Fivetran und dbt Labs empfehlen offene Dateninfrastruktur als Basis für agentenbasierte Beratung

Aufwandsbasierte Preismodelle unter Druck

Bradbury, Head of Global Strategic Consulting Partnerships bei dbt Labs, beginnt mit einem einfachen Vergleich. Arbeit, für die früher 3 Analysten 3 Wochen brauchten, also Daten beschaffen, Definitionen abgleichen, ein Modell bauen, Ergebnisse validieren und eine Präsentation erstellen, könne ein Agent mit Anbindung an sauber verwaltete Daten heute an einem Nachmittag erledigen, schreibt er.

Seine These: Das sprenge eine Branche, die traditionell nach Stunden oder Köpfen abrechnet. Der Arbeitsaufwand für eine Analyse sei zusammengebrochen, der Wert der Entscheidung, die sie stützt, dagegen nicht. Als Beleg verweist er auf Studien der Beratungshäuser selbst. Laut dem Beitrag sagt BCG, etablierte Liefermodelle gerieten unter Druck, wenn Unternehmen Systeme einsetzen, die ganze Prozesse autonom planen und ausführen können. PwC wiederum beschreibe, wie die klassische Beratungspyramide einer Sanduhr weiche.

Hohe Nachfrage, aber ein verändertes Produkt

Der Beitrag betont, dass die Nachfrage nicht sinkt. Er zitiert die Schätzung von Gartner, wonach mehr als 60 % der Organisationen innerhalb von 2 Jahren KI-Agenten einsetzen wollen, aktuell aber erst 17 % dies getan haben. Hinzu kommt eine BCG-Studie unter 115 Führungskräften aus Unternehmen und 75 Führungskräften von Dienstleistern, die in den kommenden 5 Jahren bis zu 200 Milliarden Dollar an neu entstehendem Wertschöpfungspotenzial beziffert.

Zwei Drittel der Unternehmen erwarten laut dieser Studie, dass Dienstleister und nicht die eigenen Beschäftigten ihre vorrangigen agentenbasierten KI-Anwendungsfälle betreiben. Bradburys Schlussfolgerung: Unternehmen zahlen viel für Ergebnisse, haben aber weniger Grund, für den menschlichen Aufwand zu zahlen, der diese früher hervorbrachte.

Kontext ist die knappe Ressource

Dem Beitrag zufolge werden Beratungen nicht dafür engagiert, Intelligenz zu liefern, denn das leisten die führenden KI-Labore bereits günstig. Knapp sei der Kontext: was das Geschäft bedeutet, was seine Systeme erlauben und was ein Agent tun darf. Bradbury weist darauf hin, dass Gartner erwartet, dass mehr als 40 % der Agentic-AI-Projekte bis Ende 2027 eingestellt werden.

Er listet Fehlschläge auf, die er auf fehlenden Kontext statt auf schwache Schlussfolgerungen zurückführt:

• 2024 verpflichtete ein kanadisches Gericht Air Canada, einen Passagier zu entschädigen, nachdem der Chatbot eine Trauerfall-Tarifregel erfunden hatte.
• Im Juli 2025 löschte ein Coding-Assistent von Replit während eines Code Freeze eine Produktionsdatenbank.
• Klarna, das behauptet hatte, sein KI-Agent erledige die Arbeit von 853 Beschäftigten und spare 60 Millionen Dollar, wurde später als „Paradebeispiel für misslungene KI-Einführungen“ bezeichnet.

Er ergänzt, rund 80 % der Unternehmen nennten die Datenqualität als größtes Hindernis für den KI-Einsatz, und laut Fivetrans Readiness-Index seien nur 15 % voll vorbereitet. Festzulegen, was als Kunde gilt, welche von 4 konkurrierenden Margenberechnungen für Entscheidungen maßgeblich ist oder welche Churn-Definition der Vorstand nutzt, sei Urteilsarbeit, die sich schwer automatisieren lasse. Liege diese Arbeit im proprietären Stack eines einzelnen Anbieters, könne sie weder durchgängig gesteuert noch für den nächsten Kunden wiederverwendet werden, argumentiert er.

Was Open Data Infrastructure bedeutet

Fivetran und dbt Labs verwenden den Begriff Open Data Infrastructure für ein offenes, kontrolliertes Fundament. Im Zentrum steht ein Data Lake auf Basis offener Tabellenformate wie Apache Iceberg oder Delta Lake, die es mehreren Engines erlauben, dieselben Daten sicher zu lesen und zu schreiben. Speicher und Rechenleistung sind entkoppelt, sodass ein Kunde pro Workload die beste Engine wählen kann. Genannt werden Snowflake, Databricks und GCP.

Darüber liegen drei Schichten:

• Lineage, die zeigt, woher Daten stammen und ob ihnen zu trauen ist.
• Eine semantische Schicht, damit Menschen und Agenten „Umsatz“ identisch interpretieren.
• Governance, die festlegt, was ein Agent sehen, entscheiden und ändern darf.

Laut dem Beitrag verschafft das Kunden zwei Freiheiten: den Wechsel zwischen Engines, ohne Definitionen neu aufbauen zu müssen, sowie den Einsatz von Databricks Mosaic AI, Snowflake Cortex, Google Vertex AI oder Amazon Bedrock, auch mehrerer zugleich, weil die Daten nicht an einen Anbieter abgetreten werden.

Drei Servicelinien und eine Reifegradleiter

Bradbury zufolge lässt sich die Chance von 200 Milliarden Dollar über 3 auf ODI aufbauende Servicelinien erschließen. Beim AI Workflow Design werden Daten für die Nutzung durch Agenten statt für ein Dashboard modelliert, sodass viele kleine, steuerbare Agenten statt eines Monolithen entstehen. Die AI Cost Architecture, von ihm als FinOps der nächsten Generation bezeichnet, gilt als das am wenigsten umkämpfte Feld, weil kaum eine Beratung dafür Personal aufgebaut hat. Governed AI Deployment werde den Preisaufschlag rechtfertigen: Etwa ein Fünftel der Unternehmen verfüge über ausgereifte Agenten-Governance, und rund die Hälfte der Initiativen in den Fachbereichen laufe völlig ohne Aufsicht, und das, während die Pflichten des europäischen AI Act greifen.

Für den Vertrieb schlägt er vor, jeden Kunden auf einer Leiter zu verorten: von verstreuter Logik und Demo-Agenten über versionierte Transformation und sichtbare Kosten bis zu zentral verantworteten Definitionen in einer semantischen Schicht und schließlich maschinenlesbarer Governance. Kunden könnten keine Stufe überspringen, schreibt er, und eine Diagnose lasse sich leichter verkaufen als eine Transformation. Der vorliegende Auszug endet, bevor der Beitrag seine Schlussargumentation abschließt.