DataStreams und SAT Information setzen auf KI-fähige Dateninfrastruktur

Wer schon einmal versucht hat, einen generativen KI-Agenten auf eine echte Unternehmensdatenlandschaft loszulassen, kennt das Problem. Das Modell ist in Ordnung. Der Vector Store ist in Ordnung. Die acht Dokumenten-Repositories, drei Warehouses und ein SharePoint-Friedhof dahinter sind das Problem. Genau diese Lücke nimmt eine neue koreanische Partnerschaft ins Visier – und es lohnt sich, genau hinzuschauen, denn dieses Muster wird in jedem Vendor-Pitch dieses Quartals wiederkehren.

Am 8. September unterzeichneten DataStreams und SAT Information ein strategisches MoU, um das zu schaffen, was sie als KI-fähige Dateninfrastruktur für Unternehmenskunden bezeichnen. In den Schlagzeilen wird es als Partnerschaftsankündigung gehandelt. Ingenieure sollten es als eine Wette darauf lesen, wo der eigentliche Engpass für Enterprise-KI liegt.

Das Problem

Das schmutzige Geheimnis der Enterprise-KI im Jahr 2026 ist, dass die Modellqualität vor etwa achtzehn Monaten aufgehört hat, der Engpass zu sein. Agentische Workflows scheitern in der Produktion aus denselben Gründen, aus denen ETL-Pipelines 2015 gescheitert sind: veraltete Daten, fehlende Metadaten, chaotische Berechtigungsverwaltung und Dokumente, die niemand findet. Claude gegen Gemini auszutauschen ändert daran nichts.

DataStreams, geführt von CEO Lee Young-sang, positioniert AI Ready Data als zentrale Strategie und baut, wie Korea IT Times berichtete, sein Geschäft mit vertrauenswürdiger Dateninfrastruktur gezielt für generative KI und agentische KI-Umgebungen aus. Die Plattform umfasst Datenintegration, Data Governance, Metadaten, Datenqualitätsmanagement, Datenvirtualisierung und Data Fabric. Das ist der vollständige, unspektakuläre Stack. SAT Information bringt elektronisches Dokumentenmanagement und Assetisierung mit – also genau den unstrukturierten Datenhaufen, an dem RAG-Pipelines scheitern.

Warum ist das für alle außerhalb Seouls relevant? Weil DataStreams' Kundenstamm in den Bereichen Finanzen, öffentlicher Sektor und Fertigung angesiedelt ist. Diese drei Branchen haben eine gemeinsame Eigenschaft: Ihre Daten sind alt, reguliert und über Systeme verteilt, die vor REST APIs entstanden sind. Produktionsvorfälle, die ich in ähnlichen Umgebungen erlebt habe, lassen sich fast immer auf ein nicht dokumentiertes Dokumenten-Repository oder einen Batch-Job zurückführen, der die Metadaten überschreibt, auf die der Retrieval-Layer angewiesen war.

Das Zitat von Lee in der Ankündigung klingt auf den ersten Blick nach Textbaustein: „KI mit praktischer Geschäftsinnovation zu verbinden erfordert ein Datenfundament, dem KI vertrauen und das sie nutzen kann." Textbaustein, aber korrekt. Teams, mit denen ich gearbeitet habe, verloren immer wieder Wochen durch halluzinierte Antworten, die sich darauf zurückführen ließen, dass der Retriever den Vertrag vom letzten Quartal heranzog, weil der aktuelle in einem Dokumentenmanagementsystem gesperrt war, das niemand angebunden hatte. Das Versagen liegt nicht im Modell. Es liegt in der Infrastruktur unter dem Modell.

Meine Einschätzung: Der interessante Schritt hier ist nicht das MoU selbst. Es ist die Tatsache, dass ein Datenintegrationsanbieter entschieden hat, dass elektronische Dokumenten-Assetisierung eine formelle Partnerschaft wert ist und kein eigenes Feature. Das verrät, wo der Markt die Wachstumsgrenze sieht.

Die verfügbaren Optionen

Wenn Sie als CTO oder Platform Lead agentische KI auf Ihrer eigenen Datenbasis zum Laufen bringen wollen, haben Sie grob vier Optionen – und diese Partnerschaft adressiert nur eine davon.

Option eins: einen integrierten Stack kaufen. Darauf setzen DataStreams und SAT Information. Ein Anbieter übernimmt Integration, Governance, Metadaten, Virtualisierung und Fabric. Der Partner übernimmt Dokumentenmanagement und Assetisierung. Sie bekommen einen einzigen Ansprechpartner und, theoretisch, einen kohärenten Datenkatalog, den Agenten abfragen können. Der Kompromiss: Vendor-Lock-in und Tempo. Integrierte Stacks bewegen sich mit der Geschwindigkeit des langsamsten Partners im MoU.

Option zwei: Best-of-Breed zusammenstellen. Warehouse, Katalog, Governance-Tool, Vektordatenbank und Dokumenten-Ingestion-Layer separat auswählen. Das ergibt ein höheres Potenzial, aber schlechtere Mindestqualität. Jede Schnittstelle ist ein Punkt, an dem Metadaten verloren gehen. Jede Schnittstelle ist auch der Ausgangspunkt eines Vorfalls um 2 Uhr morgens. Teams, mit denen ich gearbeitet habe, unterschätzen den Umfang des Klebecodes, der dabei anfällt – und Klebecode hat keinen Eigentümer mehr, wenn die Person, die ihn geschrieben hat, das Unternehmen verlässt.

Option drei: hyperscaler-nativ gehen. Auf das Tooling des Anbieters setzen, der Ihre Modelle hostet. Wenn Sie bereits auf Claude setzen, bieten die Anthropic-Dokumentationen rund um Tool Use und agentisches Retrieval einen kohärenten Pfad. Dasselbe gilt für Gemini oder OpenAI. Der Kompromiss: Ihre Data-Governance-Story wird zu dem, was Ihr Modellanbieter liefert – und das ist ein bewegliches Ziel. Für Greenfield-Projekte in Ordnung. Schmerzhaft, wenn Finanzprüfer auftauchen.

Option vier: nichts tun, darauf warten, dass die Modelle besser werden. Ich führe diese Option auf, weil die Hälfte der Unternehmen, die ich sehe, heimlich genau das tut. Die unbequeme Wahrheit: Sie zögern zu Recht, aber aus den falschen Gründen. Modelle werden sich weiter verbessern. Ihre Datenbasis wird sich nicht von selbst bereinigen. Jedes Quartal, das Sie mit der Integration und Governance Ihrer Daten warten, schiebt Ihren künftigen KI-Rollout weiter nach hinten.

Das Angebot von DataStreams und SAT Information richtet sich gezielt an Käufer der ersten Option – wahrscheinlich ein koreanisches Unternehmen aus Finanzen, öffentlichem Sektor oder Fertigung, das DataStreams bereits für die Integration einsetzt und nun Dokumenten-Assetisierung ergänzen möchte. Für diese Käufer ist das ein rationales Angebot. Für alle anderen ist es ein nützliches Signal darüber, wohin sich der Markt entwickelt.

Was KI-Entwicklung wirklich tun sollte

Hören Sie auf, Retrieval-Qualität als Modellproblem zu behandeln. Es ist ein Data-Engineering-Problem, das ein Modell-förmiges Kostüm trägt.

Konkret bedeutet das drei Dinge. Erstens: Investieren Sie in Metadaten, bevor Sie in einen weiteren Vector Store investieren. Wenn Ihr Dokumenten-Repository nicht weiß, wer eine Datei besitzt, wann sie zuletzt aktuell war und zu welchem Geschäftsprozess sie gehört, wird kein Embedding-Modell der Welt Ihren Agenten davor bewahren, Unsinn zurückzugeben. Assetisierung – das, was SAT Information in diese Partnerschaft einbringt – ist die unspektakuläre Version dieser Arbeit. Jedes Dokument wird zu einem adressierbaren Asset mit angehängten Lifecycle-Metadaten.

Zweitens: Behandeln Sie Datenvirtualisierung und Data Fabric als erstklassige Bestandteile Ihrer KI-Architektur, nicht als veraltete BI-Anliegen. DataStreams bündelt diese in ein KI-fähiges Angebot, weil agentische Systeme quellenübergreifend abfragen müssen, ohne dass Sie jeden Join vorab materialisieren. Wenn Ihre Architektur nächtliche Batch-Jobs erfordert, um den Retriever zu speisen, beantwortet Ihr Agent die Fragen von gestern mit den Daten von vorgestern.

Drittens: Legen Sie Ihre Governance-Story fest, bevor Sie Ihr Modell wählen. Ob Sie auf OpenAI, Anthropic oder einem Open-Weights-Stack aufbauen – das Modell ist austauschbar. Ihr Zugriffssteuerungsmodell ist es nicht. Row-Level-Permissions, Tenant-Isolation, Audit-Trails: Diese müssen durch den Retrieval-Layer funktionieren, nicht nur auf der Anwendungsebene. Andernfalls wird Ihr erster regulierter Kunde das Datenleck finden.

Der pragmatische Weg für die meisten Teams ist ein Hybrid: die langweiligen Teile kaufen, die wirklich differenzierenden Teile selbst bauen. Integration, Governance und Dokumenten-Assetisierung sind die langweiligen Teile. Kaufen Sie diese. Ihr Prompt Engineering, Ihr Evaluierungs-Harness und Ihre domänenspezifischen Tool-Definitionen sind die differenzierenden Teile. Bauen Sie diese.

Stolpersteine und Sonderfälle

MoUs wie dieses sind Absichtserklärungen, keine ausgelieferten Produkte. Die Partnerschaft zwischen DataStreams und SAT Information nennt vier Kooperationsbereiche: gemeinsame Geschäftsmodelle, Lösungsweiterverkauf, Neukundenidentifikation und maßgeschneiderte Geschäftsmodelle. Beachten Sie, was fehlt: eine gemeinsame technische Roadmap, eine gemeinsame Referenzarchitektur oder verbindliche Integrations-Meilensteine. Das ist bei MoUs normal. Deshalb sollten Käufer kritische Fragen stellen, bevor sie irgendetwas unterzeichnen.

Achten Sie auf diese Fehlermuster. Metadaten-Drift, bei dem das Dokumentenmanagementsystem und der Datenkatalog unterschiedlicher Meinung sind, was ein Datensatz bedeutet, und der Agent stillschweigend den falschen auswählt. Permission-Leakage, bei der Dokumenten-Assetisierung Dateien über den KI-Layer zugänglich macht, die zuvor durch Unbekanntheit geschützt waren. Latenz-Stacking, bei dem jeder Hop von Fabric über Virtualisierung zum Dokumentenspeicher zig Millisekunden addiert und Ihr Agent mitten in einem Tool-Call in den Timeout läuft.

Beobachten Sie auch das Vendor-Overlap-Problem. Wenn DataStreams' Data Fabric bereits Dokumente indiziert und SAT Information ebenfalls Dokumente indiziert – wessen Index gewinnt? Produktionsvorfälle, die ich bei überlappenden Datenplattformen erlebt habe, lassen sich fast immer auf zwei Systeme zurückführen, die beide behaupten, die einzige Quelle der Wahrheit zu sein. Klären Sie das schriftlich vor dem Pilotprojekt, nicht danach.

Wichtigste Erkenntnisse

• Der Engpass für agentische Enterprise-KI liegt in der Dateninfrastruktur, nicht in der Modellqualität. Partnerschaften wie die von DataStreams und SAT Information entstehen, weil der Markt das verstanden hat.
• KI-fähige Daten bedeuten, dass Integration, Governance, Metadaten, Virtualisierung, Fabric und Dokumenten-Assetisierung zusammenwirken. Lassen Sie einen dieser Punkte weg, wird Ihr Agent selbstbewusst halluzinieren.
• Käufer aus Finanzen, öffentlichem Sektor und Fertigung – die Segmente, die DataStreams bedient – haben die unübersichtlichsten Datenbestände und die strengsten Audit-Anforderungen. Sie sind der Frühindikator dafür, wie Enterprise-KI-Infrastruktur aussehen muss.
• Kaufen Sie die langweiligen Teile Ihres Stacks, bauen Sie die differenzierenden Teile. Integration und Governance sind langweilig. Ihr Evaluierungs-Harness und Ihre domänenspezifischen Tools sind es nicht.
• MoUs sind Absichtserklärungen, keine Architektur. Wenn Sie ein gebündeltes Vendor-Angebot evaluieren, fordern Sie eine gemeinsame Referenzarchitektur und Klarheit darüber, welches System die Metadaten verantwortet, bevor Sie den Pilotvertrag unterzeichnen.