Willkommen an die 146 neuen Smart Chiefs, die diesen Newsletter neuerdings lesen. Viel Spaß!

Ich war im Urlaub. Und jetzt bin ich endlich wieder da. Vielleicht hast du mich vermisst, vielleicht ist dir die Pause gar nicht aufgefallen, so oder so: schön, wieder hier zu sein.

Während ich weg war, ist mir ein Satz nicht aus dem Kopf gegangen, auch wenn er inzwischen schon fast einen Monat alt ist. Sam Altman hat ihn in einem Podcast gesagt:

Die News ist nicht mehr taufrisch, aber sie hat mich nicht mehr losgelassen. Umso mehr will ich noch mal darauf zurückkommen, denn es gibt an dem Satz ein paar Aspekte, über die wir reden müssen, vor allem in der Praxis.

Gemeint hat Altman kein neues Feature. Er meinte die Singularität. Den Punkt, an dem KI sich selbst so schnell verbessert, dass wir Menschen nicht mehr zuverlässig verstehen, vorhersagen oder kontrollieren können, was als Nächstes passiert.

Bevor du jetzt denkst, schon wieder so eine steile Ansage aus dem Silicon Valley: Die meisten Fachleute, die ich dazu gelesen habe, widersprechen ihm. Stuart Russell von der UC Berkeley glaubt nicht mal, dass Altman selbst das wirklich meint. Der Informatikprofessor Roman Yampolskiy sagt trocken, rasanter Fortschritt sei nicht automatisch die Singularität.

Warum erzähle ich dir das ausgerechnet in einem Text über Agentic AI? Weil ich finde: Die Singularitäts-Debatte ist die große Schlagzeile. Sie lenkt aber von der kleineren, viel konkreteren Frage ab, die du diese Woche tatsächlich beantworten musst. Behältst du die Kontrolle über den Agenten, den dein Team eingesetzt hat, während du im Urlaub warst? Mit genau dieser Frage habe ich mich beschäftigt. Ich habe dir sechs Antworten mitgebracht, aus der Praxis, nicht aus der Theorie.

Heute im Smart Chiefs Newsletter:

Work smart, not hard.
Deine Laura

Bei ChatGPT kommst du mit einer spontanen Frage oft erstaunlich weit. Bei einem Agenten, der dauerhaft Aufgaben übernimmt, funktioniert das nicht. Sobald ein System eigenständig arbeiten soll, muss klar sein: Wofür ist es zuständig, welche Informationen darf es nutzen, wann endet seine Aufgabe.

„Beobachte unseren Markt und halte uns auf dem Laufenden" ist für einen Agenten zu unpräzise. „Prüfe jeden Montag diese Rohstoffpreise, beobachte diese Liste von Wettbewerbern und markiere Abweichungen über 5 Prozent" funktioniert.

Stell dir vor, du sagst einer neuen Kollegin an ihrem ersten Arbeitstag: „Kümmere dich mal um die Marktdaten." Das würde niemand tun. Bei einem Agenten sollte es genauso wenig reichen. Aus meiner Sicht kippen die meisten Agenten-Projekte schon in dieser ersten Woche, lange bevor irgendein technisches Problem auftaucht.

Ein neuer Agent sollte nicht am ersten Tag produktiv laufen. Sinnvoller ist ein Testbetrieb: Der Agent bearbeitet reale Aufgaben in einer Sandbox, seine Ergebnisse werden aber erst mal nur mit der bisherigen Arbeitsweise verglichen. Hätte er dieselben Dokumente ausgewählt? Wären dieselben Entscheidungen gefallen? Wie hoch ist die tatsächliche Fehlerquote?

Erst wenn das über längere Zeit stabil bleibt, bekommt der Agent mehr Verantwortung. Zuerst bereitet er vielleicht nur Antworten vor. Dann verschickt er Standardantworten nach Freigabe. Erst danach übernimmt er klar definierte Fälle komplett selbstständig. Niemand gibt einem Fahranfänger am ersten Tag den Autobahn-Schlüssel. Bei Agenten gilt dasselbe Prinzip.

Agentic AI ist stark, wenn Prozesse nach ähnlichen Mustern ablaufen und ein großer Teil der Fälle unkritisch ist. Schwierig wird es, wenn Informationen widersprüchlich sind, Interessen kollidieren oder eine Entscheidung weitreichende Folgen hat.

Das Ziel sollte deshalb nicht die vollständige Automatisierung eines Prozesses sein. Es reicht oft völlig, wenn ein Agent die 70 oder 80 Prozent übernimmt, die zuverlässig nach klaren Regeln laufen. Die anspruchsvollen Ausnahmen landen bei deinen Fachleuten. In produzierenden Unternehmen sehe ich das ständig: Ein Agent prüft, ob Lieferantendokumente vollständig sind, erkennt fehlende Nachweise, überwacht Qualitätsdaten. Tauchen ungewöhnliche Abweichungen auf, übernimmt ein Mensch. Genau dort zählen Erfahrung und Urteilsvermögen.

Der Unternehmer-Takeaway: Du musst nicht jeden Prozess zu Ende automatisieren, um enorm viel Zeit zu sparen.

Viele Unternehmen schauen bei KI vor allem aufs Endergebnis. Klingt die Antwort plausibel, scheint alles in Ordnung. Bei Agenten reicht das nicht. Ein Ergebnis kann zufällig richtig sein, obwohl der Agent ungeeignete Quellen genutzt, interne Regeln ignoriert oder unnötig viele Schritte gemacht hat.

Deshalb muss bei Agentic AI auch der Weg dorthin nachvollziehbar sein. Welche Quellen wurden verwendet? Welche Annahmen getroffen? Welche Zwischenschritte durchlaufen? Gute Agenten zeichnen sich vor allem dadurch aus, dass sie berechenbar bleiben, auch im Fehlerfall.

Ein Punkt, den ich bei Agenten lange unterschätzt habe: Gedächtnis ist nicht automatisch gut. Stell dir einen Mitarbeiter mit einem kleinen Whiteboard vor statt mit einem riesigen Archivraum. Nicht jede Information bleibt relevant. Manche Daten zählen nur für eine einzelne Aufgabe, andere verändern sich ständig.

Produktrezepte, Qualitätsvorgaben oder feste Prozessabläufe gehören ins dauerhafte Unternehmenswissen. Temporäre Abstimmungen oder einmalige Ausnahmen eher nicht. Der eigentliche Mehrwert entsteht oft erst, wenn ein Agent Informationen aus getrennten Bereichen zusammenführt: Rohstoffpreise aus dem Einkauf, Qualitätswerte aus der Produktion, Reklamationen aus dem Kundenservice, Nachfrageschwankungen aus dem Vertrieb. So kann er früh erkennen, dass diese Dinge zusammenhängen, lange bevor aus einer kleinen Abweichung ein echtes Problem wird. Er wird zum Frühwarnsystem für deine gesamte Wertschöpfungskette.

„Human in the Loop" bedeutet nicht, dass dauerhaft jemand neben dem Agenten sitzt und jede einzelne Aktion überwacht. Das wäre auf Dauer weder effizient noch praktikabel. Je besser du deine Agenten anlernst und je gründlicher du vorher deine Hausaufgaben machst, desto treffsicherer arbeiten sie später, ganz ohne dass du ständig danebenstehst.

Ob wir irgendwann wirklich die Singularität erreichen, weiß ich nicht, und ehrlich gesagt beschäftigt mich das gerade auch weniger. Diese sechs Prinzipien helfen dir schon heute, unabhängig von jeder Zukunftsprognose aus dem Silicon Valley.

Schreib mir zurück: Welcher deiner Prozesse würde sich als Erstes für einen Agenten im Testbetrieb eignen? Und wem in deinem Team würdest du zutrauen, die Stellenbeschreibung für einen Agenten zu schreiben? Ich bin gespannt auf deine Antworten.

Work smart, not hard.
Deine Laura

PS: Du hast in dem Text gemerkt, dass es wieder Updates gibt, von denen auch ich noch nichts weiß? Schreib mir eine E-Mail. Und: Teile diesen Newsletter mit anderen Smart Chiefs. Noch immer made by humans ❤️

Ironie am Rande: Während wir uns gerade fragen, wie wir KI-Agenten in Vertrieb, Einkauf oder Kundenservice kontrolliert einsetzen, läuft in vielen Unternehmen die einfachste Form von Agentic AI längst mittendrin, in der Buchhaltung. 2016 hast du deine Rechnungen noch in Word getippt. 2026 schreibt, bucht und erinnert sie ein Agent für dich. Genau das macht Sage Active.

Kein Word, kein Excel mehr für Angebote, Rechnungen und Buchhaltung, alles läuft in einer Cloud. Eine Rechnung raus, sie wird automatisch gebucht, offene Posten hast du immer im Blick. Der KI-Assistent Sage Copilot erkennt Belege, bucht sie und meldet dir, wenn etwas fällig wird. E-Rechnungen im Format XRechnung oder ZUGFeRD liest das System direkt ein, kein manuelles Abtippen mehr.

Ist im Grunde Prinzip 1 und 3 von oben, nur schon fertig gebaut: eine klar definierte Aufgabe, die der Agent zuverlässig übernimmt, während die Ausnahmen (und die Unterschrift) bei dir bleiben. Mehr dazu findest du hier.

☠️ OpenAI hat sein „Preparedness"-Team aufgelöst – genau das Team, das eigentlich vor katastrophalen KI-Risiken warnen sollte, ist im Zuge eines Umbaus vor dem geplanten IPO verschwunden. Passt ziemlich genau zur Frage von oben: Wer kontrolliert hier eigentlich wen? Mehr bei Engadget

📘 Buch: „The Five-Year Century" – Mihir Shukla und Nancy Hauge haben gerade einen nationalen Bestseller gelandet, mit einem Leadership-Playbook fürs KI-Zeitalter. Noch nicht gelesen, aber auf meiner Liste. Bei Amazon

🤖 ChatGPT kann jetzt nicht nur zusammenfassen, sondern vorhersagen – aus reinen Datenmengen Prognosen ableiten, das ist ein anderes Level als „fass mir das nochmal zusammen". Relevant für jede Entscheidung, bei der du sonst wochenlang auf den nächsten Report wartest. Bei The Neuron

🎬 MIT Sloan: „Agentic AI – What Leaders Wish They Knew Sooner" – ein Video genau zum heutigen Thema, direkt vom MIT Sloan Management Review. Gute Ergänzung zu den sechs Prinzipien oben. Bei MIT SMR

🎙 Growth Playbook: von 0 auf Millionen Nutzer – Matt Swulinski, ehemaliger Head of Growth bei Wispr Flow, bricht in einem Podcast, der gerade auf Social Media die Runde macht, herunter, was es wirklich braucht, um ein Produkt auf Millionen Nutzer zu skalieren. Playbook nachlesen oder Podcast anhören

Und wie immer: Wie hat dir der Newsletter heute gefallen?

Dieser Newsletter enthält Affiliate Links. Wenn Du auf diese Links klickst und einen Kauf tätigst, erhalte ich eine Provision. Für Dich entstehen dabei keine zusätzlichen Kosten. Meine Partner wähle ich mit großer Sorgfalt aus.

Wurde diese E-Mail an dich weitergeleitet? Sign up here.

Hast du eine Idee oder Frage an mich? [email protected].