Unternehmen arbeiten mit Hochdruck daran, KI-Agenten mehr Zugang zu gewähren, doch der Zugang ist nicht das Problem – sondern der Mangel an sauberem, aktuellen Kontext.
Julie Colwell
Principal Strategist
Workday
Ein KI-Agent betritt eine Bar. Und versucht, die gesamte Rechnung als Spesen abzurechnen.
Er ist dort im Auftrag eines Mitarbeitenden, der gerade ein Team-Dinner beendet hat.
Also tut er genau das. Er genehmigt die gesamte Rechnung, einschließlich Trinkgeld, ohne Rückfragen.
Der Haken: Zwei der sechs Teammitglieder waren externe Mitarbeitende, deren Tagessatz niedriger gedeckelt ist als der von Vollzeitbeschäftigten. Doch die tatsächlich gültige Richtlinie ist nicht die globale, die der Agent von einem gemeinsamen Laufwerk abgerufen hat – maßgeblich ist ein regionaler Nachtrag, den die Finanzabteilung vor 11 Wochen aktualisiert hat und der in einem völlig anderen System abgelegt ist, das der Agent nie geprüft hat. Beträge über 500 $ erfordern zudem die vorherige – und nicht die nachträgliche – Freigabe eines Vorgesetzten.
Der Punkt ist: Der Agent hat keine Richtlinie halluziniert oder falsch gerechnet. Er hat auf Basis des vorhandenen Kontexts gehandelt – und einfach ignoriert, was ihm fehlt. Genau das ist derzeit das grundlegende Problem bei Agentic AI.
Studie
Der Agent hat keine Richtlinie halluziniert oder falsch gerechnet – er hat auf Basis des vorhandenen Kontexts gehandelt – und einfach ignoriert, was ihm fehlt.
Jedes Unternehmen ist im Begriff, Agenten die Schlüssel für echte Entscheidungen zu übergeben – Ausgaben, Genehmigungen, Headcount, Entgeltabrechnung. Diese Entscheidungen sind nur so gut wie die Informationen, auf denen sie beruhen. Und im Moment sind die meisten Unternehmensinformationen verstreut, widersprüchlich und veraltet.
In Zahlen:
Das Muster zieht sich durch die gesamte Studie: Es liegt nicht daran, dass Agenten keinen Zugang zu Informationen haben. Es liegt daran, dass niemand diese Informationen sauber genug aufbereitet hat, sodass sie als Handlungsgrundlage dienen können.
Der Gedanke liegt nahe, dass Agenten scheitern, weil sie nicht genug wissen. Meistens ist das Gegenteil der Fall.
Forscher haben dafür inzwischen einen Begriff: „Context Rot“. Je mehr Informationen ein KI-System durchsuchen muss, desto größer wird die Wahrscheinlichkeit, dass es falsche Schwerpunkte setzt oder das eine entscheidende Detail übersieht – und nicht etwa kleiner. Wie Chromas Studie zu Context Rot belegt, verschlechtert sich die Performance aller großen Modelle mit zunehmender Länge der Eingabe, auch wenn die Aufgabe nicht komplexer wird.
Eine verwandte, gut dokumentierte Fehlerquelle: der „Lost-in-the-Middle“-Effekt, bei dem Modelle den Informationen ganz am Anfang oder Ende der Eingabe unverhältnismäßig viel Aufmerksamkeit schenken – und eher etwas übersehen, das in der Mitte verborgen liegt. Wird ein regionaler Zusatz zur Spesenobergrenze für Mahlzeiten mitten in einem 40-seitigen Richtlinien-PDF vergraben, droht er komplett unterzugehen.
Die neu entstehende Disziplin zur Lösung dieses Problems heißt „Context Engineering“ – sie betrachtet das, was ein Agent sieht, als etwas, das kuratiert und nicht nur gesammelt werden muss. Der Kerngedanke, der in einem häufig zitierten Fachartikel zu diesem Thema dargelegt wird: Das Ziel besteht nicht darin, einem Modell mehr Informationen zuzuführen, sondern die kleinste Informationsmenge zu finden, die die Aufgabe tatsächlich erfüllt. Das ist ein anderes Designproblem als jenes, das die meisten Softwareprogramme in Unternehmen bisher gelöst haben. 20 Jahre lang hieß die Devise: alles erfassen und durchsuchbar machen. Agenten bestrafen diese Vorgehensweise, anstatt sie zu belohnen.
Ähnliche Studien – etwa eine aktuelle Umfrage zur Zuverlässigkeit von Agenten – bestätigen diesen Befund aus einer anderen Perspektive: Agenten scheitern selten für sich allein. Ihr Verhalten wird vollständig durch die Anweisungen, den Speicher, die Lösungen und die abgerufenen Informationen in ihrem Kontext bestimmt. Wenn dieser Kontext schwach ist, weichen die Agenten von der Aufgabe ab, handeln mit völliger Überzeugung auf Basis veralteter Informationen oder wenden die falsche Regel auf die richtige Situation an.
Nichts davon zeigt sich in einer Demo. Demos sind fast schon naturgemäß der einzige Moment, in dem der Kontext eines Agenten kuratiert und bereinigt ist. Produktivbetrieb bedeutet echte Mitarbeitende, echte regionale Unterschiede, echte Ausnahmen und Daten, die vor sechs Monaten noch korrekt waren, es jetzt aber nicht mehr sind. An dieser Diskrepanz scheitern KI-Agenten – und das ist auch der Grund, warum Gartner davon ausgeht, dass ein beträchtlicher Teil der Projekte für Agentic AI in den nächsten zwei Jahren auf Eis gelegt wird.
Dies ist keine Besonderheit eines Team-Dinners. Die gleiche Situation könnte sich beim Monatsabschluss in der Finanzabteilung, bei einer Einschreibung für Zusatzleistungen oder bei der Verlängerung eines Anbietervertrags abspielen. Wo auch immer ein Agent zum Handeln aufgefordert wird, gibt es eigentlich nur zwei Wege. Geben Sie ihm einen sauberen, aktuellen und eindeutigen Kontext, und er weiß genau, was zu tun ist – die richtige Regel anwenden, die tatsächliche Ausnahme markieren, die eine entscheidende klärende Frage stellen.
Oder Sie lassen ihn auf Basis eines Flickenteppichs aus verstreuten, widersprüchlichen Informationen arbeiten, und er genehmigt das Falsche, richtet sich nach gar nichts und stellt keine Fragen.
Es gibt eine Version dieses Problems, die auf den ersten Blick gelöst wirkt, es aber nicht ist: ein Agent, der technisch mit allem verbunden ist – dem HR-System, dem Richtlinien-Wiki, den Ausgabendaten des letzten Quartals.
Der Zugang ist heute nicht mehr die größte Herausforderung für die meisten Unternehmen. Es ist die Qualität.
Cognizant stand vor diesem realen Problem bei der Entgeltabrechnung in Australien. Dort müssen Unternehmen dem Finanzamt innerhalb von 24 Stunden nach jeder Entgeltabrechnung Steuer- und Rentenversicherungsdaten melden – ein Compliance-Zeitfenster, das praktisch keinen Spielraum für veralteten oder über mehrere Systeme verstreuten Kontext lässt.
Früher brauchte das Team von Cognizant neun Tage, um eine Entgeltabrechnung durchzuführen. Ein Großteil davon entfiel auf manuelles Reporting und Journale, um abzugleichen, was ein System wusste und was ein anderes benötigte. Durch die Konsolidierung der Entgeltabrechnung auf einem einzigen vernetzten System verkürzte sich dieser Prozess auf zwei Tage: Die relevanten Daten lagen endlich gebündelt vor, anstatt manuell zusammengesucht werden zu müssen.
Der Zugang ist heute nicht mehr die größte Herausforderung für die meisten Unternehmen – es ist die Qualität.
Der Agent hatte zwar Zugang zu einer Richtlinie für Geschäftsessen – nur nicht zur aktuellen, regionsspezifischen. Er hatte Zugang zu Teilnehmerdaten, aber keine Möglichkeit, in einer Kalendereinladung einen Praktikanten von einem Vollzeit-Mitarbeitenden zu unterscheiden. Er hatte zwar Zugriff auf einen Genehmigungs-Workflow – doch nichts wies ihn darauf hin, dass diese Ausgabe vor und nicht erst nach der Zahlung genehmigt werden musste.
Jedes benötigte Kontextdetail existierte technisch gesehen irgendwo im Unternehmen. Nichts davon war sauber, aktuell oder im entscheidenden Moment mit der Entscheidung verbunden.
Einen Agenten mit einer Datenquelle zu verbinden, ist nicht dasselbe, wie ihm Kontext zu geben. Kontext ist bewertet, strukturiert und aktuell. Ein Richtliniendokument wird erst dann zu Kontext, wenn jemand – oder etwas – festgelegt hat, welche Version maßgeblich ist, sie der richtigen Rolle und Region zugeordnet und definiert hat, was bei Abweichungen von den Fakten gilt.
Einen Agenten mit einer Datenquelle zu verbinden, ist nicht dasselbe, wie ihm Kontext zu geben.
Erhält derselbe Agent hingegen sauberen Kontext – die aktuelle regionale Richtlinie, korrekt mit Rolle und Headcount verknüpft, ein klares Signal zu den vor der Zahlung erforderlichen Genehmigungen sowie eine eindeutige Information darüber, wer beteiligt war –, wendet sich das Blatt. Er kennzeichnet die beiden Tagessätze für Praktikanten. Er leitet den Gesamtbetrag zur Genehmigung weiter, bevor die Karte belastet wird. Er gibt das richtige Trinkgeld.
Der Agent ist nicht intelligenter geworden – sein Kontext schon.
Der Agent ist nicht intelligenter geworden – sein Kontext schon.
Im Wettlauf um Agentic AI gewinnen nicht automatisch die Unternehmen mit den fortschrittlichsten Modellen. Erfolgreich sein werden diejenigen, die die entscheidende Vorarbeit geleistet haben: den Unternehmenskontext in eine verlässliche Handlungsgrundlage zu verwandeln.
Studie
Das wahre ROI-Problem liegt in der Diskrepanz zwischen dem investierten Aufwand und der tatsächlichen Wirkung. Entdecken Sie die Lösung.