Wichtigste Erkenntnisse

  • Bessere Modelle verringern die Probleme mit Unternehmensdaten nicht, denn eine KI kann zwar Daten aus dem richtigen System abrufen, aber dennoch falsche Antworten liefern, wenn ihr geschäftliche Definitionen, Zusammenhänge, Zuständigkeiten, Qualitätsinformationen und Nutzungsrichtlinien fehlen.
  • Die Übernahme von Zeenea durch Actian im Jahr 2024 bildete die Grundlage für die „ Actian Data Intelligence-Plattform “, die technische „ Metadaten “ mit geschäftlichen Zusammenhängen über verbundene Systeme hinweg verknüpft, ohne dass die zugrunde liegenden Daten verschoben werden müssen.
  • Governance muss praxisorientiert sein: Ausführbare Datenverträge, Datenprodukte mit klarer Zuständigkeit, Datenqualitätsprüfungen in Integrationspipelines und KI-gestützte Datenverwaltung sorgen dafür, dass Richtlinien auch bei Datenänderungen eingehalten werden.
  • Souveränität bedeutet Kontrolle, Durchsetzung und Nachweis darüber, wo KI-Workloads ausgeführt werden, welches Modell sie verwenden und auf welche Daten sie zugreifen können – und nicht nur darüber, wo Daten gespeichert sind.
  • Die nächste Herausforderung besteht darin, den geschäftlichen Kontext korrekt darzustellen und KI-Agenten genügend Kontextinformationen zur Verfügung zu stellen, damit sie innerhalb klarer Governance-Grenzen sinnvoll handeln können.

Man neigt dazu anzunehmen, dass mit der Verbesserung der KI-Modelle die Probleme im Zusammenhang mit Unternehmensdaten irgendwie an Bedeutung verlieren werden. Ich glaube jedoch, dass genau das Gegenteil der Fall ist.

Ein Modell kann Informationen aus dem richtigen System abrufen und dennoch eine falsche Antwort liefern. Es könnte eine veraltete Definition eines Kunden verwenden, Daten kombinieren, die nicht miteinander verglichen werden sollten, oder Einschränkungen hinsichtlich der Verwendung bestimmter Informationen übersehen. Das Modell funktioniert möglicherweise genau so, wie es konzipiert wurde. Das Problem ist alles, was es über die Daten nicht weiß.

Hier kommt es entscheidend auf den Kontext an. Nicht auf den Kontext im engeren Sinne, also darauf, einem Modell eine längere Eingabe zu geben, sondern auf die geschäftlichen Definitionen, Zusammenhänge, Zuständigkeiten, Qualitätsinformationen und Richtlinien, die festlegen, wie Unternehmensdaten interpretiert und genutzt werden sollen.

Es ist auch eine nützliche Perspektive für das, was wir bei Actian aufgebaut haben.

Als wir Zeenea im Jahr 2024 übernahmen, erkannten wir eine Chance, die weit über die herkömmliche „ Daten-Discovery “ hinausging. Die Technologie des Unternehmens wurde zur Grundlage für die heutige Actian Data Intelligence-Plattform. Enterprise-KI hat eine Schwachstelle in Datenarchitekturen aufgedeckt, mit der wir seit Jahrzehnten leben. Wir sind mittlerweile sehr gut darin, Daten zu speichern, zu verarbeiten und zu übertragen, aber weitaus weniger effektiv darin, deren geschäftliche Bedeutung den Systemen zugänglich zu machen, die sie nutzen.

Für einen menschlichen Analysten ist diese Lücke überschaubar. Erfahrene Mitarbeiter wissen, welche Kundendefinition sie verwenden müssen, welchen Kennzahlen sie vertrauen können und wen sie fragen müssen, wenn etwas nicht stimmt. KI-Systeme verfügen nicht über dieses institutionelle Wissen. Sofern es nicht ausdrücklich dargestellt und zugänglich gemacht wird, müssen sie die Bedeutung aus unvollständigen Informationen ableiten.

Dies entwickelt sich zu einer grundlegenden architektonischen Herausforderung, da Unternehmen zunehmend von einer KI, die Fragen beantwortet, zu einer KI übergehen, die Maßnahmen ergreift.

Dies spielt auch eine zentrale Rolle dabei, wie wir bei Actian die Datenintelligenz in den letzten zwei Jahren weiterentwickelt haben, um den Menschen und KI-Systemen, die darauf angewiesen sind, den geschäftlichen Kontext besser zugänglich zu machen.

Zwei Jahre später, da immer mehr Unternehmen KI nicht mehr nur im Versuchsstadium, sondern bereits im produktiven Einsatz nutzen, ist dieses Ziel wichtiger denn je geworden: Unternehmen dabei zu helfen, nicht nur zu verstehen, über welche Daten sie verfügen, sondern auch, was diese bedeuten und wie sie genutzt werden können.

Von Datenkatalogen zum vernetzten Geschäftskontext

Datenkataloge sind seit Jahren ein wichtiger Bestandteil des Unternehmens Datenmanagement s und helfen Unternehmen dabei, Informationen in immer komplexeren Umgebungen zu finden. Doch das Auffinden eines „ Datensatz “ ist nur der erste Schritt. Zu verstehen, was es bedeutet, in welchem Zusammenhang es mit anderen Daten steht und ob es für einen bestimmten Zweck geeignet ist, stellt eine ganz andere Herausforderung dar.

Nehmen wir etwas so Alltägliches wie einen Kunden Aufzeichnung. Der Vertrieb definiert einen aktiven Kunden vielleicht als jemanden, bei dem eine Verkaufschance offen ist. Die Finanzabteilung definiert ihn vielleicht als aktive Rechnungsbeziehung. Der Kundensupport betrachtet möglicherweise die jüngsten Interaktionen. Keine dieser Definitionen ist zwangsläufig falsch. Sie beantworten einfach unterschiedliche Fragen.

Wenn ein Analyst diese Unterschiede versteht, kann er entscheiden, welche Definition zutrifft. Ein KI-System muss über dasselbe Verständnis verfügen, sonst könnte es eine überzeugende Antwort liefern, die auf falschen Annahmen beruht.

Dies war einer der Gründe für die Übernahme von Zeenea. Der Ansatz des Unternehmens im Bereich des föderierten Daten Metadaten s bot uns eine Grundlage, um technische Informationen mit geschäftlichen Zusammenhängen, Beziehungen, Herkunftsdaten und Verantwortlichkeiten zu verknüpfen.

Der föderierte Ansatz ist entscheidend. Die meisten Unternehmen werden nicht alle ihre Daten in einer einzigen Umgebung zusammenführen, und ich glaube auch nicht, dass sie das sollten. Sie haben bereits getätigte Investitionen, gesetzliche Auflagen, unterschiedliche Betriebsmodelle und gute Gründe dafür, bestimmte Workloads dort zu belassen, wo sie sind.

Was sie brauchen, ist eine Möglichkeit, die Beziehungen zwischen Datenbeständen zu verstehen, ohne alle zugrunde liegenden Daten zu verschieben.

Unser föderierter Wissensgraph hilft dabei, diese Verbindungen herzustellen. Er verknüpft „ Metadaten “ systemübergreifend und erleichtert so das Verständnis dafür, in welcher Beziehung Datenbestände zu Geschäftskonzepten und untereinander stehen.

Das bedeutet jedoch nicht, dass das Diagramm alle widersprüchlichen Definitionen wie von Zauberhand auflöst. Es muss weiterhin geklärt werden, welche Definitionen maßgeblich sind, wem sie zuzuordnen sind und wie sie anzuwenden sind. Aber es bietet Organisationen eine wesentlich bessere Grundlage für diese Arbeit.

Der Kontext ist nur dann nützlich, wenn man ihm vertrauen kann

Ein weiterer Fehler, den ich bei Unternehmen beobachte, ist, dass sie „ Metadaten “, Governance und Datenqualität als separate Projekte behandeln.

Sie verfügen über eine Kataloginitiative, ein Governance-Programm, ein Qualitätsinstrument und vielleicht auch ein Team, das an Datenprodukten arbeitet. Jede dieser Einheiten leistet zwar möglicherweise nützliche Arbeit, doch die Verbindungen zwischen ihnen sind oft nur schwach ausgeprägt.

In meinem O’Reilly-Bericht, Grundlagen für bessere Unternehmen Datenmanagement, habe ich fünf Grundlagen beschrieben, die zusammenwirken müssen: Architektur, Governance, Datenqualität und Beobachtbarkeit, Metadaten sowie Menschen und Kultur.

Die Daten Beobachtbarkeit ist ein wichtiger Bestandteil dieses Gesamtbildes. Es ist zwar hilfreich zu verstehen, was ein „ Datensatz “ bedeutet, doch Unternehmen müssen auch wissen, ob die Daten zuverlässig sind, wie sie sich im Laufe der Zeit verändern und wann etwas schiefgeht. Ohne diese Transparenz können selbst gut dokumentierte Daten zu Fehlentscheidungen führen.

Deshalb investieren wir in Datenqualität und -überwachung bereits in einer früheren Phase des Datenlebenszyklus. Mit Actian DataConnect integrieren wir KI-gestützte Datenqualitätsbewertung, -korrektur und kontinuierliche Überwachung direkt in Integrationspipelines und helfen Unternehmen so, Probleme zu erkennen und zu beheben, bevor sie sich auf nachgelagerte Analyse- und KI-Anwendungen auswirken.

Ich habe Menschen und Kultur bewusst mit einbezogen, da Technologie allein keine Fragen des Eigentums oder der Verantwortlichkeit klärt.

Sie können dokumentieren, dass eine bestimmte Datenquelle ( Datensatz ) die maßgebliche Quelle für eine Geschäftskennzahl ist. Was passiert jedoch, wenn der Datenproduzent seine Struktur ändert? Wer ist dafür verantwortlich, diese Änderung zu kommunizieren? Woher wissen nachgelagerte Nutzer, ob die Daten weiterhin ihren Anforderungen entsprechen?

Das sind operative Fragen, keine Fragen zur Katalogisierung.

Sie haben Einfluss darauf genommen, wie wir das „ Actian Data Intelligence-Plattform “ weiterentwickelt haben. Anstatt „ Metadaten “ als statisches Inventar zu betrachten, haben wir in Möglichkeiten investiert, es mit Datenprodukten, Governance-Prozessen und den für die Verwaltung von Unternehmensdaten zuständigen Personen zu verknüpfen.

Das Ziel besteht nicht darin, eine weitere Verwaltungsebene zu schaffen. Vielmehr geht es darum, die Informationen, die Unternehmen bereits verwalten, für die Entscheidungen und Arbeitsabläufe nutzbar zu machen, bei denen sie von Bedeutung sind.

Data Governance s in Betrieb nehmen

Ich plädiere nachdrücklich dafür, die Governance näher an den Ort zu verlagern, an dem Daten erstellt und genutzt werden, und dabei einen „Shift-Left“-Ansatz zu verfolgen.

Das bedeutet nicht, dass jede Governance-Entscheidung dezentral getroffen werden sollte. Große Unternehmen benötigen nach wie vor gemeinsame Standards und eine Aufsicht. Ein zentrales Governance-Team kann jedoch nur begrenzt wirken, wenn jede Änderung manuelle Eingriffe erfordert.

Stellen Sie sich vor, ein Datenanbieter ändert das Format eines Feldes, das von mehreren nachgelagerten Anwendungen genutzt wird. Aus Sicht des Anbieters mag diese Änderung durchaus sinnvoll sein. Für einen Nutzer, der das bisherige Format erwartet, könnte dies jedoch zu einem Fehler führen oder – schlimmer noch – zu einem Ergebnis, das zwar plausibel erscheint, aber falsch ist.

Ein Governance-Dokument, in dem festgelegt ist, dass Änderungen geprüft werden müssen, verhindert dies nicht.

Datenverträge bieten eine praktischere Möglichkeit, die Erwartungen zwischen Produzenten und Verbrauchern festzuhalten. Sie können Anforderungen an Struktur, Qualität und andere vereinbarte Datenmerkmale definieren. Sind diese Verträge ausführbar, können die entsprechenden Prüfungen in die betrieblichen Arbeitsabläufe integriert werden, anstatt sich ausschließlich darauf zu verlassen, dass jemand daran denkt, eine Richtlinie zu konsultieren.

Datenprodukte bringen einen weiteren wichtigen Aspekt mit sich: eine klarere Zuordnung von Eigentumsrechten und Verantwortlichkeiten für Informationen, auf die sich andere verlassen.

Aus diesem Grund haben wir auch in „ Fähigkeiten “ investiert, um Unternehmen dabei zu unterstützen, Datenprodukte und Datenverträge zu definieren und zu „ verwalten “ – und so die Umsetzung von Governance-Anforderungen in operative Praktiken zu vereinfachen.

Unsere Studie in Zusammenarbeit mit BARC, Datenprodukte und Datenverträge im Jahr 2026: Die Grundlage für den Erfolg der KI, spiegelt die zunehmende Verbreitung dieser Ansätze wider.

Natürlich ist ein Vertrag nur so nützlich wie die darin festgelegten Anforderungen und die ihn unterstützenden Prozesse. Unternehmen müssen nach wie vor entscheiden, was geschehen soll, wenn eine Prüfung fehlschlägt, wer Ausnahmen genehmigen darf und wie Änderungen kommuniziert werden.

Genau darin liegt meiner Meinung nach die eigentliche Aufgabe der Regierungsführung.

Außerdem setzen wir KI bei einigen der arbeitsintensiveren Aspekte der Datenverwaltung ein. Unser „Data Steward Agent“ wurde entwickelt, um bei Aufgaben im Bereich der Datenverwaltung ( Metadaten ) und der Governance zu unterstützen, damit sich die Mitarbeiter auf Entscheidungen konzentrieren können, die Fachwissen und Urteilsvermögen erfordern.

Ich betrachte Automatisierung nicht als Ersatz für Verantwortlichkeit. Wenn überhaupt, dann gilt: Je mehr wir automatisieren, desto klarer muss die Verantwortlichkeit werden.

Kontext dort bereitstellen, wo Entscheidungen getroffen werden

Die nächste Herausforderung besteht darin, all dieses Wissen den Menschen und Anwendungen zugänglich zu machen, die es benötigen.

Die Konversationsanalyse ist ein gutes Beispiel dafür.

Die Möglichkeit, eine Frage in natürlicher Sprache zu stellen, ist eine erhebliche Verbesserung gegenüber der bisherigen Situation, in der jeder Geschäfts Nutzer , Datenbankschemata verstehen oder Abfragen schreiben musste. Doch die Benutzeroberfläche ist nur ein Teil des Problems.

Wenn Sie ein KI-System fragen, wie viele aktive Kunden Sie im letzten Quartal hatten, muss es dennoch wissen, was „aktiv“ bedeutet, welche Daten maßgeblich sind, wie die relevanten Kennzahlen berechnet werden und welche Informationen der „ Nutzer “ einsehen darf.

Ohne dieses Verständnis kann eine dialogorientiertere Benutzeroberfläche dazu führen, dass man leichter zu falschen Antworten gelangt.

Darauf bin ich in meinem Whitepaper „KI ist nicht das Problem. Ihr Datenmodell ist es.“ eingegangen . Das zugrunde liegende Datenmodell ist von Bedeutung, da es Beziehungen und Geschäftsregeln erfasst, die ein Sprachmodell allein anhand von Spaltennamen nicht zuverlässig ableiten kann.

Wir haben dieses Problem aus verschiedenen Blickwinkeln angegangen.

Actian AI Analyst bietet kontrollierte Konversationsanalysen für Unternehmensdaten und baut so die technischen Barrieren zwischen Geschäftsanwendern und den von ihnen benötigten Informationen ab. Durch die Integration in den „ Actian Data Intelligence-Plattform “ können Unternehmen die im Katalog hinterlegten Geschäftsdefinitionen und -beziehungen nutzen, um die Interpretation analytischer Fragen zu steuern.

AI Analyst nutzt zudem definierte Kennzahlen und Zusammenhänge als Leitfaden für die Erstellung von „ abfragen “, anstatt diese Entscheidungen vollständig einem Sprachmodell zu überlassen.

Unsere Arbeit im Bereich der intelligenten Verwaltung stärkt die Grundlagen der „ Metadaten “ und der Unternehmensführung, auf denen diese Erfahrungen beruhen.

Diese sind nicht austauschbar Fähigkeiten. Sie lösen unterschiedliche Probleme und machen eine solide Datenarchitektur nicht überflüssig. Aber sie spiegeln die Richtung wider, die wir einschlagen: Unternehmensdaten leichter verständlich und nutzbar zu machen, ohne von den Menschen zu verlangen, die zugrunde liegende Komplexität zu ignorieren.

Für Kunden kann dies bedeuten, dass sie weniger Zeit mit der Suche nach Informationen verbringen, weniger manuellen Aufwand für die Pflege von Metadaten haben und einen klareren Weg von einer geschäftlichen Frage zu einer Antwort finden, die sie bewerten und auf deren Grundlage sie handeln können.

Der Kontext umfasst auch die Vorschriften darüber, wo KI eingesetzt werden darf

Ein Bereich, in dem dies besonders interessant wird, ist die Daten- und KI-Souveränität.

Souveränität wird manchmal darauf reduziert, wo Daten gespeichert werden. Eine Organisation kann jedoch sensible Daten in einer bestimmten Rechtsordnung aufbewahren und dennoch im Rahmen eines KI-Workflows Informationen an ein externes Modell oder einen externen Dienst übermitteln. Der Speicherort der Daten allein garantiert noch keine Kontrolle darüber, wie diese Daten genutzt werden.

Im O’Reilly-Bericht „Daten- und KI-Souveränität: Souveräne Daten und KI in der Cloud ( Cloud), vor Ort (On-Prem) und am Netzwerkrand (Edge) verstehen“, den ich gemeinsam mit Ole Olesen-Bagneux und Steffen Kläbe verfasst habe, untersuchen wir diese umfassendere Herausforderung.

Ich betrachte Souveränität unter den Gesichtspunkten Kontrolle, Durchsetzung und Nachweis. Können Sie entscheiden, wo ein „ Workload “ ausgeführt wird, welches Modell es verwendet und auf welche Daten es zugreifen darf? Können Sie diese Entscheidungen in allen beteiligten Systemen durchsetzen? Und können Sie nachweisen, dass die Kontrollmaßnahmen tatsächlich funktioniert haben?

Unsere BARC-Studie, „Where Enterprise AI Runs: Deliberate Workload placement across Cloud, On-Premises und Edge“, untersucht, wie Unternehmen zunehmend bewusste Entscheidungen darüber treffen, wo sie KI-Workloads einsetzen. Ich sehe darin kein Argument gegen „ Cloud “. Verschiedene Workloads haben unterschiedliche Anforderungen, und Portabilität ist selten so unkompliziert, wie es auf dem Papier aussieht.

Das ist Teil der Überlegungen hinter Investitionen wie dem selbst gehosteten „AI Analyst“ mit Unterstützung für „Bring-Your-Own-LLM“ und der „VectorAI DB“, einschließlich „ Deployment “ in Umgebungen mit begrenzten Ressourcen. Diese „ Fähigkeiten “ bieten zusätzliche architektonische Optionen, auch wenn sie weder die damit verbundenen betrieblichen Verantwortlichkeiten beseitigen noch jeden Aspekt der Souveränität lösen.

Letztendlich hängen diese Entscheidungen davon ab, dass man die Sensibilität der Informationen, ihren geschäftlichen Zweck, die geltenden Richtlinien und die Umgebung, in der das System betrieben wird, versteht. Das ist eine weitere Dimension des Kontexts, den KI in Unternehmen benötigt.

Zwei Jahre sind vergangen – was haben wir gelernt?

Auch zwei Jahre später spielt die architektonische Vision, die unserer Übernahme von Zeenea zugrunde lag, nach wie vor eine zentrale Rolle bei der Weiterentwicklung der Datenintelligenz bei Actian.

Diese Übernahme verschaffte uns eine solide Grundlage in den Bereichen „ Metadaten -Management“ und „Federated Discovery“. Auf dieser Grundlage haben wir aufgebaut, indem wir „ Metadaten “ mit Governance, Datenprodukten, intelligenter Datenverwaltung und neuen Möglichkeiten für die Interaktion mit Unternehmensdaten verknüpft haben.

Eine der wichtigsten Erkenntnisse war, dass sich das Management und die Steuerung von „ Metadaten “ nicht unabhängig voneinander entwickeln können. Es ist von grundlegender Bedeutung zu verstehen, wo sich Daten befinden, was sie bedeuten und wie sie zwischen den Systemen übertragen werden. Unternehmen müssen dieses Verständnis jedoch auch in klare Zuständigkeiten, durchsetzbare Richtlinien und Prozesse umsetzen, die mit dem Wandel Schritt halten können.

Gleichzeitig haben uns die Anforderungen an KI in Unternehmen dazu veranlasst, umfassender über die Flexibilität und Kontrolle von „ Deployment “ nachzudenken.

Es handelt sich zwar um unterschiedliche technologische Herausforderungen, doch sie haben ein gemeinsames Problem: Unternehmen müssen ihre Daten verstehen und wissen, unter welchen Bedingungen sie diese nutzen können.

Es bleiben schwierige Fragen offen. Wie stellen wir sicher, dass der geschäftliche Kontext auch bei Änderungen an den zugrunde liegenden Systemen korrekt bleibt? Wie sorgen wir dafür, dass Richtlinien in zunehmend verteilten Architekturen durchgesetzt werden können? Wie stellen wir sicher, dass KI-Agenten genügend Informationen erhalten, um sinnvoll zu handeln, ohne ihnen dabei mehr Freiheit einzuräumen, als ihnen zusteht?

Ich glaube nicht, dass ein einzelnes Modell, ein Katalog oder eine Plattform diese Fragen beantworten kann. Dazu sind architektonische Entscheidungen, klare Zuständigkeiten und die Bereitschaft erforderlich, Disziplinen miteinander zu verknüpfen, die bisher getrennt voneinander gearbeitet haben.

Ich glaube, dass sich die Datenintelligenz in diese Richtung entwickelt. „ Metadaten “ muss umsetzbarer werden. Die Governance muss kontinuierlicher gestaltet werden. Und der Kontext muss nicht nur denjenigen zur Verfügung stehen, die Daten entdecken, sondern zunehmend auch den KI-Systemen, die diese Daten nutzen.

Anerkennung entlang der Migration

Zwei Jahre nach der Übernahme von Zeenea wurde Actian im November erstmals im Gartner® Magic Quadrant™ für Daten- und Analyse-Governance-Plattformen als einziger Neueinsteiger aufgeführt und als Nischenanbieter eingestuft.

Dies ist ein bedeutender Meilenstein in unserem „ Migration “. Unser Ansatz zur Daten-Governance hat sich weiterentwickelt: Während wir Unternehmen ursprünglich dabei halfen, ihre Daten zu erfassen und zu verstehen, geht es nun darum, die Governance stärker in die operative Praxis zu integrieren. Mithilfe von Datenverträgen und KI-gestützter Datenverwaltung binden wir Richtlinien in Daten-Workflows ein, reduzieren den manuellen Aufwand und unterstützen Unternehmen dabei, die Kontrolle zu behalten, während die Einführung von KI immer schneller voranschreitet.

Seitdem haben wir große Fortschritte gemacht, auch wenn noch viel zu tun bleibt. Und ich glaube, dass die Herausforderungen, mit denen wir uns heute befassen, umso relevanter sind, je mehr Unternehmen KI in die Produktion integrieren.

Actian wurde auch in anderen unabhängigen Analystenbewertungen ausgezeichnet. Wir wurden im IDC MarketScape 2026 für „Data Intelligence Platform Software“ als „Major Player“ ausgezeichnet, in die Shortlist von Constellation Research für „Semantic and Context Management for Analytics and AI“ aufgenommen, in der SPARK-Matrix 2026 der QKS Group für „ Data Governance -Lösungen“ als „Leader“ und „Ace Performer“ anerkannt sowie in den ISG Buyers Guides zu den Themen „Data Intelligence“, „Data Products“ und „ Data Governance “ als vorbildlicher Anbieter genannt.

Diese Bewertungen stützen sich auf unterschiedliche Methoden und untersuchen verschiedene Bereiche des Marktes. Ich würde sie nicht als austauschbar betrachten oder als Ersatz für das, was Kunden bei der Nutzung unserer Technologie erleben.

Für mich zählt vor allem, was als Nächstes kommt. Da KI-Systeme immer autonomer werden, besteht die Herausforderung darin, sicherzustellen, dass sie Zugang zum richtigen geschäftlichen Kontext haben, innerhalb klarer Governance-Grenzen arbeiten und gegenüber den für die Daten Verantwortlichen rechenschaftspflichtig bleiben.

Das ist die nächste Phase der Arbeit, die wir vor zwei Jahren begonnen haben.


Gartner, „Magic Quadrant für Daten- und Analyse-Governance-Plattformen“, Anurag Raj, Sarah Turkaly, Lulu Wang, Dalia Naguib, 12. November 2026.

„Gartner“ und „Magic Quadrant“ sind Marken von Gartner, Inc. und/oder deren verbundenen Unternehmen.

Gartner unterstützt keine der in seinen Publikationen genannten Unternehmen, Anbieter, Produkte oder Dienstleistungen und rät Technologieanwendern nicht, ausschließlich Anbieter mit den höchsten Bewertungen oder anderen Auszeichnungen auszuwählen. Die Publikationen von Gartner geben die Meinungen der Gartner-Organisation für Geschäfts- und Technologieanalysen wieder und sollten nicht als Tatsachenbehauptungen ausgelegt werden. Gartner lehnt jegliche ausdrückliche oder stillschweigende Gewährleistung in Bezug auf diese Publikation ab, einschließlich jeglicher Gewährleistung der Marktgängigkeit oder der Eignung für einen bestimmten Zweck.