KI-Agenten: Warum jedes Unternehmen bei null anfängt

KI im Unternehmen produktiv einzusetzen, braucht mehr als einen Prompt.

Für die meisten Menschen ist KI ein Chatfenster: Man fragt, sie antwortet, und das ist ausgesprochen nützlich. Der Schritt von dort zur tatsächlichen Arbeit in einem Unternehmen stellt jedoch eine ganz andere Aufgabe dar. Die Arbeit muss mit den Daten des Unternehmens, innerhalb seiner Systeme und nach seinen Regeln ablaufen – und beim hundertsten Durchlauf dasselbe Ergebnis liefern wie beim ersten.

Nichts davon ist ein Prompting-Problem. Es ist auch kein Modellproblem; die Modelle sind bemerkenswert, und alle paar Wochen erscheint ein besseres. Das Problem ist, wie wenig es um sie herum gibt.

Denken wir daran, wie Websites 1995 gebaut wurden. Jedes Team löste dieselben Probleme von Grund auf neu, weil es nichts gab, worauf man aufbauen konnte. Dann kamen Frameworks, machten aus diesen Problemen gemeinsame Bausteine, und der Bau einer Website war kein Handwerk für Spezialisten mehr.

KI-Agenten in einem Unternehmen einzusetzen, liegt heute irgendwo vor diesem Punkt. Kein Standard-Stack, keine gemeinsamen Bausteine, jedes Unternehmen löst dieselben schwierigen Probleme allein.

Und diese Probleme haben es in sich. Jeder, der KI-Agenten in einem Unternehmen zum Einsatz bringen will, stößt auf dieselben Hindernisse. Hier sind nur einige davon.

„Jedes Unternehmen löst dieselben schwierigen Probleme allein – von Grund auf.“
Jörg Bröker

Das richtige Modell wählen

Jede Aufgabe braucht ein Modell, das leistungsfähig genug ist, um sie zu erledigen, und dessen Preis den Einsatz wirtschaftlich macht. Liegt man in die eine Richtung daneben, ist das Ergebnis unbrauchbar; liegt man in die andere daneben, geht die Rechnung nicht mehr auf. Die Schwierigkeit besteht nicht darin, diese Entscheidung einmal zu treffen. Sie besteht darin, dass alle paar Wochen neue Modelle erscheinen und jede Veröffentlichung einen Teil der bisherigen Zuordnung stillschweigend überholt. Eine Wahl, die im März richtig war, ist im Juni nur noch teuer.

Budgets

Jede Aktion eines Agenten kostet Geld, und anders als bei einer Softwarelizenz steigt die Rechnung mit der Nutzung. Die erste Frage lautet, wie viel man wofür ausgibt. Die zweite ist, wie man verhindert, dass versehentlich eine hohe Rechnung entsteht – weil ein Agent in einer Schleife festhängt oder ein Workflow viel häufiger ausgelöst wird als erwartet. Beides erfordert Budgets auf mehreren Ebenen: eine globale Obergrenze, aber auch Limits pro Aufgabe, Person, Abteilung oder jener Einheit, der die Kosten tatsächlich zugeordnet werden. Zugleich muss die Verwaltung einfach bleiben. Denn ein Kostenkontrollsystem, das ein eigenes Team für seinen Betrieb benötigt, wird nicht genutzt.

Datenschutz

Die leistungsfähigsten Modelle werden größtenteils außerhalb Europas gehostet. Daraus entsteht ein dauerhaftes Spannungsfeld zwischen Leistungsfähigkeit und Compliance, das jedes europäische Unternehmen selbst auflösen muss – Fall für Fall, Datensatz für Datensatz. Manche Organisationen gehen weiter und verlangen ein vollständig lokales Hosting, was die Auswahl erneut einschränkt. Nichts davon ist optional, und nichts davon wird von den Modellanbietern gelöst.

Zuverlässigkeit

Eine Demo ist vergleichsweise einfach. Ein Prozess ist es nicht. Mit Agenten und KI-gestützten Workflows konsistente, reproduzierbare Ergebnisse zu erzielen – bei gleicher Eingabe auch beim tausendsten Durchlauf ein gleichwertiges, korrektes Ergebnis zu erhalten –, ist eine andere Disziplin, als einmal eine plausibel wirkende Antwort zu erzeugen. Die meisten Organisationen entdecken diese Lücke erst, nachdem die Demo bereits jemanden überzeugt hat.

Wartung

In diesem Stack steht nichts still. Modelle werden ersetzt, Prompts verbessert und die darunterliegende Software aktualisiert. Jede dieser Änderungen ist für sich betrachtet eine Verbesserung, kann aber unbemerkt einen Workflow beschädigen, der monatelang korrekt funktioniert hat. Die klassische Softwareentwicklung hat darauf eine Antwort: Man schreibt Tests, und die Tests zeigen an, wenn eine Änderung etwas kaputtgemacht hat. Bei Agenten gibt es keine feste Ausgabe, mit der man vergleichen könnte. Das entsprechende Verfahren muss deshalb von Grund auf aufgebaut werden: eine Möglichkeit zu bestätigen, dass ein Workflow weiterhin tut, was er zuvor getan hat – geprüft, bevor die Änderung in den Produktivbetrieb gelangt, nicht erst danach. Die meisten Unternehmen erkennen das, wenn zum ersten Mal etwas kaputtgeht, ohne dass es jemand bemerkt.

Integration

Ein Agent, der die Systeme nicht erreicht, in denen die eigentliche Arbeit stattfindet, ist ein Spielzeug. Agenten unternehmensweit zu vernetzen bedeutet, ihnen über APIs einen sicheren, strukturierten Zugriff auf bestehende Anwendungen zu geben. Dabei verzeiht die Abstimmung in keine Richtung Fehler. Gewährt man zu viel Zugriff, ist man nur eine Fehlentscheidung von einer Schlagzeile entfernt, in der niemand vorkommen möchte: Unternehmen lässt KI-Agenten Produktionsdaten löschen. Gewährt man zu wenig, erhält man ein System, das ein paar Dinge ansehen und nichts ändern kann – und lässt damit den gesamten Nutzen ungenutzt.

Governance

Für jeden Agenten müssen drei Fragen ausdrücklich beantwortet sein: Was darf er tun? Wann muss er anhalten und einen Menschen fragen? Und was hat er tatsächlich getan? Berechtigungen müssen eng genug gefasst sein, um aussagekräftig zu bleiben, und jede Aktion muss so gut protokolliert werden, dass sie einer Prüfung standhält. Für menschliche Nutzer ist das gewöhnliche Unternehmenspraxis, für Agenten muss es von Grund auf aufgebaut werden. Die mittlere Frage ist die schwierigste. Setzt man die Schwelle zu niedrig, braucht alles eine Freigabe. Das verfehlt den Zweck und macht den Menschen zu jemandem, der den ganzen Tag auf Ja klickt, ohne zu lesen. Setzt man sie zu hoch, werden Entscheidungen, die Urteilsvermögen erfordern, ohne dieses getroffen – gelegentlich mit Folgen, die sich nicht rückgängig machen lassen.

Entwicklung

Softwareentwicklung ist der eine Bereich, in dem Agenten bereits massive Produktivitätsgewinne liefern. Das ist der bislang deutlichste frühe Erfolg der KI, und kaum jemand, der es ausprobiert hat, bestreitet ihn ernsthaft.

Doch diese Gewinne gibt es nicht umsonst. Für jeden Technologie-Stack muss jemand die Werkzeuge miteinander verbinden und Workflows aufbauen, mit denen Agenten über den gesamten Zyklus hinweg wirksam arbeiten können: Code schreiben, bauen, testen, überprüfen, committen, dokumentieren, veröffentlichen und bereitstellen. Was man für einen Stack zusammensetzt, lässt sich nicht einfach auf den nächsten übertragen. Und diese Arbeit muss erledigt werden, bevor die eigentliche Arbeit überhaupt beginnen kann – immer wieder, bei jedem Projekt.

Also stellen Unternehmen Experten ein

Jeder dieser Punkte verlangt echtes Fachwissen und hart erarbeitete Erfahrung. Also tun Unternehmen, was sie schon zu Beginn des Internets getan haben: Sie stellen Experten ein. Interne Spezialisten oder externe Berater sollen herausfinden, was KI für das Unternehmen leisten könnte und wie sich das umsetzen lässt. Dabei erfinden sie für jedes dieser Probleme und bei jedem Projekt eine individuelle Lösung neu.

Die Experten sind rar. Die Aufträge sind teuer. Die Ergebnisse schwanken enorm, je nachdem, wie kompetent die Beteiligten sind. Und jede Stunde, die erneut in die Lösung dieser Probleme fließt, fehlt für die Anwendung selbst – für das eigentliche Geschäftsproblem, das man lösen wollte.

Das ist genau das Muster von 1995. Damals beauftragte man eine Webagentur, weil es keinen anderen Weg zu einer Website gab. Und was man bekam, hing vollständig davon ab, wen man beauftragte.

Dann wurde es einfacher, Schritt für Schritt. Visuelle Editoren wie Dreamweaver machten es überflüssig, HTML von Hand zu schreiben. Serverseitige Skripte mit einer Datenbank im Hintergrund – der LAMP-Stack – ermöglichten es, Seiten aus Daten zu erzeugen, statt sie einzeln zu schreiben. Content-Management-Systeme wie WordPress sorgten dafür, dass man zum Veröffentlichen einer Seite überhaupt keinen Entwickler mehr brauchte. Mit Frameworks wie React mussten Entwickler nicht mehr bei jedem Projekt dieselben Grundlagen neu aufbauen.

Jeder Schritt machte aus etwas, das zuvor einen Spezialisten erfordert hatte, etwas, dessen Verfügbarkeit jeder einfach voraussetzen konnte.

„Jeder Schritt machte aus Spezialistenwissen etwas, dessen Verfügbarkeit jeder voraussetzen konnte.“
Jörg Bröker

Wenn doch nur …

Diese Liste ist nicht vollständig. Das sind nur die ganz offensichtlichen Punkte. Weitere werden hinzukommen, wenn KI-Anwendungen reifer werden und die Erwartungen mit ihnen wachsen. Vergleichen wir eine Dreamweaver-Website von 1998 mit einer modernen responsiven React-Anwendung: 1998 hatte niemand responsive Layouts auf seiner Problemliste, weil niemand erwartete, dass eine Website auf einem Telefon funktioniert. Die Messlatte verschiebt sich – und mit ihr die Liste der Dinge, die man richtig machen muss.

Der Bedarf ist offensichtlich. Eine zuverlässige, wiederholbare Möglichkeit, ihn zu decken, ist noch nicht verfügbar. Deshalb bezahlt heute jedes Unternehmen, das KI-Agenten einsetzt, dafür, dass dieselben Lösungen erneut von Grund auf erfunden werden – jedes Mal von jemand anderem. Das ist langsam, teuer und nichts davon ist die Arbeit, die eigentlich jemand erledigen wollte.

Wenn doch nur jemand eine Plattform bauen würde, die all das für einen löst …