Immer mehr Unternehmen lassen KI-Systeme direkt auf ihre Datenbanken zugreifen: Ein Agent – also ein Sprachmodell, das eigenständig Werkzeuge aufruft und mehrere Arbeitsschritte hintereinander ausführt – formuliert selbst eine SQL-Abfrage, liest das Ergebnis und formuliert daraus eine Antwort. Das wirkt im Demo-Betrieb beeindruckend und ist in der Praxis genau dort fragil, wo die Datenbasis unscharf ist.
Der Kern des Problems: Ein Sprachmodell erzeugt plausiblen Text, keine garantiert korrekte Abfrage. Fehlt ihm ein eindeutiger Anhaltspunkt in Schema und Benennung, füllt es die Lücke mit einer Vermutung. Das Ergebnis sind Halluzinationen – erfundene Spalten, falsch interpretierte Statuswerte oder Verknüpfungen zwischen Tabellen, die fachlich keinen Sinn ergeben. Besonders tückisch ist dabei, dass die Antwort syntaktisch korrekt aussieht und Zahlen liefert, die niemand sofort anzweifelt.
Das Datenmodell ist der eigentliche Prompt
In Projekten wird viel Energie in die Formulierung von Prompts gesteckt, während das Schema unangetastet bleibt. Dabei liest der Agent in der Regel genau dieses Schema, um zu verstehen, womit er es zu tun hat: Tabellennamen, Spaltennamen, Datentypen, Beziehungen. Jede dieser Angaben ist damit faktisch Teil der Anweisung an das Modell.
Eine Spalte mit dem Namen flag3 oder status_neu liefert keinerlei Kontext. Eine Spalte, deren Name die fachliche Rolle wiedergibt, schon. Wo Menschen über Jahre internes Wissen aufgebaut haben – welches Kürzel welchen Vertragstyp meint, welche Tabelle tatsächlich noch gepflegt wird –, hat ein Agent nur das vor sich, was in der Struktur sichtbar ist.
Woran Agenten typischerweise scheitern
- Mehrdeutige Benennung: Mehrere Tabellen oder Spalten, die ähnlich heißen, aber Unterschiedliches enthalten.
- Fehlende Beziehungen: Verknüpfungen existieren nur in der Anwendungslogik, nicht als Fremdschlüssel in der Datenbank. Der Agent muss raten, wie er Tabellen verbindet.
- Freitext statt definierter Werte: Statusangaben oder Kategorien als unkontrollierte Zeichenketten, inklusive Tippfehlern und Varianten in Groß- und Kleinschreibung.
- Historisch gewachsene Altlasten: Nicht mehr genutzte Tabellen, Testdaten und Dubletten, die weiterhin sichtbar sind.
- Implizite Geschäftsregeln: Fachliche Bedingungen, die nur im Code oder im Kopf einzelner Mitarbeitender existieren.
Strenge Strukturen als Leitplanke
Die naheliegende Konsequenz ist unspektakulär, aber wirksam: Was der Agent wissen muss, gehört in die Datenbank selbst. Sprechende Namen, saubere Normalisierung, definierte Datentypen, Fremdschlüssel und Bedingungen, die unzulässige Werte von vornherein ausschließen, reduzieren den Raum für Vermutungen. Ein Modell, das nur zwischen fünf definierten Statuswerten wählen kann, erfindet keinen sechsten.
Hinzu kommt der Nutzen von Kommentaren und Beschreibungen im Schema. Viele Datenbanksysteme erlauben es, Tabellen und Spalten zu dokumentieren. Diese Metadaten lassen sich einem Agenten gezielt mitgeben und ersetzen das fehlende Hintergrundwissen.
Nicht alles sichtbar machen
Ein zweiter Hebel ist die bewusste Begrenzung dessen, was ein Agent überhaupt sieht. Statt vollen Zugriff auf ein historisch gewachsenes Produktivschema zu geben, hat sich eine kuratierte Sicht bewährt: klar definierte Views oder ein eigenes Lesemodell, das nur die fachlich relevanten und gepflegten Felder enthält. Das verkleinert die Angriffsfläche für Fehlinterpretationen und macht Antworten reproduzierbarer.
Parallel dazu gehören Zugriffsrechte sauber getrennt. Ein lesender Agent braucht keine Schreibrechte. Wo doch geschrieben werden soll, sollte dies über definierte Operationen laufen und nicht über frei generiertes SQL.
Vertrauen entsteht durch Prüfbarkeit
Selbst bei gutem Design bleibt ein Restrisiko. Deshalb ist Nachvollziehbarkeit Teil der Architektur: Die erzeugte Abfrage sollte protokolliert und im Zweifel einsehbar sein, Ergebnisse sollten sich gegen bekannte Referenzwerte prüfen lassen. In fachkritischen Bereichen empfiehlt sich ein Satz fest hinterlegter, getesteter Abfragen, die der Agent aufruft, statt jede Auswertung neu zu formulieren.
Hilfreich ist außerdem ein Testvorgehen, das typische Fachfragen und ihre korrekten Antworten als Regressionstests festhält. So wird sichtbar, wenn ein Modellwechsel oder eine Schemaänderung die Qualität verschlechtert – ein Effekt, der sonst erst auffällt, wenn jemand einer falschen Zahl vertraut hat.
Reihenfolge im Projekt
Für die Projektplanung ergibt sich daraus eine klare Reihenfolge. Zuerst wird geprüft, ob das Datenmodell die fachlichen Begriffe überhaupt eindeutig abbildet. Dann wird aufgeräumt und dokumentiert. Erst danach lohnt sich die Anbindung eines Agenten. Wer diese Schritte überspringt, verlagert die Unschärfe lediglich – vom Datenbestand in die Antworten der KI, wo sie deutlich schwerer zu erkennen ist.
Der angenehme Nebeneffekt: Die genannten Maßnahmen zahlen unabhängig von jedem KI-Vorhaben ein. Sprechende Strukturen, saubere Beziehungen und dokumentierte Felder erleichtern Wartung, Onboarding und Auswertungen auch dann, wenn kein Agent im Spiel ist.
Was das für Web- und Softwareprojekte heißt
Wer KI an bestehende Datenbestände anbindet, investiert sinnvollerweise zuerst in Datenmodell und Dokumentation, nicht in längere Prompts. In TYPO3- und Fachanwendungsprojekten heißt das konkret: Altlasten im Schema sichtbar machen, eine kuratierte Lesesicht für den Agenten definieren und Zugriffsrechte eng fassen. Die Qualität einer KI-Antwort ist am Ende nicht besser als die Struktur, auf die sie zugreift – und diese Struktur ist eine Engineering-Aufgabe, keine Frage der Modellwahl.