Enterprise-KI: Trends, Use Cases und Voraussetzungen für die nächste Adoptionsphase

Enterprise-KI tritt in eine operativere Phase ein. Der frühe Einsatz von KI in Unternehmen konzentrierte sich auf die individuelle Produktivität beim Schreiben, Zusammenfassen, Suchen und Entwerfen. Heute wenden führende Unternehmen künstliche Intelligenz auf verschiedene Workflows an, vom Kundenservice und Vertrieb bis hin zu Finanzen, Operations, Analytics und branchenspezifischen Prozessen.

Diese Evolution führt dazu, dass KI direkt in Anwendungen eingebettet und nahtlos mit strukturierten wie auch unstrukturierten Daten vernetzt wird. Sie wird auch zunehmend agentenbasiert – in der Lage, Kontext abzurufen, Tools aufzurufen und systemübergreifend zu arbeiten. Das Ergebnis ist eine neue Klasse von Use Cases, in denen KI dabei hilft, Arbeit weiterzuleiten, Geschäftskontext zu interpretieren, nächste Schritte zu empfehlen und Entscheidungen zu unterstützen.

Die Herausforderung besteht darin, KI in die Lage zu versetzen, mit den richtigen Daten, der richtigen Geschäftslogik und den richtigen Kontrollen zu operieren. „Auf Unternehmensebene ist das schwierigste Problem nicht mehr allein die Modellintelligenz, sondern der Kontext“, sagt Baris Gultekin, Vice President of Product, AI bei Snowflake. „Die nächste Generation der Enterprise-KI wird durch Systeme definiert, die kontrollierte Unternehmensdaten, operatives Wissen und intelligente Orchestrierung direkt innerhalb von Geschäfts-Workflows kombinieren können.“

Dies erfordert eine Architektur, die KI mit vertrauenswürdigen, kontrollierten Daten verbindet und Modellen sowie Agenten den semantischen Kontext gibt, um Geschäftskonzepte zu verstehen. Es erfordert auch begrenzte Aktionen sowie eine kontrollierte Integration mit Anwendungen, APIs und Workflow-Systemen. Darüber hinaus benötigen Teams Governance-Kontrollen und Evaluierungspraktiken, die Ausgaben auf Genauigkeit, Drift, Bias und die Einhaltung von Richtlinien prüfen.

Enterprise-KI ist die Nutzung von KI-Systemen über die Workflows, Datenumgebungen, Anwendungen und Entscheidungsprozesse eines Unternehmens hinweg. Sie umfasst generative KI, maschinelles Lernen (ML), prädiktive Modelle, Schnittstellen für natürliche Sprache, Automatisierung und KI-Agenten.

Beispielsweise könnte ein Support-Workflow mit Enterprise-KI die Kundenhistorie, Vertragsbedingungen, Berechtigungsregeln, Artikel aus der Wissensdatenbank und Daten zu offenen Vorfällen abrufen und dann eine Antwort empfehlen, die der:die Service-Mitarbeiter:in überprüfen kann, bevor der Fall aktualisiert wird. Die umgebende Architektur ist für diese Arbeit von zentraler Bedeutung: auf welche Daten der:die Nutzer:in zugreifen kann, welche Richtlinie gilt, welche Metrikdefinition genehmigt ist, welche Aktion eine Überprüfung erfordert und welche Ausgabe für Audits protokolliert werden sollte.

Führende Enterprise-KI-Teams setzen zunehmend auf eine neue Architektur für den produktiven Einsatz von KI. Sie bettet KI in Workflows ein, verbindet Systeme durch Agenten, macht mehr Daten nutzbar und integriert Governance in den Lebenszyklus.

KI verlagert sich in die Workflow-Ebene

Der nächste Vorteil der Enterprise-KI wird sich wahrscheinlich in der Prozess-Performance zeigen. Das bedeutet, dass KI an Ergebnissen gemessen wird, wie etwa einer schnelleren Prüfung von Ansprüchen, niedrigeren Eskalationsraten im Support, der Genauigkeit von Prognosen, weniger ins Stocken geratenen Vertragsverlängerungen, einer konsistenteren Bestandsplanung oder einer kürzeren Time-to-Insight.

Ein Vertriebs-Workflow könnte beispielsweise ein Konto zusammenfassen, das Risiko bei einer Vertragsverlängerung identifizieren und eine Überprüfung durch den:die Manager:in vorbereiten. Oder ein Finanz-Workflow könnte erklären, warum sich die Umsatzabweichung geändert hat, identifizieren, welche Annahmen sich verschoben haben, und unterstützende Daten anhängen.

Agentic AI verbindet Systeme und beantwortet nicht nur Fragen

Agentic AI verwandelt Enterprise-KI von einer reinen Antwortschnittstelle in eine Koordinationsschicht. Ein Agent kann eine Anfrage interpretieren, in Schritte unterteilen, Daten abrufen, Tools aufrufen, den Status prüfen und eine Aktion vorbereiten – alles innerhalb eines einzigen Workflows.

Enterprise-KI-Agenten können so konzipiert werden, dass sie zwischen Datentypen unterscheiden und diese entsprechend weiterleiten. Wenn geschäftliche User eine Frage stellen, die den Abruf aus einer strukturierten Datenbank erfordert, wie etwa Pipeline-Daten, Umsatzzahlen oder Bestandsaufzeichnungen, kann der Agent basierend auf der Anfrage und den Berechtigungen eine Abfrage generieren und ausführen. Wenn die Frage die Interpretation eines Dokuments erfordert, wie beispielsweise eines Vertrags, eines Anrufprotokolls oder einer Richtlinien-PDF, ruft der Agent diese Inhalte ab und fasst sie zusammen. Hochentwickelte Agenten erledigen beides innerhalb einer einzigen Antwort und leiten je nach Anforderung der Aufgabe an die jeweilige Quelle weiter.

Diese Koordination schafft neue Anforderungen. Unternehmen benötigen genau definierte Tool-Berechtigungen, Freigabeprozesse, Sandbox-Ausführungsumgebungen, vollständige Protokollierung, Kostenkontrollen und Rollback-Pfade. Das Model Context Protocol (MCP) ist ein aufkommender Standard für die Verwaltung der Verbindung von Agenten mit Tools und Datenquellen. Es definiert Zugriffsgrenzen und hilft dabei, Risiken wie die Offenlegung von Anmeldeinformationen oder Datenexfiltration bei mehrstufigen Workflows zu reduzieren. Menschliche Aufsicht bleibt für die sichere Nutzung von verantwortungsvoller KI unerlässlich.

Unstrukturierte Daten werden zu einem erstklassigen KI-Input

Viele Enterprise-Workflows hängen von Informationen ab, die nicht feinsäuberlich in Tabellen vorliegen. Verträge, Schadensdokumente, klinische Notizen, Anrufprotokolle, PDFs, E-Mails, Produkthandbücher, Bilder und Engineering-Tickets enthalten oft die Details, die zur Beantwortung einer Frage oder zum Abschluss einer Aufgabe erforderlich sind. Bis vor Kurzem war es schwierig, diese Inhalte konsistent in analytischen und operativen Workflows zu nutzen.

Die nächste Stufe der Enterprise-KI verbindet Dokumentenkontext mit strukturierten Datensätzen und Workflow-Aktionen. Retrieval-Augmented Generation (RAG) bietet KI-Systemen eine Möglichkeit, einen Dokumentenkorpus zu durchsuchen, relevante Passagen abzurufen und diese Inhalte als Grundlage für eine Antwort zu verwenden, anstatt sich nur auf das zu verlassen, was das Modell während des Trainings gelernt hat. Die hybride Suche, die semantische Ähnlichkeit mit Keyword-Matching kombiniert, trägt dazu bei, den Abruf über die verschiedenen Inhaltstypen hinweg zu verbessern, von denen Enterprise-Workflows abhängen.

In Datenpipelines eingebettete KI-Funktionen können dabei helfen, unstrukturierte Daten in großem Maßstab zu transformieren, indem sie Audio transkribieren, Dokumente klassifizieren, Anrufaufzeichnungen zusammenfassen und PII erkennen. Inhalte, die zuvor schwer konsistent zu analysieren waren, lassen sich so einfacher strukturieren, abfragen und wiederverwenden.

Semantischer Kontext wird zur KI-Infrastruktur

Enterprise-KI erfordert, dass Daten mit einer geschäftlichen Bedeutung verknüpft sind. Ein Modell kann eine überzeugende Antwort aus der falschen Tabelle generieren, eine veraltete Definition des jährlich wiederkehrenden Umsatzes anwenden oder eine Metrik doppelt zählen, weil es die Beziehung zwischen Entitäten nicht versteht. In einem Dashboard sind diese Probleme kostspielig. In einem KI-Workflow, der Aktionen ausführt, können sie sich auf nachgelagerte Entscheidungen auswirken, bevor jemand den Fehler bemerkt.

Unternehmen definieren zunehmend genehmigte Metriken, Entitäten, Dimensionen und Beziehungen in einer Form, die KI-Systeme präzise abfragen können. Semantische Ansichten können Geschäftslogik wie genehmigte Metrikdefinitionen, Join-Beziehungen und Entitätshierarchien codieren und KI-Modellen eine kontrollierte Schnittstelle zu strukturierten Daten bieten. Katalog-Metadaten, einschließlich Zertifizierungsstatus, Eigentümerschaft, Lineage, Aktualität und Nutzungsverlauf, geben KI-Systemen zusätzlichen Kontext für die Entscheidung, welche Quellen zuverlässig genug für die Nutzung sind.

Governance wird Teil der KI-Runtime

Governance darf nicht nur in einem Richtliniendokument oder einer Überprüfung vor der Einführung bestehen. Da KI immer tiefer in operative Workflows eingebunden wird, müssen Kontrollmechanismen in allen zentralen Prozessschritten greifen: beim Datenabruf, Tool-Aufruf, Generieren von Outputs, Aktualisieren von Datensätzen oder Eskalieren einer Aktion.

Dazu gehören die automatische Klassifizierung sensibler Datentypen wie PII und geschützter Gesundheitsinformationen (PHI), rollenbasiertes Dynamic Data Masking, Zugriffskontrollen auf Zeilenebene, die einschränken, was die einzelnen User oder Agenten abrufen können, Lineage-Tracking, das Ausgaben zu ihren Quellen zurückverfolgt, Audit-Protokolle, die erfassen, worauf zugegriffen wurde, sowie Monitoring, das Drift, Fehler oder Kostenanomalien meldet.

Organisationen sollten diese Kontrollen konsistent über sämtliche Zugriffspfade hinweg durchsetzen — ganz gleich, ob ein Analyst SQL ausführt, ein Entwickler Python nutzt oder ein Fachanwender Abfragen über ein Natural Language Interface stellt. Das Ziel ist es, Unternehmen dabei zu helfen, KI-Risiken in geschäftskritischen Prozessen zu managen.

Viele Unternehmen haben Zusammenfassungen, das Entwerfen von Texten und Suchfunktionen bereits getestet. Die nächste Welle verknüpft diese Funktionen direkt mit operativen Geschäftssystemen, vertrauenswürdigen Daten und regelbasiert abgesicherten Aktionen.

Kundenservice und Support

Der Kundenservice entwickelt sich von der einfachen Ticketzusammenfassung hin zu vernetzten Support-Workflows. KI kann Fälle überprüfen, Richtlinien abrufen, Antworten entwerfen, Eskalationsrisiken erkennen und dabei helfen, Aufgaben an das richtige Team weiterzuleiten.

Die fortschrittlichere Version verknüpft Support-Historie, Berechtigungsdaten, Vertragsbedingungen, Produktdokumentation, Vorfallstatus und Engineering-Notizen. Ein Support-Agent sieht nicht nur, was die Kund:innen gefragt haben, sondern auch, ob sie Anspruch auf eine bestimmte Service-Stufe haben, ob ein bekanntes Problem vorliegt und welche Antwortformulierung genehmigt wurde.

Sales und Revenue Operations

Vertriebs-KI geht über das Entwerfen von E-Mails und Meeting-Notizen hinaus. Die nächsten Anwendungsfälle konzentrieren sich auf Account Intelligence, Pipeline-Bewegungen und die Qualität von Prognosen. KI kann Account-Zusammenfassungen erstellen, Opportunity-Risiken markieren, fehlende CRM-Daten identifizieren, die Beantwortung von Requests for Proposal (RFPs) unterstützen und Änderungen bei Prognoseannahmen aufzeigen.

Im Bereich Revenue Operations könnte ein KI-Workflow Pipeline-Bewegungen mit historischen Konversionsmustern, Produktnutzungssignalen, Customer Health Scores und Verlängerungsbedingungen vergleichen und anschließend eine Prognosenotiz mit entsprechenden Nachweisen erstellen.

Finanzen und Risikomanagement

Finanzteams können Enterprise-KI nutzen, um Abweichungsanalysen, Prognosen, Rechnungs- und Vertragsprüfungen, Betrugsermittlungen und die Audit-Vorbereitung zu unterstützen. Die stärksten Anwendungsfälle helfen Finanzteams dabei, den Weg von einer gemeldeten Zahl zu den zugrunde liegenden Transaktionen, Annahmen, Verträgen oder Richtlinien zurückzuverfolgen.

Anwendungsfälle im Finanzwesen erfordern eine besonders strenge Governance. Ein KI-Workflow im Finanzwesen sollte wissen, welche Metrikdefinition genehmigt ist, welcher Berichtszeitraum gilt, welches Account-Mapping aktuell ist und welches Dataset die Antwort stützt. Für Risiko- und Compliance-Aufgaben sollte er zudem Nachweise hinterlassen: was überprüft wurde, welche Quelle verwendet wurde, welche Ausnahme gefunden wurde und welche Person den nächsten Schritt genehmigt hat. Die Zugriffskontrollen müssen der Sensibilität der Daten entsprechen, unabhängig davon, ob der Workflow Umsatzzahlen, Vertragsbedingungen oder Vergütungsdaten von Mitarbeitenden verarbeitet.

Operations und Supply Chain

Teams in den Bereichen Operations und Supply Chain können KI gezielt für Bedarfsprognosen, Bestandsmanagement, vorausschauende Wartungsplanung, Analysen der Lieferanten-Performance und die Triage von Ausnahmen einsetzen. Diese Anwendungsfälle sind auf aktuelle, vernetzte Daten angewiesen, da schon kleine Verzögerungen oder veraltete Signale die empfohlene Maßnahme verändern können.

Ein Supply-Chain-Agent könnte Bedarfssignale, Bestandsaufzeichnungen, die Lieferanten-Performance, den Versandstatus und Vertragsbedingungen kombinieren, bevor er eine Reaktion auf eine Verzögerung empfiehlt. Ein Workflow in der Fertigung könnte die Telemetrie von Anlagen, Qualitätsdaten und den Wartungsverlauf überprüfen, um zu identifizieren, wo wahrscheinlich als Nächstes ein Prozessproblem auftreten wird. Die Chance liegt nicht nur in der Vorhersage, sondern in einer Handlungsempfehlung mit ausreichend Kontext und Nachweisen, damit ein Mensch oder ein nachgelagertes System effizient und mit relevanten unterstützenden Daten reagieren kann.

Unternehmen, die Enterprise-KI skalieren möchten, benötigen eine Grundlage, die es KI ermöglicht, in Workflows integriert zu werden, ohne die Kontrolle über Datenzugriff, Geschäftslogik, Kosten, Qualität oder Verantwortlichkeit zu verlieren. Da KI zunehmend eingebettet und agentenbasierter wird, muss diese Grundlage ausreichend Konnektivität bieten, damit KI Kontext abrufen und Aktionen unterstützen kann, sowie genügend Kontrolle für Teams, um das Verhalten zu antizipieren, zu steuern und zu prüfen.

Eine kontrollierte Datengrundlage

Enterprise-KI benötigt Zugriff auf strukturierte, semistrukturierte und unstrukturierte Daten, aber dieser Zugriff muss Eigentumsverhältnisse, Sensibilität, Aktualität und Richtlinienbeschränkungen widerspiegeln. Ein Modell oder Agent sollte Daten nicht einfach deshalb sehen, weil ein Konnektor vorhanden ist. Der Zugriff sollte erfolgen, weil der:die Nutzer:in, der Workflow und der Anwendungsfall über die entsprechenden Berechtigungen verfügen.

Diese Grundlage erfordert die Durchsetzung von Richtlinien am Zugriffspunkt: Klassifizierung zur Identifizierung sensibler Felder, Maskierung und Richtlinien auf Zeilenebene, um einzuschränken, was einzelne Nutzer:innen oder Agenten abrufen können, Lineage- und Audit-Protokolle, um zu zeigen, was verwendet wurde, sowie Datenqualitätssignale, die anzeigen, ob eine Quelle aktuell genug ist, um die Aufgabe zu unterstützen.

Ein Semantic Layer für die Geschäftslogik

Ein Semantic Layer bietet KI-Systemen eine kontrollierte Schnittstelle zur Geschäftslogik. Er definiert genehmigte Metriken, Entitäten, Dimensionen und Beziehungen in einer Form, die KI-Systeme präzise abfragen können. Ohne ihn liefert KI möglicherweise immer noch Antworten, aber Teams werden viel Zeit damit verbringen, zu validieren, ob diese Antworten die Realität des Unternehmens widerspiegeln.

Semantische Ansichten sind ein Mechanismus, der dabei helfen kann, dies umzusetzen. Sie kodieren Geschäftsdefinitionen, wie z. B. die Berechnung des Umsatzes, welche Entitätsbeziehungen kanonisch sind und welche Dimensionen zu welchen Domänen gehören. Katalog-Metadaten, einschließlich Zertifizierungsstatus, Eigentumsverhältnissen, Lineage und Nutzungsverlauf, bieten KI-Systemen zusätzlichen Kontext, um zu bestimmen, welche Datenquellen zuverlässig und aktuell sind.

Agentenkontrollen und Tool-Grenzen

Da Agenten Systeme verbinden, müssen Unternehmen definieren, was jeder Agent tun darf: welche Tools er aufrufen kann, welche Daten er abrufen darf, welche Aktionen eine menschliche Überprüfung erfordern, welche Anmeldeinformationen er verwendet und was passiert, wenn er einen Fehler macht. Ohne diese Grenzen bergen agentenbasierte Workflows Risiken, die in Query-and-Response-Systemen nicht existieren.

MCP bietet einen Standard, um zu definieren, wie sich Agenten mit Tools und Datenquellen verbinden, welche Berechtigungen jede Verbindung mit sich bringt und wie diese Verbindungen gesichert werden. Sandboxed-Ausführungsumgebungen können dabei helfen, den von Agenten ausgeführten Code zu isolieren und das Risiko von Aktionen außerhalb eines definierten Umfangs zu reduzieren. Eine mandantenspezifische Datenisolierung kann bei Implementierung mit entsprechenden Kontrollen dazu beitragen, die Agentendaten eines Unternehmens in Multi-Tenant-Umgebungen von denen eines anderen zu trennen.

Evaluierung und Observability

Enterprise-KI erfordert eine Evaluierung vor und nach dem Deployment. Teams sollten Antwortqualität, Abrufgenauigkeit, Halluzinationsrisiko, Latenz, Kosten, Eskalationsrate und geschäftliche Auswirkungen messen. Bei agentenbasierten Workflows muss die Evaluierung auch abdecken, ob der Agent das richtige Tool ausgewählt, die richtige Reihenfolge eingehalten und bei Bedarf auf eine Genehmigung gewartet hat.

KI-Observability ist unerlässlich, da sich KI-Systeme ändern, wenn sich Modelle, Prompts, Daten und Workflows ändern. Ein heute noch zuverlässiger Workflow kann abdriften, wenn sich eine vorgelagerte Datenquelle ändert, eine Richtlinie aktualisiert wird oder ein Agent Zugriff auf ein neues Tool erhält. Ein fortlaufendes Monitoring mit definierten Alarmgrenzwerten und klaren Verantwortlichkeiten für den Ausnahmepfad hilft Teams, dieses Abdriften zu erkennen, bevor es Geschäftsentscheidungen beeinflusst.

Funktionsübergreifende Verantwortlichkeit

Das Betriebsmodell für Enterprise-KI erfordert, dass Data Owner, Sicherheits-, Compliance- und Plattformteams sowie Verantwortliche für Geschäftsprozesse auf Basis eines gemeinsamen Kontroll-Frameworks arbeiten. Sobald KI systemübergreifend Daten abrufen und Aktionen ausführen kann, muss das Unternehmen wissen, wer für den Workflow, die Daten, die Richtlinie, den Evaluierungsprozess und den Ausnahmepfad verantwortlich ist.

Die nahe Zukunft der Unternehmens-KI konzentriert sich nicht auf mehr KI-Funktionen, sondern auf diszipliniertere KI-Systeme. Die Unternehmen, die in dieser nächsten Phase erfolgreich sein werden, sind diejenigen, die KI von einer isolierten Funktion zu einer kontrollierten Ausführung weiterentwickeln können – bei der jede Ausgabe auf vertrauenswürdigen Daten basiert, auf die Geschäftslogik abgestimmt ist und für reale Ergebnisse verantwortlich gemacht werden kann. Diese Grundlage ermöglicht es Unternehmen, KI über Workflows hinweg sicher zu skalieren.

Snowflake hilft Unternehmen beim Aufbau von Enterprise-KI, bei der kontrollierte Daten, Geschäftslogik und KI-Funktionen zusammenarbeiten können. Mit Snowflake Cortex AI und Snowflake Horizon Catalog können Teams KI mit strukturierten, halbstrukturierten und unstrukturierten Daten verbinden, semantischen Kontext anwenden und die Governance-Funktionen von Snowflake nutzen, um Zugriffs- und Datenschutzkontrollen für Agentic Workflows zu verwalten. Dies kann eine Grundlage für die Skalierung von Unternehmens-KI in Produktions-Workflows bieten und Teams gleichzeitig dabei helfen, Datenzugriff, Governance und Verantwortlichkeit in Einklang zu bringen.