Agentische KI im Dialog mit Ihren Daten

Vom Data Mesh zum Datenzugang

Der Kunde, ein bedeutendes Unternehmen in der Automobilindustrie, hatte bereits eine Data-Mesh-Architektur etabliert, mit Datenprodukten, die über viele Domänen hinweg verwaltet werden. Die Data Ownership ist dezentral, Metadaten sind katalogisiert und das technische Fundament basiert auf einer etablierten Datenplattform. Das Data Mesh selbst wurde gemeinsam mit mmkdigital konzipiert und mitentwickelt.

Doch während die organisatorischen und technischen Grundlagen für skalierbares Datenmanagement vorhanden waren, blieb der Zugang zu den Daten eine Herausforderung. Fachanwender, die Dateneinsicht benötigten (für Produktionsplanung, Konfigurationsanalysen oder domänenübergreifendes Reporting), waren auf Analysten angewiesen, die SQL-Abfragen schrieben. So entstand ein bekannter Engpass: Anfragen stauten sich, Bearbeitungszeiten erstreckten sich auf Tage und der Datenzugang blieb trotz technischer Machbarkeit durch die Verfügbarkeit der Analysten limitiert.

Die Frage lautete: Wie kann die Stärke der Data-Mesh-Architektur für Endanwender aus den Fachbereichen nutzbar gemacht werden?

Das Data Mesh gab der Organisation Ownership und Struktur. Was fehlte, war ein direkter Draht der Fachanwender zu diesen Daten, ohne Kompromisse bei Qualität oder Governance.

Johannes BitschPrincipal IT Architect

Die Daten sind vorhanden, aber nicht zugänglich

Das Data Mesh hatte das Problem von Data Ownership und Datenqualität im großen Maßstab gelöst. Doch ein neuer Reibungspunkt war entstanden: die letzte Meile zwischen strukturierten Daten mit klaren Governance-Regeln und den Fachanwendern, die sie brauchten.

Analysten agierten als Vermittler: Sie nahmen Anfragen entgegen, übersetzten sie in SQL, führten Abfragen über ein oder mehrere Datenprodukte aus und lieferten Ergebnisse. Für einfache Suchen war das handhabbar, doch bei domänenübergreifenden Abfragen, also der Kombination von Daten aus verschiedenen Datenprodukten unterschiedlicher Organisationseinheiten und Domänen, wuchs die Komplexität schnell. Abfragen erforderten oft Joins über mehrere Datenprodukte, tiefes Wissen zum Datenmodell und sorgfältigen Umgang mit Sonderfällen, etwa der Unterscheidung von Modellvarianten oder dem Ausschluss bestimmter Konfigurationscodes.

Das Ergebnis: Die Rückmeldung zu einer Abfrage benötigte Tage und ein Ticket musste erstellt werden. Fachanwendern fehlte die Autonomie, Analysten waren mit repetitiven Anfragen überlastet und das volle Potenzial von Data Mesh blieb hinter technischer Expertise verschlossen.

In den vergangenen 20 Jahren brauchte das Team immer hochqualifizierte Data Engineers, die tief im operativen Geschäft verankert waren. Und jedes Mal, wenn eine dieser Fachkräfte in den Ruhestand ging, wurde die Lücke schmerzhafter.

Product Owner Data AnalyticsKunde

Portabel, wiederverwendbar, LLM-agnostisch

Das Ziel war klar: Fachanwender sollen Datenprodukte in natürlicher Sprache abfragen können, um Self-Service zu ermöglichen und die Wartezeit auf ein Minimum zu reduzieren.

Über den unmittelbaren Anwendungsfall hinaus definierten mmkdigital und der Kunde eine Reihe strategischer Designprinzipien:

• Plattformunabhängigkeit: Die Lösung darf nicht an ein einzelnes LLM, Agent-Framework oder einen Cloud-Anbieter gebunden sein. Kernlogik und Datenzugriff sollen über Umgebungen hinweg wiederverwendbar sein.
• Separation of Concerns: Data Discovery (die richtigen Datenprodukte finden) und Data Querying (tatsächliche Ergebnisse abrufen) sollen sauber getrennt sein, um unabhängige Weiterentwicklung und Wiederverwendung zu ermöglichen.
• Kontexteffizienz: Der Agent muss intelligent nur relevante Datenprodukte auswählen, um das Kontextfenster des LLM nicht zu überladen, denn das würde die Antwortqualität verschlechtern.
• Bestehende Infrastruktur nutzen: Die Lösung soll auf der etablierten Datenplattform und dem Datenkatalog aufbauen, statt Parallelsysteme einzuführen.
• Observability: Agentenverhalten und Latenz müssen nachvollziehbar und überwachbar sein, um Debugging und kontinuierliche Verbesserung zu ermöglichen.

Als wir anfingen, mit dem Fachbereich zu sprechen und seine Schmerzpunkte zu verstehen, wurde schnell klar, dass eine agentische Lösung zu einer großen Entlastung führen würde. Die Lösung musste gelingen.

Alexander RengersSenior IT Architect

Architektur, Prototypentwicklung und Nachweis der Portabilität

mmkdigital verantwortete das End-to-End-Architekturdesign sowie die POC- und Prototyp-Implementierung. Im Mittelpunkt der Lösung steht ein KI-Agent, der mit dem Strands Agents SDK entwickelt wurde und Claude Sonnet 4.6 auf AWS Bedrock als zugrunde liegendes LLM sowie Chainlit als Frontend für die Konversation nutzt. Dieser Technologie-Stack bietet ein ausgereiftes Fundament für agentische Systeme im Enterprise-Bereich. Nutzer interagieren mit dem System in natürlicher Sprache, während der Agent automatisch die relevanten Metadaten identifiziert, die Absicht der Anfrage interpretiert und die passende SQL-Abfrage generiert. Vor der Ausführung wird die Abfrage mit Erklärungen zur Prüfung und Freigabe vorgelegt. Das sorgt für volle Transparenz und Kontrolle. Nach der Bestätigung wird die Abfrage ausgeführt und die Ergebnisse liegen in Sekunden vor. Observability wird durch Phoenix-Tracing ermöglicht und liefert vollen Einblick in Reasoning- und Ausführungspfade des Agenten, während Plotly als benutzerdefiniertes Tool geschäftstaugliche Visualisierungen direkt aus Abfrageergebnissen erzeugt.

Aus Nutzersicht läuft es so: Eine Frage geht an den Agenten. Der Agent identifiziert automatisch die relevanten Metadaten, interpretiert die Absicht und generiert auf Basis der verfügbaren Datenstruktur die passende SQL-Abfrage. Vor der Ausführung wird die Abfrage über einen Handoff-Schritt zur Prüfung und Bestätigung vorgelegt. Nach der Freigabe wird sie ausgeführt und präzise Ergebnisse liegen in kurzer Zeit vor.

Die zentrale architektonische Innovation liegt im Muster der zwei MCP-Server.

Zusätzliche MCP-Server für Datasphere und DuckDB erweitern die Architektur um Abfragefähigkeiten über mehrere Plattformen.

Proof of Portability: Nachdem die KI-Strategie des Kunden Copilot Studio als Standard-Agenten-Plattform verkündete, portierte mmkdigital die Lösung mit denselben MCP-Servern und einem angepassten System-Prompt. Trotz des Wechsels von Claude Sonnet 4.6 zu GPT-5 waren die Ergebnisse inhaltlich gleich. Das belegt die Unabhängigkeit der Architektur von LLMs und Agenten-Frameworks.

Der Port auf Copilot Studio war ein wichtiger Nachweis. Dieselben MCP-Server, anderes LLM und Framework: Trotzdem lieferte der Agent Antworten in vergleichbarer Qualität.

Efstratios BaxivanelisProfessional IT Architect

Aus Tagen werden Minuten

Die unmittelbarste Wirkung zeigt sich in der Zeit: Abfragen, die zuvor Analysten erforderten und bis zu zwei Tage dauerten, können jetzt direkt beantwortet werden. Der Agent übernimmt die komplexen Aufgaben der Datenermittlung, Abfrageerstellung und der domänenübergreifenden Joins, für die zuvor fundierte technische Kenntnisse nötig waren.

Neben dem Zeitgewinn verändert die Lösung das Betriebsmodell. Analysten werden von repetitiver Arbeit befreit und können sich auf wertschöpfendere Analysen konzentrieren. Fachanwender können nun autonom arbeiten und Daten iterativ auswerten, indem sie Folgefragen stellen, Abfragen verfeinern und die Ergebnisse im Dialog mit dem Agenten untersuchen.

Der erfolgreiche Port auf Copilot Studio zeigte, dass die Architektur ihr Portabilitätsversprechen einlöst. Die Organisation ist nicht an den Technologie-Stack gebunden. Während sich LLMs und Agent-Frameworks weiterentwickeln, bleibt die Kerninvestition in MCP-Server, Metadaten-Indexierung und Abfragelogik vollständig wiederverwendbar.

Die erste Version des Agenten nähert sich jetzt der Produktionsreife.

Über das Proof-of-Concept-Stadium hinaus liefert die Lösung unmittelbaren Mehrwert. Mit einem Fundament, das auf langfristige Skalierbarkeit ausgelegt ist.

Johannes BitschPrincipal IT Architect

Fazit

Was als Herausforderung hinsichtlich der Datenzugänglichkeit in einer ausgereiften Data-Mesh-Umgebung begann, hat sich zu einem Entwurf dafür entwickelt, wie generative KI greifbaren geschäftlichen Mehrwert schaffen kann, ohne Anbieterabhängigkeit.

mmkdigital hat eine Lösung konzipiert und implementiert, die den Mehrwert von über 40 Datenprodukten in natürlicher Sprache direkt zu den Fachanwendern bringt. Durch die Trennung von Data Discovery und Data Querying in separaten MCP-Servern erzielt die Architektur eine saubere Separation of Concerns, die sich in Flexibilität, Wartbarkeit und Portabilität auszahlt. Die RAG-basierte Discovery-Ebene stellt sicher, dass der Agent auch bei wachsender Zahl von Datenprodukten effizient arbeitet, während die Query Engine die Komplexität domänenübergreifender Joins und feingranularer Filterlogik übernimmt.

Für Transparenz und Nutzerkontrolle folgt das System einem Human-in-the-Loop-Ansatz: Vor der Ausführung wird die generierte SQL-Abfrage dem Nutzer mit Erläuterungen zur Prüfung und Freigabe vorgelegt.

Der Proof of Portability ist vielleicht der stärkste Beleg für das Design der Architektur: Dieselben MCP-Server liefen sowohl mit dem Strands Agents SDK (Claude Sonnet 4.6) als auch mit Copilot Studio (GPT-5) erfolgreich, mit nahezu identischen Ergebnissen. Das zeigt: Der eigentliche Wert liegt nicht in einem einzelnen LLM, sondern in dessen Ergänzung durch hocheffizientes Context Engineering und eine gut strukturierte Datenzugriffsschicht.

Für den Kunden ist das Ergebnis messbar: schnellerer Datenzugang, befähigte Fachanwender und eine KI-Architektur, die bereit ist für das, was kommt. Für mmkdigital bestätigt das eine Grundüberzeugung: Tragfähige KI-Lösungen basieren auf tragfähiger Architektur. Und tragfähige Architektur ist auf Langlebigkeit ausgelegt und unabhängig davon, welches Modell oder welche Plattform sie ermöglicht.

Ihre Herausforderung,unsere Leidenschaft.

Schildern Sie uns Ausgangslage und Ziel. Gemeinsam konzipieren wir eine geeignete Lösung und setzen sie um.