Unternehmens-KI-Agenten: Warum gemeinsame Datenlogik der nächste große Engpass ist

KI-Agenten in Unternehmen liefern oft scheinbar sichere Antworten – doch ihre Richtigkeit ist eine andere Frage. Das Problem liegt weniger in den Modellen selbst als in der fehlenden gemeinsamen Definition dessen, was Unternehmensdaten bedeuten. Während die Retrieval-Infrastruktur der letzten Jahre den Zugang zu Daten beschleunigt hat, fehlt eine standardisierte Interpretation dieser Daten für verschiedene Anwendungsfälle.

Auf der Snowflake Summit 2026 in San Francisco stellt der Daten-Cloud-Anbieter eine Lösung vor: die Einführung einer Kontextschicht, die als gemeinsame Grundlage für Geschäftslogik dient. Diese soll die Fragmentierung überwinden, die entsteht, wenn dieselben Daten in BI-Dashboards, SQL-Tabellen oder Agentenanweisungen unterschiedlich interpretiert werden. Die Folge sind widersprüchliche Antworten – selbst wenn die zugrunde liegenden Fakten identisch sind.

„Es gibt viele Tools, bei denen man Fragen stellt und eine sehr selbstbewusste Antwort erhält – doch ob diese korrekt ist, bleibt offen“, erklärt Christian Kleinerman, Executive Vice President of Product bei Snowflake. Die neue Architektur von Snowflake zielt darauf ab, diese Lücke zu schließen, indem sie eine governte, gemeinsame Definition von Geschäftslogik schafft, die über verschiedene Retrieval-Stacks hinweg konsistent bleibt.

Von verstreuter zu zentralisierter Geschäftslogik: Die Rolle der Kontextschicht

Das Kernproblem, das die neue Horizon Context-Schicht adressiert, ist die dezentrale Verteilung von Geschäftslogik. Heute verteilen sich Definitionen von Metriken, Dimensionen und Regeln über SQL-Skripte, BI-Tools wie Tableau oder Power BI sowie Agentenanweisungen. Jedes System interpretiert dieselben Rohdaten auf seine Weise – mit dem Ergebnis, dass Agenten oder BI-Tools unterschiedliche Antworten auf dieselbe Frage liefern.

Horizon Context ist eine kundenverwaltete Schicht, die auf der Übernahme von Select Star durch Snowflake basiert. Sie aggregiert Metadaten aus Systemen wie PostgreSQL, SQL Server oder BI-Tools und überführt diese in den Horizon Catalog. Dadurch greifen alle Agenten, BI-Tools und externen Systeme auf dieselbe, zentral verwaltete Definition zurück – und nicht auf das rohe, physische Schema.

Ein zentraler Bestandteil ist der Semantic View Autopilot, der automatisch semantische Ansichten erstellt und anpasst. Diese Views erweitern die kuratierte Geschäftslogik ohne manuellen Aufwand und passen sich dynamisch an Veränderungen an.

Parallel dazu führt Snowflake Cortex Sense ein – eine plattformgesteuerte Schicht, die Kontext automatisch aus Kundendaten und Nutzungsmustern ableitet. „Cortex Sense verbessert die Standarderfahrung, noch bevor ein Nutzer explizit semantische Ansichten kuratiert“, erklärt Kleinerman. Der Unterschied zwischen den beiden Schichten ist bewusst architektonisch gewählt: Horizon Context deckt alles ab, was Kunden explizit definieren, während Cortex Sense implizite Muster erkennt und anreichert.

Beide Schichten integrieren sich in Snowflakes bestehende Retrieval-Infrastruktur. So fließt der angereicherte Kontext über Cortex Search, die RAG-Implementierung des Unternehmens, in die Retrieval-Workflows von Agenten wie CoCo oder Cowork ein.

Ein weiteres Merkmal ist die Offenheit der Lösung: Snowflake bindet Horizon Context an das Open Semantic Interchange, um sicherzustellen, dass kundendefinierte Definitionen nicht in proprietären Ökosystemen gefangen bleiben. „Horizon Context wird zu 100 % nicht in Snowflake eingeschlossen sein“, betont Kleinerman.

Der Wettlauf um die richtige Kontextschicht: Wer setzt sich durch?

Snowflake ist nicht allein mit diesem Ansatz. Die Konkurrenz um die Kontrolle über Kontextschichten wird immer intensiver:

• Microsoft öffnet die Fabric IQ Business-Ontologie über das Model Context Protocol (MCP), sodass Agenten dritter Anbieter auf eine gemeinsame semantische Schicht zugreifen können.
• Redis führt mit Iris eine spezialisierte Kontext- und Speicherplattform ein, die zwischen Agenten und Daten agiert und auf eine neu entwickelte Speicherengine setzt.
• Pinecone positioniert sich mit Nexus vom Vektordatenspeicher zum Wissensengine, indem es Unternehmensdaten in aufgabenspezifische Artefakte kompiliert – noch bevor Agenten darauf zugreifen.

Experten wie Devin Pratt, Research Director bei IDC, sehen Snowflakes Ansatz als zukunftsweisend: „Agenten sind nur so gut wie die Daten und Semantik, die hinter ihnen stehen. Die Kontextschicht ist aktuell der entscheidende Faktor – nicht das Modell selbst.“

Pratt hebt besonders die Aufteilung in zwei Schichten hervor: Während Horizon Context die explizit definierte Logik der Nutzer abdeckt, übernimmt Cortex Sense die automatische Anreicherung. Noch wichtiger sei die Verankerung der Kontextschicht innerhalb des Katalog- und Governance-Layers – und nicht als nachträglicher Zusatz.

Auch Mike Leone, VP und Principal Analyst bei Moor Insights & Strategy, begrüßt diesen Architekturansatz: „Snowflake teilt Kontext in zwei Bereiche auf – und das ist der richtige Weg. Horizon Context deckt die expliziten Definitionen ab, während Cortex Sense die impliziten Muster erfasst.“

Die Herausforderung für Unternehmen wird sein, die richtige Balance zwischen manueller Governance und automatisierter Anreicherung zu finden. Eine gut implementierte Kontextschicht könnte der Schlüssel sein, um KI-Agenten vertrauenswürdiger, konsistenter und letztendlich produktiver zu machen – und damit den nächsten großen Schritt in der Unternehmens-KI einzuleiten.