Der Unterschied zwischen „KI einbauen“ und „um KI bauen“
Ein traditioneller Prozess wurde für menschliche Übergaben, Abteilungsgrenzen, Meetings und Informationsknappheit entworfen. Ein Chatbot obenauf verkürzt vielleicht einzelne Texte, ändert aber weder Durchlaufzeit noch Verantwortungsstruktur. AI-native Design fragt zuerst: Welches Ergebnis kauft der Kunde? Welche Informationen braucht jede Entscheidung? Welche Schritte sind deterministisch? Wo ist Sprachmodell-Urteil nützlich? Wo muss ein Mensch entscheiden?
Das Ziel ist keine menschenleere Firma als Selbstzweck. Das Ziel ist eine Organisation, deren Grenzkosten, Lernschleifen und Reaktionszeit durch Software und Agenten geprägt sind. Menschen arbeiten dort, wo Vertrauen, Geschmack, Verhandlung, Haftung und echte Ambiguität Wert erzeugen – nicht als Klebstoff zwischen schlecht verbundenen Tools.
| Nachträglich KI einbauen | Firma um KI bauen |
|---|---|
| Bestehenden Task etwas schneller machen | Outcome und Prozesskette neu entwerfen |
| Ein allgemeiner Copilot für alle | Spezialisierte Rollen mit minimalem Zugriff |
| Erfolg = Anzahl Prompts oder Lizenzen | Erfolg = Durchlaufzeit, Qualität, Marge und akzeptierter Output |
| Wissen bleibt in Chats | Verfahren werden Skills/SOPs, Fakten bleiben versioniert |
| Mensch koordiniert jede Übergabe | Tickets, Events und Regeln koordinieren Standardfälle |
| Governance nach dem Pilot | Rechte, Budget, Audit und Kill-Switch ab Tag eins |
1. Beginne beim verkauften Outcome, nicht beim Agenten
„Wir brauchen einen Research-Agenten“ ist eine technische Vermutung. „Ein Kunde erhält vor jedem Vertriebsgespräch ein belegtes Zwei-Seiten-Briefing in unter 15 Minuten“ ist ein Outcome. Erst damit lassen sich Daten, Qualität, Latenz und Kosten messen.
- Wer ist der Empfänger und welche Entscheidung trifft er mit dem Ergebnis?
- Welche Mindestqualität macht das Artefakt nutzbar?
- Wie lange dauert der heutige menschliche Prozess und was kostet er vollständig?
- Welche Fehler sind korrigierbar, welche rechtlich oder wirtschaftlich kritisch?
- Wie häufig tritt der Prozess auf und wie stark schwanken Inputs?
- Welche Information darf den Sicherheitsbereich verlassen?
2. Zerlege Arbeit in Code, Agentenurteil und menschliche Entscheidung
Die teuerste Architektur lässt das LLM jeden Schritt neu erfinden. Die zuverlässigste nutzt Code für feste Regeln, Hermes für variable Werkzeug- und Wissensarbeit und Menschen für wert- oder haftungsrelevantes Urteil. Diese Trennung senkt Kosten und macht Fehler lokalisierbar.
- Jeder Schritt besitzt Input, Output, Owner und Fehlerzustand.
- Übergaben passieren über Artefakte oder Tickets, nicht nur freie Chattexte.
- Der Agent darf fehlende Daten melden, ohne das Ergebnis künstlich zu vervollständigen.
- Jede externe Aktion hat Idempotenz- und Rückabwicklungsstrategie.
| Art | Werkzeug | Beispiele |
|---|---|---|
| Deterministisch | Code, Query, Regelengine | Neue Datei erkannt, Datum prüfen, Duplikat entfernen, Grenzwert berechnen |
| Probabilistisch | Hermes + passendes Modell | Text klassifizieren, Quellen bewerten, Entwurf erstellen, Toolkette planen |
| Verantwortlich | Mensch / formale Freigabe | Vertrag, Zahlung, Kündigung, öffentliche Position, sensible Personalentscheidung |
3. Entwirf Agentenrollen wie APIs, nicht wie Fantasie-Mitarbeiter
Ein Name und eine Persönlichkeit erzeugen noch keine Rolle. Eine produktive Agentenrolle ist ein Vertrag: Auftrag, Inputs, erlaubte Tools, erwartete Artefakte, Qualitätsmaß, Budget, Eskalation und verbotene Aktionen. Je kleiner dieser Vertrag, desto leichter ist der Agent testbar.
| Rollenfeld | Beispiel |
|---|---|
| Mission | Erzeuge belegte Wettbewerbsänderungen für die Produktleitung |
| Input | Definierte Domains, Changelogs, Preis- und Docs-Seiten |
| Output | Delta-Report mit Quelle, Datum, Auswirkung und Unsicherheit |
| Tools | Web lesen, Dateien schreiben; kein E-Mail-Versand |
| Qualität | Jede Behauptung belegt, keine Duplikate, maximal 8 Punkte |
| Budget | Maximaler Betrag und Laufzeit je Tageslauf |
| Eskalation | Robots-Block, Login, Quellenwiderspruch oder hoher Einfluss |
| Verboten | Account erstellen, kaufen, veröffentlichen, personenbezogene Daten sammeln |
4. Der Stack: Hermes führt aus, Paperclip organisiert
Hermes eignet sich als ausführender General Agent: Er arbeitet mit Dateien und Terminal, recherchiert, nutzt MCP, erinnert sich an stabile Fakten, baut Skills und ist über Messenger erreichbar. Paperclip ergänzt bei mehreren Rollen die Unternehmensschicht: Mission, Org Chart, Ziele, Tickets, Heartbeats, Budgets und Governance.
Agent Runtime
Tools, Skills, Memory, Provider, Messenger, Cron und Delegation für echte Arbeit.
Control Plane
Organisation, Ziele, Aufgaben, Berichtslinien, Heartbeats, Kosten und Freigaben.
Artefakt-Wahrheit
Code, Dokumente und Ergebnisse versioniert außerhalb flüchtiger Chats.
Deterministische Schicht
Events, Filter, Validierung und wiederholbare Berechnungen ohne unnötige LLM-Aufrufe.
Betriebswahrheit
Kosten, Fehler, Latenz, Akzeptanz und Eingriffe über Agent und Workflow sichtbar.
Ziele und Verantwortung
Strategie, Kapital, Recht, Beziehungen, Freigaben und Abschaltung bleiben accountable.
5. Baue ein Gedächtnis, das korrigierbar bleibt
Agentenmemory ist nützlich, weil Präferenzen, Umgebungsdetails und erprobte Wege nicht jedes Mal neu erklärt werden. Es wird gefährlich, wenn Vermutungen zu Fakten werden, mehrere Kundenkontexte sich mischen oder alte Regeln neue Entscheidungen überschreiben.
- Kunden- und Rollenmemory standardmäßig trennen.
- Fakten brauchen Quelle oder wenigstens nachvollziehbaren Ursprung.
- Widersprüche ersetzen alte Fakten, statt beide kommentarlos zu laden.
- Skills dürfen keine unsichtbare Geschäftsregel werden; wichtige Änderungen brauchen Review.
| Wissensart | Ort | Lebenszyklus |
|---|---|---|
| Stabile Nutzer-/Umgebungsfakten | Hermes Memory | Korrigieren, konsolidieren, begrenzen |
| Verfahren | Skills / SOPs | Versionieren, testen, bei Änderungen aktualisieren |
| Unternehmensziel und Rolle | Paperclip Company/Agent Config | Freigabepflichtige Revision |
| Aktuelle Arbeit | Tickets und Session | Abschließen, zusammenfassen, archivieren |
| Fachliche Quelle | Dokument-/Datenbasis | Quelle, Datum, Owner und Gültigkeit erhalten |
| Secret | Secret Store | Nie als Memory; rotieren und minimal injizieren |
6. Datenzugriff ist Produktdesign
Ein AI-native Prozess ist nur so gut wie sein Berechtigungsmodell. Vollzugriff beschleunigt den ersten Demo-Tag und erzeugt später den größten Umbau. Trenne lesen, vorbereiten, schreiben, veröffentlichen und löschen als eigene Rechte. Verwende pro Agent, Kunde und Umgebung unterschiedliche Identitäten.
- Least Privilege: nur benötigte Ordner, Tabellen, Postfächer und API-Aktionen.
- Mandantentrennung: eigener Workspace, Hermes-Home, Secrets und Kostenkontext je Kunde.
- Datensparsamkeit: nur relevante Felder in den Prompt; Rohdaten lokal vorfiltern.
- Retention: Sessions, Tool-Outputs und Logs nicht unbegrenzt sammeln.
- Prompt-Injection: externe Inhalte sind Daten, keine Systemanweisung.
- Exfiltration: ausgehende Domains, Downloads und Uploads kontrollieren.
7. Governance vor Autonomie: fünf Gates
Governance muss den normalen Arbeitsfluss nicht lähmen. Gute Gates liegen an den Stellen mit asymmetrischem Risiko. Ein Agent darf hundert interne Entwürfe speichern, aber keine Kampagne veröffentlichen; er darf Testcode ändern, aber nicht Produktion deployen; er darf einen neuen Skill vorschlagen, aber keine Sicherheitsregel selbst abschaffen.
| Gate | Menschliche Entscheidung |
|---|---|
| Ziel-Gate | Darf dieses Ziel verfolgt werden und wie wird Erfolg gemessen? |
| Daten-Gate | Welche Daten und Systeme darf die Rolle lesen oder verändern? |
| Budget-Gate | Welcher Verbrauch ist pro Lauf, Monat und Ergebnis akzeptabel? |
| Aktions-Gate | Welche externen, finanziellen, öffentlichen oder irreversiblen Schritte brauchen Freigabe? |
| Lern-Gate | Welche neue Memory-/Skill-Regel darf dauerhaft werden? |
8. Unit Economics für Agentenarbeit
Miss nicht „Kosten pro Agent“. Miss Kosten pro akzeptiertem Outcome. Dazu gehören Modell, Tools, Infrastruktur, menschlicher Review, Fehlerbehebung und Rückabwicklung. Setze diese Summe gegen heutigen Prozessaufwand, Geschwindigkeit, zusätzliche Kapazität und Qualitätsgewinn.
- Ein günstigeres Modell ist nur besser, wenn Akzeptanz und Reviewzeit nicht einbrechen.
- Agenten ohne ankommende Arbeit brauchen keine häufigen Heartbeats.
- Stabile Schritte nach einigen Läufen in Code oder feste Templates überführen.
- Workflows ohne nachweisliche Nutzung entfernen, auch wenn sie technisch beeindruckend sind.
| Kennzahl | Warum sie zählt |
|---|---|
| Kosten pro akzeptiertem Artefakt | Verbindet Verbrauch mit nutzbarer Qualität |
| First-pass acceptance | Zeigt, ob der Agent ohne Korrekturschleife liefert |
| Human review minutes | Verhindert versteckte Verlagerung der Arbeit |
| Cycle time | Misst den eigentlichen Geschwindigkeitsvorteil |
| Exception rate | Zeigt, wie oft der Standardprozess nicht genügt |
| Rollback / incident cost | Macht seltene, teure Fehler sichtbar |
9. Der Mensch im System ist kein Versagen
Human-in-the-loop wird oft als Übergangszustand beschrieben. In vielen Geschäftsprozessen ist es das richtige Enddesign. Der Mensch übernimmt nicht jede mechanische Übergabe, sondern die wenigen Entscheidungen mit hohem Kontext, Beziehung oder Haftung. Die Agenten bereiten diese Entscheidungen so gut vor, dass Freigabe schnell und informiert wird.
Ziele und Kapital
Strategie, Budget, neue Rollen und Risikobereitschaft.
Fachliches Urteil
Sonderfälle, Quellenkonflikte und regulierte Entscheidungen.
Vertrauen und Verhandlung
Kundenbeziehung, Partnerschaft, Führung und schwierige Kommunikation.
Krise und Abschaltung
Unvorhergesehene Auswirkungen, Sicherheitsvorfall und Verantwortung.
10. Eine 90-Tage-Roadmap für die erste AI-native Operating Unit
- 01
Woche 1–2: Outcome und Baseline
Einen Prozess auswählen, heutigen Ablauf beobachten und Zeit, Qualität, Fehler sowie Kosten messen.
- 02
Woche 3–4: Read-only Hermes Pilot
Datenzugriff begrenzen, zehn bis zwanzig Fälle ausführen und Fehlerkategorien dokumentieren.
- 03
Woche 5–6: Skill und Trigger
Stabiles Verfahren als Skill/SOP sichern, deterministische Vorfilter und einen kontrollierten Zeitplan ergänzen.
- 04
Woche 7–8: Begrenzte Aktion
Reversible Schreibaktion mit Freigabe, Idempotenz und Audit einführen.
- 05
Woche 9–10: Zweite Rolle
Nur wenn ein echter Engpass besteht, unabhängigen Reviewer oder spezialisierten Agenten ergänzen.
- 06
Woche 11: Paperclip / Control Plane
Bei mehreren Rollen Ziele, Tickets, Budgets und Heartbeats strukturiert orchestrieren.
- 07
Woche 12: Betriebsreview
Outcome, First-pass acceptance, Kosten, Reviewzeit, Zwischenfälle und Datenrechte gegen die Baseline bewerten.
Wie eine AI-native Beratung konkret aussehen sollte
Gute Beratung verkauft nicht zuerst Agentenlizenzen oder eine große Zielarchitektur. Sie beginnt mit Prozessaufnahme, Outcome-Baseline und Datenfluss. Danach entsteht ein kleiner Pilot, dessen Quellcode, Konfiguration, Skills, Messwerte und Betriebsdokumentation beim Unternehmen bleiben.
- Use-Case- und Risiko-Workshop mit priorisierter Opportunity Map.
- Architekturentscheidung: VPS, lokaler Stack, Bedrock, Foundry oder Hybrid.
- Hermes-Setup mit Memory-, Skill-, Gateway- und Berechtigungsdesign.
- Paperclip-Company nur bei echtem Multi-Agent-Bedarf.
- Pilot inklusive Tests, Budget, Monitoring, Backup, Runbook und Kill-Switch.
- Enablement: Team versteht Betrieb und kann Prompts, Skills und Rollen selbst ändern.
- 30-Tage-Review mit Entscheidung über Ausbau, Vereinfachung oder Stopp.
HermesCoach arbeitet genau an dieser Grenze zwischen beeindruckender Demo und verantwortbarem Betrieb. Das Ziel ist nicht, möglichst viel KI einzubauen. Das Ziel ist eine kleinere, klarere Organisation, in der Agenten messbar Arbeit übernehmen und Menschen bessere Entscheidungen treffen.
Häufige Fragen
Was bedeutet AI-native Company?
Ist eine Zero-Human-Company rechtlich möglich?
Welche Rolle spielt Hermes?
Wann brauche ich Paperclip?
Wie lange dauert ein sinnvoller Pilot?
Welche Prozesse sollte ich nicht zuerst automatisieren?
Quellen, Methodik und Aktualität
Dieser Beitrag wurde aus praktischer Arbeit mit Hermes Agent und den unten verlinkten Primärquellen erstellt. Produktstände ändern sich schnell; Versions- und Befehlsangaben wurden zuletzt am geprüft.
- Hermes Agent – User Stories & Use Cases – Nous Research
- Hermes Agent Dokumentation – Nous Research
- Paperclip – Open Source Agent Orchestration – Paperclip
- Paperclip – Adapters Overview – Paperclip
- EU AI Act – official regulatory framework – European Commission