Datenqualität und Verfügbarkeit für die Entwicklung von KI-Agenten

Die Evolution der Datenbasis für KI-Agenten

Die Entwicklung von Künstlicher Intelligenz (KI) hat in den letzten Jahren enorme Fortschritte gemacht, wobei insbesondere das Konzept der "Agenten" an Bedeutung gewinnt. Diese autonomen KI-Systeme sind darauf ausgelegt, komplexe Aufgaben zu verstehen, zu planen und auszuführen, oft in dynamischen und unvorhersehbaren Umgebungen. Eine zentrale Herausforderung bei der Realisierung leistungsfähiger und zuverlässiger KI-Agenten liegt in der Bereitstellung und Verwaltung der zugrundeliegenden Daten. Es geht hierbei nicht mehr nur um die reinen Modellgewichte, sondern um ein umfassendes Datenökosystem, das die gesamte Lebensspanne eines Agenten unterstützt.

Die Notwendigkeit spezifischer Daten für Agenten

Im Gegensatz zu traditionellen KI-Modellen, die oft auf spezifische Aufgaben trainiert werden, agieren KI-Agenten in komplexeren Szenarien. Sie müssen in der Lage sein, aus Fehlern zu lernen, Werkzeuge zu nutzen, Informationen abzurufen und Entscheidungen über verschiedene Systeme hinweg zu treffen. Dies erfordert eine Datenbasis, die deutlich über das hinausgeht, was für die reine Modelltrainierung notwendig ist. Zu den benötigten Daten gehören:

• Software-Engineering-Traces: Protokolle und Aufzeichnungen von Interaktionen zwischen Softwarekomponenten.
• Tool-Nutzungsfehler: Daten über fehlgeschlagene oder ineffiziente Versuche von Agenten, externe Tools zu verwenden.
• Mehrschrittiges Reasoning: Datensätze, die komplexe Denkprozesse und sequentielle Entscheidungen abbilden.
• Retrieval-Daten: Informationen, die für den Abruf relevanter Inhalte aus Wissensdatenbanken oder externen Quellen notwendig sind.
• Sicherheitsrelevante Daten: Informationen zur Identifizierung und Vermeidung unerwünschten oder schädlichen Agentenverhaltens.
• Benutzersimulationen: Daten, die das Verhalten und die Interaktionen potenzieller Endbenutzer nachbilden.
• Workflow-Ausführung: Aufzeichnungen von erfolgreich ausgeführten Workflows und den dabei durchlaufenen Schritten.
• Interaktionen in der physischen Welt: Daten aus der realen Welt, die für Agenten in Robotik oder IoT-Anwendungen relevant sind.

Die Bereitstellung solcher Daten ist entscheidend, um Agenten robuster, anpassungsfähiger und erklärbarer zu machen. Ohne eine solche datengestützte Basis besteht die Gefahr, dass Agenten lediglich als "Autocompleter mit Tools" fungieren, anstatt als autonome Problemlöser.

Die Rolle von Open Data und synthetischen Daten

Ein zentraler Aspekt für die Weiterentwicklung von KI-Agenten ist der Zugang zu Daten. Viele Unternehmen besitzen jedoch sensible interne Daten, die sie nicht ohne Weiteres veröffentlichen können. Hier kommen offene und synthetische Daten ins Spiel. Synthetische Daten, also künstlich generierte Daten, die die statistischen Eigenschaften realer Daten nachahmen, bieten eine Lösung für dieses Dilemma. Sie ermöglichen es Organisationen, nützliche Signale zu bewahren, ohne die ursprünglichen, möglicherweise proprietären Quellen preiszugeben.

NVIDIA hat in diesem Bereich erhebliche Anstrengungen unternommen und offene Datensätze wie Nemotron-CC und Nemotron-Personas veröffentlicht. Nemotron-CC nutzt synthetische Daten, um bestehende Datensätze wie Common Crawl für das Vortraining zu verbessern und die Argumentationsfähigkeiten von Modellen zu schärfen. Nemotron-Personas wiederum zielt darauf ab, lokal verankerte synthetische Personas zu schaffen, die die Vielfalt demografischer und geografischer Merkmale abbilden. Dies ermöglicht es Entwicklern, die Systeme auf spezifische Benutzergruppen, Sprachen und Regionen zuzuschneiden, ohne reale, sensible Benutzerdaten verwenden zu müssen.

Die Verfügbarkeit von Open Data fördert nicht nur die Reproduzierbarkeit von Forschungsergebnissen, sondern auch die Transparenz und Erklärbarkeit des Agentenverhaltens. Wenn Entwickler und Forscher verstehen, welche Daten die Verhaltensweisen eines Agenten geprägt haben, können sie dessen Entscheidungen besser nachvollziehen und gegebenenfalls korrigieren.

Herausforderungen und Lösungsansätze bei der Datenexploration

Die schiere Menge an verfügbaren Daten, selbst wenn sie offen zugänglich sind, stellt eine eigene Herausforderung dar. Rohe Datentabellen bieten oft keinen intuitiven Einblick in die enthaltenen Informationen. Um dies zu adressieren, hat NVIDIA den Nemotron Post-Training v3 Prompt Atlas entwickelt. Dieses interaktive, visuelle Tool ermöglicht es Anwendern, die Nemotron-Datensätze zu explorieren. Jeder Punkt auf der Karte repräsentiert eine Prompts-Stichprobe, die proportional zur tatsächlichen Datenmischung gewichtet ist. Durch Farbüberlagerungen und Filter kann die Karte nach Datensatz, Pipeline-Phase, Domäne oder Tool-Nutzung reorganisiert werden. Dies erleichtert es, semantisch ähnliche Prompts zu identifizieren, repräsentative Beispiele zu inspizieren und so Daten zu kuratieren, Evaluierungen zu erstellen oder das Verhalten eines Modells besser zu verstehen.

Der Kontext der Datenqualität

Die Definition von "Datenqualität" ist im Kontext von KI-Agenten nicht universell, sondern stark vom jeweiligen Anwendungsfall abhängig. Ein Toxizitätsklassifizierer, der auf englischen Internetdaten trainiert wurde, könnte beispielsweise beleidigende Nachrichten in Sprachen wie Koreanisch oder Japanisch übersehen, wo Aggression oft in Höflichkeitsgraden und nicht in offensichtlichem Vokabular kodiert ist. Dies unterstreicht die Notwendigkeit, Agenten auf spezifische Kontexte und Kulturen abzustimmen.

Die Entwicklung von Nemotron-Personas ist ein Versuch, dieser Notwendigkeit zu begegnen. Diese synthetischen Personas, die mithilfe des NeMo Data Designer erzeugt werden, spiegeln offizielle regionale demografische und geografische Statistiken wider. Das Ziel ist es nicht, reale Personen exakt nachzubilden, sondern Entwicklern zu ermöglichen, ihre Systeme darauf zu testen, ob sie die Vielfalt der Benutzer, Sprachen, Regionen und Berufe, für die sie entwickelt wurden, adäquat abbilden.

Wenn Qualität lokal definiert ist, sind es die lokalen Experten – regionale Forscher, Muttersprachler, Fachexperten – die die notwendigen Einblicke liefern können. Dies erfordert einen kollaborativen Ansatz bei der Datenerstellung und -verfeinerung.

Synthetische Schwellenwerte und Vertrauen

Synthetische Daten sind ein wertvolles Werkzeug, ersetzen jedoch nicht die Notwendigkeit einer soliden Datenverwaltung. Es ist wichtig, die Herkunft, die Verarbeitung und die Validierung synthetischer Daten transparent zu dokumentieren. Das Konzept der "synthetischen Schwellenwerte" hilft dabei, Punkte zu identifizieren, an denen Daten nicht mehr als rein real betrachtet werden können. Realwelt-Workflows, menschliches Feedback, modellgenerierte Traces und simulierte Benutzer können sich vermischen. Eine transparente Dokumentation darüber, was generiert, was geerdet, was überprüft wurde und welche Ziele die Daten verfolgen, ist essenziell.

Die Qualität von Daten variiert je nach Kontext. Für Reasoning-Aufgaben sind schwierigere Probleme und sauberere Spuren erforderlich. Für Personas sind Verteilungsgenauigkeit und lokale Überprüfung wichtig. Agenten-Workflows benötigen Aufgabenvielfalt, Fehlerabdeckung und Wiederherstellungspfade. Der Bereich ist noch mehr Handwerk als eine exakte Formel.

Letztlich ist das knappe Gut in der KI nicht die Menge an Daten, sondern das Vertrauen zwischen Organisationen. Synthetische Daten sind ein Instrument, um dieses Vertrauen aufzubauen, indem sie es ermöglichen, wertvolle Informationen zu teilen, ohne proprietäre Geheimnisse preiszugeben oder Datenschutzbedenken zu ignorieren.

Fazit

Die Zukunft der KI-Agenten hängt maßgeblich von der Qualität und Verfügbarkeit ihrer Datenbasis ab. Offene und synthetische Daten spielen eine entscheidende Rolle dabei, ein robustes, transparentes und kollaboratives Ökosystem für die Entwicklung von KI-Agenten zu schaffen. Die Bemühungen von Unternehmen wie NVIDIA, diese Daten zugänglich zu machen und Werkzeuge für deren Exploration und Qualitätssicherung bereitzustellen, sind von großer Bedeutung für den Fortschritt in diesem Bereich. Die Herausforderung besteht darin, die Balance zwischen dem Schutz sensibler Informationen und der Förderung eines offenen Datenaustauschs zu finden, um das volle Potenzial von KI-Agenten auszuschöpfen.

Bibliografie

• Exa. (2026, 24. Mai). Abundant. https://abundant.ai/
• Exa. (2026, 8. Juni). Nexla. https://nexla.com/
• OpenAI. (2026, 29. Januar). Inside OpenAI's in-house data agent. https://openai.com/index/inside-our-in-house-data-agent/
• Exa. (2026, 21. Mai). Streamkap. https://streamkap.com/
• s-polly. (2026, 11. Mai). Fabric data agent creation - Microsoft Learn. https://learn.microsoft.com/en-us/fabric/data-science/concept-data-agent
• Exa. (2026, 22. Mai). OnDB. https://ondb.ai/
• Google Cloud. (2026, 29. Juni). Data agents in Data Studio - Google Cloud Documentation. https://docs.cloud.google.com/data-studio/conversational-analytics-data-agents
• K2view. (2026, 28. April). What are data agents? The bridge between agentic AI and ... - K2view. https://www.k2view.com/what-are-data-agents/
• Cui, J., & Li, J. (2026, 10. März). Your Data Agents Need Context | Andreessen Horowitz. https://a16z.com/your-data-agents-need-context/
• Google Cloud. (2026, 18. Februar). Data agents are here | Google Cloud Blog. https://cloud.google.com/transform/data-agents-are-here-choose-your-path-to-getting-started-ai
• Jennings, W., Scowcroft, J. P., Surla, A., Meyer, Y., Kao, R., Chraghchian, L., Alexiuk, C., Xu, M., & Nathawani, D. (2026, 8. Juli). Data for Agents. Hugging Face Blog. https://huggingface.co/blog/nvidia/open-data-for-agents