Ein Kunde fragt nach einem Angebot für 200 Schaltschrankgehäuse, lackiert in seiner Firmenfarbe. Der KI-Assistent findet das Gehäuse im ERP. Den Aufschlag für die Lackierung findet er nicht, der steht in einer Excel-Liste auf dem Laufwerk der Vertriebsleitung. Und dass dieser Kunde seit Jahren drei Prozent Rabatt bekommt, weiß nur die Kollegin, die ihn betreut.
Das Angebot, das der Assistent liefert, ist sauber formuliert und trotzdem falsch. Am Sprachmodell liegt das selten. Es arbeitet mit dem, was es sehen kann. In vielen Unternehmen ist das nur ein Bruchteil dessen, was die Mitarbeitenden wissen.
In diesem Beitrag geht es darum, was „der richtige Input“ für Assistants und Agents konkret bedeutet, warum Agents dabei strenger sind als Assistants und wie Sie in fünf Schritten herausfinden, welches Wissen für einen Prozess fehlt.
„Ein KI-Agent ist nur so gut wie das Wissen, an das er herankommt. Wie Unternehmen Dateninseln verbinden und in fünf Schritten den richtigen Input schaffen."
Die Zahlen dahinter
Laut Bitkom setzen 2026 erstmals 57 Prozent der Unternehmen in Deutschland KI ein, nach 36 Prozent im Vorjahr. Im internen Wissensmanagement hat sich der Anteil in einem Jahr von 11 auf 22 Prozent verdoppelt. Bei KI-Agenten stehen die meisten noch am Anfang: Von den Unternehmen, die KI nutzen oder planen, setzen 11 Prozent bereits Agenten ein, 29 Prozent planen es.
Interessanter ist, wo das Geld hingeht. Die Hälfte der KI-Anwender nennt die Aufbereitung von Daten als großen Kostenpunkt. Das passt zu einer Prognose, die Gartner Anfang 2025 veröffentlicht hat: Bis Ende 2026 werden Unternehmen 60 Prozent der KI-Projekte aufgeben, denen keine KI-tauglichen Daten zugrunde liegen. In der zugehörigen Befragung gaben 63 Prozent der Datenverantwortlichen an, dass ihnen passende Datenpraktiken für KI fehlen oder sie es nicht wissen.
Assistant oder Agent: Warum der Unterschied beim Input zählt
Beide Begriffe werden oft gleich verwendet. Für die Frage nach dem Input lohnt es sich, sie zu trennen:
| Assistant | Agent | |
|---|---|---|
| Was er tut | beantwortet Fragen, schreibt Entwürfe, fasst zusammen | erledigt mehrere Schritte selbst und arbeitet dabei in Ihren Systemen |
| Wer handelt | ein Mensch prüft das Ergebnis und entscheidet | der Agent, an festgelegten Stellen mit Freigabe durch einen Menschen |
| Folge von schlechtem Input | eine falsche Antwort, die jemand bemerken kann | eine falsche Handlung, etwa ein Angebot mit falschem Preis im Postfach des Kunden |
Je mehr ein System selbst tut, desto weniger fängt ein Mensch fehlendes Wissen ab. Ein Assistent mit lückenhaftem Zugriff ist lästig. Ein Agent mit lückenhaftem Zugriff ist ein Risiko.
Was „der richtige Input“ konkret heißt
Mehr Daten sind nicht automatisch besser. Damit ein Assistant oder Agent mit Unternehmenswissen gut arbeitet, muss dieses Wissen vier Bedingungen erfüllen:
- Erreichbar. Das System kommt technisch an die Information heran, über eine Schnittstelle, einen Export oder eine angebundene Ablage. Was nur im Kopf oder im persönlichen Postfach liegt, existiert für die KI nicht.
- Eindeutig. Es gibt eine gültige Version. Drei Preislisten mit unterschiedlichem Stand führen zu drei möglichen Antworten. Dazu gehören auch Begriffe: Dieselbe Abkürzung kann in zwei Abteilungen etwas anderes bedeuten.
- Aktuell. Jemand ist dafür zuständig, dass die Information stimmt. Ohne diese Zuständigkeit veraltet jede Wissensbasis, meist unbemerkt.
- Berechtigt. Das System sieht nur, was die Person, für die es arbeitet, auch sehen darf. Gehaltsdaten gehören nicht in die Antwort auf eine Vertriebsfrage.
Eine wissenschaftliche Interviewstudie aus dem Jahr 2025 mit 13 Praktikern aus der Industrie kommt zu einem ähnlichen Bild. Die Befragten nennen die Datenaufbereitung als zentrale Herausforderung für KI-Systeme, die auf Unternehmenswissen zugreifen. Die Daten liegen verstreut in verschiedenen Systemen und Formaten, und nicht jeder Nutzer soll auf alles zugreifen dürfen.
Das Wissen, das in keinem System steht
Die größte Lücke liegt selten in der Technik. Sie liegt in Regeln, die nie jemand aufgeschrieben hat: welcher Kunde welche Sonderkonditionen bekommt, ab welcher Menge die Produktion gefragt werden muss, welche Reklamation ohne Rücksprache ersetzt wird.
Solange ein erfahrener Mensch diese Fälle bearbeitet, fällt das nicht auf. Sobald ein Agent sie übernehmen soll, wird jede ungeschriebene Ausnahme zum Fehler. Diese Regeln müssen deshalb dort stehen, wo das System sie lesen kann. Eine Regel im Handbuch hilft dem Agenten nicht. Eine Regel im System schon.
Was wir in Projekten regelmäßig sehen
Wenn wir mit Unternehmen aufzeichnen, welches Wissen für einen Angebotsprozess wo liegt, taucht fast immer dasselbe Muster auf: Die Grunddaten liegen sauber im ERP. Die Entscheidungsregeln liegen woanders.
Sonderkonditionen in einer Excel-Liste, die eine einzelne Person pflegt. Aufschläge, die jemand im Kopf hat, weil sie sich nie geändert haben. Lieferzeiten, die offiziell in der Planung stehen und inoffiziell davon abhängen, wen man in der Produktion fragt. Nichts davon ist ein Versäumnis. Es ist über Jahre gewachsene Praxis, die funktioniert, solange erfahrene Menschen sie tragen.
Auffällig ist, wie oft die Beteiligten selbst überrascht sind. Weniger von der einzelnen Lücke als von der Menge.
Verbinden statt umziehen
Viele Unternehmen gehen davon aus, dass sie vor dem ersten Agenten alle Daten in ein zentrales System bringen müssen. Das ist meist weder nötig noch realistisch. Assistants und Agents können heute über Schnittstellen auf mehrere Quellen zugreifen, ohne dass die Daten umziehen.
Dafür hat sich mit dem Model Context Protocol ein offener Standard etabliert, den inzwischen eine Stiftung unter dem Dach der Linux Foundation weiterentwickelt. Er beschreibt, wie KI-Anwendungen an Datenquellen und Werkzeuge angebunden werden. Die Grenze ist trotzdem klar: Eine Schnittstelle macht Wissen erreichbar, aber nicht eindeutig oder aktuell. Wer schlechte Daten anbindet, verteilt sie nur schneller.
In fünf Schritten zum richtigen Input
- Mit einem Prozess anfangen. Wählen Sie eine Aufgabe, die oft vorkommt und klar beginnt und endet: Angebot, Reklamation, Serviceanfrage. Nicht „alle Daten“.
- Eine Wissenslandkarte zeichnen. Welche Information braucht ein erfahrener Mitarbeiter für diese Aufgabe? Wo liegt sie heute, und wer pflegt sie?
- Eine gültige Quelle pro Information festlegen. Wenn es zwei Preislisten gibt, entscheiden Sie, welche gilt, und schalten Sie die andere ab.
- Ungeschriebene Regeln aufschreiben. Fragen Sie die Menschen, die den Prozess heute erledigen: „Wann weichst du vom Standard ab?“ Jede Antwort ist eine Regel, die ins System gehört.
- Rechte und Freigaben klären. Was darf das System lesen, was darf es tun, und an welcher Stelle entscheidet ein Mensch?
Messen Sie vorher, wie lange der Prozess heute dauert und wie oft nachgebessert werden muss. Nur dann sehen Sie später, ob der Agent wirklich etwas verändert hat.
Wann sich der Aufwand noch nicht lohnt
Für Aufgaben, die nur wenige Male im Jahr vorkommen, ist die Wissenslandkarte oft teurer als der Nutzen. Dasselbe gilt für Wissen, das sich täglich ändert und für das niemand zuständig ist. Dann ist zuerst eine organisatorische Frage zu klären, keine technische.
Häufige Fragen
Was ist der Unterschied zwischen KI-Assistent und KI-Agent? Ein Assistent liefert Antworten und Entwürfe, über die ein Mensch entscheidet. Ein Agent erledigt Arbeitsschritte selbst und greift dafür auf Systeme zu.
Brauchen wir zuerst ein zentrales Datensystem? Meist nicht. Wichtiger ist, dass die Informationen für einen Prozess erreichbar, eindeutig, aktuell und richtig berechtigt sind.
Lassen Sie uns reden.
Sie möchten einen Assistenten oder Agenten einsetzen und wissen nicht, ob Ihr Wissen dafür bereit ist? Wir zeichnen die Wissenslandkarte für einen Ihrer Prozesse gemeinsam und zeigen, wo die Lücken liegen.
Quellen: Bitkom, Presseinformation „Erstmals nutzt die Mehrheit der Unternehmen KI“, 14.09.2026 (603 Unternehmen ab 20 Beschäftigten). Gartner, Pressemitteilung „Lack of AI-Ready Data Puts AI Projects at Risk“, 26.02.2025 (1.203 Data-Management-Verantwortliche). Brehme et al.: „Retrieval-Augmented Generation in Industry: An Interview Study“, KDIR 2025.




