Palantir sagt, Sie brauchen 12 Monate, bevor KI-Agenten eingesetzt werden. Die Daten sprechen jedoch eine andere Sprache.

Die meisten KI-Strategien in Unternehmen beginnen mit derselben Annahme: Erst müssen die Daten stimmen, dann wird die Technologie implementiert. Das klingt verantwortungsbewusst. Das klingt gründlich. Und in vielen Fällen ist es genau der Grund, warum KI-Projekte die Produktionsphase überhaupt erst gar nicht erreichen.

Palantir hat eine der ambitioniertesten Versionen dieser Philosophie entwickelt. Ihre 12-schichtige agentische Architektur stellt die Ontologie – ein strukturiertes semantisches Modell des gesamten Unternehmens – in den Mittelpunkt von allem. KI-Agenten fragen Objekte ab, lösen autorisierte Aktionen aus und agieren innerhalb einer zentralisierten Datenschicht, die jede Beziehung und jeden Workflow im gesamten Unternehmen abbildet.

Das ist beeindruckende Ingenieurskunst. Es ist aber auch eine Philosophie, die von Unternehmen verlangt, Monate, manchmal ein ganzes Jahr lang, an ihrem Datenfundament zu bauen, bevor ein einziger Agent einen echten Prozess berührt. Für die meisten Unternehmen ist dieser Zeitrahmen der Ort, an dem KI-Strategien scheitern.

Was Palantir richtig macht

Die Diagnose ist weitgehend korrekt.

Die meisten Unternehmen sind nicht bereit für KI-Daten. Eine Gartner-Umfrage unter 183 Finanzverantwortlichen ergab, dass zwar 59 % angeben, KI in ihrer Finanzabteilung einzusetzen, die Akzeptanz jedoch stagniert, nachdem sie von 37 % im Jahr 2023 auf 58 % im Jahr 2024 angestiegen war. Die Kluft zwischen „Wir haben KI“ und „KI bringt echten Nutzen“ wird immer größer. Laut dem Journal of Accountancy berichten nur 7 % der CFOs von einem starken Effekt ihrer KI-Investitionen.

Die Gründe dafür sind genau das, was Palantir identifiziert. Daten liegen in Silos. Die Geschäftslogik existiert in den Köpfen der Mitarbeiter, nicht in den Systemen. Niemand hat die Ausnahme dokumentiert, wie Rechnungen in Spanien im Vergleich zu Deutschland funktionieren. Die KI stößt auf die Komplexität der realen Welt und scheitert.

Die Lösung von Palantir besteht darin, all diese Komplexität im Vorfeld abzubilden. Die Ontologie aufbauen. Jedes Objekt, jede Beziehung, jede Berechtigung zuweisen. Und erst dann die Agenten agieren lassen.

Die Logik ist schlüssig. Das Problem ist der Zeitrahmen.

Die 12-Monate-Falle

Hier ist, was tatsächlich passiert, wenn sich ein Unternehmen monatelang auf die Datenaufbereitung vorbereitet, bevor es Agenten einsetzt.

Monat eins bis drei: Workshops, Datenaudits, Abstimmung der Stakeholder. Monat vier bis acht: Aufbau der semantischen Schicht, Anbindung von Systemen, Bereinigung von Konflikten bei der Definition derselben Daten durch unterschiedliche Abteilungen. Monat neun bis elf: Tests, Governance-Prüfungen, Compliance-Checks. Monat zwölf: Der erste Agent berührt endlich einen realen Prozess.

Bis dahin haben sich drei Dinge geändert. Die KI-Modelle sind eine Generation weiter als die, die Sie geplant hatten. Ihre Konkurrenten haben vor neun Monaten ein Produkt mit 80 %iger Genauigkeit auf den Markt gebracht und dieses seitdem durch Feedback aus der Praxis verbessert. Und der Sponsor aus der Führungsebene, der das Budget genehmigt hat, fragt, warum es noch keine Ergebnisse gibt.

Dies ist kein hypothetisches Szenario. Gartner prognostiziert, dass über 40 % der agentischen KI-Projekte bis Ende 2027 abgebrochen werden – vor allem aufgrund eskalierender Kosten und des Ausbleibens von Ergebnissen innerhalb des Geduldsfensters der Geschäftsführung. Bei den meisten davon handelt es sich nicht um technische Fehlschläge. Es sind Timing-Fehler.

Der Ansatz „Ontologie zuerst“ scheitert nicht, weil er falsch ist. Er scheitert, weil den meisten Organisationen Zeit, Budget oder die Unterstützung der Führungsebene ausgehen, bevor der erste Agent einen messbaren Wert liefert.

Die produktionsorientierte Alternative

Es gibt einen anderen Weg, über die KI-Bereitschaft von Unternehmen nachzudenken. Anstatt das gesamte Unternehmen zu modellieren, bevor Sie Agenten einsetzen, beginnen Sie mit einem einzigen, mühsamen Prozess. Bauen Sie etwas auf, das besser ist als die manuelle Bearbeitung. Bringen Sie es unter menschlicher Aufsicht in Produktion. Lassen Sie den Agenten selbst herausfinden, welche Daten er tatsächlich benötigt.

Dieser Ansatz funktioniert aufgrund einer kontraintuitiven Wahrheit: Sie können nicht wissen, welche Daten wichtig sind, bis ein Agent auf reale Workflows stößt. Die Ausnahme für Spanien, die niemand dokumentiert hat? Sie finden sie erst, wenn der Agent eine spanische Rechnung verarbeitet und einen Fehler macht. Die Geschäftslogik, die nur im Kopf einer einzigen Person existiert? Sie wird sichtbar, wenn das Ergebnis des Agenten nicht dem entspricht, was diese Person erwartet.

Die Hälfte der Sonderfälle, die produktionsreife Agenten heute bewältigen, wurde in der Praxis entdeckt, nicht in der Planung. Keine noch so umfangreiche Datenmodellierung im Vorfeld hätte sie ans Licht gebracht.

David Kennedy, CFO von Dell, beschrieb diese Realität im März 2026 so: „Man ist nur so gut wie die Daten, die man hat, also muss man sicherstellen, dass diese sauber sind. Und dann muss man versuchen, den Agenten in das richtige Format zu lenken, denn ein Agent will rund um die Uhr arbeiten.“ Er setzt Agenten jetzt für Abstimmungen und Buchungen ein, nicht erst nach einem Jahr der Datenaufbereitung.

Goldman Sachs ging einen ähnlichen Weg und setzte mit Claude betriebene Agenten für den Transaktionsabgleich, die Handelsbilanzierung und das Kunden-Onboarding ein. Sie verbrachten sechs Monate damit, Ingenieure von Anthropic in spezifische Workflows mit strengen Zugriffskontrollen einzubinden. Sie haben nicht erst eine 12-monatige Ontologie aufgebaut. Sie begannen mit gezielten Prozessen und lernten kontinuierlich dazu.

Warum Einfachheit vor Raffinesse geht

Die Architektur von Palantir hat 12 Schichten. Viele der selbstlernenden Systeme, die heute in Unternehmen im Einsatz sind, nutzen etwas viel Einfacheres: Korrekturdateien im Klartext.

Wenn ein Agent einen Fehler macht, korrigiert ihn ein Mensch. Diese Korrektur wird gespeichert. Der Agent liest sie beim nächsten Mal und macht denselben Fehler nicht noch einmal. Das Format ist oft so simpel wie eine Markdown-Datei. Kein Knowledge Graph. Keine Ontologie. Nur Text, den jeder Nicht-Techniker öffnen und verstehen kann.

Das klingt naiv, bis man bedenkt, was es ermöglicht. Wenn ein Kunde fragt: „Warum hat der Agent das getan?“, öffnen Sie die Datei und zeigen es ihm. Wenn etwas schiefgeht, können Sie genau sehen, was der Agent wann gelernt hat. Wenn Sie ein Verhalten zurücksetzen müssen, löschen Sie einfach eine Textzeile.

Erklärbarkeit ist keine Funktion, die man nach dem Bau einer hochkomplexen Architektur einfach anflanscht. Sie entsteht dadurch, dass man die Dinge so einfach hält, dass Menschen sie tatsächlich überprüfen können.

Die 80-Prozent-Schwelle, die die meisten Unternehmen übersehen

In der Philosophie, die Ontologie an die erste Stelle zu setzen, steckt ein damit verbundener Irrglaube: dass man eine nahezu perfekte Genauigkeit benötigt, bevor man einen Agenten einsetzt.

Das ist nicht der Fall. Der Agent muss lediglich besser sein als der aktuelle Ist-Zustand.

Eine typische Erfahrung bei KI-Einführungen im Unternehmen: Ein HR-Agent wird für die Personalbeschaffung entwickelt, und die anfängliche Genauigkeit liegt bei etwa 80 %. Der erste Instinkt ist, ihn aus der Produktion zu nehmen und die Datenpipeline zu verbessern. Aber dann prüft jemand die menschliche Fehlerquote und stellt fest, dass die Mitarbeiter Fehler in einer ähnlichen oder höheren Frequenz gemacht haben. Der Agent übertraf bereits den Prozess, den er ersetzen sollte.

Nicht alle Fehler sind gleich. Einige Variablen erfordern eine Genauigkeit von 99 %. Bei anderen reichen 85 % völlig aus. Der Schlüssel liegt darin, zu verstehen, was worauf zutrifft – und diesen Unterschied lernt man in der Praxis, nicht in der Theorie.

Mittelständische Unternehmen, die KI-Agenten im Finanzbereich einsetzen, haben die Zyklen für den Finanzabschluss laut den Benchmarks der Hackett Group für 2026 von 6,2 Tagen auf 1,8 Tage verkürzt. Sie haben nicht auf perfekte Daten gewartet. Sie haben mit dem begonnen, was sie hatten, und sich von dort aus verbessert.

Wann die Ontologie sinnvoll ist (und wann nicht)

Dies ist kein Argument dafür, dass die Dateninfrastruktur unwichtig sei. Das ist sie keineswegs. Schlecht angebundene Systeme, undokumentierte Geschäftslogik und inkonsistente Datenformate sind reale Probleme, die gelöst werden müssen.

Die Frage ist nur das Timing.

Der Ansatz von Palantir löst Datenprobleme, bevor ein Agent deployed wird. Der produktionsorientierte Ansatz gelöst sie, während die Agenten zeigen, was wirklich wichtig ist. Ersterer liefert Ihnen ein vollständiges Modell. Letzterer liefert Ihnen ein zielgerichtetes Modell, das auf realen betrieblichen Anforderungen basiert.

Für Unternehmen mit unbegrenztem Budget, erstklassigen Entwicklerteams und geduldigen Sponsoren in der Chefetage kann der Ontology-First-Ansatz funktionieren. Die 571 Unternehmenskunden von Palantir und das kommerzielle Wachstum von 137 % im Jahresvergleich beweisen, dass es einen Markt für dieses Modell gibt.

Aber für die überwiegende Mehrheit der Unternehmen ist die Rechnung einfacher. Fast 60 % der Finanzteams testen oder implementieren derzeit KI, und die meisten werden weder das Budget noch die Zeit für ein einjähriges Datenaufbereitungsprojekt haben. Sie benötigen Agenten, die mit unvollkommenen Daten arbeiten, aus Korrekturen lernen und in Wochen statt in Quartalen einen Mehrwert liefern.

Beginnen Sie mit dem Chaos

Palantir fragt: „Sind Ihre Daten bereit für KI-Agenten?“

Eine bessere Frage lautet: Welcher Prozess ist so mühsam, dass selbst ein zu 80 % genauer Agent eine Verbesserung darstellen würde?

Fangen Sie genau dort an. Deployen Sie mit menschlicher Aufsicht. Lernen Sie, was hakt. Beheben Sie es. Nach 30 Tagen wissen Sie, ob es funktioniert. Nach 90 Tagen haben Sie etwas, das sich skalieren lässt. Nach 12 Monaten verfügen Sie über ein praxiserprobtes System, das auf echten Betriebsdaten basiert, und nicht über ein theoretisches Modell, wie Ihre Organisation funktionieren sollte.

Die Datenschicht kann später folgen, gestützt auf das, was Sie tatsächlich gelernt haben. Mit Beam AI und den Agenten sollten Sie jetzt beginnen.