Wenn KI-Agenten Firmen prüfen, reicht eine alte Datenbank nicht mehr

Dun & Bradstreet hat seine gewaltige Firmendatenbank für eine neue Nutzergruppe umgebaut: nicht mehr nur Menschen, sondern KI-Agenten. Der Commercial Graph umfasst inzwischen rund 642 Millionen Unternehmen, Beziehungen, Konzernstrukturen und Risikoprofile. Genau diese Daten waren lange für Analysten, Kreditprüfer und Vertriebsteams gedacht. Jetzt sollen Maschinen damit arbeiten – und daran zeigt sich ein größeres Problem der nächsten KI-Welle.

Der Punkt ist nicht nur, dass KI-Agenten schneller suchen. Sie arbeiten anders. Ein Mensch kann uneindeutige Treffer prüfen, Rückfragen stellen oder mit Verzögerungen leben. Ein Agent, der in Kreditprüfung, Einkauf oder Lieferkettenanalyse eingebunden ist, braucht dagegen eindeutige Entitäten, geringe Latenz und eine belastbare Antwort. Wenn zwei Firmen ähnlich heißen oder sich Konzernstrukturen ändern, darf der Agent nicht einfach den nächstbesten Treffer nehmen.

Datenbanken für Menschen sind nicht automatisch agentenfähig

Laut VentureBeat war D&Bs Commercial Graph historisch kein einzelnes, sauberes System, sondern eine Sammlung verschiedener Datenbanken für unterschiedliche Märkte und Anwendungsfälle. Für Menschen war das beherrschbar. Für Agenten wurde es zum Architekturproblem. D&B hat deshalb Datenbanken konsolidiert, Schema und Datenfabric überarbeitet und eine einheitliche Wissensgraph-Struktur aufgebaut.

Interessant ist dabei vor allem die Verschiebung: Unternehmen reden viel über Agenten, aber die eigentliche Arbeit beginnt darunter. Daten müssen normalisiert, verknüpft, überprüfbar und maschinenlesbar werden. Sonst automatisiert man nicht Prozesse, sondern Unsicherheit.

„Know Your Agent“ wird zur neuen Unternehmenslogik

D&B geht noch einen Schritt weiter und behandelt Agenten nicht einfach wie API-Nutzer. Das Unternehmen führt ein Modell ein, bei dem Agenten registriert, einer verifizierten IP-Adresse zugeordnet und mit einem eigenen Zugriffsschlüssel versehen werden. Intern beschreibt D&B das als „Know Your Agent“ – angelehnt an Know Your Customer.

Das ist ein wichtiger Gedanke. Wenn KI-Agenten künftig Entscheidungen vorbereiten, Bestellungen auslösen oder Risiken bewerten, reicht klassische Nutzerverwaltung nicht mehr. Unternehmen müssen wissen, welcher Agent im Namen welcher Organisation handelt, welche Daten er sehen darf und ob mehrere Agenten in einem Workflow überhaupt noch über dieselbe Firma sprechen.

Der eigentliche Engpass ist Vertrauen, nicht das Modell

Die D&B-Geschichte zeigt, dass der nächste Engpass bei Unternehmens-KI nicht zwingend das Sprachmodell ist. Es sind Identität, Datenqualität, Entitätsauflösung und Quellenlinie. Jeder Agenten-Output muss rückverfolgbar sein: Welche Firma war gemeint? Welche Beziehung wurde geprüft? Aus welcher Quelle kam die Information?

Genau hier liegt der Unterschied zwischen Demo und produktivem Einsatz. Ein Chatbot kann sich irren und korrigiert werden. Ein Agent in Kredit-, Risiko- oder Lieferkettenprozessen kann durch eine falsche Entität konkrete wirtschaftliche Schäden verursachen.

Warum das größer ist als Dun & Bradstreet

D&B ist ein Sonderfall, weil das Unternehmen seit Jahrzehnten auf strukturierte Firmendaten spezialisiert ist. Trotzdem musste selbst diese Datenbasis für Agenten umgebaut werden. Für normale Unternehmen ist das die eigentliche Warnung: Wer seine Daten heute nur irgendwie in CRM, ERP, Excel, Data Warehouse und lokalen Sonderlösungen verteilt hat, wird Agenten nicht einfach „draufsetzen“ können.

KI-Agenten brauchen keine hübsche Oberfläche. Sie brauchen eindeutige Daten, Rechte, Identitäten, Aktualität und nachvollziehbare Herkunft. Genau das wird in vielen Unternehmen deutlich schwieriger sein als der Anschluss an ein neues KI-Modell.

Die Botschaft hinter D&Bs Umbau ist deshalb klar: Agentic AI beginnt nicht beim Agenten. Sie beginnt bei der Frage, ob die eigenen Daten überhaupt agentenfähig sind.

Quelle: VentureBeat / Dun & Bradstreet