"Garbage in, garbage out" ist seit langem eine Realität in der Unternehmensdatenverwaltung. Aber mit dem Aufkommen autonomer KI-Agenten waren die Folgen schlechter Daten noch nie so groß.
Im Gegensatz zu traditionellen Analysen oder Dashboards interpretieren Agenten die Informationen nicht nur, sondern sie handeln danach. Und wenn ihre Entscheidungen auf fragmentierten, inkonsistenten oder isolierten Daten beruhen, laufen Unternehmen Risiken, Ineffizienz zu beschleunigen, anstatt sie zu beseitigen.
In einem kürzlich stattgefundenen Kamingespräch hat sich Planview-CEO Razat Gaurav mit Alan Manuel, GVP of Produkt Management, zusammengesetzt, um zu erkunden, wie Unternehmen ihre Datengrundlagen auf die Ära der agentenbasierten KI vorbereiten können. Sie können das gesamte Gespräch unten verfolgen:
Alan merkte im Laufe des Gesprächs an, dass der Einzelne zwar seine Kapazität ausschöpft, die Kunden aber oft keine Geschäftsergebnisse sehen, weil das System nicht aufeinander abgestimmt ist. Aus diesem Grund, so argumentierte er, benötigen Plattformen mehr als nur einen einfachen Zugang zu Informationen. Sie brauchen strukturierte, kontrollierte und semantisch konsistente Daten, um vertrauenswürdige Ergebnisse zu erzielen.
Warum "Garbage in, garbage out" durch autonome KI noch verstärkt wird
Die von Planview durchgeführte Untersuchung von mehr als 3,500 Wertströmen zeigt, wie groß die Effizienzlücke sein kann. Alan meint: "Von jedem Dollar, den ein typisches Unternehmen in die Softwareentwicklung investiert, werden nur etwa 25 Cent tatsächlich in Geschäftsergebnisse umgesetzt. Der Rest geht durch falsche Ausrichtung, Teams, die an den falschen Dingen arbeiten, oder Verschwendung in der einen oder anderen Form verloren."
Autonome Agenten können dies noch verschlimmern, wenn sie sich auf unvollständige oder isolierte Daten verlassen. Ein Agent könnte mehr Aktivität planen, als die Teams realistischerweise leisten können, Engpässe zwischen den Gruppen ignorieren oder Geschäftsergebnisse anstreben, die nichts mit den strategischen Zielen zu tun haben.
Ohne eine einheitliche Sichtweise von Kapazität und Wert läuft KI Risiken, genau die Probleme zu verstärken, die sie zu lösen verspricht. Eine einheitliche Sichtweise von Kapazität und Wert bedeutet, dass Sie wissen, wer die Aktivität erledigen kann und ob es die richtige Aktivität ist, um damit zu beginnen. Ohne diese Verbindung bleiben die Teams beschäftigt, aber die Kunden sehen kaum Veränderungen. Wenn Sie Ressourcen mit echten Geschäftsergebnissen verknüpfen, bringt jede Stunde, die ein Entwickler oder ein KI-Agent investiert, das Unternehmen voran.
Drei grundlegende Schichten für unternehmenstaugliche KI-Agenten
Um KI-Agenten zu entwickeln, denen Führung vertrauen kann, benötigen Unternehmen (teilweise) eine geregelte, vernetzte Datenarchitektur. Alan skizzierte drei kritische Ebenen:
Datengrundlage
Agenten brauchen Transparenz in alle Unternehmenssysteme, nicht nur in isolierte Silos. "Wenn Sie für mehr als Ihre tatsächliche Produktionskapazität in Planung sind, was 99% der Unternehmen, die Planview nicht nutzen, tun, riskieren Sie einen Misserfolg", erklärt Alan. Hier kommt das Flow Framework von Planview mit 60+ vorgefertigten Konnektoren ins Spiel. Es bietet die Bandbreite an Inputs, die für das Verständnis von Investitionen, Kapazität und laufender Aktivität erforderlich sind.
Governance-Ebene
Autonomie ohne Kontrolle ist gefährlich. Eine starke Governance-Ebene sorgt für die Durchsetzung von Berechtigungen, Sicherheit und Kontext, damit Agenten innerhalb sicherer Grenzen agieren. Produktmanager können zum Beispiel KI Prioritäten für das Backlog empfehlen lassen, ohne sensible Finanzdaten preiszugeben.
Ausrichtungsebene
Neben dem Umfang der Daten und ihrer Governance benötigen Unternehmen eine Möglichkeit, die Strategie mit der Ausführung zu verbinden. Alan betonte, dass die OKR wie das "Nervensystem" der Organisation funktionieren und Signale von strategischen Portfolios bis hinunter zu den einzelnen Teams übertragen. Diese Ausrichtung stellt sicher, dass jede Gruppe versteht, welchen Teil des Problems sie löst. So wird verhindert, dass die Strategie an der Spitze ins Stocken gerät und die tägliche Aktivität mit den Geschäftsergebnissen verbunden bleibt.
Kodifizierung der Geschäftslogik durch Ausrichtung
Diese Ausrichtungsschicht kodiert auch die Geschäftslogik – die Spielregeln für die KI-Schlussfolgerungen. Wenn sich ein Unternehmen beispielsweise das strategische Ziel setzt, das Kundenerlebnis zu verbessern, helfen OKR dabei, dies in messbare Geschäftsergebnisse für jedes Team umzusetzen. Mit strategischen Portfolio-Prioritäten, OKR und Framework auf Teamebene kann ein Agent Anpassungen des Backlog empfehlen oder Risiken bei der Zielerreichung aufzeigen. Ohne sie geht die Strategie leicht in der Übersetzung zwischen Führungskräften und Entwicklern verloren.
Vom Output zu den Resultaten
Ein weiteres Theme, das in der Diskussion immer wieder auftauchte, war die Verlagerung vom Output zum Geschäftsergebnis. Entwickler wollen nicht endlos an geringwertigen Backlog-Elementen arbeiten; CFOs wollen keine Aktivität um ihrer selbst willen. Beide wollen sinnvolle Fortschritte bei der Erreichung strategischer Ziele.
Alan beschrieb die OKR als das "Nervensystem" des Unternehmens, das Signale vom strategischen Portfolio (dem Gehirn) an jedes Team in der Organisation weiterleitet. "Jedes Team muss wissen, welchen Teil des Problems es löst", sagte er. "Andernfalls ist die Strategie die Elektronen nicht wert, in denen sie gespeichert ist."
Agentische KI wird dann leistungsstark, wenn sie diese Ebenen miteinander verbinden kann: Strategie-Portfolios, kaskadierende OKR und Planung auf Teamebene. Mit vertrauenswürdigen Daten können Agenten Engpässe aufdecken, die Aktivität im Einklang mit den strategischen Zielen neu ausrichten und das gesamte System auf Geschäftsergebnisse statt auf Output ausrichten.
Die Chance vor uns
Wie Razat in dem Gespräch darlegte, stehen die Führungskräfte im Technologiebereich unter dem Druck, mehr Produktivität, mehr Geschwindigkeit und bessere Qualität zu liefern und gleichzeitig steigende Investitionen zu rechtfertigen. Autonome Agenten können helfen, diese Lücke zu schließen, aber nur, wenn sie auf einer soliden Datenarchitektur aufbauen.
Und, wie Alan es aus einem anderen Blickwinkel zusammenfasste: "Wenn Sie Entwickler glücklich machen wollen, und Entwickler sind eine knappe Ressource, stellen Sie sicher, dass sie an sinnvollen, hohen Wert Dingen arbeiten. Das ist es, was der CFO will, und das ist es, was die Entwickler wollen."
Agentische KI ist keine Abkürzung. Es ist ein Verstärker. Unternehmen, die heute in kontrollierte, vernetzte 360-Grad-Daten investieren, werden morgen ihr volles Potenzial ausschöpfen.
Sehen Sie, wie Sie mit Planview AnviTM, Ihrer nächsten Generation von KI für vernetzte Aktivität, schnellere und intelligentere Entscheidungsfindung vorantreiben können. Mehr erfahren
