Die schöne Geschichte vom digitalen Kollegen
Seit Monaten höre ich in Gesprächen denselben Wunsch. Man möchte sich einen KI-Mitarbeiter „einstellen". Einen digitalen Kollegen, der im Vertrieb sitzt. Einen KI-Agenten fürs Marketing, einen für den Support, einen für die Buchhaltung. Jeder bekommt seinen Bereich, seinen Zugang, seine Zuständigkeit. Das Bild ist eingängig, weil es vertraut wirkt. Es überträgt das Organigramm einfach auf die Maschine.
Ich halte dieses Bild inzwischen für den teuersten Denkfehler in der aktuellen KI-Welle. Nicht weil Agenten technisch nicht funktionieren würden. Sondern weil die Metapher vom Mitarbeiter genau das verschenkt, was moderne Modelle stark macht.
Was ein heutiges LLM wirklich kann
Ein gutes Sprachmodell ist kein Sachbearbeiter mit einer Aufgabe. Es ist eine Denkmaschine, die in dem Moment so klug ist, wie der Kontext, den sie vor sich hat. Geben Sie ihm die Vertragslage, die Mailhistorie, die Zahlen und die offene Frage gemeinsam, zieht es Schlüsse über alle vier hinweg. Es verbindet eine Reklamation aus dem Support mit einer offenen Rechnung in der Buchhaltung und einem Gesprächsfaden aus dem Vertrieb, ohne dass jemand diese Verbindung vorher programmiert hat.
Genau das ist der Sprung gegenüber der Software, die wir gewohnt sind. Klassische Programme tun, was man ihnen einbaut. Ein fähiges Modell findet Zusammenhänge, die niemand vorgesehen hat, vorausgesetzt, es darf die Daten überhaupt nebeneinander sehen. Die Betonung liegt auf diesem letzten Halbsatz.
Das Silo-Problem
Wer einen KI-Agenten als digitalen Mitarbeiter aufsetzt, tut fast immer dasselbe. Er gibt ihm Zugriff auf genau ein System. Der Vertriebsagent sieht das CRM. Der Support-Agent sieht das Ticketsystem. Der Buchhaltungsagent sieht die Belege. Jeder sitzt in seinem Silo und arbeitet brav an seinem Ausschnitt der Wirklichkeit.
Damit nehmen Sie der Denkmaschine genau die Grundlage, auf der sie glänzt. Ein Modell ist immer nur so gut wie der Kontext, den es vor sich hat. Sperren Sie es in ein einzelnes Datensilo, bekommen Sie eine teure Variante von dem, was eine Suchfunktion auch gekonnt hätte. Die spannenden Schlüsse entstehen zwischen den Systemen, und genau die Brücke kappen Sie, wenn Sie die KI nach Abteilungen aufteilen.
Hier kommt der Satz ins Spiel, der seit dem ersten Tag dieser Technologie gilt. Daten sind das Gold. Nicht das Modell ist knapp, Modelle gibt es im Überfluss und sie werden monatlich besser. Knapp und wertvoll ist Ihr Wissen, verteilt über Mails, Dokumente, Tabellen, Köpfe und Systeme. Wer dieses Wissen in viele kleine Agentenzuständigkeiten zerschneidet, verwaltet sein Gold in lauter abgeschlossenen Schließfächern, zu denen jeweils nur ein Bote den Schlüssel hat.
Wo Agenten trotzdem ihren Platz haben
Damit kein Missverständnis entsteht. Es gibt klar umrissene Aufgaben, für die ein abgegrenzter, automatisiert laufender Ablauf genau richtig ist. Eingehende Rechnungen vorprüfen. Termine koordinieren. Eine wiederkehrende Auswertung jeden Montag erstellen. Solche aufgabenscharfen Bausteine sind nützlich, und ich baue sie selbst regelmäßig. Wie sinnvoll das aussieht, habe ich im Beitrag zu KI-Skills statt SaaS ausführlich beschrieben.
Der Unterschied liegt im Anspruch. Ein Skill erledigt eine definierte Aufgabe in einem klaren Rahmen. Ein „KI-Mitarbeiter" verspricht, dauerhaft mitzudenken wie ein Kollege, und scheitert dann an der Mauer um sein eigenes Silo. Das eine ist ein Werkzeug mit ehrlichem Zuschnitt. Das andere ist eine Erwartung, die das gewählte Setup gar nicht einlösen kann.
Worauf es wirklich ankommt: die Datenschicht
Wenn das Modell im Überfluss da ist und der Wert in den Daten steckt, dann verschiebt sich die eigentliche Arbeit. Sie liegt nicht darin, möglichst viele Agenten zu personifizieren. Sie liegt darin, Ihr Wissen so zu ordnen und zugänglich zu machen, dass ein fähiges Modell breit darauf zugreifen kann, kontrolliert und nachvollziehbar.
Das ist die unspektakuläre, aber entscheidende Aufgabe. Welche Daten liegen wo. Was darf wer sehen. Wie kommt das Modell sauber und geprüft an die richtigen Ausschnitte, statt an alles oder an nichts. Diese Frage nach der Datenschicht und der Souveränität darüber ist der Kern, den ich im Beitrag zum firmeneigenen KI-Assistenten vertieft habe. Wer hier sauber arbeitet, braucht keine Armee digitaler Kollegen. Ein gutes Modell mit gutem Zugang zum eigenen Wissen leistet mehr als zehn Agenten, die sich gegenseitig nicht sehen.
Governance ist dabei kein Bremsklotz, sondern die Voraussetzung. Breiter Zugang ohne Ordnung wäre fahrlässig. Breiter Zugang mit klaren Regeln darüber, was wann sichtbar ist, macht aus einer Sammlung von Datensilos ein zusammenhängendes Wissen, mit dem die Maschine tatsächlich denken kann.
Wie ein erster Schritt aussieht
Drehen Sie die Frage um, die gerade auf vielen Tischen liegt. Statt „Welchen KI-Agenten stellen wir als Nächstes ein", fragen Sie „Welches Wissen liegt bei uns so verstreut, dass niemand es im Zusammenhang sieht, und was wäre möglich, wenn ein fähiges Modell es endlich gemeinsam betrachten dürfte". Diese Frage führt fast immer zu einem ehrlicheren und tragfähigeren Ergebnis als die nächste Agenten-Demo.
Einen nüchternen Blick darauf, wo Ihre Daten heute auseinanderfallen und wo das Sie Geld kostet, liefert ein Digital-Realitäts-Check. Wenn klar ist, an welcher Stelle die Datenschicht zuerst zusammengeführt gehört, zeigt der KI-Sprint, wie daraus in wenigen Wochen ein belastbares erstes Ergebnis wird. Und wie das in eine größere Linie passt, lesen Sie bei der AI-Impact-Methode.
Stellen Sie keine KI-Mitarbeiter ein. Geben Sie einem fähigen Modell sauberen Zugang zu Ihrem Wissen. Der Wert lag nie im digitalen Kollegen. Er lag immer in Ihren Daten.