Vordenker
Entity Resolution wird zur KI-Infrastruktur statt zur bloßen Datenbereinigung

Wichtige PunkteDie Entitätsauflösung wandelt sich von periodischer Bereinigung zu…
Mehr anzeigen
- Die Entitätsauflösung wandelt sich von periodischer Bereinigung zu Laufzeitinfrastruktur, weil Agenten sofort auf aufgelöste Identitäten reagieren.
- Retrieval-augmentierte Agenten übernehmen fragmentierte oder fälschlich zusammengeführte Datensätze und behandeln diese Mehrdeutigkeit als gesicherte Tatsache.
- Die meisten Organisationen setzen autonome Agenten ein, während nur wenige ihre Infrastruktur als wirklich bereit erachten, sie zu steuern.
Vor einiger Zeit habe ich einen AI-Agenten beobachtet, der eine selbstsicher falsche Antwort gab, und zwar aus einem völlig banalen Grund. Ein Unternehmen hatte zwei Datensätze für denselben Firmenkunden. Einer enthielt den alten Handelsnamen und einen Finanzkontakt, der andere den neuen rechtlichen Namen, den das Unternehmen nach einer Übernahme angenommen hatte, sowie eine andere Rechnungsadresse. Der Agent wurde gefragt, ob das Konto in Ordnung sei. Er fand einen Datensatz, sah keine überfälligen Rechnungen und sagte ja. Die überfälligen Rechnungen waren jedoch unter dem anderen Namen abgelegt.
Es wurde nichts halluziniert. Das Modell argumentierte sauber über die Daten, die es erhalten hatte. Die Daten beschrieben einfach zwei Kunden, wo es in der realen Welt nur einen gab. Der Fehler lag nicht im Sprachmodell. Er lag im Join.
Ich bin zu dem Schluss gekommen, dass dies eines der am meisten unterschätzten Risiken im Unternehmens-AI-Bereich ist und eines der am wenigsten diskutierten. Wir sprechen endlos über Modellgenauigkeit, Prompt-Design und Governance. Wir sprechen viel weniger darüber, ob ein System tatsächlich weiß, auf welchen realen Kunden, Lieferanten oder welches Konto sich sein Handeln bezieht. Diese Frage hat einen Namen: Entity Resolution, und nach sechzig Jahren im Hintergrund wird sie leise zu einem Teil der Live-Infrastruktur.
Das Problem hat die Zeitform gewechselt
Während des größten Teils ihrer Geschichte war die Frage “Sind diese beiden Datensätze dieselbe Entität?” eine Bereinigungsfrage. Man bearbeitete sie in einem Batchlauf, nach einem Zeitplan, irgendwo innerhalb eines Master-Data-Management-Programms, eines Data-Warehouse oder einer Analyse-Pipeline. Es war nie perfekt, aber man konnte mit den Fehlern leben, weil die Ausgabe ein Bericht war, den jemand nächste Woche las. Wenn zwei Datensätze für denselben Lieferanten nicht zusammengeführt wurden, fiel eine Ausgabensumme etwas falsch aus, ein Analyst bemerkte es und es wurde im nächsten Lauf korrigiert. Das System hatte Spielraum. Die Zeit absorbierte die Fehler.
Ein AI-Agent entfernt diesen Spielraum. Er ändert die Zeitform der Frage von “irgendwann” zu “jetzt”. Wenn ein Agent kurz davor ist, eine Rückerstattung zu genehmigen, einen Fall zu routen, ein Profil zu aktualisieren oder eine Compliance-Frage zu beantworten, liefert die aufgelöste Entität ihre Daten nicht mehr für ein Dashboard, sondern für eine Handlung. Die Kosten für eine falsche Verbindung verlagern sich von einem Zahlenwert, der etwas danebenliegt, zu etwas, das in der Welt passiert, sofort und oft ohne einen eingebundenen Menschen, der den Fehler auffängt.
Das ist der Wandel, mit dem man sich auseinandersetzen sollte. Das zugrunde liegende Problem ist alt und gut verstanden. Was neu ist, ist, dass wir es direkt in Systeme eingebaut haben, die auf eigene Faust handeln.
Ein Statistikproblem der 1960er Jahre
Entity-Resolution entstand nicht erst mit großen Sprachmodellen, sondern schon im Zeitalter der Lochkarten. 1959 veröffentlichten H. B. Newcombe und seine Kollegen einen kurzen Artikel in Science über die automatische Verknüpfung von Personenstandsregistern, in dem sie beschrieben, wie ein Computer entscheiden konnte, ob ein Geburtseintrag und ein Heiratseintrag dieselbe Person betrafen. Ein Jahrzehnt später gaben Ivan Fellegi und Alan Sunter der Idee eine formale mathematische Theorie, die die drei Ergebnisse definierte, die jedes Abgleichsystem noch heute produziert: eine Verknüpfung, eine Nicht-Verknüpfung und eine mögliche Verknüpfung, die eine Person überprüfen muss.
In dieser Entwicklungsgeschichte gibt es ein Detail, bei dem es sich lohnt, genauer hinzusehen, weil es der Teil ist, den die Leute am häufigsten falsch verstehen. Datensatzverknüpfung war nie nur exaktes Abgleichen auf eine E-Mail-Adresse oder eine gemeinsame ID. Von Anfang an beruhte sie auf Wahrscheinlichkeiten. Sie gewichtete die Hinweise darauf, dass zwei Datensätze beim Nachnamen, einem Datum und einem Ort übereinstimmten, und produzierte eine Punktzahl, weil menschlich eingegebene Daten chaotisch sind und exakte Schlüssel konstant fehlschlagen. Moderne Entity-Resolution funktioniert noch immer so. Sie kombiniert deterministische Regeln, bei denen eine gemeinsame stabile Kennung entscheidend ist, mit probabilistischem und unscharfem, auf maschinellem Lernen beruhendem Abgleich, der mit Tippfehlern, Spitznamen, vertauschten Feldern, Abkürzungen und dem Dutzend kleiner Varianten umgeht, wie dieselbe Person oder Firma in verschiedenen Systemen unterschiedlich erscheint. Eine gute Übersicht des Fachgebiets zeichnet eine ununterbrochene Linie von diesen 1950er-Jahren-Personenstandsregistern zu den Clustering- und Machine-Learning-Methoden, die jetzt verwendet werden.
Was sich tatsächlich geändert hat, ist, wann wir die Antwort benötigen. Forscher schrieben über Entitätenauflösung zum Abfragezeitpunkt und nicht nur im Voraus, lange vor der aktuellen KI-Welle. Damals war es eine interessante Optimierung. Jetzt ist es eher eine Voraussetzung.
Warum Agenten es in Infrastruktur verwandeln
Die meisten Unternehmens-AI-Systeme antworten nicht aus dem Gedächtnis des Modells. Sie rufen ab. Das Muster, das als retrieval-augmented generation populär wurde, lässt einen Agenten im Moment der Frage den relevanten Kontext abrufen und daraus Schlussfolgerungen ziehen. Das ist im Großen und Ganzen eine gute Sache. Es verankert Antworten in Ihren Daten und nicht im Training des Modells.
Aber es hat eine Konsequenz, die leicht zu übersehen ist. Der Agent erbt alles, was der Abrufschritt ihm gibt. Wenn der Abruf einen fragmentierten Kunden zurückgibt, drei unvollständige Datensätze, die nie verbunden wurden, wird der Agent über drei Kunden schlussfolgern. Wenn der Abruf einen falsch verbundenen Datensatz zurückgibt, zwei verschiedene Unternehmen, die in ein einziges Profil zusammengefasst wurden, wird der Agent über ein Unternehmen schlussfolgern. Die Ambiguität, die bereits in Ihren Quellsystemen sitzt, wird direkt an das Modell weitergegeben und als feststehende Tatsache präsentiert. Das Modell hat keine Möglichkeit, zu wissen, dass die Verbindung falsch war, genauso wenig wie Sie es wüssten, wenn Sie eine übersichtliche Zusammenfassung von Datensätzen lesen, die Sie noch nie gesehen haben.
Die Auflösung darf also kein nachträglicher Zusatz sein, der einmal pro Quartal ausgeführt wird und dessen Ergebnisse in einer separaten Tabelle landen. Die Entität muss beim Datenimport zusammengebaut werden, und die aktuelle aufgelöste Ansicht muss im Moment abrufbar sein, in dem der Agent fragt. Das ist eine Laufzeit-Abhängigkeit. Sie verhält sich viel eher wie eine Datenbank oder ein Authentifizierungsdienst als wie ein periodisches Datenbereinigungsprojekt. Sie muss genauso entworfen und überwacht werden, und ihre Verlässlichkeit muss genauso sichergestellt sein wie bei jedem anderen System, das Ihre Anwendung in Echtzeit aufruft.
Die Bereitschaftslücke, die niemand präzise benennt
Die Branche spürt bereits, dass etwas fehlt. Der AI-Readiness-Index 2025 von Cisco fand heraus, dass 83 Prozent der Organisationen autonome Agenten bereitstellen wollen, während nur etwa ein Drittel der Meinung ist, dass ihre Infrastruktur wirklich bereit dafür ist, und nur etwa ein Viertel der Meinung ist, dass sie in der Lage sind, zu kontrollieren und zu regeln, was diese Agenten tatsächlich tun. Die jüngste State-of-AI-Umfrage von McKinsey beschreibt eine ähnliche Lücke aus der anderen Richtung: Etwa 88 Prozent der Organisationen verwenden KI in mindestens einer Funktion, doch die meisten haben sie noch nicht unternehmensweit skaliert.
Wenn Menschen diese Lücke erklären, neigen sie dazu, zwei Wörter zu verwenden: Datenqualität und Governance. Beides ist wichtig, und keines ist optional. Doch darunter liegt eine enger gefasste Frage, die saubere, gut verwaltete Daten allein nicht beantworten. Kann das System erkennen, auf welche reale Entität sich ein bestimmter Datensatz bezieht, über alle Orte hinweg, an denen dieser Datensatz existiert, gerade jetzt? Man kann hochwertige Daten in jedem einzelnen System halten und dennoch diesen Test nicht bestehen, weil der Fehler nicht in einem System lebt. Er lebt in den Räumen zwischen ihnen, wo derselbe Kunde drei leicht unterschiedliche Gesichter trägt.
Was zu überprüfen ist, bevor man einen Agenten handeln lässt
Wenn man Entity-Resolution als Live-Infrastruktur behandelt, kann man sie wie Infrastruktur überprüfen. Die operativen Fehlermodi sind spezifisch und testbar: gespaltene Identitäten, die eins sein sollten, falsche Verbindungen von Datensätzen, die getrennt bleiben sollten, veraltete Regeln zur Auswahl des maßgeblichen Werts, die weiterhin eine bereits abgelöste Adresse bevorzugen, fehlende persistente Kennungen und Agenten, die die Ambiguität der Quellsysteme erben, als ob sie geklärte Tatsachen wären.
Ein praktischer Bereitschaftstest erfordert kein neues Modell oder eine neue Anbieterkategorie. Man stellt einen Referenzdatensatz mit Entitäten zusammen, deren tatsächliche Verhältnisse man genau kennt. Man lässt ihn durch denselben Abrufpfad laufen, den der Agent verwendet, nicht durch eine separate saubere Kopie, die für die Demo erstellt wurde. Dann misst man die Dinge, die tatsächlich Ergebnisse entscheiden: wie viele falsche Verbindungen und falsche Trennungen, wie das System mit echter Ambiguität umgeht, wo seine Vertrauensschwellen liegen, wann es zu einem Menschen eskaliert, anstatt zu raten, und wie sauber es an die bestehenden Master-Daten- und Governance-Steuerungen übergibt. Wenn ein Team diese Fragen nicht beantworten kann, handelt der Agent auf einer Identität, die er nicht überprüfen kann, und das Vertrauen in seine Ausgabe ist fehl am Platz.
Keines davon ersetzt Master-Data-Management, Governance, Customer-Data-Plattformen oder das Data-Warehouse. Diese beantworten andere Fragen und bleiben notwendig. Governance entscheidet, was ein Agent tun darf. Entity-Resolution entscheidet, an wem oder woran er es tut. Ersteres ist in den meisten großen Organisationen ausgereift. Letzteres ist die Schicht, von der viele bald feststellen werden, dass sie sie in Echtzeit neben der Governance benötigen, sobald sie einen Agenten handeln statt nur beraten lassen.
Der Agent, den ich beobachtet habe, brauchte kein clevereres Modell. Er musste wissen, dass zwei Namen ein Kunde waren, bevor er sich sicher äußern durfte. Wenn wir diesen Systemen echte Autorität zum Handeln geben, hört diese stille, sechzig Jahre alte Disziplin auf, bloße Datenbereinigung zu sein, und wird zur tragenden Struktur.












