Der nächste Billionenmarkt im Bereich KI: Der Kontextgraphen ist die echte Chance für KI-Startups.

Im Silicon Valley wird die Debatte um eine Frage immer heißer:

Wird KI, insbesondere Agenten, SaaS ersetzen? 

Der erste, der eine klare Einschätzung abgab, war der bekannte Fachkolumnist Jamin Ball aus dem SaaS-Bereich. 

In seinem Artikel "Long Live Systems of Record" sprach er sich direkt gegen die These aus, dass "Agenten alle alten Systeme töten werden". 

Nach Ansicht von Ball steigt die Anforderung an die Genauigkeit der zugrunde liegenden Daten, je mächtiger die Agenten werden. Daher ist die Hürde für traditionelle Aufzeichnungssysteme (Systems of Record), die als "Wächter" der Daten fungieren, nicht nur nicht verschwunden, sondern aufgrund der Kontrolle über die Interpretationsmacht sogar teurer geworden. 

Die Partnerin von Foundation Capital, Jaya Gupta, meint jedoch, dass Ball nur eine Seite der Medaille sieht. 

In ihrem neuesten Artikel "Die Billionen-Dollar-Chance der Künstlichen Intelligenz: Der Kontextgraph" weist sie darauf hin, dass die Blindheit der traditionellen Systeme nicht in den "Daten" liegt, sondern in einem Mangel an "Kontext". 

Die tatsächlichen Betriebslogiken eines Unternehmens werden oft nicht in den standardisierten Tabellen eines CRM-Systems festgehalten, sondern verstecken sich in Ausnahmegenehmigungen, temporären Anpassungen und interabteilichen Slack-Kommunikationen. 

Gupta definiert diese impliziten Prozesse als "Entscheidungspfade". 

Wenn diese Entscheidungspfade kontinuierlich aufgezeichnet und über Zeit und Geschäftselemente miteinander verbunden werden, entsteht eine neue Struktur — der Kontextgraph. 

Dies ist nicht nur eine Ansammlung von Daten, sondern eine Nachbildung des "Denkprozesses" eines Unternehmens. Die Chance für die nächste Billionen-Dollar-Plattform liegt nicht darin, alten Systemen KI hinzuzufügen, sondern darin, wer diese grauen Zonen zwischen "Daten" und "Aktionen" ergreifen kann. Dies ist die wahre Chance, die KI-Start-ups nutzen müssen. 

Heute wollen wir die Kernlogik dieser Superbranche analysieren. 

01 Der Kontextgraph: Das wertvollste "zweite Vermögen" von Unternehmen in der KI-Ära

Die Unternehmenssoftware der letzten Generation hat durch die Schaffung von "Aufzeichnungssystemen" (Systems of Record, SoR) ein Billionen-Dollar-Ökosystem geschaffen. Salesforce verwaltet Kundendaten, Workday Mitarbeiterdaten und SAP Betriebsdaten. 

Ihre Logik besteht darin, autoritative Daten zu kontrollieren, den Arbeitsfluss zu beherrschen und so die Kunden zu binden. 

Der aktuelle Streitpunkt ist: Können diese alten Systeme in der Umstellung auf Agenten (Künstliche Intelligenzagenten) überleben? 

Jamins neuer Artikel "Long Live Systems of Record" hat die Nerven vieler Menschen gereizt. 

Er widersprach der These, dass "Agenten alles töten werden", und meinte, dass Agenten die Aufzeichnungssysteme nicht ersetzen würden, sondern die Anforderungen an ein gutes Aufzeichnungssystem erhöhen würden. 

Diese Ansicht ist richtig. Agenten sind systemübergreifend und handlungsorientiert. Die Benutzererfahrung (UX) bei der Arbeit wird von der zugrunde liegenden Datenebene getrennt. Agenten werden zur Schnittstelle, aber darunter wird immer noch etwas Autoritatives benötigt, um sie zu stützen. 

Es muss jedoch hinzugefügt werden, dass Jamins Ansicht davon ausgeht, dass die für die Agenten benötigten Daten bereits irgendwo vorhanden sind und die Agenten nur bessere Zugangsberechtigungen, bessere Governance, semantische Verträge und klare Regeln benötigen. 

Dies ist nur die eine Hälfte des Bildes. Die andere Hälfte ist die derzeit fehlende Ebene, die das eigentliche Treiber für das Betriebsgeschehen von Unternehmen darstellt: Die Entscheidungspfade (Decision Traces). 

Diese Entscheidungspfade umfassen Ausnahmen, Überschreibungen, frühere Fälle und systemübergreifenden Kontext. Derzeit verteilen sie sich auf Slack-Diskussionsketten, Gespräche am Transaktionsgenehmigungsdesk (Deal Desk), Eskalationstelefonkonferenzen und das Gehirn der Menschen. 

Daraus ergibt sich ein entscheidender Unterschied: 

Regeln (Rules) sagen Agenten, was normalerweise passieren sollte (z. B. "Verwenden Sie die offiziellen ARR-Daten für Berichte"). 

Entscheidungspfade (Decision Traces) dokumentieren, was in konkreten Fällen passiert ist (z. B. "Wir haben die Definition X verwendet, basierend auf der Richtlinie v3.2, mit Genehmigung des VP, basierend auf dem Präzedenzfall Z, und wir haben die folgenden Änderungen vorgenommen..."). 

Agenten benötigen nicht nur Regeln, sondern auch Zugang zu den Entscheidungspfaden, um zu verstehen, wie Regeln in der Vergangenheit umgesetzt wurden, wo Ausnahmen gewährt wurden, wie Konflikte gelöst wurden, wer was genehmigt hat und welche Präzedenzfälle tatsächlich die Realität beeinflussen. 

Hier liegt der strukturelle Vorteil von Start-ups im Bereich der "Agenten-Systeme". 

Sie befinden sich auf dem Ausführungsweg. Im Moment der Entscheidung können sie das Ganze sehen: Welche Eingaben aus den verschiedenen Systemen gesammelt wurden, welche Richtlinien evaluiert wurden, welche Ausnahmepfade aufgerufen wurden, wer die Genehmigung erteilt hat und welchen Status geschrieben wurde. 

Wenn Sie diese Pfade dauerhaft speichern, haben Sie etwas, das die meisten Unternehmen heute nicht haben: Eine nachvollziehbare Aufzeichnung darüber, wie Entscheidungen getroffen wurden.

Wir nennen die durch die Akkumulation dieser Pfade entstehende Struktur Kontextgraph (Context Graph): Es ist nicht die "Denkkette des Modells" (Chain-of-Thought), sondern eine lebendige Aufzeichnung, die die Entscheidungspfade über Entitäten und Zeit hinweg verbindet und die "Präzedenzfälle" durchsuchbar macht. 

Im Laufe der Zeit wird dieser Kontextgraph zur eigentlichen Quelle der Wahrheit für die Automatisierung — denn er erklärt nicht nur, was passiert ist, sondern auch, warum es passiert ist.

Das Kernproblem besteht nicht darin, ob die bestehenden Aufzeichnungssysteme überleben werden. Sondern ob es neue Systeme geben wird, nicht nur Aufzeichnungssysteme für Objekte, sondern auch für Entscheidungen, und ob diese Systeme die nächste Billionen-Dollar-Plattform werden. 

02 Das, was die Aufzeichnungssysteme nicht erfassen

Wenn Agenten in echten Arbeitsabläufen eingesetzt werden, wie z. B. bei der Vertragsprüfung, beim Quote-to-Cash-Prozess oder bei Kundenservice-Lösungen, stoßen Teams oft zunächst an eine "Mauer".

Diese Mauer besteht nicht im Mangel an Daten, sondern im Mangel an Entscheidungspfaden. Agenten stoßen auf die Unsicherheiten, mit denen Menschen täglich mithilfe von Urteilsvermögen und organisatorischem Gedächtnis umgehen müssen. Aber die Eingangsinformationen für diese Urteile werden nicht als dauerhaftes Vermögen gespeichert. Genauer gesagt: 

1. Die Ausnahmelogik, die in den Köpfen der Menschen liegt. "Wir geben immer Gesundheitsunternehmen einen zusätzlichen Rabatt von 10 %, weil ihr Beschaffungszyklus so brutal ist." Diese Aussage ist nicht im CRM-System (Customer Relationship Management) enthalten. Es ist "Stammeskunde" (Tribal Knowledge), die über Einarbeitungsprogramme und private Gespräche weitergegeben wird. 

2. Die Präzedenzfälle früherer Entscheidungen. "Wir haben im vergangenen Quartal für Firma X eine ähnliche Transaktionsstruktur entwickelt — wir sollten konsequent bleiben." Es gibt kein System, das diese beiden Transaktionen verbindet, und auch keine Aufzeichnung darüber, warum diese Struktur gewählt wurde. 

3. Die systemübergreifende Gesamtschätzung. Ein Kundenserviceleiter sieht im Salesforce-System das ARR (Annual Recurring Revenue) eines Kunden, in Zendesk zwei ungelöste Eskalationsbeschwerden und in Slack eine Nachricht, die auf ein Abbruchrisiko hinweist, und beschließt dann, die Sache zu eskalisieren. Diese Gesamtschätzung findet in seinem Kopf statt. Auf dem Arbeitsauftrag steht nur: "Eskaliert auf Ebene 3". 

4. Die Genehmigungswege außerhalb des Systems. Ein VP genehmigt einen Rabatt in einem Zoom-Anruf oder einer Slack-Nachricht. Die Transaktionsaufzeichnung zeigt nur den Endpreis, nicht, wer die Abweichung genehmigt hat und warum. 

Das ist, was "nie erfasst" bedeutet. Es ist nicht so, dass die Daten schmutzig oder isoliert sind, sondern dass der Denkprozess, der die Daten mit den Aktionen verbindet, nie als Daten behandelt wurde. 

03 Die "Entscheidungssituation" dauerhaft speichern

Wenn Start-ups auf der Agenten-Orchestrierungsebene (Orchestration Layer) deployen und bei jedem Lauf Entscheidungspfade generieren, haben sie etwas, das Unternehmen fast nie hatten: 

Eine strukturierte, wiederholbare Geschichte, die dokumentiert, wie der Kontext in Aktionen umgesetzt wurde.

Wie sieht das in der Praxis aus? 

Ein Verlängerungs-Agent schlägt einen Rabatt von 20 % vor. Die Unternehmensrichtlinie legt fest, dass der maximale Verlängerungsrabatt 10 % beträgt, es sei denn, eine "Service-Einfluss-Ausnahme" wurde genehmigt. 

Der Agent zieht drei SEV-1-Störungen aus PagerDuty (Betriebsüberwachung), eine ungelöste "Kündigung bei Nichtreparatur"-Eskalationsbeschwerde aus Zendesk und die Gesprächsaufzeichnungen einer Verlängerung aus dem vergangenen Quartal, in der ein VP eine ähnliche Ausnahme genehmigt hat, heran. 

Er legt die Sonderanfrage bei der Finanzabteilung vor, und diese genehmigt sie. Am Ende bleibt im CRM nur ein Ergebnis: "20 % Rabatt". 

Sobald Sie über eine Entscheidungsprotokollierung verfügen, wird die Frage "Warum" zur wichtigsten Datenart. 

Im Laufe der Zeit bilden diese Aufzeichnungen natürlich einen Kontextgraph: Die bestehenden Entitäten eines Unternehmens (Konten, Verlängerungen, Arbeitsaufträge, Störungen, Richtlinien, Genehmiger, Agenten-Laufaufzeichnungen) werden durch Entscheidungsevents (Schlüsselmomente) und "Warum"-Verbindungen miteinander verbunden.

Das Unternehmen kann nun den Automatisierungsprozess überprüfen und debuggen und die Ausnahmen in Fälle umwandeln, anstatt jedes Quartal die gleichen Randfälle in Slack neu zu lernen. 

Die Feedbackschleife ist der Schlüssel für die Entfaltung von kumulativen Effekten. Die erfassten Entscheidungspfade werden zu durchsuchbaren Präzedenzfällen. Jede automatisierte Entscheidung fügt dem Graph einen neuen Pfad hinzu. 

All dies muss nicht von Anfang an vollständig automatisiert sein. Es beginnt mit der "Mensch-in-the-loop"-Methode:  

Der Agent schlägt vor, sammelt Kontext, leitet die Genehmigung weiter und protokolliert die Pfade. Im Laufe der Zeit, wenn ähnliche Fälle wiederkehren, können immer mehr Pfade automatisiert werden, weil das System über eine strukturierte Bibliothek früherer Entscheidungen und Ausnahmen verfügt.

Selbst wenn die Entscheidungen immer noch von Menschen getroffen werden, wächst der Graph ständig, weil die Arbeitsablaufebene die Eingaben, Genehmigungen und Gründe als dauerhafte Präzedenzfälle erfasst, anstatt sie in Slack verschwinden zu lassen. 

04 Warum die bestehenden Großkonzerne keinen Kontextgraph aufbauen können

Ball ist optimistisch, dass die bestehenden Akteure sich zu dieser Architektur entwickeln werden. Laut diesem Szenario müssten die bestehenden Großkonzerne nur eine KI-Intelligenz an ihre riesigen Datenbestände anhängen, um nahtlos in die nächste Ära zu gelangen. 

Salesforce, ServiceNow und Workday glauben ebenfalls an diese Vision und verkaufen alle die gleiche Geschichte: "Wir haben die Daten, jetzt fügen wir Intelligenz hinzu." 

Aber dieser Logik liegt ein gravierender Fehler zugrunde: Ihre zugrunde liegende Architektur wurde für den "aktuellen Zustand" (Current State) entwickelt.

Nehmen wir Salesforce als Beispiel. Im Wesentlichen handelt es sich um ein riesiges, komplexes Buchhaltungsystem. Es weiß genau, wie ein Verkaufslead aktuell aussieht, aber es kann nicht zurückblicken und sehen, wie die Welt im Moment der Entscheidung aussah.

Wenn beispielsweise ein unzulässiger Rabatt von 20 % genehmigt wird, protokolliert Salesforce nur "Rabatt genehmigt". 

Aber der Kontext, der den Rabatt begründet, wie z. B. eine gerade ausgelöste Störung in PagerDuty, ein wütender Kunde in Zendesk und eine vorübergehende Genehmigung eines VP in der Slack-Gruppe, geht alle verloren, wenn es in Salesforce geschrieben wird. 

Ohne die Möglichkeit, den Zustand der Welt im Entscheidungszeitpunkt wiederherzustellen, ist es nicht möglich, die Entscheidung zu überprüfen, geschweige denn sie in "Präzedenzfälle" umzuwandeln, die von der KI gelernt werden können. 

Die Eskalation eines Kundenserviceproblems hängt oft vom Kundenstatus im CRM, den SLA-Bedingungen im Abrechnungssystem und sogar von Gerüchten in Slack ab. Keiner der bestehenden SaaS-Großkonzerne kann das Ganze sehen, weil sein Blickfeld auf sein eigenes System beschränkt ist. 

Was ist mit Snowflake und Databricks auf der unteren Ebene? Auch sie werden als Grundlage für KI-Agenten hoch angesehen. 

Tatsächlich verfügen Datenlager über zeitbasierte Momentaufnahmen und scheinen eine "Gottessicht" zu haben. Das Problem ist jedoch, dass sie sich auf dem "Lesepfad" (Read Path) der Daten befinden, nicht auf dem "Schreibpfad" (Write Path).

Daten gelangen in das Datenlager normalerweise erst nach der Entscheidung, nachdem sie durch eine lange ETL-Pipeline (Extraktion, Transformation, Laden) transportiert wurden. Es ist wie auf einem Schlachtfeld, wo das Datenlager nur der Aufzeichner nach dem Kampf ist. 

Wenn die Daten schließlich in Snowflake landen, ist der "Entscheidungskontext", der voller Konflikte, Abwägungen und plötzlicher Ereignisse war, bereits verschwunden. Das heißt, es kann Ihnen immer noch nur sagen, was passiert ist, aber nicht, warum. 

Databricks versucht zwar, die Fragmente zu integrieren, aber zwischen dem "Speicherort der Daten" und dem "Ausführungsweg, auf dem die Entscheidungen getroffen werden" besteht immer noch eine unüberbrückbare Klu