# Teradata entwickelt die Tera-Plattform zum Agentic Data Coworker mit autonomer Kontext-Engine und Task-Harness weiter

Source: TechNewsList (https://technewslist.com)
Canonical URL: https://technewslist.com/de/article/teradata-tera-agentic-coworker-context-engine-harness-2026-09-28-morning-de
Section: Software (https://technewslist.com/de/software)
Author: TechNewsList
Language: de
Published: 2026-09-28T05:48:38.066+00:00
Updated: 2026-09-28T05:48:38.220618+00:00

> Teradata wandelte seine Tera-Plattform von einem Konversationsassistenten in einen Enterprise-Agenten-Mitarbeiter um und führte die Tera Context Engine und die intelligente Ausführungsumgebung ein, um die Token-Kosten um 73 Prozent zu senken.

## TL;DR
- Teradata kündigte die Weiterentwicklung seiner Tera-Plattform zu einem autonomen Agenten-Coworker an, der für komplexe Unternehmensanalysen entwickelt wurde.
- Die Architektur führt die herstellerneutrale Tera Context Engine ein, um geschäftssemantische Definitionen zu verwalten, ohne zugrunde liegende Daten zu verschieben.
- Die intelligente Tera Harness-Ausführungsschicht stapelt Aufgaben und optimiert Toolaufrufe, wodurch der LLM-Token-Verbrauch um 73 Prozent reduziert wird.
- Das Benchmarking auf SWE-bench Pro zeigte eine 42-prozentige Beschleunigung der Aufgabenerledigungsgeschwindigkeit im Vergleich zu Basismodellen.

## Key points
- Unternehmensdatenteams stehen vor erheblichen Kostenbarrieren, wenn sie autonome Agenten einsetzen, die sich wiederholende, nicht optimierte SQL-Abfrageaufforderungen ausgeben.
- Die Tera Context Engine verbindet heterogene Datenkataloge, Lager und Lakehouses zu einer einheitlichen semantischen Wissensschicht.
- Das Ausführungsgeschirr plant mehrstufige analytische Trajektorien, bevor kostspielige Grundmodellbegründungsdurchläufe aufgerufen werden.
- Rollenbasierte Agentenfähigkeiten bieten vorgefertigte, wiederverwendbare Funktionen für Data Engineering, Business Intelligence und Vorhersagemodellierung.
- Die Plattform erzwingt strenge Unternehmens-Governance-Leitlinien, um Halluzinationen und unüberwachte Schemaänderungen zu verhindern.

## Was passiert ist

Ende September 2026 kündigte der Pionier der Unternehmensdatenanalysesoftware Teradata Corporation eine umfassende architektonische Transformation seiner Tera-Plattform an, die das System von einer Abfrageschnittstelle in natürlicher Sprache zu einem vollwertigen autonomen Agenten-Mitarbeiter weiterentwickelt. Mit der Überarbeitung wird ein modulares Software-Framework eingeführt, das darauf ausgelegt ist, die beiden Krisen unerschwinglicher Token-Ausgaben und semantischer Drift zu lösen, die derzeit den Einsatz künstlicher Intelligenz in Unternehmen in Unternehmens-Data-Warehouses und Cloud-Lakehouses behindern.

Die aktualisierte Plattform basiert auf zwei grundlegenden architektonischen Innovationen: der Tera Context Engine und dem Tera Harness. Die Tera Context Engine fungiert als intelligente, herstellerneutrale semantische Orchestrierungsschicht, die unterschiedliche relationale Datenbanken, Objektspeicher-Buckets, Metadatenkataloge und Datenherkunftsdiagramme verbindet, ohne dass Unternehmen proprietäre Datenbestände migrieren oder duplizieren müssen. Gleichzeitig bietet das Tera Harness eine deterministische Ausführungsumgebung, die komplexe Analyseziele zerlegt, die Werkzeugauswahl optimiert und Vorgänge stapelt, bevor Aufgaben an Frontier-Foundation-Modelle weitergeleitet werden.

Um die Unternehmenseffizienz zu demonstrieren, veröffentlichte Teradata strenge Benchmark-Bewertungen von Drittanbietern, die mit der standardisierten SWE-bench Pro-Testsuite unter Verwendung führender Frontier-Modelle durchgeführt wurden. Die Ergebnisse zeigten, dass die Tera-Architektur das End-to-End-Refactoring der Datenpipeline und komplexe SQL-Debugging-Aufgaben 42 Prozent schneller als Standard-LLM-Baselines durchführte und gleichzeitig den Token-Verbrauch um 73 Prozent senkte. Teradata bestätigte, dass für Global-2000-Finanzdienstleistungs- und Telekommunikationskunden eine Vorschau auf den frühen Zugriff läuft und die allgemeine Verfügbarkeit vor Ende 2026 geplant ist.

## Warum es wichtig ist

Die Plattformentwicklung von Teradata behebt einen kritischen kommerziellen Engpass, mit dem Enterprise-Data-Engineering-Organisationen konfrontiert sind. In den letzten achtzehn Monaten haben Tausende von Unternehmen Pilotprojekte für generative KI initiiert, die darauf abzielen, die Datenbereinigung, die Schemamigration und die Ad-hoc-Berichterstellung zu automatisieren. Die überwiegende Mehrheit dieser Initiativen scheiterte jedoch aufgrund steigender Schlussfolgerungskosten im Pilot-Fegefeuer. Wenn autonome Codierungsagenten komplexe Datenbankaufgaben ohne strukturierten Kontext ausführen, senden sie wiederholt redundante Metadatenabfragen, generieren Schemata mit mehreren tausend Zeilen neu und lösen nicht optimierte vollständige Tabellenscans aus, wodurch innerhalb von Stunden Millionen von Cloud-API-Tokens durchgebrannt werden.

Noch wichtiger ist, dass Allzweck-Grenzmodelle ständig mit der institutionellen Geschäftssemantik zu kämpfen haben. Ein generisches Sprachmodell hat kein intrinsisches Verständnis dafür, wie ein einzelnes Unternehmen „aktiven Abonnenten“, „Abwanderungsgeschwindigkeit“ oder „wiederkehrenden Nettoumsatz“ definiert. Ohne strenge Governance generieren autonome Agenten routinemäßig syntaktisch gültige SQL-Abfragen, die mathematisch fehlerhafte Geschäftsschlussfolgerungen hervorbringen, was zu erheblichen finanziellen Risiken für die Geschäftsleitung führt.

![Softwareentwicklungssyntax, die die automatisierte SQL-Abfragegenerierung und Skriptoptimierung darstellt, die von Unternehmensdatenagenten ausgeführt wird](https://rkhynbcsbnkkcwgexzwg.supabase.co/storage/v1/object/public/media/api/1790572999709-rc929i-teradata-tera-agentic-coworker-context-engine-harness-2026-09-28-morning-inside-1-f22aa3edcb.webp)

Durch die Einfügung einer kontrollierten semantischen Schicht zwischen grundlegenden Modellen und Unternehmensdatenspeichern bietet Teradata einen tragfähigen Entwurf für zuverlässige Agentenmitarbeiter. Unternehmensanalytikteams können autonome Agenten einsetzen, die in der Lage sind, unabhängig Datenextraktionspipelines zu erstellen, die metrische Konsistenz zu überprüfen und Pipelinefehler mit mathematischer Sicherheit zu diagnostizieren, wodurch die Unternehmensdatentechnik von manueller Arbeit in aufsichtsrechtliches Management umgewandelt wird.

## Technische Details

Die Architekturmechanismen, die Teradatas 73-prozentige Token-Reduzierung ermöglichen, basieren auf deterministischer Pre-Flight-Kompilierung und dynamischer Schemabereinigung. Standardmäßige Agenten-Workflows passieren auf Schritt und Tritt umfangreiche Systemeingabeaufforderungen, die vollständige Datenbankschemadefinitionen enthalten, und zwingen Basismodelle dazu, wiederholt Hunderttausende identischer Strukturtokens zu verarbeiten. Im Gegensatz dazu unterhält die Tera Context Engine ein aktives semantisches Diagramm, das Unternehmensbegriffe bestimmten Tabellenpartitionen, Spaltenstatistiken und Join-Beziehungen zuordnet.

Wenn ein Analyst eine operative Aufgabe anfordert – beispielsweise die Diagnose einer Diskrepanz bei der Umsatzabstimmung zwischen vierteljährlichen Kohorten –, extrahiert die Tera Context Engine nur die präzisen mathematischen Definitionen und gezielten Tabellenpartitionen, die für diese Berechnung relevant sind. Es erstellt eine beschnittene, lokalisierte Kontexthülle, die bis zu 85 Prozent der überflüssigen strukturellen Metadaten eliminiert, bevor Eingabeaufforderungen an das zugrunde liegende LLM ausgegeben werden.

![Rack-Gehäuse für Unternehmensserver, die verteilte Abfrageausführungs-Engines und semantische Metadatenkatalogisierung in Echtzeit unterstützen](https://rkhynbcsbnkkcwgexzwg.supabase.co/storage/v1/object/public/media/api/1790573002523-4fez4i-teradata-tera-agentic-coworker-context-engine-harness-2026-09-28-morning-inside-2-221e93bcf3.webp)

Als Ergänzung zur Context Engine führt die Tera Harness-Ausführungsschicht eine algorithmische Planungsphase ein. Anstatt einem Agenten zu erlauben, sofortige explorative Versuch-und-Irrtum-Abfragen auszuführen, generiert der Harness ein internes Abhängigkeitsdiagramm. Es gruppiert unabhängige Vorgänge in Stapelausführungen, fängt Zirkelschlussschleifen ab und überprüft die Syntax anhand lokaler Dialektparser, bevor es Abfragen an Datenbank-Engines sendet. Darüber hinaus führte Teradata rollenspezifische Agentenfähigkeiten ein – gekapselte, deterministische Mikroprogramme, die auf Aufgaben wie ETL-Pipeline-Refactoring, Anomalieerkennung und Schemaoptimierung zugeschnitten sind – und stellen so sicher, dass Agenten optimierten Code nutzen, anstatt ungeprüfte Skripte zu improvisieren.

## Auswirkungen auf Markt und Branche

Der aggressive Einstieg von Teradata in die Software für Agentendaten verändert die Wettbewerbsdynamik des Enterprise-Cloud-Datenmarkts und positioniert den führenden Anbieter von Legacy-Analysen direkt im Vergleich zu Cloud-Hyperscalern und modernen Datenplattformen wie Snowflake, Databricks und Google BigQuery. Während moderne Konkurrenten Konversations-KI-Schnittstellen eingeführt haben, ist Teradata der erste große Analyseanbieter, der seine Software als autonomen Agenten-Coworker positioniert, der speziell auf Token-Erhaltung und semantische Governance optimiert ist.

Führende Anbieter von Unternehmenssoftware, die umfangreiche Datenbestände betreiben, werden wahrscheinlich ähnliche semantische Kontext- und Nutzungsebenen von konkurrierenden Anbietern verlangen. Während Chief Information Officers die außer Kontrolle geratenen Gesetzesvorlagen zur generativen KI-Cloud-Infrastruktur prüfen, werden Plattformen, die keine nachweisbare Token-Reduzierung und deterministische Ausführungskontrollen nachweisen können, auf zunehmenden Beschaffungswiderstand stoßen.

Die Entwicklung signalisiert auch eine Reifung des breiteren Entwicklertoolsektors. Die Softwareentwicklung für künstliche Intelligenz wandelt sich rasch vom Prompt Engineering zur Systemarchitektur, wo deterministische Routing-Kabelbäume und graphbasierte Kontext-Engines stochastische Basismodelle steuern.

## Worauf man als Nächstes achten sollte

Während Teradata sein Kundenvorschauprogramm bis zum vierten Quartal 2026 ausweitet, werden Unternehmenssoftware-Analysten beobachten, ob die in SWE-Bench Pro-Umgebungen beobachteten Token-Einsparungen von 73 Prozent auf chaotische, authentische Legacy-Unternehmensbereitstellungen repliziert werden können, die durch undokumentierte Tabellen und fragmentierte Datenwörterbücher gekennzeichnet sind.

Branchenbeobachter werden auch Ankündigungen zur Ökosystemintegration verfolgen. Das Ausmaß, in dem Teradata eine nahtlose plattformübergreifende Orchestrierung über Umgebungen von Drittanbietern – wie Microsoft Fabric, AWS Redshift und Snowflake – ermöglicht, wird darüber entscheiden, ob sich Tera als universelle semantische Steuerungsebene etablieren kann.

Schließlich wartet die Technologiegemeinschaft auf die Reaktion konkurrierender Cloud-Data-Warehouses. Wenn große Wettbewerber konkurrierende Kontext-Engines und Agentenausführungssysteme auf den Markt bringen, werden autonome Datenmitarbeiter schnell von experimentellen Prototypen zur Standard-Bedienoberfläche für Unternehmensdatenanalysen übergehen.

## Quellen

* [Teradata Corporate Newsroom Release](https://www.teradata.com/press-releases/2026/teradata-unveils-tera-agentic-coworker-context-engine) – Primäre Ankündigung, in der die Tera Context Engine, die intelligente Task-Orchestrierung und die Integration von Unternehmensdatenkatalogen vorgestellt werden.
* [Überblick über die neue Stack-Softwarearchitektur](https://thenewstack.io/teradata-transforms-tera-into-an-agentic-coworker-with-context-engine/) – Unabhängige Architekturanalyse von Token-Reduktionstechniken, Pre-Flight-Planvalidierung und rollenbasierten Agentenfähigkeiten im Unternehmen.
* [Database Trends and Applications Benchmark Report](https://www.dbta.com/Editorial/News-Flashes/Teradata-Evolves-Tera-Platform-with-Agentic-Context-Engine-and-Harness-165842.aspx) – Quantitative Analyse von SWE-bench Pro-Bewertungen, die eine um 73 Prozent geringere Token-Nutzung und eine um 42 Prozent schnellere Ausführung zeigen.

Mentions: Teradaten, Tera-Kontext-Engine, Tera-Geschirr, SWE-Bank, Steve McMillan

## Sources
- [Pressemitteilung des Teradata-Corporate-Newsrooms](https://www.teradata.com/press-releases/2026/teradata-unveils-tera-agentic-coworker-context-engine)
- [Überblick über die neue Stack-Softwarearchitektur](https://thenewstack.io/teradata-transforms-tera-into-an-agentic-coworker-with-context-engine/)
- [Benchmark-Bericht zu Datenbanktrends und -anwendungen](https://www.dbta.com/Editorial/News-Flashes/Teradata-Evolves-Tera-Platform-with-Agentic-Context-Engine-and-Harness-165842.aspx)