Das Aufräumen des „Scheißbergs“ für Agenten entwickelt sich zu einem lukrativen Geschäft.

Die Beschaffung von Agenten für Unternehmen wird immer einfacher.

OpenAI, Anthropic, Google und Microsoft buhlen um Unternehmenskunden, während SaaS-Unternehmen wie Salesforce, ServiceNow und Workday damit beschäftigt sind, Agenten in jede einzelne Produktseite zu integrieren.

Man kann sagen, dass der Kauf von Agenten an sich kein Problem mehr darstellt. Wenn Unternehmen jedoch tatsächlich versuchen, diese Agenten bereitzustellen, tauchen neue Probleme auf:

Den Agenten zu kaufen bedeutet nicht, dass er auch direkt in den Arbeitsprozess eingebunden werden kann.

Das US-Hypothekenunternehmen CMG Financial ist in eine solche Situation geraten: Sein Chief Strategy Officer Paul Akinmade hatte zuvor auf der jährlichen Salesforce-Konferenz zugesagt, dass das Unternehmen in der nächsten Phase 100 Agenten in den Betrieb bringen werde – doch die Sache erwies sich als nicht so einfach, wie er es sich vorgestellt hatte.

Zuvor hatte CMG bereits einen Teil der Softwareentwicklungsarbeiten auf Claude Code verlagert, was bewies, dass das Team die neuesten KI-Tools schnell übernehmen kann. Als das Team jedoch versuchte, die Agenten in Salesforce einzubinden und an echten Geschäftsprozessen teilnehmen zu lassen, verlangsamte sich das Projekt plötzlich.

Sie erkannten schnell, dass Agenten zwar Code schreiben und APIs aufrufen können, aber nicht in der Lage sind, die über Jahre angesammelten Daten, Berechtigungen und Geschäftsprozesse eines Unternehmens zu verstehen.

Ähnliche Probleme treten in der gesamten Branche auf. Einer Branchenstudie des Personalvermittlungsunternehmens Christian & Timbers (C&T) zufolge gibt es in den USA derzeit nur etwa 2000 Forward Deployed Engineers (FDE), die wirklich über die Fähigkeit verfügen, KI-Systeme in Unternehmen bereitzustellen und Kunden zu helfen, quantifizierbare Erträge zu erzielen.

Da Unternehmen von der „Versuchsphase mit KI“ in die „skalierte Bereitstellung von KI“ eintreten, erweitern große Beratungs- und Dienstleistungsunternehmen diese Teams rasch.

In der KI-Industrie ergibt sich daraus eine etwas ironische Wendung: Unternehmen haben kaum noch einen Mangel an Agenten, das wirklich Knappe sind die Fachkräfte, die ihnen helfen, ihre Altsysteme in Ordnung zu bringen.

Den Weg aus der Not fand CMG schließlich bei einem Startup namens June.

100 Agenten, die in Salesforce steckenbleiben

Wenn Großmodellunternehmen Agenten vorführen, stellen sie ihnen normalerweise eine saubere Umgebung zur Verfügung.

Die Daten sind bereits aufbereitet, die Schnittstellen sind bereits verbunden, die Aufgabengrenzen sind klar und die Aufrufberechtigungen sind voreingestellt. Die Agenten müssen nur auf einer ebenen Bahn beweisen, dass sie schnell genug laufen können.

In der Realität sind Unternehmenssysteme jedoch selten so sauber strukturiert.

Ein Unternehmen, das seit mehr als zehn Jahren tätig ist, nutzt in der Regel gleichzeitig Salesforce, ServiceNow, Workday, Databricks und eine Reihe selbst entwickelter Systeme. Ein einzelner Kunde kann in vier Datenbanken auftauchen, vier Kennungen, drei Status und zwei zuständige Personen haben. Zwischen den Systemen können zudem Spuren verbleiben, die durch frühere Organisationsumstellungen, Produktüberarbeitungen und Wechsel in der Führungsebene entstanden sind.

Diese Spuren sind nicht alle technische Fehler, sondern ergeben sich nur aus unterschiedlichen Bewertungsmaßstäben zwischen verschiedenen Abteilungen: Die Vertriebsabteilung definiert einen „aktiven Kunden“ möglicherweise danach, ob ein Verkaufspotenzial entstanden ist, die Finanzabteilung hingegen danach, ob Zahlungen eingegangen sind. Der Kundenservice geht davon aus, dass die Kundenbeziehung beendet ist, während das Compliance-System verlangt, die Akte des Kunden weiter zu speichern.

Hinter jedem Feld verbergen sich eine Reihe von Abteilungsinteressen, Verantwortungsgrenzen und historischen Gründen.

In herkömmlicher Software können diese widersprüchlichen Daten aufgrund der Erfahrung der Mitarbeiter vorübergehend verarbeitet werden. Langjährige Mitarbeiter wissen, dass ein bestimmtes Feld mit der Bezeichnung „Kundenstatus“ seit zwei Jahren nicht mehr aktualisiert wurde; Finanzmitarbeiter wissen, dass sie nach dem Export von Berichten drei Spalten manuell ändern müssen; Vertriebsmanager wissen auch genau, dass Projekte, die im System als abgeschlossen angezeigt werden, noch eine Chance auf Wiederbelebung haben.

Aber Agenten verfügen nicht über diese Erfahrungen und entwickeln auch kein solches implizites Verständnis – sie können nur jedes Feld gewissenhaft lesen und Anweisungen gemäß den ihnen gewährten Berechtigungen ausführen.

Viele Systemlücken, die in der Vergangenheit durch menschliche Erfahrung notdürftig aufrechterhalten wurden, werden vor den Agenten zu großen Problemen, die unbedingt gelöst werden müssen. Ein falscher Kundenstatus kann zu einer unpassenden Marketing-E-Mail führen, ein falscher Kreditstatus kann wiederum Risikokontrollen, Compliance-Verpflichtungen oder sogar rechtliche Verantwortlichkeiten auslösen. Für Agenten ist dies ein riesiger, unüberschaubarer „Haufen von Legacy-Code“.

Das genau ist das Hindernis, auf das CMG gestoßen ist.

CMG Financial ist nicht unvorbereitet auf KI: Tatsächlich erforscht dieses US-Hypothekenunternehmen seit einiger Zeit, wie KI in seine Geschäftsprozesse integriert werden kann. Das Unternehmen nutzt bereits Claude Code zur Unterstützung eines Teils der Softwareentwicklungsarbeiten und hat bewiesen, dass sein Ingenieurteam die neuesten KI-Tools schnell übernehmen kann.

In der Salesforce-Ökosystem möchte CMG den Anwendungsbereich von KI zudem weiter ausweiten.

Zuvor hat Paul Akinmade, Chief Strategy Officer von CMG, auf der jährlichen Salesforce-Konferenz das Ziel vorgelegt: Wenn er das nächste Mal zur Konferenz zurückkehrt, hofft das Unternehmen, dass bereits 100 Agenten im Betrieb laufen.

Aber als die Agenten tatsächlich in die Unternehmensprozesse eintraten, stellte CMG schnell fest, dass die Sache nicht so einfach ist wie erwartet.

Die Verlagerung der Softwareentwicklung auf Claude Code ist relativ einfach, da die Grenzen des Codes klar definiert sind und Fehler durch Tests, Überprüfungen und Rollbacks kontrolliert werden können. Die Einbindung von Agenten in Salesforce ist anders: Sie sehen sich den digitalen Ablagerungen gegenüber, die ein Unternehmen über Jahre seiner Geschäftstätigkeit angesammelt hat.

In dieser Situation ist die Bereitstellung von Agenten kein rein technisches Projekt mehr. Das Unternehmen muss eine Reihe von Fragen beantworten, die es bisher immer vermieden hat: Welcher Datensatz ist der wahre, wer hat das Recht, ihn zu ändern, welche Abteilung ist für Fehler verantwortlich und welche historischen Prozesse sollten abgeschafft werden.

Um die Agenten wirklich in den Arbeitsablauf zu integrieren, musste CMG Architekten, Berater und Forward Deployed Engineers (FDE) hinzuziehen, um die bestehenden Unternehmenssysteme zu durchleuchten.

Aber nach mehreren Wochen hat das Projekt immer noch keine erwarteten Fortschritte gemacht.

Erst dann fand CMG das Startup namens June.

Efrat Rapoport, Gründerin von June, fasst das Problem von CMG so zusammen: Es ist nicht schwierig, eine Agentenvorlage zu erstellen, das Schwierige ist es, das Chaos darunter zu bewältigen.

Die Lösung von June besteht darin, zuerst eine „Krankenakte“ für die Unternehmenssysteme zu erstellen. Das Tool scannt die vorhandene Software und Datenbanken des Unternehmens, identifiziert Geschäftsprozesse, doppelte Felder, Datenlücken und Berechtigungskonflikte und erstellt dann einen Umsetzungsfahrplan.

Diese Methode half CMG zu erkennen, wo Agenten geeignet bereitgestellt werden können und welche Probleme vor dem Start unbedingt gelöst werden müssen.

Laut Akinmade hat June dem Team sogar schon vor dem offiziellen Kickoff-Meeting geholfen, einen Teil der Funktionen sicher bereitzustellen.

KI hat zuerst eine FDE-Armee geschaffen

Das Problem von CMG ist kein Einzelfall. Da Unternehmen zunehmend Agenten in ihre Arbeitsabläufe integrieren, gewinnt eine neue Berufsbezeichnung rasch an Bedeutung: FDE.

Diese Stelle wurde ursprünglich von Palantir populär gemacht. Im Gegensatz zu herkömmlichen Software-Ingenieuren sind FDE nicht nur für die Produktentwicklung zuständig, sondern müssen direkt in die Kundenunternehmen eintreten, die Geschäftsprozesse verstehen, KI-Systeme in reale Arbeitsumgebungen einbinden und den Unternehmen helfen, tatsächliche Erträge zu erzielen.

Aber solche Fachkräfte sind schwer zu finden: Einer Studie des Personalvermittlungsunternehmens Christian & Timbers (C&T) zufolge gibt es in den USA derzeit nur etwa 2000 Ingenieure, die wirklich über diese Fähigkeiten verfügen – diese Zahl bezieht sich nicht auf die Anzahl der offenen Stellen, sondern auf die Gesamtzahl der qualifizierten Fachkräfte.

TechCrunch beruft sich auf diese Studie und weist darauf hin, dass diese Personen gleichzeitig Branchenkenntnisse, Fähigkeiten zur Unternehmenskommunikation und zur Umsetzung von Prozessen sowie praktische Erfahrungen bei der KI-Bereitstellung mitbringen müssen, um Unternehmen kontinuierlich dabei zu unterstützen, Erträge aus ihren KI-Investitionen zu erzielen.

Die Nachfrage der Unternehmen wächst derzeit rasant.

Anfang 2026 planten nur etwa 5 % bis 10 % der Unternehmen, FDE einzustellen; bis zum Ende des zweiten Quartals ist dieser Anteil auf etwa 70 % gestiegen. Große Beratungs- und Dienstleistungsunternehmen planen zudem, ihre entsprechenden Teams auf das Zehnfache zu vergrößern.

Ähnliches ist bereits im Softwarezeitalter geschehen – egal ob bei ERP oder CRM: Nach dem Kauf von Software durch Unternehmen mussten Implementierungsberater vor Ort tätig werden, um die Systeme an die realen Geschäftsvorgänge anzupassen. Heute, wo Agenten in Unternehmen eintreten, entsteht eine ähnliche Rolle erneut.

Aber dieses Modell hat eine natürliche Einschränkung: Es hängt von einer großen Anzahl kostspieliger Arbeitskräfte ab.

Wenn ein Unternehmen Agenten bereitstellt, muss ein Ingenieur möglicherweise zuerst Dutzende von Softwaresystemen, Hunderte von Datenfeldern und jahrzehntelange Geschäftsprozesse verstehen.

Wenn jedes Unternehmen ein eigenes FDE-Team benötigt, wird die Geschwindigkeit der skalierbaren Umsetzung von KI nach wie vor eingeschränkt.

Genau das ist das Problem, das June zu lösen versucht.

Am 3. August 2026 berichtete TechCrunch, dass das auf unternehmensweite KI-Bereitstellung spezialisierte Startup June eine Pre-Seed-Finanzierung in Höhe von 20 Millionen US-Dollar abgeschlossen hat.

Diese Finanzierungsrunde wurde von Time Ventures unter der Leitung von Marc Benioff angeführt, wichtige Persönlichkeiten aus dem Bereich Unternehmenssoftware und Cloud Computing wie Michael Dell, Aaron Levie und George Kurtz beteiligten sich an der Investition.

Rapoport, einer der Gründer des Unternehmens, sagte, dass für diese Finanzierungsrunde nicht einmal ein Geschäftsplan erstellt wurde.

Das ist nicht das erste Startup des Gründerteams: Rapoport, Ohad Hen, Barak Goldstein und Idan Tsitiat haben gemeinsam das Sprachanalyseunternehmen Bonobo AI gegründet. Im Jahr 2019 wurde Bonobo von Salesforce übernommen, das Team wechselte anschließend zu Salesforce und beteiligte sich an dessen KI-Geschäft.

Man kann sagen, dass ihr vorheriges Unternehmen das Problem „Wie kann KI Kundengespräche verstehen?“ gelöst hat; ihr nächstes Unternehmen löst das Problem „Wie kann KI das gesamte Unternehmenssystem verstehen?“.

Die Investoren sind bereit, schnell zu investieren – nicht nur weil die vier Gründer bereits einen erfolgreichen Exit hinter sich haben, sondern weil das Problem, auf das sie hinweisen, zu einer gemeinsamen Sorge der gesamten Unternehmens-KI-Branche geworden ist.

Rapoport sagt: „KI hat die Nachfrage der Unternehmen nach professionellen Dienstleistungen sogar noch erhöht.“

Der Kreditprüfungsprozess einer Bank kann nicht direkt auf eine Fluggesellschaft übertragen werden, und selbst innerhalb desselben Unternehmens verwenden die Vertriebsabteilung und die Finanzabteilung nicht unbedingt dieselben Datenstandards. Jedes Mal, wenn ein Modellanbieter einen großen Kunden erschließt, muss er die Geschäftsvorgänge neu verstehen, die Daten verbinden, Berechtigungen konfigurieren und Fehlertoleranzmechanismen entwerfen.

OpenAI hat bereits bewiesen, dass der bloße Verkauf von Modellen nicht ausreicht, um den Unternehmensmarkt zu erobern. Das Unternehmen baut seine Bereitstellungskapazitäten aus: Durch die Frontier Alliance arbeitet es mit Beratungs- und Systemintegrationspartnern wie BCG, McKinsey, Accenture und Capgemini zusammen, um Unternehmen bei der KI-Umgestaltung zu unterstützen. Im Mai 2026 gründete OpenAI zudem die OpenAI Deployment Company und erwarb das auf angewandte KI spezialisierte Beratungsunternehmen Tomoro, um etwa 150 FDE und Bereitstellungsexperten zu gewinnen. Bei der Gründung erhielt das Unternehmen eine Anfangsinvestition von über 4 Milliarden US-Dollar, um weiter auf den Markt für die unternehmensweite Umsetzung von KI zu setzen.

Amazon geht noch einen direkteren Weg: Ende Juli dieses Jahres kündigte AWS an, 1 Milliarde US-Dollar in den Aufbau eines Teams für vor Ort eingesetzte Bereitstellungsingenieure zu investieren, damit die Ingenieure in die Kundenorganisationen eintreten und ihnen helfen, Agentursysteme innerhalb weniger Tage statt weniger Monate aufzubauen.

Unternehmen wie Anthropic, Google Cloud und Stripe erweitern ebenfalls entsprechende Stellen. Das jährliche Grundgehalt für einige FDE-Stellen in den USA erreicht bereits 170.000 bis 200.000 US-Dollar, die Obergrenze, die OpenAI anbietet, lag zeitweise bei 345.000 US-Dollar – ohne Berücksichtigung von Kapitalbeteiligungen.

Was den Unternehmen fehlt, ist offensichtlich nicht mehr nur ein Agentenprodukt, sondern ein Ingenieursteam, das gleichzeitig Modelle, Software und Geschäftsvorgänge versteht.

Der Erfolg von Palantir hat bewiesen, dass Bereitstellungsteams nicht nur Kostenstellen sind, sondern auch ein zentraler Wettbewerbsvorteil für Vertrieb und Vertragsverlängerungen sein können. Ingenieure, die in der Nähe der Kunden tätig sind, können echte Anforderungen schnell erkennen, dem Produktteam helfen, die Richtung zu korrigieren, und eine Kundenbindung aufbauen, die herkömmliche SaaS-Produkte kaum erreichen können.

Das Problem ist, dass dieses Modell sich nicht unbegrenzt vervielfältigen lässt.

Mit jedem neuen Kunden müssen möglicherweise weitere Ingenieure eingestellt werden; jedes Unternehmen hat