Nachdem der Agent seine Arbeit aufgenommen hat, verlieren die drei alten Regeln der SaaS-Unternehmen ihre Gültigkeit.

Für SaaS-Unternehmen ist die Phase der anfänglichen Begeisterung für KI längst vorbei.

Mitarbeiter nutzen bereits KI-Tools, Produkte sind an große Sprachmodelle angebunden, und im Unternehmen wurden Agenten für verschiedene Zwecke entwickelt. Die Demos laufen, und die Effizienz in einzelnen Bereichen steigt.

Doch sobald Agenten tatsächlich Arbeitsaufgaben übernehmen, tauchen eine Reihe schwierigerer Probleme auf:

Wer weist den Agenten Aufgaben zu?

Auf welche Daten kann er zugreifen und welche darf er ändern?

Wer prüft und akzeptiert die Ergebnisse?

Wer übernimmt die Verantwortung, wenn etwas schiefgeht?

Wie lassen sich die ursprünglichen Arbeitsplätze anpassen, wenn KI einen Großteil der Ausführungsarbeiten übernimmt?

Zahlen die Kunden am Ende für die Software oder für die abgeschlossenen Aufgaben und Ergebnisse?

Diese Probleme lassen sich nicht durch den Einsatz eines leistungsstärkeren Modells lösen.

Nachdem Agenten Arbeitsaufgaben übernehmen, müssen die Organisations-, Forschungs- und Entwicklungs- sowie Lieferregeln von SaaS-Unternehmen, die ursprünglich auf „Menschen“ und „Software“ ausgerichtet waren, neu angepasst werden.

01

Die Agenten haben ihren Dienst angetreten

Die Verwaltungsmechanismen sind aber noch ausschließlich für Menschen ausgelegt

Bei den Verwaltungsmechanismen der meisten Unternehmen gilt standardmäßig: Arbeiten werden von Menschen erledigt. Die Stellen gehören Menschen, Berechtigungen werden an Menschen vergeben, und die Leistung wird an Menschen gemessen. Wenn bei einer Aufgabe Probleme auftreten, lässt sich immer eine konkrete verantwortliche Person finden.

Nachdem Agenten ins Unternehmen eingezogen sind, hat sich das Verwaltungsobjekt geändert – die ursprünglichen Mechanismen sind aber nicht automatisch mitgewachsen.

Einige Teams nutzen bereits Agenten, um Berichte zu erstellen, Code zu schreiben und Anforderungen zu strukturieren, aber diese Praktiken hängen oft von der spontanen Initiative einzelner Mitarbeiter ab. Es gibt keine einheitlichen Grenzen dafür, was Agenten tun dürfen und was nicht, und es fehlen stabile Abnahmekriterien dafür, ob die generierten Ergebnisse direkt verwendet werden können.

Damit die Organisation mit den Agenten zurechtkommt, müssen mindestens vier Fragen beantwortet werden:

Erstens: Welche Aufgaben können an Agenten übergeben werden?

Zweitens: Welche System- und Datenberechtigungen dürfen Agenten erhalten?

Drittens: Wer beurteilt die Arbeitsqualität der Agenten?

Viertens: Wer ist für die Bearbeitung und die Haftung verantwortlich, wenn ein Agent einen Fehler macht?

Wenn die Anzahl der Agenten steigt, verändert sich auch die Arbeit der Führungskräfte.

Neuters

Früher haben Projektmanager hauptsächlich die Aufgabenteilung, den Fortschritt und die Zusammenarbeit der Menschen organisiert. Jetzt müssen sie zudem die Aufgaben, Berechtigungen, Kontexte und Ausgabequalität der Agenten verwalten. Die Erfahrungen der Abteilungen dürfen nicht länger in den Köpfen einzelner Personen verstreut sein, sondern müssen als abrufbares Skill-, Kontext- und Arbeitsregelwerk festgehalten werden.

Die KI-Native-Umgestaltung von Minglue hat bereits verschiedene Teams wie Funktionsabteilungen, Analysten und Entwickler abgedeckt.

Intern sind mehr als 4300 Arbeitseinheiten entstanden, wobei die Anzahl der KI-Agenten die der menschlichen Mitarbeiter übersteigt. Effizienzsteigerungen sind bereits spürbar: Die Bearbeitungszeit für Finanzberichte wurde von 3 Tagen auf 10 Minuten verkürzt, und die Erstellung von Analyseberichten ist hochgradig automatisiert.

Abgesehen von den Zahlen taucht ein realistischeres Problem auf: Was machen die ursprünglichen Mitarbeiter, Führungskräfte und Geschäftsverantwortlichen, wenn KI einen Großteil der Ausführungsarbeiten übernimmt?

Vor einiger Zeit erwähnte Wu Minghui, Gründer, CEO und CTO von Minglue Technology, in einem Interview mit Neuters: Das größte Problem bei der KI-Umgestaltung bestehender Geschäfte liegt in der Anpassung der Organisation.

Bei neuen Geschäften lassen sich Stellen und Prozesse von Grund auf neu gestalten, bei bestehenden Geschäften gibt es aber bereits stabile Strukturen für Aufgabenteilung, Leistungsbewertung und Zusammenarbeit. Wenn Agenten eingeführt werden, berühren sie die ursprünglichen Arbeitsgrenzen. Die Technik funktioniert, aber die Organisation kann nicht immer sofort Schritt halten.

Für SaaS-Unternehmen lässt sich der Grad der KI-Organisation nicht nur an der Nutzungsrate der Mitarbeiter und der Anzahl der Agenten messen. Viel wichtiger ist, ob das Unternehmen Aufgaben, Berechtigungen, Abnahmeverfahren und Verantwortlichkeiten neu um die Agenten herum definiert hat.

02

Viele Unternehmen eilen zur Einführung von Agenten

haben aber die drei vorherigen Fähigkeitsebenen noch nicht vollständig aufgebaut

Agenten sind derzeit sehr populär, und viele SaaS-Unternehmen wollen direkt in die Agenten-Phase einsteigen.

In der Praxis scheitert die Einführung von Agenten im Produktivbetrieb oft an Faktoren außerhalb des Modells: Das Unternehmenswissen ist noch in Dokumenten, Chat-Protokollen und individuellen Erfahrungen verstreut, Geschäftsprozesse sind nicht klar aufgeteilt, viele Ausnahmefälle werden von Mitarbeitern ad hoc bearbeitet, die KI erhält keinen vollständigen Kontext und kann keine Schlüsselsysteme aufrufen, die Ausgabequalität wird nicht bewertet, und es fehlen Mechanismen zum Zurückrollen und Übernehmen der Arbeit nach Fehlern.

Agenten wirken zwar intelligent genug, laufen aber in echten Geschäftsprozessen nicht stabil.

Der Übergang von Chatbot zu Agent ist keine einfache Modellaktualisierung. Mit jedem Fortschritt der KI braucht sie mehr Kontext, eine klarere Position im Prozess und mehr Ausführungsberechtigungen.

Chatbot löst das Problem des „Zugänglichmachens von Informationen“. Mitarbeiter können Wissen abfragen und Inhalte generieren, aber die Ergebnisse hängen immer noch von den Fragen der einzelnen Nutzer ab.

Copilot löst das Problem des „schnelleren Arbeitens“. KI wird in Positionen wie Produktmanagement, Entwicklung und Analyse eingesetzt, um Mitarbeiter bei einzelnen Aufgaben wie der Erstellung von Dokumenten, Code und Analysen zu unterstützen. Die individuelle Effizienz steigt, aber die Erfahrungen lassen sich nicht unbedingt vom Team wiederverwenden.

Workflow löst das Problem des „reibungslosen Ablaufs“. Unternehmen teilen eine Arbeit in relativ stabile Schritte auf und lassen KI in Phasen wie Anforderungsbearbeitung, Prüfung, Generierung und Test eingreifen. Der Prozess kann wiederholt ausgeführt werden, bei Ausnahmefällen ist aber immer noch eine menschliche Entscheidung erforderlich.

Agenten arbeiten zielorientiert an Aufgaben. Sie müssen Kontext erfassen, Tools aufrufen, mit anderen Agenten zusammenarbeiten und im Rahmen ihrer Berechtigungen Maßnahmen ergreifen.

Auf dieser Ebene müssen Unternehmen neue Produktionsregeln festlegen: Welche Aufgaben dürfen automatisch ausgeführt werden, an welchen Punkten ist eine menschliche Genehmigung erforderlich, wie verteilen Agenten die Aufgaben untereinander, wie werden Ausgaben bewertet und wie werden Fehler erkannt, zurückgerollt und verfolgt?

Huang Nan, Direktor des Labors für KI-Native-Organisationsveränderungen und Leiter von AINOL bei Minglue Technology, hat ein echtes Beispiel vorgestellt: Nachdem Nutzer einen Fehler gemeldet haben, beteiligen sich mehrere Agenten an der Bearbeitung, Prüfung, Gestaltung, Entwicklung und dem Test der Anforderung – nach 1 Stunde und 49 Minuten ist die Fehlerbehebung abgeschlossen und live geschaltet.

An diesem Beispiel erinnert man sich leicht an die Geschwindigkeit, aber was es wirklich ermöglicht, ist die langfristige Akkumulation im Hintergrund.

Kurz gesagt: Die KI-Native-Praxis von Minglue hat den Fortschritt von Chatbot, Copilot, Workflow bis zu Agent durchlaufen. Mit jeder neuen Ebene müssen Unternehmen neue grundlegende Fähigkeiten aufbauen: Wie Wissen zu Kontext wird, wie Prozesse zu Skill werden, wie Agenten Zugriff auf Tools und Berechtigungen erhalten und an welchen Punkten menschliche Entscheidungen erhalten bleiben müssen.

Viele Agenten-Projekte laufen nicht stabil, das Problem liegt nicht unbedingt in der letzten Ebene. Wenn die vorherigen Mechanismen für Wissen, Prozesse und Zusammenarbeit nicht vollständig aufgebaut sind, können selbst die leistungsstärksten Agenten nicht über die Demonstrationsphase hinauskommen.

03

Kunden zahlen zunehmend für Ergebnisse

Aber die Lieferung erfolgt immer noch nach dem Muster des Softwareverkaufs

Beim traditionellen SaaS gibt es ein relativ klares Liefermodell.

Softwareunternehmen berechnen Gebühren pro Konto, Modul oder Nutzungsjahr. Nach dem Go-Live des Produkts hilft das Implementierungsteam dem Kunden bei der Systemkonfiguration, und die Folgearbeiten werden hauptsächlich vom Kunden selbst erledigt.

Nachdem Agenten in die Geschäftsprozesse eingezogen sind, ändern sich die Prioritäten der Kunden.

Kunden fragen weiter: Welche Arbeit kann dieser Agent für mich erledigen? Wie viel Zeit und Personal kann ich einsparen? Was passiert, wenn die Ergebnisse die Anforderungen nicht erfüllen? Wer ist am Ende verantwortlich?

Je näher die KI an der tatsächlichen Arbeit ist, desto höher sind die Erwartungen der Kunden an die Ergebnisse.

Früher wurde eine nutzbare Software geliefert, heute muss möglicherweise eine dauerhaft ausführbare Aufgabe oder sogar eine digitale Arbeitskraft geliefert werden.

Auf diesem Weg müssen mindestens drei Fragen beantwortet werden.

Erstens: Was wird verkauft? Kauft der Kunde ein Softwaretool, die Erledigung einer bestimmten Aufgabe oder das endgültige Geschäftsergebnis? Unterschiedliche Antworten entsprechen unterschiedlichen Produktformen, Preisen und Verantwortungsgrenzen.

Zweitens: Wie erfolgt die Abnahme? Wird nach Kriterien wie der Inbetriebnahme von Funktionen und dem eingesetzten Personalaufwand abgenommen – oder nach Effizienz, Qualität und Geschäftskennzahlen? Welche Verantwortung tragen das Softwareunternehmen, der Kunde und das Lieferteam jeweils, wenn ein Agent einen Fehler macht?

Drittens: Wie erfolgt die Wiederverwendung? Wenn bei jedem neuen Kunden die Prozesse neu strukturiert, Tools neu entwickelt und Agenten neu trainiert werden, wird die digitale Arbeitskraft schnell zu einer neuen Runde von aufwändigen Individualanpassungen. Projekterfahrungen müssen als Skill, Tools, Daten und Plattformfähigkeiten festgehalten werden, damit sie bei der nächsten Lieferung wiederverwendet werden können.

Der Wert von FDE muss auch in diesem Zusammenhang verstanden werden.

Es handelt sich nicht um einen neu benannten Implementierer, sondern um eine Person, die vor Ort beim Kunden die echten Geschäftsprobleme erkennt und dann die Kundenszenarien, KI-Fähigkeiten und Lieferergebnisse miteinander verbindet.

Wu Minghui erwähnte zudem, dass chinesische Unternehmen ihre eigene Kundenstruktur und Lieferumgebung haben – das FDE-Modell von Palantir lässt sich nicht einfach kopieren.

SaaS-Unternehmen müssen neu überdenken: Wofür sind Kunden tatsächlich bereit zu zahlen? Wie lassen sich Ergebnisse abnehmen? Wie lassen sich menschliche Erfahrungen zu wiederverwendbaren Fähigkeiten machen? Und wie lassen sich die Individualisierungskosten von Agentic Services kontrollieren?

Dieser Artikel stammt aus dem WeChat-Offiziellen Konto „Neuters“ (ID: Neuters), Autor: Cui Niu Hui, veröffentlicht mit Genehmigung von 36Kr.