Core vs. Context ist ein kritisches Konzept, über das man nachdenken sollte, wenn man herausfindet, womit Menschen sich mit KI neu aufbauen werden. Unternehmen bringen "Kern"-Funktionen ein, die sie unterscheiden. Das ist, was ihr Kernprodukt oder ihre Dienstleistung ist, wie sie an Kunden verkaufen, Dinge, die ihre Kultur prägen, und so weiter. Im Gegensatz dazu lagern sie den "Kontext" aus, der notwendig ist, um richtig zu funktionieren, aber nur Nachteile bietet, wenn man es falsch macht. Eine einfache Faustregel, um darüber nachzudenken, ist, ob ein Kunde jemals bemerken würde, ob das Unternehmen diese Funktion direkt selbst ausführt oder nicht. Unternehmenssoftware ist fast immer "Kontext". Das sind Bereiche wie ihre CRM- oder HR-Systeme, Infrastruktur, Datenmanagement und so weiter. Diese sind notwendig, um ein Unternehmen in großem Maßstab zu betreiben, aber selten hat man einen Vorteil, wenn man versucht, seine eigene Lösung zu entwickeln. Nur wenige Ausnahmen existieren, und das sind fast immer Situationen, in denen man eine Lösung benötigt, um seinen "Kern" zu bedienen, die kein Anbieter bietet (wie wenn man maßgeschneiderte Software für eine vertikal integrierte Lieferkette benötigt). Egal, wie ein Unternehmen anfängt, es trennt im Laufe der Zeit fast immer Arbeit und Wert zwischen Kern und Kontext. Es ist der einzige Weg, wettbewerbsfähig zu bleiben und schließlich Ressourcen auf die optimalen Bereiche zu verteilen. Selbst wenn ein Unternehmen *könnte*, seine Unternehmenssoftware mit KI neu zu schreiben, würde es das im Grunde einfach nicht tun. Die Versionsupdates, Sicherheits-, Regulierungsfunktionen, Bugs, SLAs, die notwendigen professionellen Dienstleistungen usw. würden es einfach ROI-negativ machen. Wie bucco darauf hinweist, besteht das echte Risiko in besseren Versionen dieser Tools, die KI-first sind. Das ist es, worauf man aus einer Disruptionsperspektive achten sollte.

Toller Thread. Was auch immer ein KI-Agent tun kann, kann auch ausgetrickst werden. Sie sollten davon ausgehen, dass, wenn ein Agent auf Daten zugreifen kann, ein Benutzer diese Daten letztendlich auch erhalten kann. Die Sicherheit des Agenten, Zugriffssteuerungen und deterministische Sicherheitsvorkehrungen werden entscheidend sein.

Es gibt viele Gespräche darüber, wie die Zukunft der Software im Unternehmen aussieht. So denke ich, wird es sich entwickeln. Für deterministische Arbeitsabläufe, bei denen die Kosten für Fehler hoch sind, werden Unternehmen dazu tendieren, Kernplattformen für ihre häufigsten, wichtigsten und wiederholbaren Funktionen in der Organisation auszuwählen. Denken Sie an Lohnabrechnung, ERP, CRM, ITSM, Kundenservice, ECM/Dokumentenmanagement usw. Dies sind Bereiche, in denen Sie möchten, dass etwas jedes Mal auf die gleiche Weise erledigt wird. Jede dieser Plattformen muss von Grund auf AI-first sein, was bedeutet, dass sie Benutzeroberflächen haben werden, die auf die Interaktion mit den Arbeitsabläufen und Daten über KI abgestimmt sind, und vollständig für KI-Agenten ausgelegt sind, um in den Plattformen zu arbeiten. Im Laufe der Zeit können wir erwarten, dass die Nutzung dieser Systeme viel mehr auf KI-Agenten als auf Menschen ausgerichtet ist. Das Sitzplatzmodell bleibt für die Benutzer bestehen, aber der Verbrauch wird das Modell für Agenten. Einige bestehende Unternehmen werden den Endzustand erreichen, aber andere werden sich nicht schnell genug anpassen und aussterben. Es wird dann eine neue Generation von Unternehmen geben, die effektiv nur für Agenten gedacht sind und speziell für die Automatisierung bestimmter Arten von Arbeiten (insbesondere für nicht-deterministische Arbeiten) entwickelt wurden. Ihre Geschäftsmodelle werden noch stärker auf Verbrauch ausgerichtet sein. Denken Sie an Claude Code oder Devins (wahrscheinlich mit einer UI-Schicht zur Verwaltung der Agenten), aber für verschiedene Jobfunktionen. Wir werden wahrscheinlich im Laufe der Zeit Hunderte oder Tausende davon entstehen sehen. Pen-Tests, Programmierung, Fehlerfindung, Compliance-Überprüfungen, Finanzanalysten usw. Dies ist ein riesiger Bereich, in dem Startups gut abschneiden werden, da es in diesen Kategorien tendenziell keine Software-Inkubenten gibt. Wir werden mit diesen verschiedenen Agenten über eine Mischung der Softwareplattformen interagieren, an die sie gebunden sind (wie Box AI oder Agentforce), über APIs in anderen Systemen und horizontale Arbeitsablaufsysteme, die Agenten über Plattformen hinweg zusammenfügen (wie ServiceNow, IBM Watsonx, Google Agentspace usw.). Und natürlich werden Benutzer diese Agenten oft über horizontale Chat-Erlebnisse konsumieren (wie ChatGPT, Claude, Perplexity, Grok, Copilot usw.) über MCP oder andere Arten von direkten Verbindungen. Benutzer werden häufig in diesen horizontalen Chatsystemen arbeiten, die Agenten, Daten und Arbeitsabläufe aus den verschiedenen Agentenplattformen nach Bedarf einbeziehen. Wenn relevant, werden sie in die Kernplattformen springen, um Arbeitsabläufe abzuschließen, Informationen zu überprüfen usw. Es wird auch eine Vielzahl von Erfahrungen geben, bei denen Benutzer Mikro-Apps im Handumdrehen generieren können, wenn sie schnelle Anwendungen oder automatisierte Anwendungsfälle benötigen, wenn es kein offensichtliches Softwarestück dafür gibt. Dies kann direkt in den horizontalen Chatsystemen, in einem Tool wie Replit, Lovable oder in Workflow-Automatisierungstools usw. geschehen. Ich würde erwarten, dass dies mehr für Power-User gedacht ist, die eine Verbindung zwischen mehreren Systemen benötigen oder wo noch keine Software existiert. Das Fazit ist, dass Software im Laufe der Zeit immer wichtiger wird, auch wenn sich die Modalitäten, mit denen wir interagieren, ändern und erweitern. Ähnlich wie wir mühelos zwischen unseren Handys und Desktop-Computern wechseln, obwohl sie leicht konvergieren könnten, wird die Zukunft eine Mischung aus Möglichkeiten bieten, mit Software zu interagieren.

Obwohl faszinierend, ist die Idee, dass KI jede Benutzeroberfläche spontan generiert, wahrscheinlich weniger wahrscheinlich, als die Leute denken. Die Vorteile der Hyperanpassung werden wahrscheinlich nicht die Nachteile überwiegen, dass man jede App jedes Mal neu lernen muss, wenn man sie benutzt, oder die Risiken, dass Dinge auf unerwartete Weise kaputtgehen.

Die Aufteilung der Arbeit von KI-Agenten wird entscheidend sein, um die Wirkung der Agenten zu maximieren. Wir hatten schon lange eine Arbeitsteilung in Organisationen, weil es effektiver ist, wenn einzelne Experten Aufgaben aneinander übergeben, als wenn eine Gruppe von Generalisten versucht, die Dinge jedes Mal anders zu machen. KI-Agenten zeigen dasselbe Muster. Damit KI-Agenten funktionieren, benötigen sie genau den richtigen Kontext über die Aufgabe, die sie zu erledigen versuchen. Das bedeutet ein tiefes Verständnis des Fachgebiets, ein Set an Wissen, auf dem sie aufbauen können, klare Anweisungen und ein Set an Werkzeugen, die sie verwenden können. Zu wenig Kontext und der Agent wird scheitern. Doch ebenso wissen wir, dass, wenn mehr dieser Informationen in das Kontextfenster gelangen, die Modelle suboptimal werden können. Für einen komplexen Geschäftsprozess, wenn Sie alle Dokumentationen, Beschreibungen des Workflows und Anweisungen in das Kontextfenster einfügen, wissen wir, dass dies letztendlich zu Kontextverfall führen kann, was zu schlechteren Ergebnissen führt. Die logische Architektur in der Zukunft besteht dann darin, Agenten in atomare Einheiten zu unterteilen, die den richtigen Arten von Aufgaben entsprechen, und diese Agenten zusammenarbeiten zu lassen, um ihre Arbeit zu erledigen. Wir sehen bereits, dass sich dies effektiv bei Codierungsagenten abspielt. Es gibt immer mehr Beispiele, in denen Menschen Subagenten einrichten, die jeweils spezifische Teile eines Codebases oder eines Servicebereichs besitzen. Jeder Agent ist für einen Teil des Codes verantwortlich, und es gibt agentenfreundliche Dokumentationen für den Code. Wenn dann Arbeit in diesem relevanten Bereich des Codebases benötigt wird, koordiniert ein Orchestrierungsagent mit diesen Subagenten. Wir könnten sehen, dass dieses Muster wahrscheinlich auf fast jeden Bereich der Wissensarbeit in der Zukunft anwendbar ist. Dies wird es ermöglichen, KI-Agenten für weit mehr als nur aufgabenspezifische Anwendungsfälle zu nutzen und ganze Workflows im Unternehmen zu unterstützen. Selbst wenn sich KI-Modelle verbessern, um größere Kontextfenster zu handhaben, und die Intelligenzlevel steigen, ist es nicht offensichtlich, dass diese Architektur jemals wegfällt. Es ist wahrscheinlich, dass die Rolle jedes Agenten sich erweitert, während sich die Fähigkeiten verbessern, aber klare Trennlinien zwischen Subagenten könnten immer zu besseren Ergebnissen führen.

Ursprünglich wurde gedacht, dass ein einzelner KI-Agent beliebig große Arbeitsabläufe bewältigen könnte. Stattdessen scheint das Muster, das funktioniert, darin zu bestehen, Subagenten einzusetzen, die nach Aufgaben spezialisiert sind, um Kontextverfall zu vermeiden. Die Arbeitsteilung von KI-Agenten könnte die Zukunft sein.

Es gibt gerade ein Zeitfenster, in dem KI-Agenten für jede Branche und jedes Gebiet entwickelt werden. Das Handbuch besteht darin, tief in die Kontextgestaltung einzutauchen, die für die Branche oder den speziellen Bereich erforderlich ist, die richtige Benutzererfahrung zu finden, die sich nahtlos in die bestehenden Arbeitsabläufe einfügt, und sich mit den relevanten Datenquellen und Tools zu verbinden. Besonders zu Beginn ist es nützlich, so nah wie möglich an den wichtigsten Kunden zu sein, um herauszufinden, was funktioniert und was nicht, und ständig Verbesserungen vorzunehmen, um sie zurück zur Muttergesellschaft zu bringen. KI entwickelt sich gerade so schnell, dass es einen großen Vorteil bringt, schnelle Updates vorzunehmen und zu sehen, wie sie die Arbeitsabläufe der Kunden verbessern. Es ist auch wichtig, die Agenten so zu bepreisen, dass eine maximale Akzeptanz erreicht wird, mit einfachen Abonnementpreisen oder einem klaren Verbrauchsmodell, und zu erwarten, dass man die Kostensenkungen durch die Effizienz der KI ausnutzt. Sei jetzt nicht zu gierig bei den Preisen, da der Marktanteil wahrscheinlich am wichtigsten ist. Es kann hilfreich sein, Anwendungsfälle anzugehen, die durch die Verfügbarkeit oder hohe Kosten von Talenten eingeschränkt sind. Das bedeutet, dass jeder inkrementelle Produktivitätszuwachs in diesen Bereichen eine hohe Rendite für den Kunden bietet. In diesen Bereichen sind die Kunden immer bereit, KI-Agenten auszuprobieren, um endlich ihre Probleme zu lösen. Deshalb nehmen KI-Coding-Agenten, Sicherheitsagenten oder Rechtsagenten gerade an Fahrt auf. Dies sind alles Bereiche, in denen die Nachfrage nach Problemlösungen immer das verfügbare Talent überstiegen hat. Aber jede Branche hat Beispiele dafür. Es gibt gerade einen klaren Moment, in dem die nächste Generation dieser KI-Agenten in jedem Bereich entwickelt wird.

Wenn Sie sich vorstellen, dass jede Jobfunktion und jeder Workflow einen KI-Agenten als Gegenstück haben wird, um die Arbeit zu automatisieren, ist es klar, dass wir uns in den frühesten Phasen der KI-Welle befinden. Jede Branche und Geschäftslinie stellt eine neue Markt-Kategorie und ein brandneues TAM dar, das zuvor nicht existierte.

Die Arbeitsteilung für KI-Agenten wird entscheidend sein, um die Wirkung von Agenten in allen Bereichen der Wissensarbeit zu maximieren. Wir haben schon lange eine Arbeitsteilung in Organisationen, weil sich herausstellt, dass es effektiver ist, wenn einzelne Experten Aufgaben aneinander übergeben, als wenn eine Gruppe von Generalisten versucht, Dinge jedes Mal auf eine andere Weise zu erledigen. KI-Agenten zeigen dasselbe dynamische Verhalten. Damit KI-Agenten funktionieren, benötigen sie genau den richtigen Kontext über die Aufgabe, die sie zu erledigen versuchen. Das bedeutet ein tiefes Fachverständnis, einen Wissensbestand, auf den sie zurückgreifen können, klare Anweisungen und eine Reihe von Werkzeugen, die sie verwenden können. Zu wenig Kontext und der Agent wird scheitern. Doch ebenso wissen wir, dass, wenn mehr dieser Informationen in das Kontextfenster gelangen, die Modelle suboptimal werden können. Für einen komplexen Geschäftsprozess, wenn Sie alle Dokumentationen, Beschreibungen des Workflows und Anweisungen in das Kontextfenster einfügen, wissen wir, dass der Agent schließlich verwirrt wird und schlechtere Ergebnisse liefert. Die logische Architektur wird dann in der Zukunft darin bestehen, Agenten in atomare Einheiten zu unterteilen, die den richtigen Arten von Aufgaben entsprechen, und diese Agenten dann zusammenarbeiten zu lassen, um ihre Arbeit zu erledigen. Wir sehen bereits, dass sich dies effektiv bei Codierungsagenten abspielt. Es gibt immer mehr Beispiele, in denen Menschen Subagenten einrichten, die jeweils spezifische Teile eines Codebases oder eines Servicebereichs besitzen. Jeder Agent ist für einen Teil des Codes verantwortlich, und es gibt agentenfreundliche Dokumentationen für den Code. Wenn dann Arbeit in diesem relevanten Bereich des Codebases benötigt wird, koordiniert ein Orchestrierungsagent mit diesen Subagenten. Wir könnten sehen, dass dieses Muster wahrscheinlich auf fast jeden Bereich der Wissensarbeit in der Zukunft anwendbar ist. Dies wird es ermöglichen, KI-Agenten für weit mehr als nur aufgabenbezogene Anwendungsfälle zu nutzen und ganze Workflows im Unternehmen zu unterstützen. Selbst wenn sich KI-Modelle verbessern, um größere Kontextfenster zu handhaben, und die Intelligenzlevel steigen, ist es nicht offensichtlich, dass diese Architektur jemals wegfällt. Es ist wahrscheinlich, dass die Rolle jedes Agenten sich erweitert, während sich die Fähigkeiten verbessern, aber klare Trennlinien zwischen Subagenten könnten immer zu besseren Ergebnissen führen.

Die Aufteilung der Arbeit von KI-Agenten könnte der menschlichen Arbeitsteilung entsprechen. Menschen verwenden Subagenten, die spezifische Mikrodienste in einem Code-Basis besitzen. Jeder Dienst hat agentenfreundliche Dokumentationen, die er fortlaufend aktualisiert. Auf diese Weise optimierst du, was im Kontextfenster ist. Die Zukunft ist verrückt.