Von Andrew Tan
Frisch genug für einen KI-Agenten? Das Aktualitätsbudget, das niemand definiert
Die meisten Teams betrachten den Kontext von KI als Speicherproblem. Die schwierigere Frage ist, ob die Daten frisch genug für die Aktion sind, die der Agent ausführen soll.
Viele Gespräche über KI-Infrastruktur zielen immer noch auf den falschen Engpass ab.
Teams diskutieren über Vektordatenbanken, Prompt-Caching, Langzeitspeicher, MCP-Server und welches Modell hinter dem Agenten stehen sollte. All das ist wichtig. Aber nichts davon beantwortet die Frage, die tatsächlich bestimmt, ob ein Agent sicher in der Produktion eingesetzt werden kann.
Wie frisch sind die Daten, wenn der Agent etwas entscheidet?
Diese Frage klingt langweilig. Sie ist nicht langweilig, wenn der Agent die falsche Rückerstattung sendet, die falsche Bestellung genehmigt, den falschen Vorfall eskaliert oder das falsche Tool aufruft, weil er sich einen Kundenbericht von vor zwanzig Minuten ansieht.
Die meisten Datenteams verstehen bereits Qualität, Herkunft und Schema-Drift. Frische wird als "nice-to-have" behandelt, bis Agenten ins Spiel kommen. Dann hört Frische auf, eine Dashboard-Präferenz zu sein, und wird zu einer betrieblichen Grenze.
Kontext ist nicht dasselbe wie Berechtigung
Das ist der Teil, den viele Teams überspringen.
Ein Agent kann viel Kontext haben und trotzdem den falschen Kontext für die Aktion haben, die Sie von ihm erwarten. Zehn Millionen Zeilen in einem Warehouse helfen nicht, wenn das eine Feld, das zählt, sich vor drei Minuten geändert hat und Ihr Sync jede Stunde läuft.
Das ist der Unterschied zwischen informativen Daten und umsetzbaren Daten.
Informative Daten helfen einem Agenten zu erklären, was letzte Woche passiert ist. Umsetzbare Daten lassen ihn entscheiden, was jetzt passieren sollte.
Das sind nicht dieselben Arbeitslasten.
Ein Support-Co-Pilot, der die letzten fünf Tickets zusammenfasst, kann etwas Verzögerung tolerieren. Ein Agent, der entscheidet, ob eine Rückerstattung bereits erfolgt ist, kann das nicht.
Ein Vertriebsassistent, der ein Konto-Briefing erstellt, kann mit nächtlichen CRM-Synchronisierungen arbeiten. Ein Agent, der einen Live-Lead basierend auf der aktuellen Produktnutzung weiterleitet, benötigt wahrscheinlich Daten, die höchstens ein paar Minuten alt sind.
Ein Finanz-Bot, der eine monatliche Abweichungszusammenfassung erstellt, kann batch bleiben. Ein Agent, der eine verdächtige Auszahlung einfriert, kann das nicht.
Der Fehler besteht darin, den gesamten KI-Kontext als eine Kategorie namens "AI-ready data" zu behandeln.
Es ist keine Kategorie. Es ist ein Stapel von Entscheidungen mit unterschiedlichen Frischeanforderungen.
Das Frischebudget
Der einfachste Weg, darüber nachzudenken, ist ein Frischebudget.
Jede Agentenaufgabe hat eine maximal akzeptable Verzögerung zwischen dem, was im Quellsystem passiert ist, und dem, was der Agent sieht, wenn er handelt.
Dieses Verzögerungsbudget hängt von den Konsequenzen ab, wenn man falsch liegt.
Hier ist eine einfache Version:
| Agentenaufgabe | Typisches Frischebudget | Was passiert, wenn Sie es verpassen |
|---|---|---|
| Wöchentliche Kontozusammenfassung | 24 Stunden | Leicht veraltete Erzählung |
| Interne KPI-Fragen & Antworten | 1 bis 4 Stunden | Verwirrende Antworten, geringes Vertrauen |
| Vertriebslead-Routing | 5 bis 15 Minuten | Schlechte Priorisierung, langsameres Follow-up |
| Entscheidung zur Rückerstattung im Kundenservice | Unter 5 Minuten | Doppelte Rückerstattungen, Richtlinienfehler |
| Betrugs- oder Risiko-Intervention | Sekunden bis 1 Minute | Echter Geldverlust |
Dies ist keine universelle Tabelle. Es ist eine Zwangsfunktion.
Die meisten Teams definieren diese Zahlen überhaupt nicht. Sie sagen einfach, sie wollen "Real-time AI" oder "AI-ready Pipelines" und hoffen, dass sich der Stack später von selbst sortiert.
Das wird er nicht.
Wenn Sie kein Frischebudget definieren, wird das Standardbudget "was auch immer die Pipeline bereits tut". Das ist normalerweise ein Unfall, keine Designentscheidung.
Batch ist immer noch in Ordnung für viele KI-Arbeiten
Ich denke nicht, dass die Antwort darin besteht, jede Arbeitslast in Streaming zu verschieben.
Das ist teuer. Es schafft auch eine neue Klasse von Betriebsproblemen, wenn das Team es nicht benötigt.
Einige KI-Anwendungsfälle sind mit Batch vollkommen zufrieden:
- Interne Zusammenfassungen schreiben
- Forschungsberichte vorbereiten
- Support-Gespräche für Trendanalysen taggen
- Erneuerungsvorbereitungsnotizen entwerfen
- Planungsdokumente anreichern
- Wöchentliche Management-Zusammenfassungen erstellen
Diese Aufgaben profitieren mehr von Vollständigkeit als von Unmittelbarkeit.
In der Regel möchten Sie den vollständigen Datensatz und nicht das neueste Ereignis von vor fünfzehn Sekunden.
Das ist wichtig, weil viele KI-Botschaften derzeit die Zukunft als ein riesiges Echtzeitsystem darstellen. Das ist eine gute Möglichkeit, zu viel auszugeben.
Die bessere Frage ist enger: Wo verändert sich die Qualität der Aktion tatsächlich durch Daten mit niedriger Latenz?
Wenn die Antwort nirgendwo ist, lassen Sie es bei Batch.
Wenn die Antwort spezifische Schnittstellen betrifft, bewegen Sie zuerst diese Schnittstellen.
Die gefährliche Mitte
Das eigentliche Problem ist nicht klar Batch und nicht wirklich Echtzeit.
Es ist die matschige Mitte, in der Teams Pipelines haben, die jede Stunde, alle dreißig Minuten oder wann immer ein Connector Lust hat, sich zu aktualisieren, und dann diese Daten einem Agenten übergeben, der die Erlaubnis hat, zu handeln.
Dort werden Fehler teuer.
Stündliche Frische klingt anständig, bis Sie es auf den Workflow abbilden.
Wenn ein Kunde um 10:02 Uhr ein Upgrade durchführt und der Agent den alten Plan bis 11:00 Uhr sieht, haben Sie fast eine Stunde, in der er eine Berechtigung ablehnen kann, die der Kunde bereits bezahlt hat.
Wenn eine Bestellung um 2:11 Uhr storniert wird und Ihr Bestandsassistent das erst um 3:00 Uhr erfährt, kann er Lagerbestände nachbestellen, die Sie nicht mehr benötigen.
Wenn ein Chargeback-Flag in einem System vor einem anderen landet, kann Ihr Risikoagent ein gesundes Konto sehen und die nächste Transaktion mit voller Zuversicht genehmigen.
Nichts ist in diesen Beispielen offensichtlich kaputt. Die Jobs liefen. Die Tabellen wurden aktualisiert. Das Dashboard sieht wahrscheinlich gut aus.
Das Problem ist, dass das Aktionsfenster enger ist als das Datenfenster.
Diese Lücke ist der Ort, an dem Agentenfehler leben.
Genehmigungsgates sind auch eine Frischheitsstrategie
Es gibt einen weiteren Punkt, der im Eifer der Automatisierung verloren geht.
Manchmal ist die richtige Antwort nicht schnellere Daten. Manchmal ist die richtige Antwort ein Genehmigungsgate.
Wenn ein Agent mit veraltetem oder mehrdeutigem Kontext arbeitet, müssen Sie den Anwendungsfall nicht immer für immer blockieren. Möglicherweise müssen Sie nur den letzten Schritt ändern.
Lassen Sie den Agenten Daten sammeln. Lassen Sie ihn die Antwort entwerfen. Lassen Sie ihn die Aktion empfehlen. Dann verlangen Sie eine menschliche Genehmigung, wenn das Frischebudget nicht eingehalten wird oder wenn die Entscheidung Geld, Compliance, Zugang oder kundenbezogene Risiken betrifft.
Das ist kein Versagen der Automatisierung. Es ist Teil des Designs.
Gute KI-Systeme denken nicht nur über die Modellqualität nach. Sie denken darüber nach, wann sie nicht allein handeln sollten.
Das gilt besonders dann, wenn die zugrunde liegenden Daten durch eine Mischung aus Batch-Synchronisierungen, CDC-Pipelines, Ereignisströmen und externen APIs ankommen, die alle mit unterschiedlichen Geschwindigkeiten arbeiten.
Sie benötigen Frische nach Schnittstelle, nicht nach Plattform-Slogan
Vieles in der Anbieterpositionierung verwischt dies absichtlich.
Das Versprechen klingt normalerweise so: Verbinden Sie alle Ihre Daten, füttern Sie Ihre Agenten, schalten Sie Echtzeitentscheidungen frei.
In Ordnung. Aber welche Entscheidungen?
Sie benötigen kein riesiges Frischeziel für das gesamte Unternehmen. Sie benötigen Frischeziele nach Schnittstelle.
Beginnen Sie mit den Stellen, an denen ein Agent von Beratung zu Aktion übergeht:
- etwas genehmigen oder ablehnen
- eine Kundenkommunikation senden
- Zugriff oder Berechtigungen ändern
- Geld bewegen
- Vorfälle öffnen oder schließen
- nachgelagerte Systeme automatisch auslösen
Diese Schnittstellen verdienen explizite Verzögerungslimits, Überwachung, Fallback-Verhalten und Eigentümerschaft.
Wenn die Pipeline das Budget verfehlt, was sollte passieren?
Vielleicht pausiert die Aktion.
Vielleicht kann der Agent immer noch entwerfen, aber nicht senden.
Vielleicht kann er in einem engen sicheren Subset von Tools arbeiten.
Vielleicht braucht er einen Menschen im Loop.
Der Punkt ist, dies zu definieren, bevor Ihnen der erste Vorfall dies beibringt.
Was das für den Daten-Stack bedeutet
Sobald Sie Frischebudgets definieren, wird das Stack-Gespräch einfacher.
Sie können aufhören, über Batch versus Streaming als Ideologie zu streiten.
Einige Schnittstellen benötigen ereignisgesteuerte Verarbeitung. Einige benötigen CDC mit strengen SLAs. Einige sind mit geplanten Synchronisierungen zufrieden. Einige benötigen einen hybriden Pfad, bei dem derselbe Workflow sowohl historische Backfills als auch Aktualisierungen mit niedriger Latenz verarbeitet.
Diese letzte Kategorie wird schnell schmerzhaft, wenn Ihre Architektur Batch und Streaming in separate Systeme aufteilt.
Jetzt pflegen Sie zwei Versionen derselben Geschäftslogik. Eine beantwortet historische Fragen. Eine treibt Live-Aktionen an. Sie driften. Ihr Agent erhält einen inkonsistenten Zustand, abhängig davon, welchen Pfad er berührt hat.
Deshalb denke ich, dass das bessere Langzeitdesign nicht "Echtzeit überall" ist. Es ist eine Laufzeit, die sowohl Batch als auch Streaming sowie die Orchestrierung um sie herum handhaben kann, ohne dass das Team den Workflow jedes Mal neu erstellen muss, wenn sich eine Frischeanforderung ändert.
Das ist auch, wo layline.io passt. Der Punkt ist nicht, jede Pipeline in einen Stream zu verwandeln. Der Punkt ist, Teams zu ermöglichen, die Frische dort zu straffen, wo die Aktion es erfordert, Batch dort zu belassen, wo es ausreicht, und beides in einem Betriebsmodell zu verwalten.
Der praktische Test
Wenn Ihr Team gerade KI-Agenten einführt, stellen Sie für jede Agentenaktion eine Frage:
Was ist das maximale Alter der Daten, das wir tolerieren können, bevor diese Aktion unsicher, falsch oder peinlich wird?
Schreiben Sie die Zahl auf.
Wenn niemand sie beantworten kann, haben Sie noch kein KI-Problem. Sie haben ein Anforderungsproblem.
Und wenn die Antwort "es kommt darauf an" lautet, ist das in Ordnung. Brechen Sie es nach Schnittstelle auf, bis es nicht mehr darauf ankommt.
Die Teams, die dies gut machen, werden nicht diejenigen mit dem lautesten KI-Stack sein. Sie werden diejenigen sein, die wissen, welche Entscheidungen Sekunden benötigen, welche Minuten brauchen, welche bis morgen warten können und wo ein Mensch immer noch in den Prozess gehört.
Das klingt weniger aufregend als die üblichen Agenten-Demos.
Es ist auch der Unterschied zwischen einem hilfreichen System und einem, das eine neue Art von Bereitschaftsdienst schafft.
Andrew Tan ist ein Serienunternehmer und Gründer von layline.io, das Unternehmensdatenverarbeitungsinfrastruktur entwickelt, die sowohl Batch- als auch Echtzeit-Arbeitslasten im großen Maßstab bewältigt.
