Warum dein AI Agent dein Unternehmen nicht versteht

Dein AI Agent ist teuer. Gut trainiert. Schnell. Und trotzdem läuft er bei euch nicht so, wie es im Pitch versprochen war.

Das liegt selten am Modell. Es liegt fast immer daran, dass dem Agent eines fehlt: Verständnis dafür, wie dein Unternehmen tatsächlich funktioniert.

Er kennt die Welt. Er kennt Sprache. Er kann Texte schreiben, Daten auswerten, Vorschläge formulieren. Aber er weiß nicht, dass Reklamationen bei euch immer über Maria im Service laufen. Er weiß nicht, dass Kunden in Gruppe B grundsätzlich 14 Tage Zahlungsziel haben. Er weiß nicht, dass der dokumentierte Prozess seit Monaten nicht mehr so läuft wie in der Doku beschrieben.

Das ist der Unterschied zwischen einem Agent, der hilfreich klingt — und einem, der in eurem Kontext tatsächlich funktioniert.

Vier Muster, an denen es im Alltag scheitert

Muster 1 — Generische Antworten auf spezifische Fragen. Ein Mitarbeitender fragt: "Wie gehen wir vor, wenn ein Lieferant dreimal in Folge zu spät liefert?" Der Agent antwortet: "In solchen Fällen empfiehlt sich eine schriftliche Abmahnung." Korrekt. Nichtssagend. Wertlos. Was der Mitarbeitende gebraucht hätte: die konkrete Drei-Strikes-Regel, das Eskalations-Ticket an Maria im Einkauf, die Vorlage.

Muster 2 — Eskalation bei jeder Ausnahme. Wenn der Agent nicht weiß, welche Ausnahmen es gibt, eskaliert er jedes Mal. In einem Unternehmen mit 50 täglichen Agent-Interaktionen sind das schnell 10 bis 15 manuelle Eingriffe pro Tag. Netto-Ergebnis: mehr Aufwand als vorher.

Muster 3 — Entscheidungen, die niemand nachvollziehen kann. Ein Key-Account-Kunde wartet drei Tage auf eine Antwort — weil der Agent dessen historischen Umsatz nicht kannte. Der lag in einer Excel-Datei auf einem Shared Drive, nicht im CRM.

Muster 4 — Kein Lernen. Lernen braucht Feedback. Feedback braucht eine strukturierte Wissensbase. Ohne diesen Layer macht der Agent denselben Fehler in drei Monaten wieder.

Drei Wissenslücken, die der Agent in den meisten Unternehmen mitbringt

Prozesswissen. Wie läuft der Prozess heute, in dieser Woche, in diesem Team tatsächlich ab — nicht, wie er auf dem Papier steht? Wer einem Agent ein Handbuch aus dem letzten Jahr gibt, gibt ihm eine Karte aus dem letzten Jahr.

Regelwissen. In jedem Unternehmen gibt es explizite Regeln — und implizite: "Bei Stammkunden drücken wir immer ein Auge zu." "Fehler unter 50 € werden kulanzweise ersetzt." Solche Regeln lernt der Agent nicht, solange sie nicht strukturiert erfasst sind. Ergebnis: regelkonform laut Handbuch, trotzdem falsch laut Unternehmenskultur.

Beziehungswissen. Wer trifft welche Entscheidung? Wer wird wann eingebunden? Ein Agent ohne Beziehungswissen eskaliert an die falsche Person — oder verteilt eine Frage an fünf Leute, ohne zu wissen, dass nur einer die Entscheidungskompetenz hat.

Was sich ändert, wenn das Wissen strukturiert vorliegt

Ein AI Agent ist genau so wirkungsvoll wie das Unternehmenswissen, das ihm zur Verfügung steht. Nicht mehr. Nicht weniger.

Liegt dieses Wissen als lebendiger Knowledge Graph vor, verändert sich das Verhalten des Agents merklich: Aus generischen werden unternehmensspezifische Antworten. Aus blinden werden informierte Eskalationen. Aus nicht nachvollziehbaren werden begründete Entscheidungen. Aus statischen werden lernende Systeme.

Die Frage, die zuerst beantwortet werden muss

Wie viel strukturiertes, aktuelles, vernetztes Wissen über deine tatsächlichen Abläufe, Regeln und Entscheidungsstrukturen hat dein Agent eigentlich?

Wenn die ehrliche Antwort "wenig" lautet, dann ist das die Diagnose. Nicht das Modell.

Das Fundament dafür aufzubauen, dauert Wochen. Nicht Monate.