Von Rohdaten zu verifizierbarem KI-Kontext: Eine praktische Architektur für agentenbereite Informationen

Die meisten KI-Projekte beginnen zu spät in der Pipeline. Sie starten mit einem Modell, einem Prompt oder einer Retrieval-Schicht und entdecken erst später, dass die zugrunde liegenden Daten inkonsistent, dupliziert, veraltet, privat oder nicht auf eine zuverlässige Quelle zurückführbar sind.

Eine dauerhaftere Architektur beginnt vor dem Retrieval. Die erste Aufgabe besteht darin, zu entscheiden, was ein Informationsobjekt tatsächlich ist, woher es stammt, zu welcher Identität es gehört, ob eine andere Quelle ihm widerspricht und unter welchen Bedingungen es noch gültig ist.

Was das wirklich bedeutet

Das Ziel ist nicht, eine weitere Wissensdatenbank voller Text zu erstellen. Das Ziel ist, Informationen zu schaffen, die nützlich bleiben, wenn der Konsument kein Mensch mehr ist, der eine Website durchsucht, sondern eine Anwendung oder ein KI-Agent, der eine Entscheidung trifft.

Das einfachste Beispiel

Stellen Sie sich drei Datenquellen vor, die dasselbe Gerät beschreiben. Ein Lieferant gibt an, es habe 32 GB Speicher, ein älteres PDF sagt 16 GB, und der Hersteller-Feed sagt 32 GB für Hardware-Revision 4. Eine normale Anreicherungspipeline wählt möglicherweise einen Wert und überschreibt die anderen. Eine verifizierbare Pipeline hält die Uneinigkeit sichtbar, bis Identität und Revision geklärt sind.

Das Ergebnis ist nicht einfach Speicher = 32 GB. Es ist eher: Wert 32 GB, Quelle Hersteller-Feed, Revision 4, Markt EU, zu einem bekannten Zeitpunkt beobachtet, widersprüchliche ältere Quelle vorhanden, aktueller Status für die geklärte Revision verifiziert.

Wo das Beispiel nicht mehr funktioniert

Echte Geschäftsdaten sind selten so sauber. Produktnamen driften, Identifikatoren fehlen, PDFs verwenden unterschiedliche Terminologie, Felder ändern ihre Bedeutung zwischen Märkten, und private Mandantendaten dürfen nicht in den Kontext eines anderen Mandanten gelangen. Deshalb reicht Normalisierung allein nicht aus.

Ein wiederverwendbares Informationsobjekt

Warum RAG nicht der erste Schritt ist

Retrieval kann nur abrufen, was indexiert wurde. Wenn widersprüchliche, veraltete oder rechtlich eingeschränkte Daten ohne Governance indexiert werden, kann RAG die Antwort besser erscheinen lassen, während es die zugrunde liegende Entscheidung weniger zuverlässig macht.

Eine sicherere Reihenfolge ist: Rechte-Gate → Quellenklassifizierung → Identitätsauflösung → Aussagenextraktion → Herkunft → Konflikterkennung → Nachweisspeicher → Retrieval → Schlussfolgerung.

Agent-bereit bedeutet nicht agent-gesteuert

Ein Agent sollte kontrollierten Kontext erhalten, nicht uneingeschränkte Autorität. Das Modell kann über die verfügbaren Informationen schlussfolgern, aber es sollte nicht erlaubt sein, fehlende Produktfakten zu erfinden, verbindliche Einschränkungen zu lockern, Quellenrechtsregeln zu umgehen oder Unsicherheit in Gewissheit zu verwandeln.

Warum dies über eine Domäne hinaus wichtig ist

Dieselbe Architektur gilt für technische Produkte, Eventplanung, Softwaredokumentation, Lieferantenkataloge, internes Wissen und Handel. Die Domänenregeln ändern sich, aber das Kernproblem bleibt: Identität, Herkunft, Konflikte, Gültigkeit und kontrollierte Wiederverwendung.

Was würde diese Architektur verändern?

Die Architektur sollte einfacher werden, wenn das Quellsystem bereits kanonische Identifikatoren, strikte Versionierung und vertragliche Datenqualität bietet. Sie sollte strenger werden, wenn Entscheidungen regulierte Produkte, Sicherheit, private Daten oder rechtlich sensible Ergebnisse betreffen.

Fazit

Die nützliche Einheit für zukünftige KI-Systeme ist nicht nur ein Dokument oder ein Textabschnitt. Es ist ein verifizierbares Informationsobjekt mit Identität, Herkunft, Status, Konflikten und einer Gültigkeitsgrenze. Das ist die Ebene, die Portalen, Geschäftssystemen und Agenten ermöglicht, dasselbe Wissen wiederzuverwenden, ohne vorzugeben, dass unsichere Daten sicher sind.