Vom Volumen zur Selektion: die Falle, die KI-Agenten zum Lösen zwingen
Es gibt eine Überzeugung, die durch die Flure nahezu jeder Organisation geistert, die in den vergangenen acht Jahren in künstliche Intelligenz investiert hat. Die Überzeugung, dass das Problem stets eines der Menge ist. Mehr Daten. Mehr Token. Mehr Abdeckung. Mehr gespeicherte Geschichte. Als wäre Intelligenz proportional zum Volumen, und als wäre die Lösung für jeden Systemfehler schlicht, mehr hinzuzufügen.
Diese Überzeugung entstand nicht aus Naivität. Sie entstand aus der Ära des Big Data, einer Zeit, in der das Anhäufen von Informationen technisch schwierig, kostspielig und daher an sich wertvoll war. Wer mehr Daten hatte, hatte einen Vorteil. Wer sie verarbeiten konnte, noch mehr. Das Modell war einfach und besaß eine klare Marktlogik.
Was sich jetzt in Organisationen abspielt, die KI-Agenten produktiv einsetzen, zwingt zu einer unbequemen Überprüfung dieser Prämisse. Das Problem ist nicht mehr Datenmangel. Mittelständische Unternehmen in etablierten Branchen haben zwischen CRMs, Datenbanken, Dokumenten, E-Mails, Support-Tickets, internen Kommunikationssträngen und Altsystemen Billionen von Token angesammelt. Das Problem besteht darin, dass die Agenten nicht wissen, was sie mit diesem Volumen anfangen sollen. Nicht weil sie es nicht verarbeiten können, sondern weil ihnen niemand beigebracht hat zu filtern. Und diese Unfähigkeit zur Selektion ist kein technisches Problem. Es ist ein Problem des organisationalen Designs, das Unternehmen seit Jahren mit der Ausrede umgehen, zuerst mehr Daten zu benötigen.
Die Illusion, dass mehr Kontext besserer Kontext ist
Es besteht ein struktureller Unterschied darin, ein Modell mit allem Verfügbaren zu füttern, und ihm Zugang zu genau dem Fragment zu geben, das es braucht, um in diesem spezifischen Moment gut zu handeln. Die erste Option erscheint sicherer, weil sie sich vollständig anfühlt. Die zweite erfordert, dass zuvor eine schwierige Entscheidung getroffen wurde: zu wissen, was wichtig ist und was nicht.
Diese Entscheidung ist kostspielig, weil sie jemanden in der Organisation dazu zwingt, sich auf eine Relevanzhierarchie festzulegen. Und sich auf eine Relevanzhierarchie festzulegen bedeutet zu akzeptieren, dass manche Dinge nicht so wichtig sind, wie wir glaubten, dass manche Daten, die wir jahrelang gesammelt haben, das Ergebnis nicht verändern, und dass manche Quellen, die ein Bereich als kritisch verteidigt, in der Praxis Rauschen sind.
Es gibt nicht viele Organisationen, die bereit sind, dieses Gespräch zu führen. Nicht weil sie es nicht könnten. Sondern weil es einen internen politischen Preis hat, den niemand zahlen möchte. Das Ergebnis ist, dass Agenten aufgeblähte Kontexte mit widersprüchlichen Informationen und ohne klare Hierarchie erhalten und Antworten produzieren, die technisch plausibel, aber operativ nutzlos sind. Das Versagen wird dem Modell zugeschrieben. Das Gespräch, das nicht stattgefunden hat, bleibt unangetastet.
Was als Antwort auf dieses Problem entsteht, hat einen technischen Namen: Context Engineering (Kontextgestaltung). Es handelt sich nicht um eine Praxis zur Prompt-Optimierung, auch wenn es an der Oberfläche so erscheinen mag. Es ist die Disziplin, mit organisationalem Urteilsvermögen zu entscheiden, welche Informationen ein Agent erhält, um eine konkrete Aufgabe auszuführen. Das umfasst strukturierte Suche, um präzise Fakten aus formalen Systemen zu extrahieren, semantische Suche, um Bedeutung aus unstrukturierten Inhalten zu gewinnen, und invertierte Indexierung, um in Echtzeit exakte Bezeichner zu lokalisieren. Drei verschiedene Abrufschichten, jede mit einer anderen Funktion. Keine von ihnen ersetzt die andere. Gemeinsam verwandeln sie angesammeltes Wissen in nutzbaren Kontext.
Das Problem besteht darin, dass die korrekte Implementierung erfordert, dass jemand in der Organisation zuvor definiert hat, was für welche Art von Aufgabe relevant ist. Und das ist kein Ingenieursproblem. Es ist ein Problem der Wissenssteuerung, das die meisten Organisationen niemals explizit gelöst haben.
Was Kontextgraphen über die organisationale Reife verraten
Die nächste Grenze in der Architektur von Unternehmens-KI-Agenten trägt einen weiteren Namen: Kontextgraphen. Die Unterscheidung gegenüber konventionellen Wissensgraphen ist präzise und es lohnt sich, dabei innezuhalten.
Ein Wissensgraph modelliert, was existiert: Entitäten, Beziehungen, Taxonomien, Ontologien. Er sagt dem Agenten, wie die konzeptuelle Welt der Organisation strukturiert ist. Das ist nützlich, aber nicht ausreichend. Ein Agent, der weiß, dass ein Prozess zur Ausnahmegenehmigung existiert, weiß deshalb nicht, wie diese Ausnahmen in der Praxis gelöst werden, wer in mehrdeutigen Situationen tatsächliche Befugnis hat, sie zu genehmigen, welcher informelle Gesprächsfaden die Entscheidung erzeugt hat, die heute als Richtlinie kodiert ist, oder welchen Workaround das Betriebsteam seit zwei Jahren verwendet, weil der formale Prozess nicht funktioniert.
Kontextgraphen erfassen diese prozedurale Schicht. Sie zeichnen Entscheidungsspuren auf: Wer was genehmigt hat, in welcher Reihenfolge, mit welchen Werkzeugen, mit welchem Ergebnis. Sie bauen ein dauerhaftes organisationales Gedächtnis auf, das nicht nur den aktuellen Zustand der Dinge umfasst, sondern auch den Weg, der dorthin geführt hat.
Die Implikation ist bedeutsam für diejenigen, die Organisationen leiten, nicht nur für diejenigen, die sie technisch gestalten. Eine Organisation, die in der Lage ist, nützliche Kontextgraphen aufzubauen, ist eine Organisation, die in der Lage war, ihren eigenen Entscheidungsprozess sichtbar zu machen. Die ihre realen Genehmigungsabläufe, ihre üblichen Ausnahmen und ihre Eskalationsmuster benannt hat. Die das Gespräch geführt hat darüber, wie Entscheidungen tatsächlich getroffen werden, nicht nur darüber, wie das Organigramm sagt, dass sie getroffen werden sollten.
Viele Organisationen können diese Schicht nicht aufbauen, weil sie sie nicht artikuliert haben. Nicht weil die Information nicht existiert, sondern weil sie verteilt in informellen Gesprächen, im Gedächtnis bestimmter Personen und in nicht dokumentierten Praktiken existiert, die niemand explizit machen wollte, weil sie explizit zu machen auch bedeuten würde, sie auditierbar zu machen. Und darin liegt eine Spannung, die KI-Agentenprojekte mit größerer Klarheit an die Oberfläche bringen als jede frühere Prozessberatung.
Der KI-Agent kann nicht mit dem operieren, was die Organisation sich weigert zu benennen. Und die Weigerung zu benennen ist nicht immer technischer Natur. Oft ist sie politischer Natur. Es ist der Schutz von Ermessensspielräumen, die bestimmte Bereiche oder Personen nicht formalisiert sehen wollen, weil sie dabei einen Teil ihrer Macht oder Autonomie verlieren würden.
Warum das Adoptionsempo vorhersagt, wer den Vorteil haben wird, nicht wer ihn heute hat
Gartner prognostiziert, dass mehr als 50 % der KI-Agentensysteme in Unternehmensumgebungen bis 2028 Kontextgraphen verwenden werden. Das ist eine Zahl, die es lohnt, sorgfältig zu lesen, denn sie besagt nicht, dass alle Organisationen sie gut verwenden werden. Sie besagt, dass die Mehrheit sie in irgendeiner Form verwenden wird.
Der Unterschied zwischen ihrer irgendwie gearteten Verwendung und ihrer guten Verwendung hängt von etwas ab, das sich nicht mit einem Technologiebudget lösen lässt. Er hängt davon ab, ob die Organisation in der Lage war, die Vorarbeit zu leisten, nämlich zu artikulieren, wie sie Entscheidungen auf granulare und ehrliche Weise trifft. Organisationen, die 2028 mit Kontextgraphen ankommen, die auf formalen Prozessen aufgebaut sind, denen niemand wirklich folgt, werden ausgefeilte Agenten haben, die Dysfunktionen mit größerer Effizienz replizieren. Organisationen, die die unbequeme Arbeit geleistet haben, ihre realen Abläufe zu kartieren, einschließlich der informellen, jener, die niemand dokumentiert, weil sie gerade wegen ihrer Opazität praktisch sind, werden etwas qualitativ anderes haben: ein institutionelles Gedächtnis, das lernen kann.
Den Wettbewerbsvorteil bei KI-Agenten wird nicht derjenige haben, der die meisten Modelle eingesetzt hat oder die meisten Token gespeichert hat. Den Vorteil wird derjenige haben, der früher zu filtern wusste. Wer Systeme aufgebaut hat, die in der Lage sind, genau das Kontextfragment zu identifizieren, das das Ergebnis einer konkreten Entscheidung verändert. Und das ist in der Praxis eine organisationale Fähigkeit, bevor es eine technologische ist.
Es lohnt sich, das Gegenteilige zu betrachten. Eine Organisation mit Hunderten von parallel arbeitenden Agenten, jeder mit seiner eigenen fragmentierten und inkonsistenten Sichtweise auf die Funktionsweise des Unternehmens, erzeugt eine Art von Chaos, das nicht unmittelbar sichtbar ist, aber strukturell zersetzend wirkt. Die Agenten widersprechen sich gegenseitig. Die Entscheidungen, die einer trifft, sind nicht kohärent mit denen, die ein anderer trifft. Das institutionelle Gedächtnis akkumuliert sich nicht, es fragmentiert sich. Und wenn etwas schiefläuft, kann niemand klar nachvollziehen, welchen Kontext welcher Agent erhalten hat und warum er so gehandelt hat, wie er es tat. Die Governance bricht genau in dem Moment zusammen, in dem sie am meisten gebraucht wird.
Selektion ist die Disziplin, die Organisationen noch nicht erlernt haben
Es gibt etwas, das die Entwicklung der letzten acht Jahre in der Unternehmens-KI mit einiger Konsistenz bestätigt. Das Problem war nie Datenmangel. Es war der Widerstand, zu entscheiden, was wichtig ist.
Zu entscheiden, was wichtig ist, hat einen Preis. Es bedeutet, dass manche Bereiche weniger Aufmerksamkeit vom System erhalten als andere. Es bedeutet, dass manche Datenquellen, die jahrelang angesammelte Arbeit repräsentieren, nicht in den operativen Kontext der Agenten eingehen. Es bedeutet, dass jemand sich auf eine Hierarchie festlegen und sie gegenüber denjenigen verteidigen muss, die nicht einverstanden sind.
Dieses Gespräch hat in den meisten Organisationen, die ich kenne, im Kontext der KI-Strategie niemals explizit stattgefunden. Es wurde mit dem impliziten Versprechen vermieden, dass das System alles bewältigen könnte, wenn man ihm genug Rechenkapazität gäbe. Was KI-Agenten jetzt offenlegen, ist, dass dieses Versprechen niemals realisierbar war. Nicht weil die Rechenleistung unzureichend wäre, sondern weil die Intelligenz, die ein Agent entfalten kann, durch die Qualität des Kontexts begrenzt wird, den er erhält, und die Qualität des Kontexts ist keine Funktion des Volumens. Sie ist eine Funktion der Klarheit, mit der die Organisation in der Lage war zu artikulieren, was sie weiß und wie sie es nutzt.
Die Organisationen, denen es gelingt, diese Klarheit aufzubauen, werden das nicht tun, weil sie die richtige technologische Plattform gefunden haben. Sie werden es tun, weil jemand in einer Führungsposition den Willen hatte, das Gespräch zu erzwingen, das andere vermieden, zu benennen, was das System lieber unbenannt ließ, sich auf eine Relevanzhierarchie festzulegen, die einen realen und sichtbaren politischen Preis hat. Das ist die Fähigkeit, die sich nicht mit einem Infrastrukturbudget kaufen lässt. Und sie ist, vorerst, die knappste von allen.
