Schwierigkeiten haben, KI in echte betriebliche Systeme zu integrieren?

Pilotprojekte funktionieren oft, weil sie eng gefasst, manuell kuratiert und von der vollen Komplexität des Unternehmens abgekoppelt sind. Produktions-KI muss mit live-Daten aus vielen Quellen, Sicherheit, Governance, Leistung, Prüfbarkeit, wechselnden Geschäftsregeln und Integration in echte Workflows umgehen. Viele Unternehmen stecken fest, weil sie eine beeindruckende Demo erstellen, aber nicht die geregelte Datenbasis aufbauen, die erforderlich ist, um KI zuverlässig im großen Maßstab zu betreiben.

Der Bericht zitiert Prognosen, dass ein erheblicher Prozentsatz von agentenbasierten KI-Projekten in den nächsten Jahren aufgrund eskalierender Kosten, unklarer Werte oder unzureichender Risikokontrollen abgesagt werden könnte. Denken Sie, dass die Branche in eine Phase eintreten wird, in der Unternehmen viel selektiver darüber werden, welche KI-Projekte überleben?

Ja, und ich denke, dass das gesund ist. Die erste Welle der KI-Experimente war von Möglichkeiten geprägt; die nächste Welle wird von betrieblichem Wert, Kostendisziplin und Vertrauen geprägt sein. Die Projekte, die überleben, werden diejenigen sein, die an messbare Geschäftsergebnisse geknüpft sind und von der richtigen Datenbasis, Governance und Architektur unterstützt werden.

Sicherheit und Governance sind im Bericht wiederkehrende Themen, insbesondere im Zusammenhang mit “Sicherheitsvorkehrungen” für agentenbasierte KI. Wie sollten Unternehmen autonome KI-Fähigkeiten mit dem Bedürfnis nach strenger Zugriffskontrolle und Prüfbarkeit in Einklang bringen?

Der Schlüssel liegt darin, Governance nicht als etwas zu behandeln, das nachträglich an das KI-System angehängt wird. Zugriffskontrolle, Richtlinien durchsetzen, Herkunft und Prüfbarkeit müssen in die Datenzugriffsebene selbst eingebettet sein, damit KI-Agenten nur die Daten sehen und nutzen, für die sie autorisiert sind. Mit Denodo können die gleichen Governance-Richtlinien konsistent über verteilte Quellen hinweg angewendet werden, was bei KI-Systemen, die in hybriden und multi-Cloud-Umgebungen operieren, unerlässlich ist.

Denodo positioniert logisches Datenmanagement als Möglichkeit, den Zugriff auf hybride und multi-Cloud-Umgebungen ohne ständiges Verschieben von Daten zu vereinheitlichen. Wenn Unternehmen zunehmend retrieval-basierte KI-Architekturen adoptieren, sehen Sie “Zero-Copy”- oder logische Erstarchitekturen als langfristige Richtung für Unternehmens-KI?

Ja. Retrieval-basierte KI hängt davon ab, die richtigen Daten zur richtigen Zeit zu erhalten, und nicht unbedingt jedes Datenset im Voraus in ein einzelnes Repository zu verschieben. Ein logischer, zero-copy-Ansatz ist viel besser auf die Art und Weise ausgerichtet, wie Unternehmen tatsächlich operieren: Daten bleiben verteilt, aber KI kann darauf über eine geregelte, semantische, Echtzeit-Ebene zugreifen. Das ist die Richtung, in die ich glaube, dass Unternehmens-KI gehen muss.

Blicken Sie in den nächsten drei bis fünf Jahren voraus, was wird Ihrer Meinung nach Unternehmen von denen unterscheiden, die vertrauenswürdige KI erfolgreich operationalisieren, und denen, die im Experimentiermodus stecken bleiben?

Die Gewinner werden die Unternehmen sein, die erkennen, dass KI nicht nur eine Modellstrategie ist, sondern auch eine Datenstrategie, eine Governance-Strategie und eine Betriebsmodell-Strategie. Sie werden in live-Datenzugriff, semantische Konsistenz, wiederverwendbare Governance und Architekturen investieren, die das gesamte Unternehmen umspannen. Diejenigen, die weiterhin isolierte Pilotprojekte auf fragmentierten oder veralteten Daten aufbauen, werden Schwierigkeiten haben, über das Experimentierstadium hinauszukommen.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Denodo besuchen oder Denodos AI-Trust-Gap-Bericht herunterladen.