Die eigentliche Nachricht ist nicht, dass Dun & Bradstreet seine Datenbank modernisiert. Die eigentliche Nachricht ist, dass eine Datenbank mit 642 Millionen Unternehmen plötzlich falsch gebaut ist, sobald nicht mehr Menschen davor sitzen, sondern KI-Agenten. Das ist kein kosmetisches Update und auch keine weitere KI-Folie über einem alten System. Es ist ein Architekturbruch.
D&B hat über 180 Jahre daran gearbeitet, eine kommerzielle Datenbasis aufzubauen. Der Commercial Graph umfasst Unternehmen, Beziehungen zwischen ihnen, Konzernstrukturen und Risikoprofile. Bisher war dieses System für eine sehr bestimmte Art von Nutzer optimiert: Kreditprüfer, Risikomanager, Vertriebsprofis. Menschen also, die Suchergebnisse prüfen, Unsicherheiten aushalten, mehrere mögliche Treffer gegeneinander abwägen und im Zweifel noch einmal nachsehen können.
KI-Agenten funktionieren anders. Sie lesen nicht wie Analysten. Sie klicken sich nicht geduldig durch Ambiguitäten. Sie stehen in einem Ablauf, treffen eine Entscheidung oder reichen eine Entscheidung weiter. Wenn die Identität eines Unternehmens nicht eindeutig verifiziert werden kann, ist das kein kleiner Reibungsverlust. Dann steht der Prozess. Genau an dieser Stelle wird aus einer Datenbankfrage eine Machtfrage.
Der alte Graph war für Menschen gebaut
Der Commercial Graph war laut den vorliegenden Informationen kein einzelnes, sauber durchkomponiertes System, sondern eine Sammlung getrennter Systeme für verschiedene Anwendungsfälle und Kundengruppen. Das ist nicht ungewöhnlich. Große Datenanbieter wachsen selten wie aus einem Guss. Sie entstehen über Jahrzehnte, über Kundenanforderungen, Branchenlogiken, historische Datenbestände und technische Schichten, die zu ihrer Zeit sinnvoll waren.
Für menschliche Nutzer war dieses Modell tragfähig. Ein Analyst kann warten. Ein Risikoteam kann eine mehrdeutige Entität prüfen. Ein Vertriebsteam kann mit unvollständigen Ergebnissen arbeiten, solange der Kontext erkennbar bleibt. Die Maschine kann das nicht in derselben Weise. Ein Agent, der in Kredit-, Beschaffungs- oder Lieferkettenprozesse eingebunden wird, braucht keine schöne Oberfläche. Er braucht eine maschinenlesbare, belastbare Antwort im richtigen Moment.
Das erklärt, warum D&B seine eigene Nutzerdefinition ändern muss. Das Unternehmen spricht intern nicht mehr nur von Kreditprüfern, Sales- und Marketingrollen als Zielgruppe, sondern von Agenten als neuer Konsumentenkategorie. Diese Formulierung ist wichtiger, als sie klingt. Sie verschiebt den Maßstab: Nicht mehr der Mensch ist der primäre Endpunkt des Datensystems, sondern ein Softwareakteur, der Daten in Prozesse einspeist.
Warum KI-Agenten alte Datenarchitekturen entlarven
Viele KI-Debatten hängen an Modellen, Benchmarks und Oberflächen. Hier zeigt sich etwas Bodenständigeres: KI-Agenten sind nur so brauchbar wie die Systeme, die sie abfragen. Ein Sprachmodell kann eine Anfrage formulieren, einen Workflow auslösen und eine Plausibilität herstellen. Aber bei der Identität eines Unternehmens, bei Beziehungen, Hierarchien und Risikoprofilen reicht Plausibilität nicht. Dort muss die Antwort an eine reale Entität gebunden sein.
Für D&B ist das besonders heikel, weil der bestehende Wert genau in dieser Zuordnung liegt. 642 Millionen Unternehmen sind als Zahl beeindruckend, aber der eigentliche Wert steckt nicht im Zählen. Er steckt darin, welche Einheit welche Beziehung zu welcher anderen hat, in welcher Struktur sie steht und welches Risiko ihr zugeschrieben wird. Für Menschen konnte dieses Geflecht als Recherchewerkzeug dienen. Für Agenten muss es zur Ausführungsinfrastruktur werden.
Das ist der harte Unterschied: Eine Datenbank für Menschen kann interpretierbar sein. Eine Datenbank für Agenten muss operationalisierbar sein. Sie muss nicht nur Information liefern, sondern in einem automatisierten Ablauf bestehen. Genau deshalb wird aus einer scheinbar internen Umstellung ein Signal für den gesamten Markt kommerzieller Daten.
Der neue Kunde ist kein Mensch
D&B bedient nach eigenen Angaben nahezu 200.000 Kunden weltweit. Wenn diese Kunden KI-Agenten in Kredit-, Procurement- und Supply-Chain-Workflows schieben, entsteht Druck an einer Stelle, die lange stabil wirkte. Die Frage lautet nicht mehr, ob ein Datenanbieter eine Benutzeroberfläche für Analysten hat. Die Frage lautet, ob seine Datenarchitektur agententauglich ist.
Das klingt technisch, ist aber strategisch. Wer in automatisierten Unternehmensprozessen die Identität eines Geschäftspartners in Echtzeit verifizieren kann, sitzt an einem Kontrollpunkt. Nicht im spektakulären Sinne einer neuen Plattform mit App-Store und Endkundenmarke, sondern leiser: als Validierungsschicht unter geschäftlichen Entscheidungen. Kreditprüfung, Beschaffung und Lieferkettenmanagement sind keine Schaufenster für KI. Sie sind Orte, an denen Fehler teuer werden können.
Genau deshalb ist die Umstellung für D&B auch kein nettes Zusatzgeschäft. Wenn Agenten tatsächlich in diese Workflows wandern, werden Datenanbieter nach anderen Kriterien bewertet. Oberfläche, Berichtslayout und manuelle Suchlogik verlieren Gewicht. Verlässlichkeit, Eindeutigkeit und maschinelle Anschlussfähigkeit rücken nach vorne. Der Anbieter, der dabei nur ein altes Portal mit KI-Suche versieht, hat das Problem nicht verstanden.
Die Marktverschiebung liegt unter der Oberfläche
Der Vorgang zeigt eine breitere Verschiebung: KI-Agenten verwandeln viele etablierte Datenbestände in unfertige Infrastruktur. Was für Menschen ausreichend strukturiert war, ist für Maschinen oft zu weich. Was für Analysten als tolerierbare Unschärfe galt, wird im automatisierten Ablauf zur Störung. Diese Verschiebung trifft nicht nur D&B, aber D&B ist ein besonders klares Beispiel, weil der Datenbestand groß, alt und geschäftskritisch ist.
Gleichzeitig entsteht ein Vorteil für Unternehmen, die über schwer nachbaubare Daten verfügen. D&B muss umbauen, ja. Aber der Umbau passiert auf einem Bestand, der über sehr lange Zeit aufgebaut wurde. In einer KI-Ökonomie, die oft so tut, als könne ein Modell alles aus dem Netz herleiten, erinnert dieser Fall an eine unbequeme Tatsache: Strukturierte, geprüfte und historisch gewachsene kommerzielle Daten sind nicht einfach Kulisse. Sie werden zur Voraussetzung dafür, dass Agenten mehr tun können als Text produzieren.
Das erklärt auch, warum der Begriff Agent hier mehr ist als ein Modewort. Ein Agent, der in einem Unternehmensprozess handelt, braucht Identität, Kontext und Risikoabschätzung. Er braucht keine Erzählung über ein Unternehmen, sondern eine belastbare Zuordnung. Das ist weniger glamourös als generative Demo-Videos, aber für die nächste Phase der KI-Nutzung entscheidender.
Bewertung: Das Datenportal stirbt nicht, aber es verliert die Hauptrolle
D&B zeigt mit dem Umbau des Commercial Graph, wohin die Reise für viele B2B-Datenanbieter geht. Das klassische Datenportal bleibt nicht von heute auf morgen bedeutungslos. Menschen werden weiterhin prüfen, entscheiden und eingreifen. Aber die Hauptrolle verschiebt sich. Der wichtigste Konsument kommerzieller Daten ist nicht mehr zwangsläufig der Analyst am Bildschirm, sondern ein Agent im Workflow.
Das hat Folgen für die Machtverteilung. Wer die verlässliche Identitätsschicht liefert, kann in automatisierten Geschäftsprozessen tiefer verankert werden als ein Anbieter, der nur Informationen ausgibt. Aus Daten werden Abhängigkeiten. Aus Abfragen werden Prozessbausteine. Aus einem Commercial Graph wird eine Infrastruktur, an der andere Systeme hängen.
Die nüchterne Bewertung lautet deshalb: D&B reagiert nicht auf einen Trend, sondern auf eine Zumutung der eigenen Kunden. Diese Kunden drücken Agenten in Bereiche, für die die alten Systeme nicht gebaut wurden. Der Umbau ist damit weniger Beweis für technische Weitsicht als für einen Markt, der seine Datenlieferanten zwingt, maschinenfähig zu werden. Wer diese Umstellung nicht schafft, bleibt ein Recherchewerkzeug für Menschen. Wer sie schafft, wird zur unsichtbaren Schicht unter automatisierten Entscheidungen.
Genau hier kippt die Situation. KI-Agenten machen nicht nur Software anders. Sie sortieren neu, welche Datenanbieter in Geschäftsprozessen unverzichtbar werden und welche nur noch historische Datenbestände mit Oberfläche verwalten.
