Über generative KI wurde bereits viel gesagt: Sie kann Texte verfassen, Daten analysieren und Fragen beantworten. Die spannende Debatte beginnt dann, wenn ein Chatfenster nicht mehr ausreicht. Was passiert, wenn ein KI-Agent Marktinformationen sammelt, Inhalte vorbereitet, Produktdaten prüft, Tickets vorsortiert oder den nächsten Schritt in einem Workflow selbstständig auslöst? Dann geht es nicht mehr nur um ein Tool. Dann geht es um Aufgaben und die Frage, wie diese gesteuert werden. Ein Fachbeitrag von Mathias Hermann, Partner Reply
Viele Unternehmen nutzen KI wie eine sehr leistungsfähige Suchmaschine. Oft genügt es, eine Lizenz zu beschaffen, den Zugang freizuschalten und einige Prompt-Beispiele zu verteilen. Bei produktivem Einsatz stellen Agenten andere Anforderungen. Sobald ein System wiederkehrende Aufgaben übernimmt, Zugriff auf Daten oder Anwendungen erhält und Ergebnisse in Prozesse einspeist, reicht ein guter Prompt nicht mehr aus. Es braucht einen klaren Auftrag, einen eindeutig abgegrenzten Verantwortungsbereich und jemanden, der für die Qualität geradesteht.
Drei Grundsätze für den Einsatz von KI im Unternehmen
Für einen belastbaren Umgang mit KI lassen sich drei Grundsätze formulieren: KI skaliert nur, wenn sie integriert,grounded und governed ist.
Integriert bedeutet: Agenten arbeiten im bestehenden Arbeitsfluss in Prozessen, Anwendungen und Teams. Erst dort erhalten sie den erforderlichen Kontext und können verlässlich Wirkung entfalten.
Grounded setzt voraus: Agenten benötigen nachvollziehbaren Zugriff auf relevantes Unternehmenswissen, beispielsweise auf Produktdaten, Richtlinien, freigegebene Inhalte und Prozesswissen. Enterprise Knowledge, Ontologien und Knowledge Graphs machen Begriffe, Zusammenhänge und Quellen maschinenlesbar. So kann ein Agent plausibel und im konkreten Geschäftskontext arbeiten.
Governed verlangt: Jeder Agent braucht eine Identität, Berechtigungen und klare Grenzen. Wer darf ihn anlegen oder verändern? Welche Daten, Systeme und Aktionen sind erlaubt? Wer gibt kritische Ergebnisse frei, prüft die Qualität und kann den Agenten stoppen? Governance schafft die Voraussetzungen für kontrolliert wachsende Autonomie.
Ein Arbeitsprofil für jeden Agenten
Ein Arbeitsprofil macht sichtbar, was bei produktiven Agenten sonst oft unsichtbar bleibt: Aufgabe, erlaubte Quellen und Systeme, No-Gos, Eskalation und Qualitätsmaßstab. Es beschreibt dabei nicht den „Charakter“ einer KI. Im Mittelpunkt steht der Rahmen, in dem sie verlässlich arbeiten darf. Daraus entsteht ein klares Arbeitsprofil: Rollenbeschreibung, Berechtigungen, Beispiele für gute und schlechte Ergebnisse, Qualitätskriterien, Versionen und ein fachlicher Owner. KI wird skalierbar, wenn implizites Erfahrungswissen zu überprüfbaren Regeln wird.
Onboarding statt Prompt-Bibliothek
Die eigentliche Arbeit beginnt erst nach dem ersten funktionierenden Ergebnis. Ein Agent lernt die Eigenheiten einer Marke, eines Produkts oder eines Prozesses nicht anhand von drei Beispielen. Er benötigt Korrekturen, Gegenbeispiele und eine dokumentierte No-Go-Liste. Bei Fehlern muss geklärt werden, ob der Auftrag, die Datenbasis, die Berechtigung oder der Qualitätsmaßstab unklar waren.
Das entspricht einem klassischen Onboarding für ein digitales Arbeitssystem. Marketingteams müssen Tonalität, rechtliche Grenzen, Quellenstandard und Freigabelogik explizit machen. Commerce-Teams sollten Produktdaten, Verfügbarkeiten, Preislogik und Eskalation festlegen. Ohne diese Kriterien beschleunigt KI lediglich die Entstehung von Unklarheiten.
Keine Autonomie ohne Gegenrolle
Ein weiterer Fehler liegt in der Selbstkontrolle. Der Agent, der einen Text, eine Empfehlung oder eine Entscheidung erzeugt, sollte nicht allein darüber befinden, ob diese richtig ist. Je größer der mögliche Schaden ist, desto wichtiger werden eine getrennte Gegenrolle, Testfälle, Stichproben oder eine menschliche Freigabe.
Die Frage lautet daher nicht: „Kann KI das schon?” Vielmehr geht es um die Frage: „Wie erkennen wir verlässlich, wann sie es nicht gut genug kann?” Fehlerquote, Eskalationsrate, Bearbeitungszeit, Korrekturaufwand und Nutzerfeedback sind damit die zentralen Steuerungsgrößen für den Einsatz von digitalen Agenten.
Ein Blick in die USA
In den USA ist dieser Perspektivwechsel in der Plattformlandschaft sichtbar. So entwickelt Workday ein „Agent System of Record“, ServiceNow einen zentralen Kontrollturm und Salesforce „Observability“ für Agenten. Die Begriffe unterscheiden sich, die Richtung ist dieselbe: Agenten werden inventarisiert und ihre Zugriffe, Leistung sowie ihr Lebenszyklus werden sichtbar gemacht. Der Engpass verschiebt sich vom Bau einzelner Agenten zur Fähigkeit, sie als Bestandteile einer Organisation zu steuern.
Auch die Idee eines allwissenden Super-Assistenten relativiert sich. Mehrere spezialisierte Agenten können sinnvoll sein, wenn Informationsräume und Aufgaben klar getrennt sind: Einer recherchiert, einer prüft, einer bündelt. Jede zusätzliche Rolle erzeugt Koordinationsaufwand, Kosten und Fehlerquellen. Die Architektur muss dem Arbeitsprozess folgen. Nicht dem Hype.
Die neue Führungsaufgabe
Der wichtigste Schritt ist daher nicht technischer Natur. Für jeden Agenten muss klar sein, wer seinen Auftrag verantwortet, welche Daten er verwenden darf, wie er getestet wird, wer Veränderungen freigibt und wann er abgeschaltet wird. So entsteht eine belastbare Zusammenarbeit von Menschen und Systemen.
Vielleicht ist das die produktivste Art, über KI zu sprechen: KI macht Organisation nicht überflüssig. Sie macht sie präziser. Der Agent braucht kein Organigramm. Er braucht einen klaren Auftrag, verlässliches Unternehmenswissen, klare Leitplanken und einen Menschen, der Verantwortung übernimmt.
Der Autor: Mathias Hermann ist Partner bei Reply und als Network Manager für das Digital Experience- und Commerce-Netzwerk der Reply Gruppe in Deutschland verantwortlich. Er beschäftigt sich mit der Frage, wie Marken im agentenbasierten Web sichtbar, vertrauenswürdig und transaktionsfähig bleiben können.
