Fluide Teams: Das Grande Finale unserer Serie zu Agenten und Betriebssystemen
Was bisher in dieser Serie passiert ist
In Teil 1 haben wir unsere Ausgangslage offengelegt (53 KI-Agenten, 10 Menschen) und einen sechsmonatigen Selbstversuch gestartet, bei dem unser Agenten-Ansatz gegen ein zentrales KI-Betriebssystem antrat.
In Teil 2 haben wir gezeigt, warum Agenten im Alltag so einfach nutzbar sind: Menschen verstehen Rollen und führen einen Kollegen mit Namen anders als eine anonyme Software.
In Teil 3 haben wir das Betriebssystem auf den Prüfstand gestellt, stärker bei komplexen, abteilungsübergreifenden Aufgaben, aber schwächer beim Vertrauen der Menschen und mit größerem Schadensradius, und sind zu dem Fazit gekommen: Agenten sind Human-First, das Betriebssystem ist AI-First.
Das hat uns zu der Frage gebracht: Muss sich ein Unternehmen überhaupt einmal entscheiden (für Agenten oder für ein Betriebssystem) und dann dabei bleiben? Unsere Antwort: Nein, denn im Grunde geht es gar nicht darum, welcher Ansatz besser ist, sondern darum, wie KI den größten Mehrwert beim jeweiligen Use Case stiftet.
Ziel ist es, Probleme mit KI zu lösen
Ein Unternehmen kann man als eine Ansammlung von Problemen betrachten (wir nennen sie Use Cases), die es bewältigen muss: einen Kunden gewinnen, ein Produkt entwickeln, eine Rechnung prüfen.
Genau bei diesen Use Cases wollen wir KI einsetzen, und dabei zählen im Kern nur zwei Dinge:
- Kommt am Ende gute Qualität dabei heraus?
- Sind wir als Menschen überhaupt in der Lage, diese Qualität zu überprüfen und für die Organisation zu nutzen? (Das nennen wir Anschlussfähigkeit.)
Anschlussfähigkeit ist, wie leicht ein Mensch ein KI-Ergebnis verstehen, prüfen und nutzen kann.
Beide Größen zusammen ergeben eine hier stark vereinfachte Formel (die echte zeigen wir euch mal in einem anderen Beitrag):
Und weil sich beide multiplizieren statt addieren, reicht es nicht, nur an der Qualität zu arbeiten. Ist nämlich die Anschlussfähigkeit niedrig, bleibt der Nutzen niedrig, ganz egal wie hoch die Qualität ist.
Beispiel: Per Anhalter durch die Galaxis
Ein Beispiel aus einem alten Roman (viele kennen sicher auch den legendären Film) macht das greifbar. In "Per Anhalter durch die Galaxis" baut eine Zivilisation den größten Computer aller Zeiten, um die Antwort auf die große Frage nach dem Leben, dem Universum und dem ganzen Rest zu finden. Nach Millionen Jahren Rechenzeit lautet das Ergebnis: 42.
Korrekt, aber völlig nutzlos, weil niemand etwas damit anfangen kann. Die Qualität war perfekt, die Anschlussfähigkeit lag bei null, und multipliziert ergibt das: genau, keinen Nutzen.
Der erste Schritt: Den Use Case in eine einheitliche Form bringen
Damit uns so etwas nicht passiert, muss ein Problem von Anfang an so definiert werden, dass am Ende nicht nur eine korrekte, sondern auch eine nutzbare Antwort steht. Genau das ist der erste Schritt, den wir bei jedem Use Case gehen.
Um also die Qualität und Anschlussfähigkeit für einen Use Case überhaupt bestimmen zu können, muss man ihn zuerst abstrahieren. Das bedeutet, ihn in eine einheitliche, klar beschriebene Form bringen. Wir nennen das die Mission. Man kann sie sich wie einen guten Werkvertrag vorstellen: Was genau soll erreicht werden, wie soll das Ergebnis aussehen, und bis wann soll es fertig sein? Denn genau wie ein sauberer Werkvertrag braucht auch eine gute Mission einen klaren Qualitätsmaßstab und einen Zeitrahmen, damit man später überhaupt beurteilen kann, ob die KI die Aufgabe wirklich gut gelöst hat.
Fakt ist: Ein präzise definiertes Problem ist besser lösbar und erst dann verifizierbar. So wird aus einem unscharfen Einzelfall eine klar formulierte, prüfbare Aufgabe. Die Mission zu finden ist dabei selbst ein Business Case. Die Rolle des Menschen verschiebt sich, er beschreibt die Mission also möglichst gut und prüft am Ende, ob das Ergebnis wirklich Sinn ergibt. Wer das gut hinbekommt, löst seine Use Cases besser als die Konkurrenz.
Unser aktuelles Forschungsprojekt
Genau hier kommen die Fluiden Teams ins Spiel, also der Ansatz, den wir zu Beginn des Blog-Artikels schon angekündigt haben und an dem wir gerade mit der Universität Wien und der Universität Luzern forschen.
Doch von vorne: Was genau sind überhaupt Fluide Teams? Die Grundidee ist wie folgt: Statt für jeden Use Case manuell zu entscheiden, was für einen KI-Ansatz man braucht, um ein Problem bestmöglich zu lösen, lässt man eben das direkt zu Beginn von einem KI-System ermitteln. Das KI-System berechnet also, was benötigt wird: Mal reicht ein einzelner Agent, mal braucht es ein ganzes Team, mal ein System, das nur im Hintergrund arbeitet. Im Rahmen unserer Forschung haben wir ein AI Enabling"-Team aufgebaut – also ein KI-System, das andere KI-Systeme baut. Dieses System schärft bestehende Use Cases, definiert dafür passende KPIs und berechnet durch eine Vielzahl von Simulationen einen optimalen KI-Ansatz. Statt sich also einmal für Agenten oder für ein Betriebssystem zu entscheiden, lässt man die KI selbst durchrechnen, welche Konfiguration sowohl hohe Qualität als auch hohe Anschlussfähigkeit liefert.
In so einer Simulation werden Fragen bedacht, wie:
Wie viele Agenten braucht es?
Welche Rollen sind nötig?
Braucht es überhaupt einen sichtbaren Ansprechpartner oder reicht ein System im Hintergrund?
Erst wenn die Simulation die beste Lösung gefunden hat, wird sie festgeschrieben und im Alltag eingesetzt.
Der rote Faden dahinter: KI baut nicht nur KI, sondern findet die beste Konfiguration und entwickelt sie weiter, wenn nötig.
So abstrakt das klingt: Im Kern bleibt es dabei, Probleme in Organisationen erfolgreich zu lösen, egal in welcher Form die KI das am Ende tut.
Wie unterschiedlich die beste Konfiguration für einen Use Case ausfallen kann, zeigen wir euch anhand von zwei Beispielen aus unserem eigenen Alltag.
Beispiel 1: Kein sichtbarer Ansprechpartner
Bei Leaders of AI bieten wir verschiedene Weiterbildungen im Bereich KI an, u.a. den anfängerfreundlichen Master Business with AI (MBAI) und den fortgeschrittenen AI Integration Expert. In diesen Kursen reichen die Teilnehmer ihre Arbeiten ein, die wir dann mithilfe eines Case-Study-Feedback-Systems bewerten. Bedeutet: Bevor diese Arbeiten bei unseren Dozenten landen, bewertet eine KI die eingereichten Fallstudien. Sie trägt ihre Bewertung und Begründung direkt in ein Dokument ein und schickt es dann dem Dozenten, der es mit seiner Expertise überprüft und freigibt. Bei diesem Ansatz hat die KI also keinen Namen, kein Gesicht und auch keinen Chat.
Beispiel 2: Ein klarer Ansprechpartner
Unser Content-Team arbeitet mit einer kleinen menschlichen Mannschaft und mehreren Dutzend KI-Agenten. Über allen steht der Teamleiter-Agent Jürgen, der selbst nichts schreibt, sondern delegiert, Qualität einfordert, Ergebnisse an die menschliche Leitung übergibt und als einziger Ansprechpartner fungiert. Dieser Ansatz ist bei diesem Use Case notwendig, um klare Verantwortlichkeiten zu haben und gleichzeitig die Qualität zu sichern. Und weil die Spezialisten im Hintergrund mit eigenen, getrennten Kontextfenstern arbeiten, können sie sich gegenseitig herausfordern und Fehler beim jeweils anderen aufdecken, bevor Jürgen das Ergebnis weitergibt. So sichert diese Form gleichzeitig klare Verantwortung und hohe Qualität.
(Bild: Der Aufbau rund um den KI-Agenten Jürgen.)
Zwei völlig unterschiedliche Formen, beide erfolgreich. Zukünftig wird es keine pauschal beste Lösung geben, es kommt einfach auf den Use Case an.
Was ist der aktuelle Forschungsstand?
Fluide Teams sind aktuell kein fertiges Produkt, das man morgen einführen kann. Es ist ein Forschungsthema, weil noch einige Fragen offen sind.
Eine davon betrifft die Modelle selbst. Aktuelle Sprachmodelle können sich nur schwer selbst konstruktiv hinterfragen. Es fehlt schlicht das technische, skalierbare Setup dafür. Man kann sich das natürlich aufwendig selbst bauen, aber gerade wenn es um Skalierung und Sicherheit geht, ist das kein besonders gangbarer Weg.
Eine zweite offene Frage betrifft, wie man die beste Konfiguration überhaupt findet. Es gibt unzählige mögliche Kombinationen aus Agenten, Rollen und Aufbau, viel zu viele, um alle durchzuprobieren. Eine Simulation findet deshalb meist nicht die allerbeste Lösung, sondern nur eine sehr gute unter den Möglichkeiten, die sie tatsächlich geprüft hat. Wie man diese gute Lösung dabei am schnellsten und günstigsten findet, ist aktuell noch offen, das zeigen auch verschiedene Forschungspapiere zu diesem Thema.
Und es gibt eine dritte, grundsätzlichere Frage, die keine Technik allein beantworten kann: Sollte man einen bestimmten Use Case überhaupt so mit KI lösen? Diese Frage steht vor jeder Berechnung. Ein System kann technisch einwandfrei laufen und trotzdem irgendwann nicht mehr vertretbar sein, weil sich Gesetze, Erwartungen oder der Einsatz verändert haben. Das übernimmt keine Technik von allein, das braucht immer den Blick eines Menschen.
Mit einem finalen Ergebnis kann man realistisch Mitte des nächsten Jahres rechnen.
Spannende Sidenote:
Übrigens sind wir mit diesem Gedanken nicht allein. Auch bei großen Anbietern wie Anthropic zeichnen sich gerade erste Ansätze in diese Richtung ab, KI selbst passende Workflows für eine Aufgabe zusammenstellen zu lassen. Das bestätigt uns, dass wir mit Fluiden Teams in eine Richtung denken, die sich gerade branchenweit entwickelt. Das behalten wir natürlich im Auge.
Genau solche Themen, von Agenten über Betriebssysteme bis zu den ersten Schritten in Richtung Fluide Teams, vermitteln wir auch in unseren eigenen Programmen.
Du willst tiefer in diese Themen einsteigen?
Wer solche Systeme selbst bauen, führen und im eigenen Unternehmen verankern will, braucht mehr als ein paar Tool-Tipps. Genau darum geht es in unserem AI Integration Expert. Dort lernst du, wie man Teams aus mehreren KI-Agenten sinnvoll zusammenstellt, automatisiert und operativ umsetzt, und das erfolgreich im Unternehmen.
Der Bedarf an Menschen, die das operativ können, ist gerade riesig. Nicht ohne Grund arbeiten wir mit der Personalberatung Amadeus Fire zusammen, die uns bestätigt: Es gibt aktuell nicht genug Fachkräfte mit diesen Fähigkeiten für die Nachfrage der Unternehmen.
Wenn du wissen willst, welches unserer Programme zu dir passt, kannst du das in unserem Quiz in wenigen Minuten herausfinden.
Quellen
- Physaric, Leaders of AI: Anschlussfähigkeit. Der unterschätzte Faktor, der über den Wert von KI entscheidet. Leitfaden für Führungskräfte, 2026.
- Physaric, Leaders of AI: Warum KI oft wirkungslos bleibt. Eine Formel für den Wert der Mensch-KI-Zusammenarbeit. Forschungsfundament, Arbeitspapier, 2026.
- Internes Webinar mit Dominic von Proeck: Was kommt nach dem MBAI? Viele glauben, Claude..., Leaders of AI, 2026.
- Sind KI-Agenten schon wieder outdated?, Leaders of AI Blog, 2026.
- Der überraschendste Vorteil von KI Agenten? Menschlichkeit., Leaders of AI Blog, 2026.
- Dein KI-Betriebssystem kann alles. Dein Team nutzt es trotzdem nicht?, Leaders of AI Blog, 2026.
- Thariq Shihipar (@trq212): x.com/trq212/status/2061907337154367865, 2026 (siehe auch Anthropic: "A harness for every task: dynamic workflows in Claude Code", claude.com/blog).
