Dun & Bradstreet verwandelt seine Geschäftsdatenbank für KI-Agenten neu

Dun & Bradstreet blickt auf eine über 180-jährige Geschichte zurück – und auf eine der umfassendsten kommerziellen Datenbanken der Welt. Mit dem Commercial Graph erfasst das Unternehmen 642 Millionen Unternehmen, ihre Beziehungen, Unternehmenshierarchien und Risikoprofile. Ursprünglich für menschliche Analysten konzipiert, diente die Lösung Kreditprüfern, Risikomanagern und Vertriebsexperten, die Zeit für Abfragen hatten und unklare Entitätszuordnungen manuell auflösen konnten. Doch KI-Agenten funktionieren anders: Sie verarbeiten Daten in Echtzeit, benötigen klare Antworten und tolerieren keine Verzögerungen.

Als Kunden begannen, KI-Agenten in Kreditvergabe-, Beschaffungs- und Lieferkettenprozesse zu integrieren, zeigte sich das Problem: Die bestehende Infrastruktur war für maschinelle Abfragen ungeeignet. „Wir müssen Agenten als neue Konsumentenkategorie betrachten“, erklärt Gary Kotovets, Chief Data and Analytics Officer bei Dun & Bradstreet. „Unsere bisherigen Systeme waren nicht auf diese neuen Anforderungen ausgelegt.“

Warum die alte Architektur für KI-Agenten versagte

Der Commercial Graph war kein einzelnes Datenbanksystem, sondern eine Sammlung isolierter Teilsysteme, die durch individuelle Integrationen verbunden waren. Für menschliche Nutzer war das kein Problem – sie konnten komplexe SQL-Abfragen durchführen oder auf vorkonfigurierte Schnittstellen zugreifen. Doch KI-Agenten scheiterten an dieser Fragmentierung. Sie benötigen Antworten innerhalb von Millisekunden und können nicht auf manuelle Nachbearbeitung warten.

Das Datenvolumen verschärfte die Herausforderung: In nur fünf Jahren verdoppelte sich die Anzahl der Unternehmensdatensätze von über 300 Millionen auf 642 Millionen. Jeder Eintrag enthält bis zu 11.000 Felder. Um die Qualität zu sichern, führt Dun & Bradstreet monatlich rund 100 Milliarden Datenprüfungen durch. Eine Architektur, die für menschliche Analysten optimiert war, konnte diese Anforderungen nicht erfüllen.

Auch die Art der erfassten Beziehungen war problematisch. Traditionelle Systeme speichern statische Verbindungen – etwa die Zuordnung eines CEOs zu einem Unternehmen. Doch KI-Agenten benötigen dynamische Beziehungen: Was passiert, wenn ein CEO das Unternehmen verlässt? Welche Daten folgen ihm zu seinem neuen Arbeitgeber? Wie wirkt sich ein Eigentümerwechsel bei einer Tochtergesellschaft auf die gesamte Unternehmensstruktur aus? Solche Fragen erforderten bisher manuelle Analysen durch Experten. Agenten können nicht warten.

Kotovets betont, dass dieses Problem nicht nur Dun & Bradstreet betrifft. In Gesprächen mit Hunderten von CDOs und CIOs über die letzten sechs Monate stellte sich heraus: Viele Unternehmen scheitern an der Umsetzung von KI-Projekten, weil ihre Daten nicht standardisiert, normalisiert oder für maschinelle Abfragen geeignet sind. Dun & Bradstreet hatte zwar eine solche Grundlage – doch sie war für menschliche Nutzer ausgelegt.

Die Lösung: Eine KI-taugliche Dateninfrastruktur

Die Antwort hieß Neustrukturierung. Dun & Bradstreet migrierte seine fragmentierten Datenbanken in eine Cloud-Infrastruktur und entwickelte ein neues Schema, das die Daten normalisiert und gleichzeitig regionale Compliance-Anforderungen berücksichtigt. Das Ergebnis ist ein einheitlicher Wissensgraph, der Milliarden von Beziehungen zwischen 642 Millionen Unternehmen abbildet und durch KI-gestützte Datenverarbeitung kontinuierlich aktualisiert und angereichert wird.

Doch die bloße Umstrukturierung reichte nicht aus. Um KI-Agenten effizient zu bedienen, schuf das Unternehmen eine strukturierte Zugriffsebene. Direkte SQL-Abfragen mit den benötigten Antwortzeiten und Latenzgrenzen waren keine Option. Stattdessen entwickelte Dun & Bradstreet eine Reihe von Tools und Fähigkeiten, die über das Model Context Protocol (MCP) bereitgestellt werden. Diese Pakete liefern kontextbezogene Daten und leiten Agenten zu den relevanten Datensätzen weiter. Im Hintergrund läuft eine Matching- und Entitätsauflösungskomponente, die sicherstellt, dass eine Abfrage nicht nur einen Unternehmensnamen, sondern eine verifizierte, spezifische Entität zurückgibt.

KI-Agenten brauchen Identitätsmanagement – die Lösung von Dun & Bradstreet

Die Optimierung des Datenzugriffs löste jedoch nicht das Problem der Agentenidentität. Menschliche Nutzer authentifizieren sich über Benutzernamen und Passwörter – doch Maschinen benötigen andere Mechanismen. Dun & Bradstreet führte ein neues Registrierungsmodell ein: Jeder Agent muss sich mit einer verifizierten IP-Adresse und einem individuellen Zugangsschlüssel anmelden, der als authentifizierte Identität im gleichen System wie menschliche Nutzer behandelt wird.

„Wir haben das Konzept Know Your Agent eingeführt – ähnlich dem Know Your Customer-Prinzip“, erklärt Kotovets. „Dadurch können wir zusätzliche Verifizierungen durchführen und sicherstellen, dass nur autorisierte Agenten auf unsere Daten zugreifen.“

Doch die Herausforderung ging noch weiter: Was passiert, wenn ein Agent in einer mehrstufigen Workflow-Kette den Überblick verliert? Immerhin könnten eine Kreditprüfungs-Agent, ein KYC-Agent und ein Risikoagent nacheinander auf die Daten zugreifen – und dabei versehentlich unterschiedliche Unternehmensdatensätze referenzieren.

Um das zu verhindern, entwickelte Dun & Bradstreet einen Business-Verification-Agenten, der als persistenter Referenzpunkt in jede Workflow-Kette integriert werden kann. Dieser Agent ist über das Google A2A-Protokoll verfügbar und funktioniert unabhängig von der verwendeten Orchestrierungssoftware. „Es ist, als würde ein digitaler Handshake stattfinden“, sagt Kotovets. „Die Agenten bestätigen so, dass sie weiterhin über dieselbe Entität sprechen.“

Vier Voraussetzungen für den erfolgreichen KI-Agenten-Einsatz in Unternehmen

Die Erfahrungen aus dem eigenen Umbau zeigen: Die größten Hürden liegen nicht in der Agenten-Technologie selbst, sondern in den Grundlagen der Dateninfrastruktur. Kotovets nennt vier zentrale Anforderungen, die Unternehmen vor der Einführung von KI-Agenten erfüllen müssen:

• Saubere Daten als erste Priorität. Viele Unternehmen scheitern an KI-Projekten, weil ihre Daten nicht konsolidiert, normalisiert oder für maschinelle Abfragen geeignet sind. Dun & Bradstreet hatte diese Grundlage bereits – doch die meisten Unternehmen müssen hier nachbessern.

• Dynamische Beziehungen statt statischer Zuordnungen. Traditionelle Systeme erfassen oft nur Momentaufnahmen – etwa die Zugehörigkeit einer Person zu einem Unternehmen. KI-Agenten benötigen jedoch Mechanismen, um Änderungen in Echtzeit zu verfolgen und logische Schlussfolgerungen zu ziehen.

• Agenten-Identität von Anfang an mitdenken. Die Authentifizierung von Maschinen unterscheidet sich fundamental von der menschlicher Nutzer. Unternehmen müssen frühzeitig klare Richtlinien für die Registrierung, Verifizierung und Autorisierung von Agenten etablieren.

• Kontextuelle Datenbereitstellung. Rohdaten reichen nicht aus – Agenten benötigen kontextbezogene Informationen, um präzise Entscheidungen zu treffen. Eine strukturierte Zugriffsebene, wie sie Dun & Bradstreet entwickelt hat, ist hier entscheidend.

Die Transformation von Dun & Bradstreet zeigt: Die nächste Generation der Dateninfrastruktur muss KI-Agenten von Anfang an berücksichtigen. Unternehmen, die ihre Systeme jetzt für diese neue Ära vorbereiten, werden langfristig die effizientesten und zuverlässigsten KI-Lösungen entwickeln können.