Eine Architektur für vertrauenswürdige KI: IBM Confluent und watsonx.data im Zusammenspiel
Wenn KI-Initiativen nicht über den Proof of Concept hinauskommen, liegt das selten am Modell allein. Neben unklarem Geschäftsnutzen, fehlender Integration und unzureichenden Kontrollen gehören Datenqualität, Aktualität und Governance zu den häufigsten Hürden. Die entscheidende Frage lautet deshalb nicht nur, welches Modell die besten Antworten liefert, sondern auch, ob es im richtigen Moment auf verlässliche und fachlich eingeordnete Unternehmensdaten zugreifen kann.
Unternehmen verfügen heute über enorme Datenbestände. Informationen liegen in ERP-Systemen, CRM-Lösungen, Datenbanken, Data Warehouses, Cloud-Anwendungen und Dokumentenablagen. Diese gespeicherten Bestände werden häufig als „Data at Rest“ bezeichnet. Gleichzeitig entstehen durch digitale Prozesse, Kundeninteraktionen und Maschinen kontinuierlich neue Ereignisse, sogenannt „Data in Motion“. Die Herausforderung besteht meist nicht in zu wenigen Daten, sondern in ihrer Verteilung: Sie liegen in unterschiedlichen Systemen, besitzen verschiedene Strukturen und Qualitätsniveaus und sind nicht immer rechtzeitig oder kontrolliert zugänglich.
Für moderne KI-Anwendungen hat dies weitreichende Folgen. Ein Sprachmodell kann nur den Kontext berücksichtigen, der ihm tatsächlich bereitgestellt wird. Unvollständige, veraltete oder widersprüchliche Daten erhöhen deshalb das Risiko unvollständiger oder unzutreffender Ergebnisse. Die Ergebnisqualität hängt allerdings ebenso vom Modell, vom Retrieval- und Prompt-Design sowie von fachlichen Kontrollen ab. Bei Anwendungsfällen wie Kundenservice, Vertriebsunterstützung, Risikobewertung oder intelligenter Automatisierung kann der Zugriff auf aktuelle Geschäftsinformationen besonders wichtig sein.
Hinzu kommt ein weiterer Aspekt: Vertrauen. Fachbereiche, Management und Compliance-Verantwortliche müssen nachvollziehen können, woher die von der KI verwendeten Daten stammen, wie aktuell sie sind, wer sie verantwortet und welche Qualitäts- und Zugriffsregeln gelten. Fehlt diese Transparenz, sinkt die Akzeptanz der Lösung, unabhängig von der technischen Leistungsfähigkeit des Modells. Eine vertrauenswürdige Datenbasis wird deshalb zu einem zentralen Erfolgsfaktor für produktive KI.
Die Herausforderung: Data at Rest und Data in Motion zusammenführen
Data Warehouses, Data Lakes und relationale Datenbanken liefern wertvollen historischen Kontext. Sie bilden weiterhin eine zentrale Grundlage für Reporting, Business Intelligence, Planung und analytische Anwendungen.
Moderne Geschäftsprozesse erzeugen jedoch kontinuierlich neue Ereignisse: Kunden bestellen Produkte, Zahlungen werden verarbeitet, Maschinen senden Sensordaten und digitale Anwendungen produzieren fortlaufend Interaktionen. Diese Informationen entstehen zunächst in operativen Systemen oder Ereignisströmen und stehen nicht automatisch in dem fachlich eingeordneten, qualitätsgesicherten Kontext zur Verfügung, den Analytics- und KI-Anwendungen benötigen.
Nicht jeder KI-Anwendungsfall benötigt Echtzeitdaten. Wo jedoch der aktuelle Zustand entscheidend ist, müssen historische Informationen und laufende Ereignisse zusammenspielen: Die Historie liefert Kontext und Muster, aktuelle Daten spiegeln die gegenwärtige Unternehmensrealität wider. Genau für solche Szenarien ist das Zusammenspiel von IBM Confluent und dem watsonx.data Portfolio interessant.
IBM Confluent
IBM Confluent bildet in dieser Zielarchitektur das Echtzeit-Rückgrat. Seit dem Abschluss der Übernahme im März 2026 gehört Confluent zu IBM. Die Plattform
- erfasst und verteilt Ereignisse aus Anwendungen, Datenbanken und technischen Systemen
- verarbeitet und analysiert Datenströme kontinuierlich, unter anderem mit Apache Flink
- stellt aktuelle Daten für Anwendungen, Analytics und KI-Systeme bereit
- unterstützt Schemas, Datenverträge, Governance und die Integration zahlreicher Quell- und Zielsysteme
Ereignisse müssen dadurch nicht auf den nächsten Batch-Lauf warten, sondern können unmittelbar oder nahezu in Echtzeit genutzt werden.
Für Unternehmen bedeutet dies eine Erweiterung der klassischen Datenarchitektur: Daten können bereits während ihrer Entstehung verarbeitet, angereichert und für weitere Verbraucher bereitgestellt werden. Batch-Verarbeitung und Data Warehousing bleiben dabei wichtig; Streaming ergänzt sie dort, wo Aktualität, Entkopplung oder kontinuierliche Reaktionen einen fachlichen Mehrwert schaffen.
watsonx.data
watsonx.data stellt in dieser Architektur eine offene, hybride Datengrundlage bereit. Die Plattform verbindet und erschließt verteilte Daten über On-Premises- und Cloud-Umgebungen hinweg und unterstützt offene Formate sowie Lakehouse-, Analytics- und KI-Workloads. Streaming-Daten können so mit historischen und weiteren Unternehmensdaten in einen gemeinsamen, kontrollierten Nutzungskontext gebracht werden.
Je nach Zielarchitektur können Unternehmen damit:
- Streaming-Daten für Lakehouse- und Analyseumgebungen bereitstellen
- historische, operative und unstrukturierte Daten zusammenführen oder dort erschließen, wo sie liegen
- BI-, Analytics- und Data-Engineering-Workloads auf offenen Datenformaten betreiben
- KI-Anwendungen mit kontrolliertem und fachlich eingeordnetem Unternehmenskontext versorgen
watsonx.data unterstützt offene Datenformate und hybride Bereitstellungsmodelle. Unternehmen können Daten über lokale, Cloud- und Multi-Cloud-Umgebungen hinweg nutzen, ohne zwangsläufig sämtliche Bestände in eine einzige Plattform zu verschieben. Die konkrete Architektur hängt von Datenresidenz, Latenz, Kosten, Sicherheit und vorhandenen Plattformen ab.
watsonx.data integration
Zwischen Quellsystemen, Ereignisströmen, Lakehouse, Analytics und KI müssen Daten zuverlässig bewegt, transformiert, repliziert und überwacht werden. Dafür bündelt watsonx.data integration mehrere Integrationsstile und Werkzeuge in einer gemeinsamen Umgebung.
Zu den zentralen Fähigkeiten gehören:
- Batch- sowie ETL- und ELT-Verarbeitung mit DataStage
- kontinuierliche Streaming-Pipelines mit StreamSets
- Datenreplikation und Near-Real-Time-Bereitstellung, einschließlich CDC-Szenarien
- Integration, Aufbereitung und Anreicherung unstrukturierter Daten
- Data Observability, Alarmierung und Unterstützung bei der Analyse von Datenvorfällen
Damit lassen sich unterschiedliche Integrationsmuster über eine gemeinsame Werkzeug- und Betriebsumgebung steuern und beobachten.
watsonx.data integration kann die Fragmentierung einer Integrationslandschaft reduzieren und Batch-, Replikations-, Streaming- und Observability-Funktionen zusammenführen. Es ersetzt jedoch nicht automatisch jede vorhandene Integrationsplattform. Ob und wie konsolidiert wird, hängt unter anderem von Konnektoren, Funktionsumfang, Betriebsanforderungen, Migrationsaufwand und bestehenden Investitionen ab.
watsonx.data intelligence
Die Verfügbarkeit von Daten allein genügt nicht. Unternehmen müssen nachvollziehen können, welche Daten verwendet werden, was sie fachlich bedeuten, woher sie stammen, wie ihre Qualität bewertet wird und welche Regeln für ihre Nutzung gelten.
watsonx.data intelligence ergänzt die technische Datenplattform um Geschäftskontext und Governance. Die Lösung verbindet Metadaten, Begriffe, Datenqualität, Lineage, Richtlinien und die Bereitstellung von Datenprodukten. Fachbereiche erhalten dadurch mehr Transparenz über ihre Datenbestände, während Menschen und KI-Systeme kontrolliert auf kuratierte Daten zugreifen können.
Zu den zentralen Funktionen gehören:
- Data Governance und Datenkatalog
- Datenqualität und automatisierte Qualitätskontrollen
- Data Lineage und Herkunftsnachweise
- Data Sharing und die Verwaltung wiederverwendbarer Datenprodukte
- Richtlinien, Zugriffsregeln und Unterstützung regulatorischer Anforderungen
So können vertrauenswürdige, nachvollziehbare und wiederverwendbare Datenprodukte entstehen.
Diese Transparenz ist insbesondere bei regulatorischen Anforderungen, Audits und KI-Governance wichtig. In vielen produktiven und regulierten Anwendungsfällen sind die nachweisbare Herkunft, die Qualität und die zulässige Verwendung von Daten eine wesentliche Voraussetzung für den verantwortbaren Einsatz von KI.
Anwendungsfall: Virta skaliert das Laden von Elektrofahrzeugen mit Confluent Cloud
Der europäische Anbieter Virta nutzt Confluent Cloud als Streaming-Rückgrat für sein wachsendes Ladenetzwerk. Ziel war es, Plattformaktualisierungen zu beschleunigen, Entwicklungsaufwand zu reduzieren und Daten aus mehr als 350.000 Ladepunkten in Echtzeit zu verarbeiten.
- 100 % Verfügbarkeit seit der Einführung von Confluent
- 45 Millionen verarbeitete Nachrichten pro Stunde
- Plattformaktualisierungen in Sekundenschnelle
- Schnellere Entwicklungszyklen für neue Funktionen und Services
- Reduzierte laufende Kosten durch ein nutzungsabhängiges Preismodell
Quelle: Confluent Customer Story „Virta Powers EV Charging with Confluent’s Real-Time Data Streaming Platform“
Von Echtzeitdaten zu AI-ready Data Products
Das gemeinsame Ziel lässt sich vereinfacht so darstellen:
Aktuelle Ereignisse + historischer Kontext → Integration und Governance → AI-ready Data Products → KI und Automatisierung → Geschäftswert
- IBM Confluent liefert aktuelle, skalierbare und wiederverwendbare Ereignisströme.
- data stellt eine offene, hybride Grundlage für historische und verteilte Unternehmensdaten bereit.
- data intelligence ergänzt Geschäftskontext, Qualität, Lineage und Governance.
- data integration bewegt, transformiert, repliziert und überwacht Daten zwischen den beteiligten Systemen.
Die Stärke der Architektur liegt im Zusammenspiel der Komponenten: IBM Confluent stellt aktuelle Ereignisse bereit, watsonx.data verbindet sie mit historischem und weiterem Unternehmenskontext, watsonx.data integration orchestriert die Datenflüsse und watsonx.data intelligence schafft Transparenz, Qualität und kontrollierte Nutzung.
So können AI-ready Data Products entstehen: aktuelle, vertrauenswürdige, dokumentierte und wiederverwendbare Datenangebote für Analytics, Automatisierung, generative KI und KI-Agenten. Technologie allein genügt dafür jedoch nicht. Erforderlich sind ebenso fachliche Verantwortung, Datenverträge, Qualitätsziele, Zugriffsregeln und ein geregelter Produktlebenszyklus.
Unsere Empfehlung
Der Erfolg von KI-Projekten hängt nicht allein von der Leistungsfähigkeit eines Modells ab. Entscheidend ist, ob aktuelle Informationen und vertrauenswürdiger Unternehmenskontext kontrolliert zusammengeführt werden. IBM Confluent und das watsonx.data Portfolio bieten dafür komplementäre Bausteine: Streaming, hybride Datennutzung, Integration sowie Data Intelligence und Governance. Welche Komponenten sinnvoll sind, sollte aus den priorisierten Use Cases und der bestehenden Architektur abgeleitet werden.
Was bedeutet das für Unternehmen?
Viele Unternehmen verfügen bereits über wesentliche Bausteine einer modernen Datenplattform: Datenbanken, Data Warehouses, Analytics-Lösungen oder erste KI-Anwendungen. Die Herausforderung besteht darin, diese Komponenten gezielt zu einer durchgängigen, vertrauenswürdigen und KI-fähigen Datenarchitektur weiterzuentwickeln, ohne dabei bewährte Systeme pauschal zu ersetzen.
Die Stärke von mip liegt genau in dieser Brückenfunktion. Seit fast 40 Jahren begleitet mip Unternehmen bei der Konzeption und Umsetzung moderner Datenplattformen, von Datenbanken und Datenintegration über Data Governance und Analytics bis zu heutigen KI-Initiativen. Dabei verbinden wir bestehende Investitionen mit offenen, hybriden und echtzeitfähigen Architekturbausteinen.
Ist Ihre Datenplattform bereit für KI?
Für produktive KI benötigen Sie mehr als leistungsfähige Modelle: Sie benötigen Daten, die aktuell genug für den jeweiligen Use Case, qualitativ abgesichert, fachlich verständlich und kontrolliert zugänglich sind.
Sie möchten erfahren, wie IBM Confluent und das watsonx.data Portfolio Ihre KI-Initiativen unterstützen können? Dann sprechen Sie mit unseren Daten- und KI-Experten.
Gemeinsam mit Ihnen bewerten wir, wie Echtzeitdaten, Data Governance, Data Integration und Lakehouse-Architekturen sinnvoll zusammenspielen, und welche Ausbaustufe für Ihre Use Cases wirtschaftlich und technisch angemessen ist.
✅ Analyse Ihrer AI-Readiness
✅ Bewertung von Datenqualität, Governance und Integrationslandschaft
✅ Architekturansätze und priorisierte Use Cases für KI-fähige Datenprodukte
KI entfaltet ihr Potenzial nur auf einer modernen, vernetzten Datenbasis. Finden Sie heraus, wie zukunftsfähig Ihre Datenplattform wirklich ist und welche Schritte jetzt den Unterschied machen.
Jörg Kremer
Head of Consulting / Delivery Manager
Quellennachweis (Abruf: 20. Juli 2026):
IBM: IBM Confluent – https://www.ibm.com/de-de/products/confluent
IBM Think: Data Streaming Platform – https://www.ibm.com/think/topics/data-streaming-platform
Confluent Docs: Connectors – https://docs.confluent.io/cloud/current/connectors/overview.html
Confluent Docs: Tableflow – https://docs.confluent.io/cloud/current/topics/tableflow/overview.html
