CHICAGO — Enterprise-KI-Agenten werden künftig nicht mehr über die Modellqualität differenziert, sagte Yoav Naveh, Gründer und CEO von Reindeer. Diese Überzeugung verändert, worauf KI-Startups ihre strategischen Wetten ausrichten.

In einem Gespräch mit FreightWaves beim Supply Chain AI Symposium in Chicago beschrieb Naveh eine Branche, die zwei klare Adoptionswellen durchlaufen hat, ohne die von Führungskräften erwarteten Renditen zu liefern — und die nun eine dritte, ehrgeizigere Welle verfolgt, die sich auf zentrale Geschäftsprozesse konzentriert. Dies geschieht, während die Ausgaben für generative KI in Unternehmen weiter steigen, gleichzeitig Umfragen unter CIOs aber immer wieder zeigen, dass die Skalierung von Pilotprojekten in den produktiven Einsatz das größte Hindernis für den Ertrag ist.

Zwei Wellen der KI-Adoption blieben hinter den Erwartungen zurück

Naveh zeichnete die Entwicklung in klaren Phasen nach. "The first wave: assistants. Everybody got a copilot, Claude, ChatGPT," sagte er. "We've seen a lot of success with assistants around software engineering. Coding agents work really well. Maybe legal, not as well. But generally we haven't seen assistants make companies 10x or 100x more efficient."

Die zweite Welle konzentrierte sich auf Kundenservice und Callcenter. "I think that has been a very big low-hanging fruit, really," sagte Naveh. "One big workflow, a lot of similar case types in one. I definitely see some success there."

Nun wenden sich Unternehmen dem Bereich zu, der den Großteil ihrer Personalkosten ausmacht: den Kernprozessen. "Let's take all these core workflows that represent 70, 80% of the work that everybody does," sagte Naveh.

Dieser Markt ist weitaus komplexer als Kundenservice. Naveh schätzt, dass ein einzelnes Unternehmen Dutzende, wenn nicht Hunderte solcher Workflows enthalten kann — über Finance, Procurement, Treasury, Accounting und Supply Chain hinweg — oft ohne klare Zuständigkeit einer einzelnen Abteilung.

Das Problem der Nuancen, das Investoren übersehen

Naveh verwies auf ein prägnantes Beispiel eines Kunden, den er als eines der größten Unternehmen für Konsumgüter weltweit bezeichnete.

"They say, 'Hey, we're doing accounts payable in my company,' but your accounts payable is different from their accounts payable," sagte Naveh. "We work with one of the largest CPG companies in the world. Five different departments, five different accounts payable processes within the same company."

Diese Fragmentierung ist der Grund, warum Naveh dem Forward-Deployed-Engineer-Modell skeptisch gegenübersteht, das im KI-Startup-Umfeld an Bedeutung gewinnt und bei dem Anbieter technisches Personal direkt bei einem Kunden einsetzen, um einen Agenten jeweils für einen Prozess maßzuschneidern.

"I'm going to throw three engineers in and sit with your team and build the agent for that particular process. Are they ever going to come back and be available to be sent to another department, or are they stuck maintaining whatever they built as processes change and evolve?" sagte Naveh. "I think the math doesn't work because it doesn't scale."

Warum das Modell kein Burggraben für Enterprise-KI-Agenten sein wird

Reindeers Ansatz steht im Gegensatz zu einer verbreiteten Annahme im Enterprise-Software-Umfeld: dass der Besitz oder das Fine-Tuning eines proprietären Large Language Models einen dauerhaften Vorteil darstellt. Naveh argumentiert, dass das Gegenteil geschieht.

"Strong belief that LLMs are going to be a commodity," sagte Naveh. "We see that open-source models are maybe six months behind the frontier models. But what we're thinking is, I don't need the frontier model for everything anymore."

"We work now with a large European insurance company. They decided to build their own LLM. We're happy to plug in their own LLM," sagte er. "We're happy to restrict the list of allowed LLMs based on the company's data privacy policy, and figure out how to run their case with what's whitelisted."

Diese Sicht setzt Wettbewerber unter Druck, deren Argumentation allein auf Modellüberlegenheit beruht. Wenn das zugrunde liegende Modell austauschbar wird, muss sich die Differenzierung anderswo finden.

Bauen ist einfach. Warten ist es nicht.

Dieser andere Bereich ist in Reindeers Modell die Wartungsschicht: zu erkennen, wenn ein Workflow von seinem ursprünglichen Zustand abweicht, die Veränderung abzugleichen und den Agenten ohne neues Engineering-Ticket anzupassen.

"Even after you deploy an agent, the workflow keeps changing," sagte Naveh. "If you don't have a method to have agents detect these changes, reconcile, self-heal, self-learn, we're not really going to be able to realize what agents can do for you." Reindeer hat dafür ein sogenanntes Zwei-Schleifen-System entwickelt, um diese Abweichungen zu handhaben.

Naveh sagte, die Ökonomie des Bauens habe sich bereits zugunsten der Branche verschoben, und genau deshalb sei Wartung nun der Engpass.

"I think everybody wants to build. Building is easy," sagte er. Er schilderte, wie er an einem Abend ein internes Dashboard für einen Kollegen baute und danach fortlaufend mit Fehlerbehebungen und Funktionswünschen konfrontiert wurde. "I don't want to do that," sagte er. "That's not fun. Maintaining is not fun or easy."

"Five years ago you couldn't build anything, now you can build amazing things," sagte Naveh und verwies auf Live-Coding-Assistenten als Werkzeuge, die die Lücke zwischen unerfahrenen und erfahrenen Ingenieuren deutlich verkleinert hätten. "The expertise that is needed now is exactly what you said, around all these different things after it's built, and make sure that what was amazing on the first evening you released it is still amazing six months later."

Für Unternehmen, die KI-Anbieter bewerten, legt Navehs Rahmen einen anderen Prüfungsmaßstab nahe als den, den die meisten derzeit anlegen. Statt zu fragen, welches Unternehmen in der PoC-Phase das beste Modell vorweist, könnte die nachhaltigere Frage sein, welcher Anbieter einen Agenten auch lange nach dem Start korrekt hält, während sich der zugrunde liegende Workflow weiter verändert.