KM4BI KM4BI

SAP setzt über eine Milliarde auf das agentische RAG-Problem, das viele Teams übersehen

Agenten-Memory geht über Vektorsuche hinaus: Produktionsagenten brauchen gesteuerten Kontext, Quellenautorität, Berechtigungen und aufgabenförmige Datenpakete.

Produktive Agenten machen die Grenzen des klassischen RAG sichtbar. Das Chatbot-Muster — einige semantisch ähnliche Textstücke holen und eine Frage beantworten — reicht nicht, wenn ein Agent über Kundendaten, Richtlinien, Verträge, Metriken und Berechtigungen hinweg handeln soll.

Was sich verändert

Pinecones Nexus und NoQL werden als Zeichen gelesen, dass Vektorähnlichkeit allein nicht genügt. Agenten brauchen operativen Kontext: Absicht, Filter, Provenienz, Zugriffspolitik, Vertrauen, Antwortform und Budget. Page Index setzt an einer anderen Stelle an und betont, dass viele Dokumente ihre Hierarchie behalten müssen, weil Struktur ein Teil der Bedeutung ist.

Warum SAP in diese Logik passt

SAPs Schritte rund um Dremio und Prior Labs zeigen die Enterprise-Seite desselben Problems. Kritisches Geschäftswissen liegt oft in gesteuerten Tabellen, ERP- und CRM-Systemen, Metrikdefinitionen und semantischen Schichten — nicht nur in Fließtext. Für einen Unternehmensagenten entscheiden Lineage und Berechtigungen darüber, ob eine Antwort für eine Aktion taugt.

Praktische Konsequenz

Die empfohlene Reihenfolge lautet: zuerst den Vertrag zwischen Agent und Daten definieren, dann das genaue Datenpaket beschreiben, das der Agent braucht, und erst danach die passenden Bausteine wählen. Je nach Arbeit können das Vektorsuche, Dokumentbäume, semantische Schichten, tabellarisches Reasoning oder Graphen sein.

Fazit

Der Memory-Wettlauf wird nicht durch das trendigste Retrieval-Werkzeug gewonnen. Entscheidend ist angemessener Kontext in einer Form, die der Agent zuverlässig nutzen kann. Größere Kontextfenster ersetzen keine sauberen Datenverträge.

Source