Vom KI-Modell zum System. Vom Hype zum Mehrwert.

Was wäre, wenn wir heute einen Geschäftsprozess komplett neu entwickeln könnten, ohne Rücksicht darauf, wie er bisher organisiert war? Welche Aufgaben würden wir Menschen überlassen, welche könnte KI übernehmen und welche würden wir möglicherweise gar nicht mehr in dieser Form brauchen?

Mit solchen Fragen bin ich von der Brains on Silicon 2026 in Dresden zurückgekommen. Gemeinsam mit meinem Kollegen Otto Apel habe ich mich dort zwei Tage lang mit unterschiedlichen Perspektiven auf künstliche Intelligenz beschäftigt: von Agentic AI und autonomen Workflows über Wissensarchitekturen und souveräne Sprachmodelle bis hin zur Zusammenarbeit zwischen Mensch und KI.

Besonders hängen geblieben ist mir ein Gedanke aus einem Vortrag von Anthropic: Wir denken bei den Aufgaben, die wir KI geben, häufig noch zu klein. Wir lassen E-Mails formulieren, Dokumente zusammenfassen, Texte übersetzen oder Code generieren. Das ist nützlich und kann erhebliche Zeit sparen, bleibt aber zunächst die Automatisierung einzelner Tätigkeiten innerhalb bestehender Abläufe.

Was passiert, wenn wir KI nicht mehr nur als Werkzeug innerhalb eines Prozesses betrachten, sondern ganze Abläufe von Anfang an mit ihren Möglichkeiten gestalten?

Diese Frage ist für uns bei zebra besonders relevant. Als Full-Thinking-Agentur verbinden wir Strategie, Kommunikation, Kreation und Technologie.

Passend hierzu gibt es die Keynote meiner Kollegen Susi und Marc zum Thema “KI-Slop oder Top?”, die die beiden auf der Brains on Silicon 2026 gehalten haben, auf unserem Blog zum Nachlesen und Nachschauen.

Dass sich KI zunehmend vom reinen Antwortsystem zu einem aktiven Bestandteil von Geschäftsprozessen entwickelt, war auf der Konferenz an unterschiedlichen Beispielen zu sehen. SAP zeigte etwa, wie der KI-Assistent Joule auf Informationen und Funktionen bestehender Unternehmenssysteme zugreifen kann, um Geschäftsvorgänge nicht nur zu analysieren, sondern auch weitere Arbeitsschritte zu unterstützen.

Besonders greifbar wurde das in einer Masterclass zu Microsoft Copilot und Agenten. Anhand eines Ausschreibungsprozesses wurde demonstriert, wie KI Dokumente auswertet, Anforderungen und Fristen identifiziert, Referenzen abgleicht und Informationen für eine Entscheidung aufbereitet. Die verantwortlichen Personen entscheiden anschließend, ob eine Teilnahme an der Ausschreibung sinnvoll ist.

Der Unterschied zum klassischen KI-Chatbot liegt darin, dass nicht mehr nur eine einzelne Frage beantwortet wird. Verschiedene Arbeitsschritte werden zu einem durchgängigen Workflow verbunden. Dafür muss ein Agent auf Datenquellen zugreifen, Anwendungen bedienen und Ergebnisse an andere Systeme oder Personen übergeben können.

Das eröffnet auch im Agentur- und Marketingumfeld interessante Möglichkeiten:

Denken wir beispielsweise an die Betreuung einer Marke über mehrere Kommunikationskanäle hinweg: Informationen zu Produkten, Zielgruppen und Kampagnen liegen häufig in unterschiedlichen Systemen. Werden diese Informationen strukturiert miteinander verbunden, kann KI bei der Erstellung von Content-Varianten, der Anpassung an unterschiedliche Formate oder der Vorbereitung wiederkehrender Arbeitsschritte unterstützen. Statt jedes Mal bei null anzufangen, lassen sich bestehendes Wissen und definierte Abläufe wiederverwenden.

Allerdings entsteht ein solcher Prozess nicht allein dadurch, dass wir ein leistungsfähiges Sprachmodell auswählen. Er benötigt Datenquellen, Schnittstellen, Zugriffsrechte und klare Regeln dafür, was automatisiert werden darf und wo eine Prüfung erforderlich ist. Die Qualität des Modells bleibt wichtig, doch sie ist nur ein Teil der Lösung.

Wie stark die Qualität eines KI-Systems von seiner technischen Umgebung abhängt, zeigte eine Session zu Retrieval-Augmented Generation, kurz RAG. Das Verfahren ermöglicht es Sprachmodellen, zusätzliche Informationen aus Dokumenten, Datenbanken oder anderen Wissensquellen abzurufen und für ihre Antworten zu verwenden.

Für Marken und Unternehmen ist das besonders interessant, denn ein großer Teil ihres Wissens liegt bereits vor: in Produktinformationen, Markenrichtlinien, Kommunikationskonzepten, Zielgruppenanalysen, Projektdaten oder internen Wissenssystemen.

Stellen wir uns ein Unternehmen mit einem umfangreichen Produktportfolio vor, das regelmäßig Inhalte für seine Website, Social Media, Newsletter und Vertriebsmaterialien benötigt. Wenn relevante Produktinformationen, Tonalitätsvorgaben und freigegebene Markeninhalte strukturiert zur Verfügung stehen, kann KI daraus passende Entwürfe für unterschiedliche Kanäle erstellen. Änderungen an Produktinformationen lassen sich zentral berücksichtigen, statt sie in jedem einzelnen Dokument erneut recherchieren zu müssen.

Für unsere Kunden liegt der mögliche Mehrwert dabei nicht nur in einer schnelleren Content-Erstellung. Es geht auch um Konsistenz, Wiederverwendbarkeit und die Möglichkeit, Kommunikationsleistungen bei wachsendem Umfang effizient weiterzuentwickeln. Strategie und Kreation bleiben entscheidend, werden aber durch eine technische Grundlage unterstützt, die Markenwissen systematisch nutzbar macht.

Dabei genügt es nicht, sämtliche Informationen einfach in eine KI-Anwendung zu laden. Ein gutes RAG-System muss relevante Inhalte zuverlässig finden. Dafür können semantische Suchverfahren mit klassischer Schlagwortsuche kombiniert, Treffer neu bewertet und Zugriffsberechtigungen berücksichtigt werden. Auch die Struktur der Quelldokumente spielt eine wichtige Rolle.

Ein Beispiel aus dem Vortrag zeigte, wie eine ungünstige Aufteilung von Dokumenten dazu führen kann, dass zusammengehörige Informationen getrennt werden. Wird etwa eine Preistabelle an der falschen Stelle zerlegt, fehlen dem Sprachmodell möglicherweise entscheidende Zusammenhänge. Die erzeugte Antwort kann überzeugend formuliert und trotzdem sachlich falsch sein.

Gerade bei Produktinformationen, Preisen oder rechtlich relevanten Aussagen kann das erhebliche Folgen haben. Sprachlich plausible Ergebnisse sind deshalb kein ausreichender Qualitätsnachweis. Unternehmen brauchen Wissensarchitekturen, die Informationen nachvollziehbar bereitstellen, und Prüfmechanismen, die fachliche Fehler erkennen.

Ein Begriff, der für mich auf der Konferenz besonders relevant geworden ist, lautet Harness Engineering. Er beschreibt die Entwicklung hin zu einer umfassenderen technischen Betrachtung von KI-Systemen.

Während beim Prompt Engineering die Formulierung einer Aufgabe im Mittelpunkt steht und beim Agent Engineering die Umsetzung mehrstufiger Aufgaben durch KI-Agenten, richtet Harness Engineering den Blick auf die Umgebung, in der diese Agenten arbeiten.

Ein Harness ist vereinfacht gesagt das technische Gerüst rund um ein KI-Modell oder einen Agenten. Es stellt benötigte Informationen und Werkzeuge bereit, definiert Handlungsspielräume und unterstützt dabei, Ergebnisse zu überprüfen und Fehler kontrolliert zu behandeln. Dazu gehören beispielsweise die Anbindung von Datenquellen und Schnittstellen, Kontextmanagement, Berechtigungen, automatisierte Tests und Monitoring.

Nehmen wir einen KI-Agenten, der Kundenanfragen bearbeiten soll. Eine Antwort zu formulieren, ist möglicherweise der einfachste Teil. Schwieriger wird es, wenn er erkennen muss, um welchen Kunden es geht, welche Informationen aktuell und verbindlich sind, auf welche Daten er zugreifen darf und wann eine Anfrage an einen Menschen übergeben werden muss. Kommt es zu einem Fehler, sollte dieser nachvollziehbar sein und bei der Weiterentwicklung des Systems berücksichtigt werden können.

Die technische Herausforderung besteht also darin, KI-Fähigkeiten so in eine kontrollierbare Umgebung einzubetten, dass daraus ein verlässlicher Service entsteht.

Für mich ist Harness Engineering deshalb nicht nur ein interessantes Konzept aus den Konferenzvorträgen, sondern ein Thema, das ich auch in unserer technischen Weiterentwicklung bei zebra bewusst vorantreiben möchte. Denn wenn wir KI langfristig produktiv einsetzen wollen, benötigen wir gemeinsame technische Grundlagen, nachvollziehbare Qualitätsmechanismen und eine Architektur, die sich weiterentwickeln lässt. Welche konkreten Werkzeuge dafür geeignet sind, ist eine nachgelagerte Entscheidung.

Genau an dieser Stelle wird für mich auch der Full-Thinking-Ansatz greifbar: Eine sinnvolle KI-Lösung beginnt mit dem Verständnis der Aufgabe und des geschäftlichen Ziels. Daraus ergeben sich Anforderungen an Inhalte, Nutzererlebnis, Prozesse und Technologie. Erst im Zusammenspiel dieser Perspektiven entsteht eine Lösung, die nicht nur technisch funktioniert, sondern auch für Menschen und Unternehmen sinnvoll ist.

Mit der zunehmenden Autonomie von KI-Agenten stellt sich die Frage, wie viel Kontrolle ein System benötigt. Wenn jeder einzelne Arbeitsschritt durch einen Menschen freigegeben werden muss, geht ein Teil des Automatisierungspotenzials verloren. Gleichzeitig können Systeme ohne geeignete Grenzen und Prüfmechanismen erhebliche Risiken verursachen.

Auf der Brains on Silicon wurden dazu unterschiedliche Perspektiven vorgestellt. In einem Praxisbericht von elunic zur KI-Automatisierung im Service wurde gezeigt, wie KI die Bearbeitung von Prozessen übernehmen kann, während Menschen gezielt unterstützen oder eingreifen. Gregor Schmalzried beschäftigte sich wiederum mit der Frage, welche Denk- und Entscheidungsaufgaben wir an KI delegieren sollten und wo menschliches Urteilsvermögen wichtig bleibt.

Hilfreich finde ich die Unterscheidung zwischen Ergebnissen, die sich eindeutig überprüfen lassen, und Entscheidungen, die Fachwissen, Kontext oder die Bewertung unterschiedlicher Interessen erfordern. Im ersten Fall kann automatisierte Qualitätssicherung sinnvoll sein. Im zweiten braucht es passende Verantwortlichkeiten und menschliches Urteil.

Für Unternehmen bedeutet das, Automatisierung nicht isoliert zu betrachten. Ein System muss auch zu den Anforderungen an Datenschutz, Informationssicherheit, Qualität und Wirtschaftlichkeit passen. KI kann einzelne Arbeitsschritte erheblich beschleunigen, gleichzeitig entstehen Aufwände für Datenaufbereitung, Integration, Qualitätssicherung und laufenden Betrieb. Ob sich der Einsatz lohnt, entscheidet sich deshalb nicht allein an der Geschwindigkeit eines einzelnen Prompts, sondern am Nutzen des gesamten Prozesses.

Was nehme ich nach zwei Tagen Brains on Silicon mit? Vor allem die Erkenntnis, dass sich viele entscheidende KI-Fragen inzwischen um Themen drehen, die gute digitale Produkte und Plattformen schon lange prägen: Architektur, Qualität, Sicherheit, Skalierbarkeit und kontinuierliche Weiterentwicklung.

Dabei geht es nicht nur um Technologie. Die Otto Group zeigte beispielsweise anhand ihrer Plattform ogGPT, dass erfolgreiche KI-Einführung auch bedeutet, Mitarbeitenden Raum zum Ausprobieren zu geben, Erfahrungen zu teilen und Arbeitsweisen gemeinsam weiterzuentwickeln. Auch Fragen der technologischen Souveränität, etwa die Abhängigkeit von einzelnen Modellanbietern, werden für langfristig tragfähige Lösungen wichtiger.

Für Unternehmen und Marken eröffnet KI die Möglichkeit, nicht nur bestehende Tätigkeiten schneller zu erledigen, sondern Kommunikations- und Geschäftsprozesse neu zu gestalten. Dafür müssen wir verstehen, welche Aufgaben tatsächlich von KI profitieren, wo Grenzen liegen und welche Voraussetzungen ein produktiver Einsatz braucht. Nicht jede Anwendung benötigt einen Agenten und nicht jeder Prozess wird durch Automatisierung automatisch besser.

Mich interessiert deshalb zunehmend weniger, wie viele KI-Tools ein Unternehmen einsetzt. Spannender finde ich, wie gut es gelingt, KI, bestehende Systeme, Markenwissen und menschliche Expertise miteinander zu verbinden. Genau darin sehe ich auch eine wichtige Aufgabe für uns als Agentur: die Möglichkeiten neuer Technologien zu verstehen und sie mit strategischem Denken, kreativen Ideen und fundierter Umsetzung in konkrete Lösungen für unsere Kunden zu übersetzen.

Denn letztlich geht es nicht darum, möglichst viel KI einzusetzen, sondern Lösungen zu entwickeln, die funktionieren, sich skalieren lassen und einen echten Mehrwert schaffen.