Freigeben über

Säule 5: Technologie und Daten

Technologie und Daten bieten die Grundlage, die Agenten benötigen, um zuverlässig, sicher und in großem Umfang zu arbeiten.

Da Organisationen von kleinen Pilotprojekten zur Unternehmensbereitstellung von Agents wechseln, werden ad-hoc technische Auswahlmöglichkeiten und fragmentierter Datenzugriff schnell zu Einschränkungen. Ohne klare Architektur, Standards und Lebenszyklusverwaltung ist es schwierig, KI-Lösungen zu steuern, sie schwer zu bedienen und riskant zu skalieren.

Diese Säule konzentriert sich darauf, wie Organisationen die technischen und Datengrundlagen aufbauen, die erforderlich sind, um eine nachhaltige KI-Einführung von Entwicklung und Bereitstellung bis hin zur Überwachung und kontinuierlichen Verbesserung zu unterstützen.

Hinweis

Betriebs- und Lebenszyklusverwaltung sowie verantwortungsvolle KI und Vertrauen sind übergreifende Funktionen. Um eine klarere Reifebewertung zu unterstützen, trennt dieses Modell sie in unterschiedliche Säulen, obwohl sie in der Praxis in Sicherheits-, Technologie- und Prozessausführung eingebettet sind.

Warum Technologie und Daten für KI-Agenten wichtig sind

Agenten sind nur so effektiv wie die Technologie- und Datengrundlagen, auf die sie sich verlassen. Schwache Integration, inkonsistenter Datenzugriff oder fragile Architekturen begrenzen, was Agents tun und verhindern können, dass sie zuverlässig über Systeme hinweg funktionieren.

Um effektiv zu arbeiten, müssen Agenten zuverlässig arbeiten:

  • Grundlegendes zum Workflowkontext (Prozessstatus, Abhängigkeiten und Geschäftsregeln).
  • Rufen Sie die richtigen Informationen zum richtigen Zeitpunkt ab.
  • Ergreifen Sie Aktionen auf allen Systemen, indem Sie sichere, überprüfbare Integrationen verwenden.

Ohne starke Technologie und Datengrundlagen:

  • Agenten könnten auf Frage-und-Antwort-Aufgaben oder Einzelschritt-Aufgaben begrenzt bleiben.
  • Jeder neue Agent wird zu einem maßgeschneiderten ingenieurtechnischen Aufwand.
  • Risiken, Betriebsaufwand und Inkonsistenz wachsen schneller als der Geschäftswert.

Mit ausgereiften Grundlagen können Sie Agenten über verschiedene Prozesse hinweg wiederverwenden, zusammenstellen und orchestrieren. Teams können sich auf Workflowdesign und Wertrealisierung konzentrieren, anstatt die Infrastruktur neu zu erstellen.

Wie hohe Reife aussieht

Bei hoher Reife arbeitet die Organisation mit einer robusten KI-Plattform auf Unternehmensniveau.

Zu den Merkmalen gehören:

  • Standardisierte Agentarchitektur und -plattformen. Agents basieren auf genehmigten Plattformen mithilfe von freigegebenen Referenzarchitekturen, Vorlagen und Mustern.
  • Verwalteter, automatisierter Entwicklungslebenszyklus. Entwicklungs-, Test- und Produktionsumgebungstrennung, Quellcodeverwaltung, CI/CD, Genehmigungen und Rollback sind Standard für alle Produktionsmitarbeiter.
  • Sicherer, geregelter Daten- und Integrationszugriff. Agents verwenden genehmigte Connectors, verwaltete Identitäten und geregelte Datenquellen, wodurch der Schattenzugriff und die Verbreitung von Anmeldeinformationen eliminiert werden.
  • Explizite Bestandsaufnahme von Systemen und Integrationen. Systeme, APIs und Tools, mit denen Agenten interagieren, werden inventarisiert, besitzen Eigentümer und werden als freigegebene Architekturressourcen behandelt.
  • Wiederverwendbare Komponenten. Allgemeine Aktionen, Workflows und Integrationen werden einmal erstellt und wiederverwendet, um eine mehrstufige, systemübergreifende Ausführung zu ermöglichen.
  • Eingebaute Beobachtbarkeit und Auswertung. Nutzung, Qualität, Sicherheit und Leistung werden automatisch erfasst und kontinuierlich überprüft.

Bei hoher Reife aktualisieren Sie Architekturstandards, wenn neue Agentmuster entstehen (z. B. Multi-Agent-Orchestrierung). Verbundteams erstellen und stellen Agents schnell ohne zentrale Engpässe bereit, da Schutzschienen designbedingt eingebettet sind.

So lesen Sie die Fälligkeitstabelle

Die Tabelle zeigt, wie sich Technologie- und Datenfähigkeiten auf fünf Reifestufen entwickeln.

Beachten Sie für jede Ebene Folgendes:

  • Stand der Technik und Daten: Observable technische Merkmale.
  • Möglichkeit zum Fortschritt: Praktische Fokusbereiche, die die nächste Stufe ermöglichen.

Organisationen können auf verschiedenen Plattformen oder Domänen auf unterschiedlichen Ebenen arbeiten. Verwenden Sie die Tabelle, um das dominante Muster zu identifizieren und Verbesserungen zu priorisieren, die Skalierungseinschränkungen entfernen.

Technologie- und Datenreife

Grad Stand der Technologie und Daten Möglichkeit zum Fortschritt
100: Initial
  • Die Agentenarbeit ist explorativ und fragmentiert.
  • Teams experimentieren mit Eingabeaufforderungen oder einfachen Agents ohne einen definierten Technologieplan.
  • Der Datenzugriff ist ad hoc, häufig auf Dokumente in Microsoft 365 oder direkt systemanrufen ohne konsistente Abrufstrategie beschränkt.
  • Es gibt keine Klarheit darüber, wann SaaS-Agents verwendet werden sollen, anstatt benutzerdefinierte Agents zu erstellen, und keine gemeinsame Datenbasis, auf die Agents ihre Überlegungen stützen können.
  • Es gibt keine konsistenten Plattform-, ALM- oder Integrationsstandards.
  • Teams bauen Agenten als isolierte Prototypen und verwenden dabei keine Standardarchitektur.
  • Lösungen sind zerbrechlich, nicht dokumentiert und sind schwer wiederzuverwenden oder zu skalieren.
  • Definieren Sie einen anfänglichen Technologieplan.
  • Standardisieren Sie auf einer kleinen Gruppe genehmigter Plattformen. Beispielsweise ist Agent Builder in Microsoft 365 Copilot die Standardeinstellung für schnelle, wissensbasierte Agents in Microsoft 365; Copilot Studio ist der Standard für Agents, die Workflows, Integrationen und Enterprise-Lifecycle-Management erfordern.
  • Bestandsaufnahme, wo sich relevante Daten befinden, z. B. in Microsoft 365 oder Betriebssystemen, und dokumentieren Sie Lücken in der Konnektivität.
200: Wiederholbar
  • Teams konzentrieren sich auf eine kleine Gruppe von Plattformen (z. B. Agent Builder oder Copilot Studio), aber die Auswahlmöglichkeiten sind inkonsistent und werden eher von der Teampreferenz als von der Passgenauigkeit für den Anwendungsfall gesteuert.
  • Daten sind teilweise aufbereitet: Auf Microsoft 365-Inhalte kann zugegriffen werden, aber strukturierte Geschäftsdaten bleiben jedoch in Silos über Systeme hinweg mit begrenzten genehmigten oder verfügbaren Konnektoren.
  • Agenten verlassen sich auf grundlegende Abruf- oder Punkt-Integrationen, wobei sie dabei die Zuverlässigkeit und Wiederverwendbarkeit einschränken.
  • Die Trennung zwischen Entwicklungs- und Testumgebungen ist möglicherweise vorhanden, ALM und Telemetrie sind jedoch inkonsistent.
  • Die Versionssteuerung wird inkonsistent verwendet, und die Dokumentation ist einfach.
  • Muster werden von der individuellen Teamerfahrung und nicht von unternehmensorientierten Anleitungen gesteuert.
  • Standardisieren Sie, wo Sie Agents erstellen: Verwenden Sie Agent Builder oder Copilot Studio absichtlich basierend auf Umfang und Komplexität.
  • Definieren von Referenzarchitekturen und Integrationsmustern.
  • Standardisieren Sie ALM-Methoden, und führen Sie grundlegende Telemetrie ein.
  • Richten Sie Standardlösungsvorlagen, genehmigte Connectors und grundlegende CI/CD-Pipelines ein, um Konsistenz zu fördern und Überarbeitungen zu reduzieren.
300: Definiert
  • Ein dokumentierter Technologieplan ist vorhanden.
  • Die Organisation unterscheidet konsistent zwischen SaaS-Agents,Copilot Studio-Agents und erweiterten Buildpfaden.
  • Die Datenarchitektur folgt einem klaren Muster: Microsoft 365 für Zusammenarbeitsinhalte und Fabric OneLake für einheitliche Geschäftsdaten.
  • Daten werden mit einer Medallion-Architektur organisiert, sodass Agenten Antworten auf validierte Quellen stützen können.
  • Die Organisation dokumentiert, wo wichtige Daten leben und wie Agents darauf zugreifen sollen.
  • Standardplattformen, Referenzarchitekturen und Integrationsmuster werden definiert und wiederverwendet.
  • ALM-Praktiken werden für Produktionsmitarbeiter eingerichtet.
  • Teams verwenden ein strukturiertes Designframework , um die Agententwicklung zu planen.
  • Stärken Sie Skalierbarkeit, Sicherheit und Beobachtbarkeit.
  • Betten Sie Überwachung, Protokollierung und Auswertung in die Standardarchitektur ein, und stellen Sie sicher, dass Datenzugriffsmuster vollständig geregelt sind.
  • Überprüfen Sie den Bedarf von Einzel-Agenten gegenüber Multi-Agenten durch strukturierte Experimente.
  • Erweitern und zertifizieren Sie Datasets für hochwertige Domänen.
400: Fähig
  • Technologie- und Datengrundlagen sind unternehmensgerecht.
  • Es gibt klare Einblicke in Systeme, APIs und Daten, die über Workflows hinweg verwendet werden.
  • Sichere Zugriffsmuster, zentralisierte Telemetrie und automatisierte Auswertungen sind Standard.
  • Bereitstellungen sind automatisiert und zuverlässig.
  • Zentrale Überwachung und Telemetrie bieten Einblicke in das Agentverhalten und die Leistung in der gesamten Organisation.
  • Verwenden Sie Copilot Studio für prozessorientierte Agents und Microsoft Foundry für erweiterte Szenarien bei Bedarf.
  • Wechseln von der zentralen Ausführung zur Verbundbereitstellung.
  • Betten Sie Schutzschienen in Plattformen ein, erweitern Sie Self-Service sicher und entwickeln Sie Standards, um höhere Autonomie und neue Agentenmuster zu unterstützen.
  • Bewerten Sie neue Funktionen und Muster, und integrieren Sie sie in Standards, wo sie Wert hinzufügen.
500: Effizient
  • Technologie- und Datengrundlagen entwickeln sich kontinuierlich basierend auf Telemetrie und neuen Agentmustern weiter.
  • Workflowdatenmodelle und Integrationen werden aktiv als freigegebene Unternehmensressourcen verwaltet.
  • Vernetzte Teams arbeiten unabhängig, während Schutzvorkehrungen standardmäßig für Qualität sorgen.
  • Die Organisation betreibt eine ausgereifte, optimierte KI-Plattform.
  • Architektur unterstützt komplexe Szenarien mit mehreren Agents und Verbundentwicklung im großen Maßstab.
  • Eine kontinuierliche Verbesserung der technischen Standards ist in das Betriebsmodell eingebettet.
  • Halten Sie Qualität durch kontinuierliche Architekturüberprüfung, Experimentierung und Wissensaustausch aufrecht.
  • Investieren Sie in die Plattformentwicklung, um den aufkommenden KI-Mustern und Anforderungen einen Schritt voraus zu sein.

Allgemeine Antimuster

Sehen Sie sich diese Anzeichen an, dass Technologie und Datengrundlagen ihre KI-Agent-Einführung einschränken können.

Level 100 – Initial: "Demogesteuertes Experimentieren"

  • Teams erstellen Agents vollständig in Aufforderungen ohne echte Daten- oder Aktionsintegration. Dieser Ansatz schafft beeindruckende Demos, die bei echten Workflows oder Randfällen nicht bestehen können.
  • Teams umgehen ordnungsgemäße Konnektoren und Governance, um das System einfach zum Laufen zu bringen, was Sicherheits-, Compliance- und Zuverlässigkeitsrisiken schafft.
  • Agents werden von persönlichen Konten oder Testmandanten ohne eindeutigen Besitzer, Lebenszyklus oder zum Produktiveinsatz betrieben.
  • Teams fördern experimentellen Code oder Konfigurationen direkt in die Produktion ohne ALM-, Test- oder Rollbackpläne.

Level 200 – Wiederholbar: "Hero Engineering"

  • Teams implementieren Connectors unabhängig voneinander zu denselben Systemen, was zu Duplizierung und Inkonsistenz führt.
  • Nur wenige Personen verstehen, wie Systeme wirklich funktionieren, und die Dokumentation ist spärlich oder veraltet.
  • Einige Agents verfügen über Entwicklungs-, Test- und Produktionsumgebungen. Andere nicht. Der Übergang zur Produktion erfolgt manuell und ist fehleranfällig.
  • Der Fortschritt hängt von bestimmten Ingenieuren und nicht von wiederverwendbaren Mustern und gemeinsamen Diensten ab.
  • Teams verstehen einige Datenabhängigkeiten, aber nicht genug, um die End-to-End-Ausführung zu ermöglichen.

Ebene 300 – Definiert: "Prozess vor Ermöglichung"

  • Hohe Architekturanforderungen gelten für einfache Agents, was die Zustellung verlangsamt und Teams frustriert.
  • Referenzarchitekturen und Standards sind vorhanden, aber nicht in Vorlagen oder Tools eingebettet.
  • Muster funktionieren für Pilotprojekte, werden jedoch nicht skaliert, über Domänen hinweg oder unter Last überprüft.
  • Eine kleine Gruppe trifft alle Entscheidungen, was den Durchsatz einschränkt, Frust verursacht und dazu führt, dass Teams das Interesse verlieren.

Level 400 – leistungsfähig: "Stabil, aber langsam"

  • Plattformen sind solide, aber nur einige Teams können Agents erstellen oder bereitstellen.
  • Dashboards sind vorhanden, aber Erkenntnisse fördern keine Priorisierungs-, Verbesserungs- oder Einstellungsentscheidungen.
  • Teams schränken Agenten auch dann eng ein, wenn Daten zeigen, dass sie sicher mehr tun können.
  • Der Fokus liegt auf der Optimierung vorhandener Agents, anstatt neue Muster oder Funktionen zu aktivieren.

Stufe 500 – Effizient: "Selbstzufriedene Reife"

  • Teams betrachten Plattformen und Standards als abgeschlossen, trotz sich schnell wandelnder Muster von Agenten.
  • Leitplanken existieren, werden jedoch nicht aktualisiert, was im Laufe der Zeit zu Divergenz und Inkonsistenz führt.
  • Teams tun die Multi-Agenten-Orchestrierung, höhere Autonomie oder neue Ausführungsmuster als "zukünftige Arbeiten" ab.
  • Da Agents fähiger werden, aktualisieren Teams keine Kontrollen und Auswertungen in demselben Tempo.

Verwenden dieser Säule in der Praxis

Technologie und Daten sind Enabler.

Wenn Ihre Einführung reift:

  • Technische Genauigkeit sollte die Reibung reduzieren, nicht die Teams bremsen.
  • Standards sollten sichere Experimente und Wiederverwendung beschleunigen.
  • Plattformtelemetrie sollte Governance, Betrieb und Wertrealisierung informieren.

Starke Technologie- und Datengrundlagen ermöglichen Es Organisationen, KI-Agents zuverlässig zu skalieren, da Zuverlässigkeit, Sicherheit und Kontrolle Innovationen unterstützen.

Nächster Schritt

Erfahren Sie als Nächstes, wie die Bereitschaft und Kultur der Organisation Personen, Rollen und Anreize ermöglichen, nachhaltige, agent-first-Arbeitsweisen zu unterstützen.

Säule 6: Organisationsbereitschaft und Kultur

  • Last updated on