Die agentische Transformation von Unternehmen (Agentic Transformation) muss drei Sprünge durchlaufen.
Im vergangenen Jahr haben Unternehmen KI weit schneller bereitgestellt, als die Organisationen KI wirklich verinnerlichen konnten. Die Modelle werden ständig weiterentwickelt, und die Anzahl der Aufrufe von Agenten steigt stetig, aber die Umsatzstruktur, Organisationseffizienz und Entscheidungsqualität der meisten Unternehmen haben sich nicht gleichzeitig verändert. Das Problem liegt nicht darin, dass Unternehmen keine Begeisterung für Technologie haben, sondern darin, dass sie KI oft als eine nachrüstbare Fähigkeit betrachten, statt als einen Wandel, der aktiv gesteuert und organisatorisch verinnerlicht werden muss.
In diesem Sinne ist das, womit Unternehmen heute konfrontiert sind, kein bloßes technologisches Upgrade, sondern ein Managementexperiment darüber, wie Organisationen ihre eigenen Betriebslogiken neu schreiben können. Was wirklich den Abstand zwischen den Unternehmen vergrößert, war noch nie, wer früher auf Modelle zugreift, sondern wer früher erkennt: Modelle können gekauft werden, Rechenleistung kann gemietet werden, sogar Prozesswerkzeuge können ausgelagert werden; einzig das Verständnis des Unternehmens für seine Nutzer und für sich selbst sowie die Umsetzung dieses Verständnisses in abrufbare, korrigierbare und übertragbare Intelligenz kann nicht ausgelagert werden.
Das Produktivitätsparadoxon im KI-Zeitalter ist nicht automatisch verschwunden
1987 stellte der Ökonom Robert Solow die berühmte These auf: Spuren des Computerzeitalters sind überall zu sehen, nur nicht in den Produktivitätsstatistiken. Wenn man heute „Computer“ durch „KI“ ersetzt, gilt dieser Satz immer noch. Fast alle Unternehmen diskutieren KI und testen sie auch, aber die daraus tatsächlich resultierenden organisatorischen Vorteile sind nach wie vor selten.
Das ist nichts Neues. Die Elektrifizierung hat in der Industriegeschichte einen ähnlichen Umweg durchlaufen. Ende des 19. Jahrhunderts waren in vielen Fabriken bereits Elektromotoren installiert, aber ein deutlicher Sprung der Produktivität zeigte sich erst in den 1920er Jahren. Der Grund dafür war, dass die meisten Unternehmen zunächst nur den Antrieb durch Dampfmaschinen durch den elektrischen Antrieb ersetzten, ohne gleichzeitig das Werkshallenlayout, die Arbeitsabläufe und Managementmethoden neu zu gestalten. Was die Produktivität wirklich freisetzte, war nicht der „Anschluss an den Strom“, sondern die Umgestaltung der Fabrik rund um die Elektrizität.
KI befindet sich in einem ähnlichen Moment. Wenn Unternehmen nur Modelle in bestehende Stellen einbetten, erhalten sie in der Regel nur eine lokale Beschleunigung; aber wenn sie KI als Ausgangspunkt für die Neugestaltung der organisatorischen Arbeitsteilung, der Beurteilungsmechanismen und der Kooperationsbeziehungen betrachten, kann eine neue organisatorische Intelligenz entstehen. Mit anderen Worten: Was Unternehmen überwinden müssen, ist nicht „ob sie KI anwenden können“, sondern „ob sie bereit sind, sich selbst für die KI neu zu gestalten“.
Die erste Überwindung: Zuerst die Menschen verstehen, nicht eilig danach trachten, sie zu ersetzen
Die knappste Ressource von Unternehmen war noch nie die Geschwindigkeit der Inhaltserzeugung, sondern die Fähigkeit, Menschen zu verstehen. Markenmanager wissen, welcher Satz Nutzer zum Anhalten bringt, Vertriebsmitarbeiter wissen, bei welcher Äußerung der Kunde wirklich zögert, das Produktteam weiß, warum eine Funktion im Test beliebt ist, aber nach der Veröffentlichung nicht genutzt wird. Diese Erfahrungen bilden das wahre Beurteilungsvermögen des Unternehmens, sind aber seit langem in individuellen Erfahrungen und organisatorischen Trägheiten verteilt, schwer wiederverwendbar und noch schwerer zu korrigieren.
Die traditionelle Nutzerforschung gerät oft in einen abnehmenden Grenznutzen, weil sie gleichzeitig drei Schwierigkeiten gegenübersteht: Verhaltenssignale entsprechen nicht den wahren Absichten, die Gesamtdaten sind voller Rauschen, und die meisten Forschungen dienen oft nur dazu, bestehende Hypothesen zu bestätigen, statt sie herauszufordern. Die entscheidende Veränderung durch große Modelle besteht nicht nur darin, Texte schneller zu generieren, sondern dass Sprache zum ersten Mal in großem Maßstab lesbar, berechenbar und ableitbar wird. Dadurch erhalten Unternehmen die Chance, von „Feedback sammeln“ zu „verstehen, warum Menschen so Feedback geben“ zu gelangen.
Tezheng hat auf Basis von Daten von 1 Million echten Nutzern weltweit das Subjective World Model trainiert, um echte Menschen abzubilden. Das Verständnis des Subjective World Models für Menschen umfasst mindestens vier Ebenen: Ausdrucksebene (Expression), also was die Person sagt; Erzählebene (Story), also warum sie sich so ausdrückt; Kognitionsebene (Cognition), also die dahinterstehende Beurteilungslogik; Verhaltensebene (Behavior), also ob diese Beurteilungen schließlich in Handlungen umgesetzt werden. Ein Verbraucher kann öffentlich eine Präferenz für hochpreisige Produkte ausdrücken und eine schlüssige Begründung dafür liefern, aber sein tatsächlicher Kauf fällt auf eine günstigere Option. Die wirklich wertvolle Intelligenz besteht nicht darin, diesen Widerspruch zu einem Etikett zu komprimieren, sondern darin, diesen Widerspruch aufzunehmen und zu erklären.
Aus diesem Grund darf das Verständnis des Unternehmens für Menschen nicht nur auf dem Erfassen von Daten beruhen, sondern muss gleichzeitig auf tiefgehenden Interviews, situativen Beobachtungen und Feedback zu echtem Verhalten beruhen. Sobald diese Fähigkeit systematisiert wird, ist die Nutzerforschung kein einmaliges Projekt mehr, sondern wird zu einem Mechanismus, mit dem das Unternehmen sein Beurteilungsvermögen ständig aktualisiert. Die erste Überwindung im Managementkontext findet genau hier statt: Unternehmen betrachten KI nicht mehr als Werkzeug zum Ersetzen von Menschen, sondern als Verstärker zum Verstehen von Menschen.
Darüber hinaus lassen wir diesen Mechanismus zum Verstehen von Menschen in die Umgebung eintreten, in der sich die Menschen befinden. Denn um eine Person zu verstehen, darf man nicht nur die Person selbst betrachten – ihre aktuelle Reaktion wird oft von der Situation bestimmt, in der sie sich befindet.
Der Nobelpreisträger für Wirtschaftswissenschaften und Turing-Preisträger Herbert Simon hat mit der von ihm aufgestellten Theorie der begrenzten Rationalität die Begründung geliefert: Menschen erhalten nur begrenzte Informationen, haben begrenzte geistige Kapazitäten und begrenzte Zeit, sie können keine optimale Lösung finden und streben meist nur nach „ausreichend gut“. Er verglich das rationale Verhalten von Menschen mit einer Schere: Eine Klinge ist die kognitive Fähigkeit des Menschen, die andere Klinge ist seine Umgebung. Wenn man nur eine Klinge schärft, kann man nichts schneiden. Deshalb führen wir in der Praxis von Tezheng zwei Dinge gemeinsam durch: Das Subjective World Model simuliert, wie eine Person konkret denkt, das Agentic Research Studio simuliert seine Umgebung und den Prozess der Interaktion zwischen beiden – wie Fragen gestellt werden, wie Situationen gestaltet werden, wie laufende Ereignisse ihn beeinflussen, und schließlich kehren wir zu echten Menschen zurück, um zu validieren. Wenn man die Person in die richtige Umgebung zurückbringt, können die beiden Klingen etwas schneiden.
Hinweis: Erleben Sie das Agentic Research Studio unter https://atypica.ai/
Die zweite Überwindung: Unternehmen müssen zuerst sich selbst verstehen
Schwieriger als „die Nutzer zu verstehen“ ist oft „das eigene Unternehmen zu verstehen“. Viele KI-Projekte können lange nicht in das Kerngeschäft einsteigen, nicht weil die Modellfähigkeit unzureichend ist, sondern weil das Unternehmen die eigenen Regeln, Prozesse und Beurteilungskriterien noch unklar erkennt. Organisationen fehlt es nicht an Dokumenten, sondern an dem Wissen, welche Fakten wichtig, welche Regeln vorrangig und welche Beurteilungen bei einer bestimmten konkreten Aufgabe beibehalten werden müssen.
Das ist auch der grundlegende Unterschied zwischen Wissensdatenbanken und Kontextsystemen. Wissensdatenbanken lösen das Problem „Informationen speichern“, Kontextsysteme lösen das Problem „bei der aktuellen Aufgabe die richtigen Informationen einbringen“. Wenn Unternehmen nur Dokumente, Protokolle und Prozessbeschreibungen in das System übertragen und hoffen, dass das Modell alles „merkt“, erhalten sie am Ende meist nur eine Maschine, die besser wiederholt, statt ein System, das besser beurteilt.
Die wirklich wertvolle Unternehmensintelligenz muss das implizite Wissen abspeichern, das schwer in SOPs geschrieben werden kann, aber die Geschäftsqualität bestimmt: Was bedeutet „ausreichend gut“, unter welchen Umständen darf man nicht handeln, unter welchen Umständen sind Ausnahmen zulässig, welche Signale es wert sind, zu Entscheidungsgrundlagen erhoben zu werden. Das Unternehmensontologie beantwortet die Frage „Welche Schlüsselkonzepte hat diese Organisation und wie hängen sie zusammen“; der Unternehmenskontext beantwortet die Frage „Welche Konzepte und Regeln sollen bei dieser Beurteilung abgerufen werden“. Ersteres liefert eine stabile Struktur, Letzteres liefert einen dynamischen Abruf. Fehlt eine der beiden Seiten, kann KI nicht wirklich zu einer organisatorischen Fähigkeit werden.
Daher besteht die zweite Überwindung nicht darin, „mehr Systeme bereitzustellen“, sondern das Unternehmen zu einem strukturellen Verständnis seiner selbst zu bringen und dieses Verständnis zu einem abrufbaren, korrigierbaren und übertragbaren Vermögen zu machen. Was nicht übertragbar ist, ist keine Unternehmensintelligenz, sondern nur eine gemietete Bequemlichkeit von einer Plattform; was nicht korrigierbar ist, ist auch keine Unternehmensintelligenz, sondern nur ein zufällig wirksames Ergebnis.
Die dritte Überwindung: Lassen Sie die Agenten in Handlungen eintreten, statt nur in der Unterstützung zu verbleiben
Die meisten Unternehmen sind heute bereits mit einer Art von KI vertraut: Sie existieren wie Assistenten und beginnen erst zu arbeiten, wenn sie geöffnet, befragt und aufgerufen werden. Solche Systeme sind natürlich wertvoll, sie können die Effizienz an einzelnen Punkten verbessern, wiederholende Arbeiten verringern und Einzelpersonen dabei helfen, Aufgaben mit höherer Dichte zu erledigen. Aber sie haben die Betriebsweise der Organisation noch nicht wirklich verändert.
Der echte Sprung kommt von einer anderen Art von Agenten: Sie warten nicht darauf, von Menschen gestartet zu werden, sondern können langfristig im Hintergrund verbleiben, rund um Zeit, Ereignisse und Ziele kontinuierlich arbeiten, automatisch Signale lesen, erste Beurteilungen treffen und die nächsten Schritte vorantreiben. Ersteres verbessert die individuelle Produktivität, Letzteres schreibt den Rhythmus der Organisation neu.
Dieser Unterschied ist äußerst entscheidend. Denn die Ineffizienz von Unternehmen kommt oft nicht davon, dass eine Stelle zu langsam handelt, sondern von Warten, Weiterleiten, Ausrichten und wiederholten Bestätigungen in abteilungsübergreifenden Ketten. Wenn Agenten beginnen, Standardaktionen in diesen Ketten zu übernehmen – wie z. B. Informationszusammenfassung, erste Beurteilungen, Erstellung von Lösungen und Fortschreiten von Prozessen – erhalten Organisationen zum ersten Mal die Chance, die Reibungskosten zu senken, die lange als „unvermeidbar“ galten. Menschen müssen keine große Zeit mehr für mechanische Verknüpfungen aufwenden, sondern können ihre Aufmerksamkeit auf Entscheidungen, Ausnahmen und Richtungsanpassungen konzentrieren.
Aus Managementperspektive sollte der Wert von Agenten nicht einfach daran gemessen werden, wie viele Aufgaben sie ersetzt haben. Wenn das Endziel nur darin besteht, dass Menschen weiterhin für die Maschinen einspringen und Fehler korrigieren, ist die Obergrenze der Organisation immer noch durch die Untergrenze der Maschinen beschränkt; aber wenn KI die Standardaktionen zu 70 Prozent erledigt, haben Menschen die Chance, ihre Energie auf Problemdefinition, Standardfestlegung und Schaffung neuer Werte zu lenken. Automatisierung ist nur der Auftakt, die echte organisatorische Aufrüstung kommt von der Neuzuweisung von Beurteilungsrecht und Kreativität.
Die letzte Hürde ist nicht die Technologie, sondern die Souveränität
Wenn Unternehmen beginnen, Prozesse rund um Agenten neu zu gestalten, lässt sich eine tiefere Frage nicht mehr vermeiden: Wem gehören diese allmählich entstehenden Intelligenzen eigentlich?
Das ist keine abstrakte philosophische Frage, sondern eine äußerst praktische betriebswirtschaftliche Frage. Unternehmensintelligenz umfasst mindestens sechs Rechte: Wie man Kunden und sich selbst definiert, wie man Daten und Verhaltensspuren beherrscht, wie man bestimmt, was Agenten lesen dürfen und wann die Kontrolle an Menschen zurückgegeben wird, wie man festlegt „was als gut gilt“ und „was nicht getan werden darf“, wie man veraltete Schlussfolgerungen korrigiert und ob man bei Änderungen der Plattform das eigene Gedächtnis und die eigenen Fähigkeiten vollständig übertragen kann.
Aus dieser Perspektive ist unternehmensweite KI keineswegs nur das Anschließen einer Modellschnittstelle an das Geschäftssystem. Das wirklich Wichtige ist, über dem Modell eine eigene Container-Ebene für das Unternehmen aufzubauen: einschließlich szenariobasierter Training und Optimierung, nachhaltig wartbarer Kontextsysteme, Governance-Mechanismen zur Begrenzung der Handlungsspielräume und eines Lernkreislaufs, der Erfahrungen