Kontext und Koordination: Die fehlende Schicht in der Unternehmensautomatisierung

Die meisten Unternehmen verfügen über viel Automatisierung, aber wenig Transformation. Die Pilotprojekte funktionierten. Die Bots laufen. Die Produktivitätskurve flachte trotzdem ab. Das ist die am häufigsten wiederholte Geschichte im Unternehmensumfeld, und die nächste Welle, Agentic AI, kann dieses Muster endlich durchbrechen – für die Unternehmen, die bereit sind, den Kontext, auf dem diese Systeme laufen, zu gestalten.

Fast niemand behandelt das als Strategie. Ist es.

Ein großes US-Gesundheitsversorgernetzwerk stellte fest, dass die eigentliche Beschränkung nicht die klinische Kapazität war. Es war die Terminplanung, die auf reaktiven Vermutungen beruhte, ohne Sicht darauf, welche Patienten wahrscheinlich einen Termin verpassen würden, bis der Slot bereits leer war. Der Aufbau prädiktiver Modelle auf Basis der Terminhistorie ermöglichte es dem Netzwerk, zu handeln, bevor Lücken entstanden, anstatt im Nachhinein zu hetzen. Die Zahl der nicht erschienenen Patienten sank, der Nettoumsatz stieg und die Zeit für die Termintriage verringerte sich. Der Kontext war bereits in jahrelangen Termindaten vorhanden. Er musste nur noch zusammengeführt und genutzt werden.

Bei allen diesen Projekten trennen dieselben drei Disziplinen – Kern, Kontext und Koordination – Agentic AI, die liefert, von Agentic AI, die stagniert.

Automatisierung des einfachen Teils

Die tiefste Lücke besteht zwischen der Automatisierung von Aufgaben und der Automatisierung von Ergebnissen. Unternehmen automatisieren die einzelnen Schritte – den Rechnungsabgleich, die Dateneingabe, das Status‑Update – und stellen fest, dass die Kosten weiterhin in der Arbeit zwischen den Schritten liegen. Ein Prozess, der größtenteils automatisiert ist, ist nicht größtenteils gelöst. Ein Mensch fügt die Teile weiterhin zusammen und trägt die Verantwortung für das Ergebnis, indem er die Koordinationsarbeit übernimmt, für die keine Automatisierung je entwickelt wurde.

Der Grund ist einfach. Alte Automatisierung folgt Regeln. Sie kann keine Urteilsbildung bewältigen, weil ihr der Kontext fehlt, um Ausnahmen zu lösen, und die Koordination, um sie weiterzugeben. Bots sind im vorhersehbaren Mittelteil makellos und an den Rändern hilflos, und in der realen Arbeit sind die Ränder die eigentliche Aufgabe. Ein Anspruch mit fehlendem Dokument oder einer ungewöhnlichen Klausel stoppt den Bot und aktiviert einen Menschen. Führungskräfte zählen, was automatisiert wurde. Die P&L zählt, was nicht automatisiert wurde.

Warum widersteht der schwierige Teil? Weil dort der Kontext liegt. Der saubere Teil läuft auf ordentlichen Zeilen und Spalten. Der schwierige Teil versteckt sich im Policy‑PDF, im E‑Mail‑Thread, im gescannten Formular, im Anruf‑Transkript, in der Klausel eines Anhangs. McKinsey schätzt, dass etwa 90 % der Unternehmensdaten unstrukturiert sind. Automatisierung, die nur den strukturierten Ausschnitt sieht, ist blind gegenüber dem Großteil der Entscheidung. Die Lösung besteht darin, der Automatisierung zwei Dinge zu geben, die sie nie hatte: Kontext für eine Urteilsentscheidung und Koordination, um diese über Systeme hinweg umzusetzen.

Warum Kontext alles verändert

Agentic AI schließt diese Lücke, weil sie mit Kontext argumentieren kann – etwas, das frühere Generationen der Automatisierung nie konnten. Im Gegensatz zur traditionellen Automatisierung kann ein Agent über Systeme hinweg argumentieren, mit Mehrdeutigkeiten umgehen und sich anpassen, wenn die Realität das Skript bricht. Sie automatisiert die Übergänge zwischen Prozessen ebenso wie die Prozesse selbst.

Damit wird Kontext zur eigentlichen ingenieurtechnischen Herausforderung. Kontext‑Engineering ist die Disziplin, zu bestimmen, was ein Agent wissen muss, diese Informationen aus den richtigen Quellen abzurufen und zum richtigen Zeitpunkt bereitzustellen. Ein Agent kann nur über das argumentieren, was er weiß.

Ein globales Halbleiterunternehmen mit mehr als 30 000 Mitarbeitenden lernte diese Lektion aus erster Hand. Mehr als tausend seiner Verträge lagen verstreut in SharePoint, gemeinsam genutzten Laufwerken und lokalen Ordnern als unstrukturierte PDFs, ohne Möglichkeit, Kündigungsfristen oder Verlängerungsbedingungen zu verfolgen, bevor Fristen erreicht wurden. Das automatische Extrahieren und Interpretieren dieses verborgenen Kontextes verkürzte die Vertragsprüfungszeit, sparte jährlich über 200 Stunden manueller Arbeit und reduzierte das Risiko einer verpassten Verpflichtung. Unternehmens‑KI skaliert nicht durch die Automatisierung weiterer isolierter Aufgaben. Sie skaliert, indem sie den Kontext zusammenführt, der zwischen ihnen liegt.

Automatisierung stagniert weiterhin ohne Koordination

Automatisierung kann perfekten Kontext haben und dennoch stagnieren, wenn dieses Wissen nicht über die Systeme, Teams und Zeitzonen hinweg transportiert werden kann, die ein realer Prozess tatsächlich berührt, und diese Lücke ist nicht hypothetisch. Ein globales Life‑Sciences‑Unternehmen, das etwa 50 000 Beschwerden pro Jahr in vier Regionen bearbeitet, erlebte dies unmittelbar. Beschwerden kamen über getrennte E‑Mails, Portale und Dokumente, und ähnliche Fälle wurden unterschiedlich behandelt, je nachdem, welches Team sie bearbeitete – genau die Art von Inkonsistenz, die Regulierungsbehörden beanstanden. Die Standardisierung in einen koordinierten Workflow sparte mehr als 4 200 Stunden pro Jahr und verkürzte die Lösungszeit um 70 %. Unternehmen, die diese Schicht überspringen, enden mit einer Automatisierung, die gut argumentiert, aber dennoch an denselben Übergaben festhängt, die die alten Systeme zum Stillstand brachten.

Die Governance‑Falle

Automatisierung wurde früher wie Software verwaltet – lizenziert, bereitgestellt und hinsichtlich Verfügbarkeit überwacht. Agentic AI durchbricht dieses Modell, weil in dem Moment, in dem sie beginnt, Entscheidungen zu treffen anstatt sie auszuführen, die reine Zugriffs‑Governance nicht mehr ausreicht. Ein Agent, der ein CRM liest, ein ERP schreibt, eine Zahlung auslöst und einem Kunden Nachrichten sendet, ist kein Werkzeug. Er ist ein Akteur mit Reichweite. Die Frage verschiebt sich von der Sicherheit der Integration hin zu dem, was dieser Agent entscheiden könnte, unter wessen Autorität, mit welcher Nachverfolgung und wer antwortet, wenn er falsch liegt. Die Lösung besteht nicht in weniger Autonomie. Es geht um klare Grenzen, definierte Autorität, eine vollständige Aktionsnachverfolgung und einen benannten Eigentümer für jedes Ergebnis, das ein Agent erzeugt.

Diese Governance muss Aufsicht beinhalten, nicht als Bremse, sondern als Mechanismus, der es einem Agenten ermöglicht, seinen Umfang im Laufe der Zeit sicher zu erweitern. Jede Korrektur zeigt, ob der Agent den richtigen Kontext hatte, und speist eine Schleife, die ihm nach und nach mehr Verantwortung einräumt.

Sie muss zudem die Kontextschicht erreichen, den Teil, den die meisten Teams übersehen. Das Durchforsten unstrukturierter Quellen bedeutet, das darin enthaltene Erbe zu übernehmen: personenbezogene Daten, privilegiertes Material, widersprüchliche Wahrheitsversionen. Ein Agent ist nur so vertrauenswürdig wie die Herkunft des von ihm genutzten Kontexts. Betrachten Sie Kontext als ein gesteuertes Asset mit eingebauten Herkunfts‑, Zugriffs‑ und Aktualitätsregeln, und Automatisierung wird zu einem prüfbaren System statt zu einer Haftungsquelle. Errichten Sie das vor dem unkontrollierten Wachstum, nicht nach einem Vorfall.

Erstes Jahr, anders gestaltet

Die meisten Unternehmen werden dieses Jahr damit verbringen, nach zu automatisierenden Aufgaben zu suchen. Eine kleinere Gruppe wird die Zeit dafür nutzen, zu kartieren, wo Informationen, Verantwortung und Entscheidungen tatsächlich den Besitzer wechseln, und darauf aufbauen, was an diesem Übergabepunkt geschieht.

In zwei Jahren wird es niemanden interessieren, wie viele Agenten ein Unternehmen eingesetzt hat. Die eigentliche Frage wird sein, wer die zugrunde liegende Infrastruktur gebaut hat und wer immer noch Bots an fehlerhafte Übergaben anbringt.