Die Prozess-Kontextschicht: Was Enterprise AI braucht, bevor sie handelt
Gartner warnt, dass fehlende Semantik AI-Agenten ungenau, teuer und riskant macht. Für operative Arbeit reicht Datenbedeutung allein nicht: Agenten brauchen Prozesszustand, Verantwortlichkeit, Kontrollen, externe Signale und nachvollziehbare Aktionen.
Gartners Forschung zu Semantik vom Mai 2026 ist eine klare Warnung für Enterprise-AI-Programme. Gartner sagt, AI-Agenten brauchen Kontext in jedem Schritt des agentischen Workflows. Fehlende Semantik macht Agenten ungenau und ineffizient und erhöht verschwendete Ausgaben sowie Governance-Risiken.
Gartner sagt auch, Data-&-Analytics-Verantwortliche sollten eine Context Layer als Teil ihrer Infrastruktur aufbauen, weil traditionelle schema-basierte Datenmodelle zu wenig Geschäfts- und Datenbedeutung enthalten. Gartner prognostiziert, dass Organisationen, die Semantik in AI-ready Data priorisieren, bis 2027 die Genauigkeit agentischer AI um bis zu 80% erhöhen und Kosten um bis zu 60% senken.
Das muss sauber eingeordnet werden. Gartner spricht über Semantik und Datenkontext. Gartner empfiehlt damit nicht Geist und sagt auch nicht: “Kauft ein Prozess-Tool.”
Unsere Ableitung ist enger und für Operations nützlicher: Enterprise AI braucht zusätzlich eine Prozess-Kontextschicht.
Was eine Prozess-Kontextschicht ist
Eine semantische Schicht hilft einem Agenten zu verstehen, was ein Feld, Objekt, Kunde, Lieferant, Vertrag oder eine Beziehung bedeutet.
Eine Prozess-Kontextschicht hilft dem Agenten, die operative Situation um die Arbeit herum zu verstehen:
- Welcher Prozess ist das?
- Welcher Schritt ist aktiv?
- Welcher Fall, Kunde, Auftrag, Versand, Standort, Mitarbeiter oder welches System ist betroffen?
- Was sagt das Zielmodell?
- Was zeigen Live-Ausführungsdaten wirklich?
- Welche Rolle, Policy, Jurisdiktion, SLA, Freigabe oder Kontrolle gilt?
- Welches externe Ereignis könnte die richtige Aktion verändern?
- Darf diese Aktion automatisiert, entworfen, eskaliert, simuliert oder blockiert werden?
- Bleibt nach der Agentenaktion ein Audit Trail erhalten?
Diese Schicht fehlt vielen Agenten-Demos. Der Agent kann Daten lesen und Tools aufrufen, aber er versteht die Arbeit nicht tief genug.
Warum generischer Datenkontext nicht reicht
Generische Datenplattformen sind stark bei Speicherung, Zugriff, Governance, Analytics und vereinheitlichten Geschäftsobjekten. Das zählt. Ohne saubere Datenbasis funktioniert kein ernsthaftes AI-System.
Die Schwachstelle zeigt sich, wenn der AI-Agent innerhalb eines Prozesses handeln soll. Eine Datenplattform kann erklären, was “Kunde”, “Rechnung”, “Werk” oder “Lieferung” bedeutet. Sie erklärt nicht automatisch, ob diese Rechnung in einer normalen Variante liegt, ob sich die Freigaberoute geändert hat, ob eine Verzögerung durch Kapazität oder einen Hafenstau entsteht, ob der nächste Schritt reversibel ist oder ob ein Mensch vor Ausführung prüfen muss.
Enterprise AI scheitert oft in der Lücke zwischen “die Daten sind verfügbar” und “die Aktion ist erlaubt, nützlich, messbar und auditierbar.”
Diese Lücke ist Prozesskontext.
BPMN, Policies, Owner, Entscheidungspunkte, Systeme und Ausnahmewege.
Event Logs, APIs, importierte Dateien, Nachrichten, Screen-Evidenz und Varianten.
Rollen, Freigaben, Capability Scopes, Blast Radius, Audit und Undo-Historie.
Wetter, Zölle, Sanktionen, Häfen, Lieferanten, Standorte und Störungssignale.
Agentenvorschläge, Human Review, akzeptierte Aktionen, Outcomes und Modellupdates.
Was diese Schicht enthalten muss
1. Das Modell der beabsichtigten Arbeit
Agenten brauchen Struktur. BPMN, Verantwortlichkeiten, Workflows, Entscheidungspunkte, Eskalationspfade und Policies machen aus vager Arbeit ein lesbares Betriebsmodell.
Deshalb bleibt Prozessmodellierung relevant. Das Modell gibt dem Agenten Grenzen: erlaubter Pfad, Ausnahmefall, Owner, Regel, Dokument, System und Übergabe. Ohne diese Struktur improvisiert ein Agent mit Teilkontext.
Geist-Passung: Die öffentliche Vision ist das lebendige Betriebsmodell, kein statisches Prozessarchiv. Unsaubere Evidenz wird zu bearbeitbarem BPMN, und das Modell bleibt mit Ausführung verbunden.
2. Beobachtete Ausführung
Das Modell muss gegen Realität geprüft werden. Eventlogs, API-Daten, importierte Dateien, CRM- und ERP-Datensätze, Nachrichten, Screen-Evidenz, Sensorsignale und Evidenz aus der Fläche zeigen, was Arbeit wirklich getan hat.
Das darf kein hübsches Zusatzbild sein. Wenn der Agent eine Korrektur vorschlägt, sollte er wissen, ob der Engpass aus Rework, fehlenden Daten, Wartezeit, Kapazität, Lieferantenverzug, Systemausfall, Policy-Reibung oder einer zufällig normal gewordenen Variante entsteht.
Gartners Process-Intelligence-Kategorieseite zeigt in diese Richtung. Gartner definiert Process Intelligence Platforms als Tools, die Prozesse minen, analysieren, modellieren, gestalten und überwachen, mit Fähigkeiten wie Process Mining, Modellierung und Design, Root-Cause-Analyse, Simulation, Alerts, KPI-Reporting, Anomalieerkennung und interaktiver Entscheidungsunterstützung.
Geist-Passung: Process Mining, Varianten, Konformitätsprüfungen, modellgebundene Analyse, Konnektoren, Importe und Analytics liegen auf derselben Prozessoberfläche, nicht in einem Report für ein anderes Team.
3. Verantwortung und Kontrollen
Agenten sollten nicht jeden Workflow-Schritt gleich behandeln. Manche Aktionen sind sicher genug für einen Entwurf. Manche können bei niedrigem Risiko auto-freigegeben werden. Manche brauchen Legal, Finance, Security, Betriebsrat, Operations oder Management. Manche sollten nie von einem Agenten ausgeführt werden.
Eine Prozess-Kontextschicht braucht Org-Struktur, Rollen, Verantwortung, Capability Scopes, Freigaberegeln, Blast Radius, Audit und Undo-Historie.
Geist-Passung: Org Graph, Org-Isolation, role-scoped Tools, Preview- und Review-Modus, freigabepflichtige Action Proposals, Audit-Historie und Undo/History machen Kontrolle dort sichtbar, wo der Prozess verändert wird.
4. Externe Realität
Das ist Geist-Ableitung, keine Gartner-Anforderung.
Viele Prozesse scheitern, weil sich etwas außerhalb des Systems of Record verändert: Wetter, Zölle, Sanktionen, Schiffsbewegungen, Hafenstau, Lieferantenrisiko, geopolitische Ereignisse, Arbeitskämpfe, Infrastrukturprobleme oder regionale Störungen.
Ein normales Dashboard kann sagen, dass ein Ereignis passiert ist. Eine Prozess-Kontextschicht sollte beantworten: welcher Prozess, Flow, Owner, Standort, Kunde, Lieferant, SLA und welche Entscheidung sind betroffen?
Geist-Passung: World Signals, Location Workbench, Supply-Chain-Flows, Live-Event-Overlays, Alert Intelligence und prozessgebundene externe Risiken verbinden das externe Ereignis mit der nächsten operativen Aktion.
5. Kontrollierte Aktion und Feedback
Automatisierung besteht nicht mehr nur aus deterministischen Klickpfaden oder brüchigen API-Ketten. Agenten können entwerfen, routen, vergleichen, planen, Tools aufrufen und Systeme koordinieren. Dadurch wird die Kontrollschleife wichtiger, nicht weniger wichtig.
Die nützliche Schleife ist einfach:
- Beobachten, wie Arbeit läuft.
- Das Prozessmodell aktuell halten.
- Reibung und Risiko diagnostizieren.
- Kontrollierte Aktion vorschlagen oder ausführen.
- Das Ergebnis zurück ins Modell führen.
In dieser Schleife wird Enterprise AI nützlich. Dort wird leichtfertige AI aber auch gefährlich.
Geist-Passung: Suggested Fixes, Action Proposals, Review Widgets, Automation, Audit und Outcome-Historie unterstützen die Schleife von Evidenz zu Aktion und zurück ins Modell.
Fragen, die Käufer stellen sollten
Die Käuferfrage ist nicht: “Habt ihr KI-Agenten?” Darauf sagt inzwischen jeder Ja.
Bessere Fragen:
- Welchen Kontext liest der Agent, bevor er handelt?
- Versteht er das Prozessmodell oder nur das Datenobjekt?
- Kann er Zielprozess und beobachtete Varianten vergleichen?
- Kennt er Owner, Rolle, Freigabeschwelle, Jurisdiktion, SLA und Ausnahmezustand?
- Kann er externe Ereignisse mit betroffenen Prozessen und Verantwortlichen verbinden?
- Kann ein Mensch die Aktion prüfen, bevor sie Operations berührt?
- Überlebt der Audit Trail außerhalb des Chatverlaufs?
- Kann das System messen, ob die Aktion den Prozess verbessert hat?
Diese Fragen helfen Enterprise-Käufern und Beratern, weil sie die echte Architektur freilegen. Ein Prompt Wrapper kann Fragen beantworten. Eine Prozess-Kontextschicht kann kontrollierte Arbeit tragen.
Wo Geist passt
Geist sollte an einer konkreten Aussage geprüft werden:
Enterprise AI braucht eine Prozess-Kontextschicht, bevor Agenten sicher in realen Operations handeln können. Geist wird so gebaut, dass diese Schicht prozessnativ ist: Arbeit modellieren, Ausführung beobachten, organisatorischen und externen Kontext binden, kontrollierte Aktionen vorschlagen und Ergebnisse zurück ins lebendige Betriebsmodell führen.
Das bedeutet nicht, dass Gartner Geist empfohlen hat. Eine semantische Schicht bleibt wichtig. Generische Datenplattformen bleiben wichtig. Process-Intelligence-Anbieter haben bereits starke Fähigkeiten in Mining, Modellierung, AI und Governance.
Der praktische Käufer-Test ist enger: Macht die Plattform Prozesskontext für AI-Agenten nutzbar, mit Prozessmodell, Ownern, Live-Signalen, Freigaben und Audit in derselben Betriebsschleife?
Dort ist Geist stark: faktenbasierte Analyse, strukturierte Workflows, Live-Signale aus Operations, Action Intelligence, Automatisierung, Review und Audit in einer Schleife.
Quellen
- Gartner: Lack of Semantics Causes Inaccurate AI Agents and Wasted Spending
- Gartner: 40% of Enterprise Apps Will Feature Task-Specific AI Agents by 2026
- Gartner: Process Mining Platforms, transitioning to Process Intelligence Platforms, category page
- Geist: Das lebendige Betriebsmodell
- Verwandt: Warum KI-Agenten Process Intelligence brauchen, bevor sie handeln
- Verwandt: Process Intelligence Services: warum Consultants eine bessere Delivery Surface brauchen
- Verwandt: Process Intelligence für EU-AI-Act-Readiness
- Verwandt: DORA und operative Resilienz: warum Prozesskarten lebendig bleiben müssen
Antworten
Schnelle Antworten
Kurze Käuferantworten, passend zu diesem Artikel.FAQ
Häufige Fragen
Direkte Antworten auf die wichtigsten Kauf- und Vergleichsfragen.
01Was ist eine Prozess-Kontextschicht?
Eine Prozess-Kontextschicht verbindet Prozessmodelle, Live-Ausführungsdaten, organisatorische Verantwortung, Geschäftsregeln, externe Signale, Freigaben und Audit-Historie, damit KI-Agenten verstehen, wie Arbeit läuft, bevor sie handeln.
02Wie unterscheidet sich eine Prozess-Kontextschicht von einer semantischen Datenschicht?
Eine semantische Datenschicht erklärt, was Daten bedeuten. Eine Prozess-Kontextschicht ergänzt, wie Arbeit fließt, in welchem Zustand ein Fall ist, wer verantwortlich ist, welche Kontrollen gelten und ob eine Aktion erlaubt ist.
03Warum brauchen KI-Agenten Prozesskontext?
Agenten, die in Unternehmensprozesse eingreifen, brauchen mehr als Datenzugriff. Sie brauchen Prozesszustand, Entscheidungsgrenzen, Evidenz, Verantwortlichkeit, Risikokontrollen und Feedback, damit Aktionen prüfbar und messbar bleiben.
04Wo sieht Geist den Vorteil?
Geist sieht den Vorteil in prozessnativem Kontext: BPMN-Modelle, Event- und API-Evidenz, Org Graph, externe Weltsignale, Agentenvorschläge, Freigaben und Audit-Historie in einer Schleife.