Agent Enablement: Was KI-Agenten an Kontext brauchen

Wenn ein KI-Agent im Unternehmen schlechte Ergebnisse liefert, fällt der erste Verdacht fast immer auf das Modell. Zu klein, zu alt, zu wenig spezialisiert. Also wird das nächste Modell getestet, dann ein feinjustiertes, dann ein anderer Anbieter. Die Ergebnisse werden etwas besser formuliert und bleiben in der Sache gleich falsch.

Warum die Annahme naheliegt

Sie ist verständlich. Modelle sind das Sichtbarste an KI, sie werden in Benchmarks verglichen, und jede neue Version ist tatsächlich besser als die vorige. In einer Demo mit öffentlichem Wissen beantwortet ein aktuelles Modell fast jede Frage beeindruckend. Wer das gesehen hat, sucht den Fehler im eigenen Projekt zuerst bei der Technik.

Die Zahlen sprechen allerdings eine andere Sprache. 95 Prozent der KI-Piloten zeigen keinen messbaren ROI (MIT NANDA, 2025). Das liegt kaum daran, dass alle das falsche Modell gewählt haben.

Was ein Agent tatsächlich nicht weiß

Ein Agent, der eine Reklamation bearbeiten, eine Bestellung prüfen oder eine Anfrage weiterleiten soll, braucht mehr als Sprachverständnis. Er muss wissen, welche Regel hier gilt, welche Ausnahme ein bestimmter Kunde hat, ab welchem Betrag jemand freigeben muss und wer das ist. Ein Teil davon steht in Dokumenten. Ein großer Teil nicht.

Und selbst was in Dokumenten steht, ist für einen Agenten schwer zu bewerten. Er sieht drei Versionen einer Richtlinie und weiß nicht, welche gilt. Er findet eine Anleitung von 2019 und keinen Hinweis, dass der Prozess längst anders läuft. Ein Mensch mit zehn Jahren Erfahrung erkennt das sofort. Ein Agent nicht.

Hinzu kommt, dass Mitarbeitende längst eigene Wege gehen: Mehr als die Hälfte nutzt private GenAI-Konten für die Arbeit (Gartner, Februar 2026). Wer dem Agenten im Unternehmen keinen besseren Kontext gibt als ein frei verfügbares Werkzeug, verliert diese Nutzer.

Was stattdessen trägt

Agent Enablement heißt in der Praxis, den Kontext so vorzubereiten, wie man ihn einer neuen Fachkraft geben würde, nur expliziter. Vier Dinge machen den Unterschied, und keines davon ist ein Modellwechsel.

Geprüftes Wissen statt aller Dokumente. Jede Information, auf die ein Agent zugreift, hat eine Quelle, eine verantwortliche Person und ein Datum, bis zu dem sie gilt. Was diese drei Angaben nicht hat, kommt nicht in den Kontext.

Erfahrungswissen dort, wo Dokumente aufhören. Die Ausnahmen, Faustregeln und Warnzeichen, die erfahrene Mitarbeitende kennen, werden bei ihnen erfasst, zum Beispiel in kurzen KI-gestützten Interviews, und geprüft, bevor der Agent sie nutzt.

Klare Übergabegrenzen. Der Agent weiß, bei welchen Fällen er nicht entscheidet, sondern an einen Menschen weitergibt, und an wen.

Ein Weg für Korrekturen. Wenn ein Mensch eine Antwort des Agenten korrigiert, fließt die Korrektur zurück in den geprüften Bestand, statt im Chatverlauf zu verschwinden.

Warum Abrufarchitekturen ohne diese Vorarbeit an den Quellen scheitern, beschreibt der Beitrag zur RAG-Architektur im Unternehmen. Was passiert, wenn man Wissen nur automatisch aus Dokumenten ableitet, zeigt der Blick auf Viva Topics.

Ehrlicherweise gibt es Fälle, in denen das Modell doch der Engpass ist, etwa bei sehr langen Dokumenten oder komplexen Rechenaufgaben. Sie sind in Unternehmensprojekten nur seltener, als die Fehlersuche vermuten lässt.

Bevor Sie also das nächste Modell testen, stellen Sie dem Agenten eine Frage, die bei Ihnen nur eine bestimmte Person beantworten kann. Wenn er sie falsch beantwortet, wissen Sie, wo das Problem liegt.