Wenn ein Enterprise-Deployment gut läuft, weiß ich das innerhalb der ersten zwei Wochen.

Die Menschen melden sich nicht nur an. Sie melden sich an, schließen Support-Tickets, die ihre KI-Agenten über Nacht bearbeitet haben, bestätigen Follow-ups, die an Vertriebsleads gesendet wurden, während sie schliefen, entdecken neue Anwendungsfälle und richten selbst weitere Agenten ein. Dann kommen Fragen aus dem Team wie „Kann es das auch?“ statt „Warum macht es das nicht?“ Das ist der magische Moment, in dem man weiß, dass der Kunde das Produkt liebt und bereits darauf angewiesen ist, so wie sie WhatsApp jeden Tag nutzen.

Der gelieferte Wert ist erheblich und zeigt sich in deutlichen Zeit- und Kosteneinsparungen sowie spürbaren Verbesserungen bei den CSAT-Werten und der gesamten operativen Effizienz. Die geschäftliche Wirkung ist einfach zu groß, um sie zu übersehen.

Wenn es jedoch schiefgeht, ist das Signal genauso klar.

Sie unterzeichnen den Vertrag, veröffentlichen eine Pressemitteilung über ihre große KI-Transformation, und dann… melden sich die Leute an und tun eigentlich nichts. Der Agent erledigt nur einen Bruchteil dessen, was er hätte erledigen sollen. Der Großteil des Teams arbeitet weiterhin manuell. Die Integrationen mit dem CRM, dem ERP oder dem Ticketing-System werden nicht abgeschlossen. Sie loggen sich einmal am Tag ein, dann einmal pro Woche, und hören schließlich auf. Man braucht keine Kristallkugel, um zu wissen, dass sie im nächsten Jahr so etwas sagen werden wie „Das passt einfach nicht zu unserer Arbeitsweise“ und der Vertrag nicht verlängert wird.

Der Unterschied zwischen diesen beiden Ergebnissen hat fast nie mit der Technologie zu tun.

Die Technologie funktioniert. Der KI-Agent ist bereit. Aber das Unternehmen ist es nicht.

Hier ist der Grund. Die meisten Unternehmen glauben, ein KI-Agent-Deployment bedeute, ChatGPT mit ihren Systemen zu verbinden, und dann sei es Magie und laufe von allein. So funktioniert es nicht. Jede einzelne Integration zwischen der KI und Ihrem CRM, Ihrem ERP, Ihrem Ticketing-System, Ihren Kommunikationskanälen und so weiter ist jeweils ein eigenes, schweres Engineering-Problem. Es gibt keine Magie, bei der eine KI automatisch an 200 interne Systeme andockt.

Viele glauben auch, dass das KI-Modell der schwierige Teil sei. Das ist es inzwischen nicht mehr. KI-Modelle werden zunehmend zur Ware. Man kann in Sekunden von ChatGPT zu Claude zu Gemini oder zu jedem anderen Modell wechseln, und die heutigen Open-Source-Modelle laufen zu etwa 1% bis 2,5% der Kosten der Frontier-Labs, während sie ungefähr 90% bis 96% der Qualität erreichen, manchmal sogar über 100% in bestimmten Nischenbereichen. Es gibt keinen Burggraben bei Modellen. Der Burggraben liegt in den Integrationen, und jede einzelne Integration ist ein Schritt nach vorn, der echte Arbeit erfordert.

Der Burggraben liegt auch im Wissen, das sie antreibt.

Ihr Wissen muss zunächst nutzbar sein

Selbst wenn alle Integrationen mit der KI stimmen, ist die Ausgabe des Agenten nur so gut wie die Qualität des Wissens, das Sie ihm zuführen. Daten sind König, Datenqualität ist eine Goldgrube. Unternehmen wie Mercor haben Geschäftsmodelle aufgebaut, indem sie Fachexperten zu hohen Sätzen einstellen, um speziell hochwertige Daten zu erzeugen, aus denen KI lernen kann. Die meisten normalen Unternehmen haben keine Millionenbeträge übrig, um in so etwas zu investieren, aber sie haben etwas ebenso Wertvolles: jahrelang angesammeltes Wissen darüber, wie ihr Geschäft tatsächlich funktioniert. Das einzige Problem ist, dass dieses Wissen fast nie dort ist, wo es sein müsste.

Denken Sie daran, wie Wissen tatsächlich durch ein Unternehmen fließt. Ein Mitarbeiter verbringt Tage damit, ein komplexes Kundenproblem zu recherchieren, löst es schließlich und antwortet über WhatsApp. Das nächste Mal, wenn dasselbe Problem bei einem anderen Mitarbeiter und einem anderen Kunden auftaucht, fängt er bei null an und verbringt wieder mehrere Tage damit. Was für eine Zeitverschwendung.

Außerdem ist alles, was das Unternehmen weiß, in der Regel überall verstreut, in Form natürlicher Sprache: in E-Mails, PDFs, Dokumenten auf dem lokalen Laufwerk eines Mitarbeiters, Dateien in der Unternehmens-Cloud voller Duplikate und widersprüchlicher Versionen… In Telefonaten, die einmal stattfanden und nie aufgezeichnet wurden. In den Köpfen ehemaliger Mitarbeiter und ihren gelöschten Daten; der Wissenstransfer hat nie stattgefunden.

Jetzt kann all dieses Wissen von KI aufgezeichnet, organisiert, verwaltet, genutzt und angewendet werden.

Das richtig zu machen bedeutet, Wissen wie Infrastruktur zu behandeln. Jedes Dokument, auf das der Agent zurückgreift, muss in die Wissensdatenbank hochgeladen, aktuell gehalten und mit Zugriffskontrollen versehen werden. Kundennahe Agenten sehen, was Kunden sehen sollen; interne Agenten sehen das Gesamtbild.

Stellen Sie sich das wie das Onboarding einer neuen Arbeitskraft vor. Statt ihr eine Menge Google-Drive-Dateien zu geben und E-Mail-Threads weiterzuleiten, in der Hoffnung, dass sie innerhalb eines Monats die richtigen Informationen aufnimmt, legen Sie von Tag eins an genau fest, was sie wissen soll.

Die Wissensdatenbank muss außerdem mit allem umgehen können, was das Unternehmen ihr vorsetzt, seien es PDFs, Tabellen, Sprachnotizen, Bilder oder Dokumente in mehreren Sprachen. Wenn sich etwas ändert, sollte das Wissen aktualisierbar sein, ohne von Grund auf neu aufgebaut zu werden. Es sollte so einfach sein, es dem Agenten zu geben und ihn das alte Wissen automatisch und überall ersetzen zu lassen.

Eine der größten Immobiliengruppen Asiens, die Hunderte von Wohn- und Gewerbeobjekten verwaltet, hatte genau dieses Problem. Es gab Compliance-Dokumente, Mietverträge, objektspezifische Wartungsverfahren, Eskalationsregeln für Dienstleister und Daten, die über verschiedene Systeme in verschiedenen Sprachen verstreut waren. Jahrelang hatte niemand eine konsistente Struktur und eine klare Trennung zwischen Wissen geschaffen, das extern geteilt werden kann, und Wissen, das intern bleiben muss.

Früher brauchte das Unternehmen Stunden, um auf Mieteranfragen zu antworten. Nachdem es agentische KI eingeführt hatte, wurde jede Information in unter 30 Sekunden abrufbar. Die First-Response-Time sank von 12 Stunden auf unter 60 Sekunden, und die Zufriedenheit der Mieter verdoppelte sich innerhalb von 90 Tagen nach dem Rollout fast.

Ich habe einmal einen Mitarbeiter dieser Gruppe sagen hören, dass er selbst nach 20 Jahren noch nicht in der Lage ist, 50% der SOP auswendig zu lernen, weil sie sich ständig ändern, während KI alles auswendig lernen und nach 2 Sekunden Verdauung alles korrekt beantworten kann.

Gleiche Information. Endlich nutzbar.

Vertrieb ist zu 99% Follow-up, und so ist der Agent

Das richtige Wissen ist das interne Problem. Das externe Problem besteht darin, jede Konversation des Agenten mit den Systemen zu verbinden, auf denen Ihr Unternehmen tatsächlich läuft.

Ich sage Ihnen etwas über Vertrieb, das die meisten Menschen nicht auf LinkedIn schreiben würden: Vertrieb besteht zu 99% aus Follow-ups. Bevor ich Jurin AI gegründet habe, sammelte ich jedes Jahr etwa 800 bis 1200 Visitenkarten. Ich habe weniger als 2% nachverfolgt. Es ist nicht so, dass ich die anderen 98% nicht tun wollte, aber der Prozess ist einfach schmerzhaft. Man muss genug Zeit finden, um jemandes Kontaktdaten manuell einzutragen, sich zu erinnern, wo man sich getroffen hat und worüber man tatsächlich gesprochen hat, und dann eine persönliche Nachricht zu verfassen. Bis man dazu kommt, ist der Moment längst vorbei.

Stellen Sie sich nun vor, der Agent übernimmt das. Sie treffen jemanden, und das System weiß bereits, wer die Person ist, was sie letzte Woche gepostet hat und was mit dem zusammenhängt, was Sie aufbauen. Das Follow-up geht noch am selben Tag personalisiert raus, solange das Gespräch noch frisch ist. Jeder einzelne Lead. Nicht nur die, an die Sie sich erinnert haben.

Das ist keine 10%-Verbesserung. Richtig umgesetzt sind das 50x Umsatz oder in manchen Branchen 200x Gewinn, der in einem Stapel Visitenkarten liegt, zu dem niemand gekommen ist. Hier wird KI zum „Game Changer“.

Wenn man sich jedes frühere Gespräch merken und genau dort weitermachen kann, wo man aufgehört hat… dann ist das der Kern der Meta-Mission, „die Welt näher zusammenzubringen“.

Die gleiche Logik gilt auch im Unternehmen. Wenn ein Interessent nach Preisen fragt, mag das Gespräch einfach sein, aber der darunterliegende Workflow ist es nicht: Ist es ein bestehender Account oder ein neuer? Hat schon jemand mit ihm gesprochen? Welche Region verantwortet die Beziehung? Gibt es eine offene Opportunity in der Pipeline? Muss dieser Rabatt genehmigt werden? Gibt es frühere Support-Tickets? Kümmert sich bereits jemand darum? Je mehr menschliche Ebenen es gibt, desto stärker wachsen die Ineffizienzen – exponentiell; KI skaliert dagegen mühelos linear.

Ein KI-Agent kann all das navigieren, aber nur, wenn er mit den Systemen verbunden ist, in denen diese Antworten liegen. Salesforce, HubSpot, SAP, Oracle, Ihr Ticketing-System, Ihr ERP, welche Kombination auch immer Ihr Unternehmen nutzt, muss integriert werden, bevor der Agent irgendetwas davon tun kann. Sobald diese Integrationen stehen, prüft der Agent das CRM, zieht die tatsächliche Historie, leitet an den richtigen Verantwortlichen weiter, protokolliert die Interaktion und plant das Follow-up. Das Gespräch findet statt, und die KI erfasst alle Workflows davor, währenddessen und danach.

Alle Ihre Interaktionen müssen an einem Ort sein

Aber Workflows zu erfassen funktioniert nur, wenn man das Gesamtbild sieht. Und die meisten Unternehmen können das nicht, weil das Gespräch an verschiedenen Orten stattfindet, die verschiedenen Personen gehören, und diese Personen nicht wissen, was die jeweils anderen gesagt haben.

Zum Beispiel hat der Account Manager die WhatsApp-Historie. Der Vertrieb sieht das CRM. Der Support sieht das Ticket. Die Finanzabteilung sieht die Rechnung. Der Kunde geht davon aus, dass jeder im Unternehmen alles weiß, was er jemals irgendjemandem dort gesagt hat.

Wenn ein Unternehmen einen Agenten in diese Fragmentierung einsetzt und erwartet, dass er Leistung bringt, wird das nicht funktionieren.

Jeder Kanal, über den der Kunde mit dem Unternehmen in Kontakt tritt, sei es E-Mail, WhatsApp, Slack, Telefon, CRM oder ein Ticketing-System, muss in dasselbe System integriert werden. Wenn das erledigt ist, hat der Agent das Gesamtbild: was letzte Woche versprochen wurde, was noch offen ist, wer heute Morgen mit dem Kunden gesprochen hat und was gesagt wurde. Er nimmt das Gespräch mit vollem Kontext auf, unabhängig davon, auf welchem Kanal es begonnen hat.

Die bereits erwähnte Immobiliengruppe hatte für jede Immobilie getrennte LINE-, WhatsApp-, WeChat-Konten und E-Mail-Postfächer laufen. Sobald jeder Kanal vereinheitlicht und verbunden war, kannte der Agent das Gebäude, den Mieter, die Historie und die offenen Punkte. Erst dann hatte er das Gesamtbild.

Geben Sie dem Agenten für jeden Workflow das richtige Maß an Autonomie

Sie geben einer neuen Arbeitskraft am ersten Tag nicht die Firmenkreditkarte. Aber Sie lassen sie auch nicht erst um Erlaubnis bitten, bevor sie auf eine E-Mail antwortet. Agenten funktionieren genauso.

Einige Workflows sollen vom Agenten komplett Ende-zu-Ende abgewickelt werden, etwa das Antworten an den Kunden, das Aktualisieren des Datensatzes, das Schließen des Tickets oder das Verschieben der Lieferung. Andere sollen vor dem Versand von einem Menschen geprüft werden. Der Agent erledigt die Vorarbeit, etwa Daten abrufen, die Antwort entwerfen und Ausnahmen markieren, während ein Mensch die endgültige Entscheidung trifft.

Der Schlüssel ist, vor dem Go-live des Enterprise-KI-Deployments festzulegen, wie viel Autonomie jeder Agent erhält.

Ein E-Commerce-Unternehmen mit 3.000 Bestellungen pro Tag kann seinen Agenten volle Autonomie bei Abo-Änderungen, Lieferänderungen und Genehmigungen von Stornierungen geben. Rückerstattungen über einem bestimmten Betrag gehen jedoch weiterhin an einen Menschen. Es dauert weniger als einen Tag, all diese Regeln und Berechtigungen zu definieren. Aber wenn Sie es richtig aufsetzen, haben Sie nach Feierabend null unbearbeitete Anfragen und sparen sich jährlich siebenstellige Beträge sowie viele Kopfschmerzen.

Das brauchen Enterprise-KI-Agenten tatsächlich

Der magische Moment, den ich am Anfang beschrieben habe – Menschen melden sich an, finden die Arbeit bereits erledigt und fragen „Kann es das auch?“ – entsteht nicht zufällig. Er entsteht, wenn das Wissen strukturiert und nutzbar ist, wenn der Agent mit den Systemen verbunden ist, auf denen das Unternehmen tatsächlich läuft, wenn jeder Kanal in ein System integriert ist und wenn vor dem Go-live bewusst entschieden wurde, was der Agent tun darf.

Nichts davon ist technisch schwer, wenn man auf der richtigen Plattform arbeitet. Aber alles davon erfordert, dass das Unternehmen Entscheidungen trifft, die es bisher vermieden hat.

Unternehmen, die diese Arbeit erledigen, haben am Ende nicht nur einen funktionierenden Agenten. Sie haben ein klareres Bild davon, wie ihr Geschäft tatsächlich funktioniert, als sie es vorher hatten: dokumentierte Workflows, sauberes Wissen und integrierte Systeme.

Es stellt sich heraus, dass die Voraussetzungen für ein gutes Enterprise-KI-Deployment und die Voraussetzungen für ein gut geführtes Unternehmen genau dasselbe sind.