KI-Agenten brauchen ein Wissenssystem, weil ein Sprachmodell allein weder interne Abläufe noch Zuständigkeiten, Freigaben oder aktuelle Kundeninformationen kennt. Ein Company Brain verbindet Unternehmenswissen mit Prozessen, Rollen und Berechtigungen. Dadurch können Agenten Aufgaben nicht nur formulieren, sondern im vorgesehenen Kontext zuverlässig vorbereiten, prüfen und ausführen.
Warum reicht ein leistungsfähiges Sprachmodell im Betrieb nicht aus?
Ein Sprachmodell kann Texte verfassen, Inhalte zusammenfassen, Fragen interpretieren und mögliche Arbeitsschritte vorschlagen. Was es ohne zusätzliche Anbindung nicht kennt, sind die tatsächlichen Verhältnisse im Unternehmen: vereinbarte Kundenkonditionen, aktuelle Lieferzeiten, Eskalationswege, Zuständigkeiten, interne Qualitätsanforderungen, Servicegebiete oder die Frage, ab welchem Auftragswert eine weitere Freigabe erforderlich ist.
Genau an dieser Stelle trennt sich eine überzeugende Demonstration von einem produktiv nutzbaren KI-Agenten. Soll ein Agent beispielsweise eine Kundenanfrage bearbeiten, benötigt er mehr als sprachliche Fähigkeiten. Er muss erkennen, um welchen Kunden es geht, welche Produkte betroffen sind, welche Vertragsbedingungen gelten, wer den Vorgang übernehmen darf und welche Informationen noch fehlen. Anschließend muss er den vorgesehenen Prozess einhalten und seine Handlung dokumentieren.
Der Bedarf wächst, weil KI inzwischen auch im deutschen Mittelstand ankommt. Nach einer aktuellen Auswertung von KfW Research nutzen 20 Prozent der mittelständischen Unternehmen bereits mindestens eine KI-Technologie. Die entscheidende Frage verschiebt sich damit vom grundsätzlichen Einsatz hin zur betrieblichen Einbindung.
Unternehmenswissen schneller nutzbar machen
Das KrambergAI Unternehmensgedächtnis macht verstreutes Wissen aus Dokumenten, Projekten, Prozessen und internen Quellen strukturierter auffindbar und bereitet Antworten mit nachvollziehbarem Kontext vor.
Praxisnah eingeführt · Quellenbasiert nutzbar · Made in Germany
Auch KI-Agenten verlassen zunehmend die Pilotumgebung. In der globalen McKinsey-Erhebung von 2025 gaben 23 Prozent der Befragten an, dass ihr Unternehmen agentische KI bereits skaliert. Weitere 39 Prozent experimentieren damit. Die Zahlen zeigen jedoch ebenso, dass zwischen Versuch und belastbarem Betrieb noch ein erheblicher Umsetzungsschritt liegt.
Was ist ein Company Brain im Unterschied zu einer Dokumentenablage?
Eine Dokumentenablage speichert Dateien. Ein Company Brain beschreibt dagegen eine operative Wissensschicht, in der Informationen mit ihrer betrieblichen Bedeutung verbunden werden. Zu einem Inhalt gehört dann nicht nur der Text, sondern auch seine Herkunft, sein Gültigkeitsbereich, der verantwortliche Fachbereich, die betroffene Rolle und der Prozessschritt, in dem er verwendet werden darf.
Das kann bedeuten, dass eine Arbeitsanweisung mit der entsprechenden Tätigkeit im Serviceprozess verknüpft wird. Eine Preisregel erhält einen Bezug zu Produktgruppe, Kundensegment und Freigabestufe. Eine Wartungsinformation wird mit Maschinentyp, Fehlerbild und benötigter Qualifikation verbunden. Aus einer Ansammlung einzelner Informationen entsteht damit ein verwendbares Modell des Unternehmens.
Ein Company Brain muss nicht zwingend eine neue zentrale Datenbank sein. In vielen mittelständischen Unternehmen liegen relevante Informationen weiterhin im ERP-System, im CRM, im Dokumentenmanagement, in Service-Tickets, im Intranet und in Fachanwendungen. Das Wissenssystem schafft eine kontrollierte Verbindung zwischen diesen Quellen. Es entscheidet, welche Informationen für einen Vorgang benötigt werden und unter welchen Bedingungen sie genutzt werden dürfen.
Der Unterschied ist im Alltag erheblich. Eine Suchfunktion liefert Dokumente, die ein Mitarbeiter selbst bewerten muss. Ein Wissenssystem liefert dem Agenten den Ausschnitt, den er für den aktuellen Fall benötigt, ergänzt um Regeln, Beziehungen und Handlungsgrenzen.
Welche Wissensarten brauchen KI-Agenten für belastbare Arbeit?
Unternehmenswissen besteht nicht nur aus Handbüchern und Richtlinien. Für operative Aufgaben benötigt ein Agent mehrere Wissensarten, die zusammengeführt werden müssen.
Fachwissen beschreibt Produkte, Leistungen, Materialien, Anlagen, Vertragsarten oder regulatorische Vorgaben. Prozesswissen legt fest, in welcher Reihenfolge Aufgaben bearbeitet werden, welche Eingaben erforderlich sind und wann ein Vorgang weitergegeben wird. Entscheidungsregeln definieren Grenzwerte, Freigabestufen, Ausnahmen und Prioritäten. Kontextdaten liefern den aktuellen Zustand eines Auftrags, Kundenfalls oder Betriebsmittels. Erfahrungswissen hält fest, welche Vorgehensweisen sich bei bestimmten Situationen bewährt haben.
Ein Agent für die Angebotsvorbereitung benötigt beispielsweise Produktdaten, Kalkulationsregeln, Kundenkonditionen, Kapazitätsinformationen und Vorgaben für die kaufmännische Prüfung. Ein Agent im technischen Service benötigt dagegen Anlagenhistorie, Fehlercodes, Wartungspläne, Ersatzteilinformationen und Einsatzberichte früherer Techniker.
Wer lediglich Dokumente hochlädt, bildet diese Zusammenhänge nicht automatisch ab. Die Inhalte müssen für den jeweiligen Anwendungsfall geordnet, priorisiert und mit dem Prozess verbunden werden.
Wie verändert ein Wissenssystem die Leistung eines KI-Agenten?
Ein generischer Agent arbeitet hauptsächlich mit dem Modellwissen und den Informationen, die ihm unmittelbar in einer Anfrage mitgegeben werden. Ein Agent mit Company Brain kann dagegen den Vorgang in den betrieblichen Zusammenhang einordnen.
| Merkmal | Generischer KI-Agent | KI-Agent mit Wissenssystem |
|---|---|---|
| Informationsbasis | Allgemeines Modellwissen und einzelne Eingaben | Freigegebene Unternehmensquellen und aktuelle Geschäftsdaten |
| Prozessbezug | Leitet mögliche Schritte sprachlich ab | Nutzt hinterlegte Abläufe, Statusübergänge und Eskalationswege |
| Entscheidungen | Formuliert plausible Empfehlungen | Wendet hinterlegte Regeln und Freigabegrenzen an |
| Berechtigungen | Benötigt separat definierte Zugriffe | Berücksichtigt Rollen, Identitäten und Datenbereiche |
| Quellenbezug | Herkunft einer Aussage ist oft nicht ersichtlich | Verknüpft Ergebnisse mit den verwendeten Quellen |
| Aktualisierung | Reagiert nur auf neu bereitgestellte Eingaben | Bezieht Änderungen aus angebundenen Quellsystemen ein |
| Ausnahmebehandlung | Improvisiert auf Basis sprachlicher Muster | Übergibt Sonderfälle an zuständige Mitarbeiter |
| Betriebliche Nutzung | Geeignet für allgemeine Unterstützung | Geeignet für abgegrenzte operative Aufgaben |
Der wichtigste Unterschied liegt nicht in einem schöner formulierten Ergebnis. Entscheidend ist, ob der Agent den betrieblich vorgesehenen Weg einhält. Ein gut aufgebautes Wissenssystem begrenzt den Lösungsraum und stellt dem Agenten genau die Informationen zur Verfügung, die für den jeweiligen Vorgang freigegeben sind.
Welche Anwendungsfälle eignen sich im Mittelstand besonders?
Ein Wissenssystem entfaltet seinen Nutzen vor allem bei wiederkehrenden Vorgängen, in denen Mitarbeiter Informationen aus mehreren Quellen zusammensuchen und anschließend nach bekannten Regeln handeln.
Im Kundenservice kann ein Agent eingehende Anfragen klassifizieren, Vertragsdaten und bisherige Vorgänge abrufen, passende Lösungsschritte vorbereiten und den Fall an den zuständigen Bereich weitergeben. Er beantwortet dann nicht nur eine allgemeine Frage, sondern berücksichtigt die konkrete Kundenbeziehung und den aktuellen Bearbeitungsstand.
Im Vertrieb kann der Agent eine Anfrage mit dem Leistungsportfolio abgleichen, fehlende Angaben erkennen und eine Angebotsvorbereitung anstoßen. Dabei lassen sich Kundengruppen, Preisregeln, Liefergebiete und interne Freigaben berücksichtigen. Der Vertriebsmitarbeiter erhält keinen beliebigen Textentwurf, sondern einen vorgeprüften Vorgang mit nachvollziehbaren Grundlagen.
In der Auftragsbearbeitung kann ein Agent Bestelldaten gegen Stammdaten, Vertragsbedingungen und verfügbare Kapazitäten prüfen. Abweichungen werden nicht eigenmächtig übergangen, sondern nach hinterlegten Kriterien markiert oder eskaliert.
Im technischen Service hilft die Wissensschicht dabei, Störungsmeldungen mit Anlagenhistorie, Wartungsinformationen und früheren Einsatzberichten zu verbinden. Der Agent kann den Einsatz vorbereiten, benötigte Unterlagen zusammenstellen oder auf fehlende Qualifikationen und Ersatzteile hinweisen.
Auch in Qualitätssicherung und Compliance sind geeignete Anwendungen vorhanden. Dort können Agenten Nachweise zusammentragen, Dokumentationsstände prüfen und auf fehlende Freigaben aufmerksam machen. Kritische Entscheidungen verbleiben bei den zuständigen Mitarbeitern.
Was geht bei solchen Projekten üblicherweise schief?
Ein häufiger Fehler besteht darin, sämtliche vorhandenen Dokumente ungeprüft in eine Vektordatenbank zu übertragen. Dadurch wird die Ablage technisch durchsuchbar, aber nicht automatisch besser nutzbar. Veraltete Prozessbeschreibungen, doppelte Dateien und widersprüchliche Regelungen werden lediglich schneller gefunden.
Problematisch ist außerdem fehlende fachliche Verantwortung. Wenn niemand festlegt, welche Quelle verbindlich ist, kann der Agent unterschiedliche Versionen gleichrangig behandeln. Das Ergebnis wirkt sprachlich überzeugend, basiert aber möglicherweise auf einer überholten Anweisung.
Viele Projekte modellieren nur den Normalfall. Im Betrieb entstehen jedoch Rückfragen, fehlende Eingaben, widersprüchliche Kundendaten und ungewöhnliche Kombinationen. Für solche Situationen benötigt der Agent einen definierten Übergabepunkt. Ohne diese Begrenzung beginnt er, den Prozess aus sprachlichen Wahrscheinlichkeiten selbst zu ergänzen.
Ein weiteres Risiko ist ein zu großer Startumfang. Ein Agent soll dann gleichzeitig Vertrieb, Service, Einkauf und Dokumentation unterstützen. Die Zahl der Quellen, Berechtigungen und möglichen Ausnahmen wächst schneller als die Organisation sie prüfen kann. Ein enger Anwendungsfall liefert meist früher verwertbare Ergebnisse.
Auch die technische Aktualisierung wird häufig unterschätzt. Wenn das ERP-System geändert wurde, der Suchindex aber weiterhin den alten Stand enthält, arbeitet der Agent mit widersprüchlichen Informationen. Wissenspflege muss deshalb als betrieblicher Prozess behandelt werden, nicht als einmalige Datenübernahme.
Warum müssen Prozesse ebenso gepflegt werden wie Dokumente?
Ein Agent soll nicht nur wissen, was in einer Arbeitsanweisung steht. Er muss auch wissen, wann diese Anweisung relevant ist und welche Aktion danach folgen darf.
Prozessmodelle liefern dafür die notwendige Struktur. Sie beschreiben Eingaben, Aktivitäten, Rollen, Statuswechsel, Freigaben und Ausnahmen. Bestehende BPMN-Modelle, Arbeitsabläufe aus ERP-Systemen oder dokumentierte Standard Operating Procedures können als Ausgangspunkt dienen. Sie müssen jedoch mit den realen Arbeitsweisen abgeglichen werden.
Gerade im Mittelstand existiert ein Teil des Prozesswissens nur in der täglichen Praxis. Erfahrene Mitarbeiter wissen, welche Anfrage sofort an die Disposition geht, wann ein Angebot technisch geprüft werden muss oder welcher Kunde besondere Dokumentationsanforderungen hat. Dieses Wissen ist selten vollständig in Verfahrensanweisungen enthalten.
Ein Company Brain macht solche Regeln zugänglich, ohne jede Erfahrung in starre Softwarelogik umzuwandeln. Der Agent kann bekannte Fälle bearbeiten und bei Abweichungen eine fachliche Entscheidung anfordern. Dadurch bleibt der Prozess anpassbar, während wiederkehrende Arbeitsschritte trotzdem automatisiert werden können.
Welche Rolle spielen RAG, Wissensgraphen und Schnittstellen?
Retrieval-Augmented Generation, kurz RAG, verbindet ein Sprachmodell mit einer externen Wissensbasis. Zu einer Anfrage werden passende Informationen gesucht und dem Modell für die aktuelle Verarbeitung bereitgestellt. Das Unternehmenswissen muss dadurch nicht dauerhaft in das Sprachmodell eintrainiert werden. NIST beschreibt RAG ausdrücklich als Verbindung eines generativen Systems mit einem separaten Informationsabruf oder einer Wissensbasis.
Für einfache Anwendungsfälle kann eine gut gepflegte RAG-Architektur ausreichen. Komplexere Aufgaben benötigen zusätzlich Beziehungen zwischen Kunden, Produkten, Anlagen, Rollen und Prozessen. Diese Beziehungen lassen sich über Metadaten, strukturierte Datenmodelle oder Wissensgraphen abbilden.
Schnittstellen verbinden die Wissensschicht mit ERP, CRM, DMS, Ticketing und weiteren Geschäftssystemen. Der Agent kann dadurch nicht nur lesen, sondern im erlaubten Umfang auch Aktionen anstoßen. Dazu gehören beispielsweise das Anlegen eines Vorgangs, das Ergänzen eines Tickets oder die Vorbereitung einer Freigabe.
Die Architektur muss außerdem Herkunft, Aktualisierung und Zugriffsrechte berücksichtigen. AWS beschreibt für agentische Wissensbasen unter anderem Datenherkunft, Berechtigungskontrollen, Quellenzuordnung und die Synchronisation zwischen Quellsystem und Suchindex als notwendige Bestandteile.
Wie werden Rollen, Berechtigungen und Freigaben Teil des Systems?
Ein Agent darf nicht automatisch auf alles zugreifen, nur weil die Informationen technisch erreichbar sind. Im Idealfall übernimmt das Wissenssystem bestehende Identitäten, Rollen und Berechtigungen aus den Geschäftsanwendungen oder dem Identity and Access Management.
Ein Vertriebsagent benötigt möglicherweise Zugriff auf Kundenhistorie und Angebotsregeln, aber nicht auf Personalakten. Ein Serviceagent darf technische Unterlagen und Einsatzberichte lesen, jedoch keine Vertragsbedingungen verändern. Ein Agent für die Rechnungsprüfung kann Abweichungen erkennen, eine Zahlung aber nicht ohne vorgesehenen Freigabeschritt auslösen.
Berechtigungen sollten daher sowohl den Zugriff auf Wissen als auch die Nutzung von Werkzeugen begrenzen. Zusätzlich muss berücksichtigt werden, in wessen Auftrag der Agent handelt. Ein Mitarbeiter darf über einen Agenten nicht auf Informationen zugreifen, die ihm bei manueller Nutzung ebenfalls nicht zur Verfügung stünden.
Die Bedeutung dieser Kontrollen zeigt eine McKinsey-Erhebung aus dem Jahr 2026: Nahezu zwei Drittel der Befragten nennen Sicherheits- und Risikofragen als größtes Hindernis für die Skalierung agentischer KI. Ein Wissenssystem ist daher nicht nur eine Informationsarchitektur, sondern ebenso ein Bestandteil der Governance.
KI-Agenten gezielt als Mitarbeiter einsetzen
Die KrambergAI KI-Mitarbeiter übernehmen klar definierte Aufgaben in Service oder Verwaltung und arbeiten mit vorhandenem Unternehmenswissen entlang abgestimmter Prozesse.
Praxisnah eingeführt · Aufgabenbezogen konzipiert · Made in Germany
Wie beginnt ein Mittelständler ohne Großprojekt?
Der geeignete Einstieg ist ein begrenzter Prozess, bei dem Aufwand, Quellen und Ergebnisse gut überprüfbar sind. Das kann die Vorprüfung einer Serviceanfrage, die Vorbereitung eines Angebots oder die Zuordnung eingehender Dokumente sein.
Zunächst wird festgehalten, welche Informationen ein erfahrener Mitarbeiter für die Aufgabe tatsächlich verwendet. Danach werden verbindliche Quellen, Entscheidungsregeln, Berechtigungen und Übergabepunkte bestimmt. Erst anschließend wird entschieden, welche technische Form für die Wissensbereitstellung erforderlich ist.
Für den ersten Agenten reicht häufig eine Kombination aus ausgewählten Dokumenten, strukturierten Stammdaten und wenigen Prozessregeln. Wichtig ist, dass reale Fälle zum Test verwendet werden. Dazu gehören auch unvollständige Anfragen, veraltete Informationen und Sonderfälle.
Jede Ausgabe und jede ausgelöste Aktion sollte protokolliert werden. So lässt sich feststellen, welche Quelle verwendet wurde, welche Regel gegriffen hat und warum der Agent einen Vorgang bearbeitet oder weitergegeben hat. Fachbereiche müssen diese Ergebnisse bewerten können, ohne die technische Architektur im Detail zu kennen.
Nach einem stabilen Pilotbetrieb können weitere Quellen und Aktionen ergänzt werden. Der Wissenskern wächst entlang konkreter Prozesse und nicht entlang des Wunsches, möglichst viele Daten auf einmal einzubinden.
Wann ist ein KI-Agent im Unternehmensalltag wirklich nutzbar?
Ein KI-Agent wird nicht dadurch produktiv, dass er selbstständig mehrere Werkzeuge aufrufen kann. Er wird produktiv, wenn das Unternehmen festgelegt hat, welches Wissen er verwenden darf, welche Regeln gelten, wo seine Zuständigkeit endet und wie Mitarbeiter eingreifen können.
Ein belastbarer Agent kennt den aktuellen Fall, findet die passenden Quellen, hält den vorgesehenen Prozess ein und dokumentiert seine Arbeit. Er erkennt fehlende Informationen und übergibt Ausnahmen, anstatt eine Antwort zu erfinden. Seine Leistung lässt sich anhand realer Geschäftsvorgänge prüfen.
Für mittelständische Unternehmen liegt darin der eigentliche Wert eines Company Brain. Wissen bleibt nicht in Ordnern, E-Mail-Verläufen und den Köpfen einzelner Mitarbeiter verteilt, sondern wird für definierte Abläufe verfügbar. KI-Agenten können dieses Wissen anschließend nutzen, um Routinearbeit vorzubereiten oder innerhalb kontrollierter Grenzen auszuführen.
KrambergAI GmbH unterstützt mittelständische Unternehmen bei der Verbindung von Unternehmenswissen, Prozessen und KI-Agenten: https://krambergai.com/
Welche Quellen vertiefen das Thema?
Interessante Links
NIST: Definition und Funktionsweise von Retrieval-Augmented Generation
https://csrc.nist.gov/glossary/term/retrieval_augmented_generation
AWS Prescriptive Guidance: Wissensbasen als Kerndienst für agentische KI
https://docs.aws.amazon.com/prescriptive-guidance/latest/govern-architect-agentic-ai/core-services-knowledge-bases.html
Microsoft Learn: Agentic Retrieval mit Azure AI Search
https://learn.microsoft.com/en-us/azure/search/search-get-started-agentic-retrieval
Quellen der Kennzahlen
KfW Research: Künstliche Intelligenz kommt im Mittelstand immer häufiger zum Einsatz
https://www.kfw.de/%C3%9Cber-die-KfW/Newsroom/Aktuelles/Pressemitteilungen-Details_880896.html
McKinsey: The State of AI – Global Survey 2025
https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
McKinsey: State of AI Trust in 2026 – Shifting to the Agentic Era
https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/tech-forward/state-of-ai-trust-in-2026-shifting-to-the-agentic-era
Was ist ein Wissenssystem für KI-Agenten?
Ein Wissenssystem für KI-Agenten stellt geprüfte Unternehmensinformationen, Prozessregeln, Zuständigkeiten und Berechtigungen so bereit, dass ein Agent sie während einer Aufgabe gezielt abrufen kann. Es besteht nicht nur aus Dokumenten, sondern verbindet Inhalte mit Herkunft, Gültigkeit, Rollen und operativen Abläufen. Häufig wird eine solche Wissensschicht als Company Brain bezeichnet.
Warum genügt eine normale Wissensdatenbank nicht?
Eine klassische Wissensdatenbank unterstützt vor allem Menschen beim Nachschlagen. Ein Agent benötigt zusätzlich maschinenlesbare Beziehungen, verbindliche Regeln, aktuelle Statusdaten und Informationen darüber, welche Aktion in welchem Prozessschritt erlaubt ist. Fehlen diese Elemente, kann der Agent zwar passende Texte finden, aber daraus noch keine verantwortbare betriebliche Handlung ableiten.
Welche Datenquellen sollte ein Company Brain verbinden?
Typische Quellen sind ERP- und CRM-Systeme, Dokumentenmanagement, Service-Tickets, Produktdaten, Qualitätsvorgaben, Arbeitsanweisungen, Verträge und freigegebene Erfahrungswerte. Entscheidend ist nicht die Menge der angebundenen Systeme, sondern ihre Relevanz für den ausgewählten Prozess. Jede Quelle sollte einen Eigentümer, einen Aktualisierungsweg und passende Zugriffsrechte besitzen.
Muss das gesamte Unternehmenswissen vor dem Start aufbereitet werden?
Nein. In der Praxis ist ein abgegrenzter Prozess mit überschaubaren Quellen meist der bessere Einstieg. Zuerst werden die Informationen aufbereitet, die der Agent für einen konkreten Anwendungsfall benötigt. So lassen sich Suchqualität, Regelanwendung und Freigaben testen, bevor weitere Wissensbereiche, Abteilungen oder automatisierte Aktionen hinzukommen.
Wie verhindert man veraltete oder widersprüchliche Antworten?
Das Wissenssystem benötigt verbindliche Quellen, verantwortliche Fachbereiche, Gültigkeitsdaten und einen geregelten Aktualisierungsprozess. Bei Konflikten sollte festgelegt sein, welche Quelle Vorrang hat und wann der Agent eine Prüfung durch einen Mitarbeiter anfordert. Zusätzlich helfen Protokolle, Quellenverweise und regelmäßige Testfälle dabei, problematische Inhalte früh zu erkennen.
Welche Rolle spielt RAG bei KI-Agenten?
Retrieval-Augmented Generation verbindet ein Sprachmodell mit einer externen Wissensbasis. Der Agent sucht zur aktuellen Aufgabe passende Inhalte und übergibt sie dem Modell als Arbeitskontext. RAG ist damit ein wichtiger technischer Baustein, ersetzt aber weder Datenpflege noch Prozessregeln, Berechtigungen, Freigaben und die fachliche Bewertung der gefundenen Informationen.
Braucht jeder KI-Agent eine eigene Wissensbasis?
Nicht zwingend. Mehrere Agenten können auf eine gemeinsame Wissensschicht zugreifen, sofern Rollen, Mandanten, Fachbereiche und Zugriffsrechte sauber getrennt werden. Häufig ist eine zentrale Architektur mit domänenspezifischen Wissensräumen sinnvoller als viele isolierte Ablagen. Der jeweilige Agent erhält dann nur die Quellen und Werkzeuge, die seine Aufgabe tatsächlich erfordert.
Wie werden Berechtigungen im Wissenssystem berücksichtigt?
Berechtigungen sollten möglichst aus bestehenden Identitäts- und Rollensystemen übernommen werden. Der Agent darf nur Inhalte abrufen und Aktionen ausführen, die für seinen Auftrag und den auslösenden Nutzer zulässig sind. Sensible Vorgänge benötigen zusätzliche Freigaben, begrenzte Berechtigungszeiträume und nachvollziehbare Protokolle. Ein Wissenssystem ohne Zugriffskontrolle schafft ein unnötiges Betriebsrisiko.
Für welche Prozesse eignet sich der Einstieg?
Geeignet sind wiederkehrende Abläufe mit nachvollziehbaren Eingaben, bekannten Quellen und überprüfbaren Ergebnissen. Beispiele sind Service-Triage, Angebotsvorbereitung, Auftragsprüfung, Dokumentenklassifikation oder die Vorbereitung von Wartungseinsätzen. Weniger geeignet sind zu Beginn Entscheidungen mit weitreichenden rechtlichen, personellen oder finanziellen Folgen und schwer beschreibbaren Ausnahmen.
Wie lässt sich die Qualität eines KI-Agenten prüfen?
Die Bewertung sollte reale Prozessfälle, Grenzfälle und bewusst fehlerhafte Eingaben enthalten. Gemessen werden unter anderem Quellenwahl, Regelbefolgung, Vollständigkeit, korrekte Eskalation und die Qualität ausgeführter Aktionen. Entscheidend ist nicht eine überzeugende Formulierung, sondern ob der Agent den vorgesehenen Ablauf einhält, Unsicherheiten erkennt und Ergebnisse nachvollziehbar dokumentiert.
