KI als Teil eines eng gefassten, prüfbaren Ablaufs. Texte über Eingaben, Entscheidungen, Übergaben, Kontrollen und messbare Ergebnisse.
KI wird selten dadurch nützlich, dass sie eine ganze Aufgabe übernimmt, sondern dadurch, dass sie einen Schritt in einem klar umrissenen Ablauf übernimmt. Was diesen Schritt umgibt — die Eingabe, die Prüfung, die Übergabe, das messbare Ergebnis — entscheidet über den Nutzen mehr als das Modell.
Fehler bleiben in einem mehrstufigen Ablauf nicht stehen, sie werden zur Grundlage des nächsten Schritts. Bei fünf Schritten mit je neunzig Prozent Trefferquote kommt der Ablauf in etwa sechs von zehn Fällen sauber durch, und von außen sieht niemand, an welcher Stelle er abgebogen ist.
Daraus folgt das Unspektakuläre: eng fassen statt breit aufstellen, prüfen, wo ein Fehler teuer wird, und protokollieren, was das System getan hat.
Begriffe Agentic Workflow, Human in the Loop, Fehlerklasse, Structured Output
Demos autonomer Agenten sind häufig beeindruckend, scheitern dann aber im Übergang in den Produktivbetrieb. Gute erste Agenten sind eng gefasst und prüfbar: Ticket-Triage und Release Notes, keine digitalen Mitarbeiter.
Ein KI-Workflow, den jemand nur durch das Lesen einiger Antworten prüft, ist weiterhin ein reines Experiment. Es braucht realistische Datensätze, strenge Assertions und eine Testsuite, die bei jeder Änderung an Prompt, Modell oder Workflow läuft.
Das Wissen einer Organisation liegt verstreut in Tickets, Dokumenten und Chats. Es reicht nicht, die Daten lediglich durchsuchbar zu machen. Nur wenn man die Rohdaten zu aktuellen, verknüpften und belegten Kontext verdichtet, kann die KI damit sinnvoll interagieren und das Wissen nutzen.