Bevor ihr ein weiteres Tool entwickelt: Wie ihr die richtige KI-Stufe für euren CX-Stack findet.

Emily McReynolds

11-17-2026

Der wahre Maßstab für KI-Reife in Unternehmen liegt nicht in der Anzahl fortschrittlicher Modelle, die ihr bereitstellt, oder der Agenten, die ihr aufbaut. Entscheidend ist, ob eure Teams konsequent die richtige Fähigkeit für ihre Arbeit auswählen und damit Qualität, Effizienz und Erträge verbessern können.

Wie bei den meisten Technologieentscheidungen in Unternehmen gilt: Erst die Geschäftsanforderung definieren, dann die passende Fähigkeit auswählen. Doch der KI-Hype hat diese Logik auf den Kopf gestellt.

Ich habe erlebt, wie Gespräche mit „Wir brauchen KI“ oder „Wir brauchen einen Agenten“ begannen – noch bevor irgendjemand definiert hatte, welches Problem die KI eigentlich lösen soll. Diese Tendenz wird durch unsere Art, über KI zu sprechen, noch verstärkt. KI ist zum Sammelbegriff geworden – so verwendet, als wäre sie eine einzige Fähigkeit, die sich auf jeden Prozess anwenden lässt, statt ein breites Spektrum unterschiedlicher Fähigkeiten für unterschiedliche Aufgaben.

Verschwimmen diese Unterschiede, schießt man schnell über das hinaus, was die Aufgabe wirklich erfordert – mit steigenden Kosten und wachsender Komplexität, ohne das Ergebnis zu verbessern.

Die meisten Unternehmen haben diesen Schritt bereits vollzogen: Sie haben die neuesten KI-Tools eingeführt und die Nutzung ausgeweitet, in der Hoffnung, dass die Ergebnisse folgen würden. Doch laut dem State of AI Readiness Report von Adobe stecken 58 % der Organisationen mit ihren KI-Projekten noch immer in der Pilot- oder Bereitstellungsphase fest.

Die Antwort ist nicht, von vorn anzufangen oder weniger KI einzusetzen. Es geht darum, bessere Entscheidungen zu treffen – darüber, wo, wann und wie sie eingesetzt wird. Diese Entscheidungen fallen leichter, wenn ihr sie in vier Bereiche aufteilt.

Ein Framework zur Auswahl der richtigen KI.

Das vierteilige Entscheidungs-Framework hilft euch dabei zu erkennen, wann vorhandene Technologie ausreicht, wann Automatisierung genügt, wann generative KI einen Mehrwert schafft und wann Agent-basierte KI einen echten Zusatznutzen bringt.

Vierstufige Entwicklung von vorhandener Technologie bis zur Agent-basierten KI, mit zunehmender Autonomie und Komplexität von links nach rechts.

Es beginnt damit, vorhandene Mittel optimal zu nutzen, und führt zu neuen Fähigkeiten, bei denen KI die Investition rechtfertigt. So bleiben KI-Entscheidungen auf den geschäftlichen Mehrwert ausgerichtet – anstatt KI um der KI willen einzusetzen.

1. Nutzt zunächst eure vorhandenen Fähigkeiten.

Bevor ihr ein weiteres KI-Tool hinzufügt, prüft zunächst, ob die bereits vorhandene Technologie die Aufgabe effektiv erfüllen kann.

Wenn ein Marketer 50 Kampagnenvarianten für verschiedene Zielgruppen oder Märkte erstellen muss, kann ein generatives KI-Tool den dafür nötigen Zeit- und Arbeitsaufwand deutlich reduzieren. Muss derselbe Marketer jedoch ein bereits vorhandenes, genehmigtes Asset für eine bestimmte Kampagne oder Region finden, sind die vorhandene Suche und Metadaten möglicherweise die bessere Wahl.

Der erste Schritt besteht also darin, den Leistungsumfang eures bestehenden Technologie-Stacks zu verstehen. Da viele Unternehmensplattformen KI inzwischen direkt in die lizenzierten Produkte integrieren, sind die Funktionen, die ihr hinzufügen möchtet, möglicherweise bereits vorhanden – euer Team hat sie jedoch noch nicht vollständig übernommen oder überhaupt identifiziert.

linear-gradient(89.57deg, rgba(255, 72, 133, 0.15) 20.94%, rgba(154, 71, 226, 0.15) 85.47%)
Prüft die neuesten KI-Funktionen, die zu bereits lizenzierten Tools hinzugefügt werden, bevor ihr für etwas Neues bezahlt, das dieselbe Aufgabe erfüllt.

Der gezielte Einsatz vorhandener Fähigkeiten, wo sie passen, kann doppelte Ausgaben verhindern und unnötigen Aufwand für Integration, Governance und Wartung vermeiden. Die nächste Frage ist, ob ein anderer Ansatz Geschwindigkeit, Umfang, Qualität oder Ergebnisse weit genug verbessern könnte, um den Schritt über das Vorhandene hinaus zu rechtfertigen.

2. Automatisiert Vorhersehbares und nutzt KI dort, wo sie echten Mehrwert bringt.

Sobald feststeht, dass eine vorhandene Fähigkeit nicht ausreicht, solltet ihr prüfen, ob die Aufgabe überhaupt Generierung oder logisches Schlussfolgern erfordert. Wenn Eingaben und Ausgaben bekannt sind und dieselbe Aktion immer wieder auf die gleiche Weise ausgeführt wird, ist regelbasierte Automatisierung oder eine API möglicherweise die bessere Wahl.

Angenommen, euer Team möchte wissen, wie viele Personen letzten Dienstag auf eine E-Mail geklickt haben. Diese Zahl ist bereits in einem Datensatz vorhanden – eine Standardverbindung oder API kann sie direkt abrufen. Da kein logisches Schlussfolgern erforderlich ist, besteht kein Grund, dies über ein generatives Modell oder einen Agenten zu leiten.

linear-gradient(89.57deg, rgba(255, 72, 133, 0.15) 20.94%, rgba(154, 71, 226, 0.15) 85.47%)
Wenn eine direkte Verbindung die Aufgabe zuverlässiger erledigt, erhöht KI nur die Kosten und Variabilität. Die Rechnung ändert sich, sobald es nicht mehr darum geht, Informationen abzurufen, sondern sie zu interpretieren.

Generative KI ist für genau diese Art von Arbeit geeignet. Wenn das Team über bloße Klickzahlen hinausgehen und verstehen möchte, welche Themen sich aus Tausenden von Kundenreaktionen herauskristallisiert haben, kann ein generatives KI-Tool diese Informationen im benötigten Umfang zusammenfassen und interpretieren. Dieselben Muster manuell zu identifizieren würde ansonsten einen erheblichen Aufwand erfordern.

Ziel ist es, KI auf jene Teile eines Workflows zu konzentrieren, in denen sie den Prozess oder das Ergebnis verbessert. Je genauer ihr definiert, wo KI echten Mehrwert bringt, desto einfacher wird es, unnötige Komplexität im restlichen Workflow zu vermeiden.

3. Verbindet KI mit eurem bestehenden Technologie-Stack, anstatt ihn zu umgehen.

Sobald ihr entschieden habt, dass eine Aufgabe wirklich von generativer KI profitiert, verlagert sich die Frage vom bloßen „Ob“ zum strategischen „Wo“: Wo sollte diese Fähigkeit angesiedelt sein? Eine häufige Falle ist die Annahme, dass das KI-System alles selbst erledigen muss – oder dass die zugrunde liegenden Unternehmenssysteme dafür komplett neu aufgebaut werden müssen.

Ich beobachte immer wieder dasselbe Muster: Teams erweitern die Fähigkeiten ihrer KI-Lösung kontinuierlich – durch Prompts und KI-generierten benutzerdefinierten Code –, nur um am Ende festzustellen, dass sie Funktionalitäten neu entwickelt haben, über die sie bereits verfügen. Das ist mit allem passiert, von Präsentationssoftware bis hin zu Projektmanagement-Tools.

Denn KI kann es täuschend einfach erscheinen lassen, etwas Neues aufzubauen. Damit diese Lösung aber auch im Unternehmensmaßstab zuverlässig funktioniert, müssen folgende Aspekte berücksichtigt werden:

Was anfangs wie ein schneller Erfolg wirkt, kann schnell zu einem erheblichen Engineering-Aufwand werden. Statt diese Last auf sich zu nehmen, empfiehlt sich ein anderer Ansatz: die KI-Fähigkeit mit Systemen zu verbinden, die die zugrunde liegende Arbeit bereits übernehmen.

linear-gradient(89.57deg, rgba(255, 72, 133, 0.15) 20.94%, rgba(154, 71, 226, 0.15) 85.47%)
Standards wie das Model Context Protocol (MCP) ermöglichen es KI-Tools und Modellen, mit bestehenden Unternehmenssystemen und verwalteten Daten zu arbeiten. Das bedeutet: Ihr könnt das Modell und die Oberfläche eurer Wahl nutzen, ohne auf die Zuverlässigkeit bewährter Systeme verzichten zu müssen.

Wenn also ein Team-Mitglied ein Projekt per natürlicher Sprache erstellen, aktualisieren oder abfragen möchte, liegt der eigentliche Mehrwert darin, dass die KI-Oberfläche direkt auf das Projektmanagementsystem zugreift – dort, wo Datensätze, Berechtigungen und Prozesse bereits verankert sind. So erhaltet ihr eine neue Möglichkeit, mit dem System zu interagieren, ohne es neu aufbauen und pflegen zu müssen.

4. Agent-basierte KI für mehrstufige Orchestrierung reservieren – nicht für routinemäßige Automatisierung.

Allein die Verbindung von KI mit Unternehmenssystemen macht einen Workflow noch nicht Agent-basiert. Da Agenten häufig systemübergreifend und über mehrere Aufgaben hinweg agieren, liegt die Versuchung nahe, jeden systemübergreifenden Workflow als Agent-basierten einzustufen.

Der entscheidende Unterschied liegt darin, ob Personen den Workflow weiterhin steuern – oder ob Agenten die Autonomie erhalten, selbst zu entscheiden, was als Nächstes geschieht, um ein übergeordnetes Ziel zu erreichen.

Bei Agenten kann eine einzige Anweisung eine Abfolge über mehrere Aufgaben und Systeme hinweg auslösen – anstatt lediglich eine einzelne Antwort zu erzeugen. Diese Art der mehrstufigen Orchestrierung ist besonders dann sinnvoll, wenn der Weg nicht vorgezeichnet ist und ihr möchtet, dass Agenten auf sich verändernde Eingaben reagieren, Aktionen systemübergreifend koordinieren und eigenständig entscheiden, was als Nächstes zu tun ist.

linear-gradient(89.57deg, rgba(255, 72, 133, 0.15) 20.94%, rgba(154, 71, 226, 0.15) 85.47%)
Wenn die Schritte bekannt und wiederholbar sind, reicht Automatisierung möglicherweise aus. Setzt Agents für Aufgaben ein, die systemübergreifend ablaufen und sich je nach Eingabe verändern.

Wenn ihr den Workflow an Agents delegiert, steigen jedoch auch die Anforderungen an Datenzuverlässigkeit, Berechtigungen und Steuerung, menschliche Überwachung sowie Kosteneffizienz. Die zusätzliche Autonomie muss ausreichend Mehrwert schaffen, um die Komplexität und das Risiko zu rechtfertigen.

Nehmen wir das frühere Beispiel mit den Kundenreaktionen. Generative KI reicht aus, um Tausende von Reaktionen in wiederkehrende Themen zu verdichten. Eine Agent-basierte Lösung ist dann sinnvoll, wenn die Arbeit weitergeführt werden soll – etwa um identifizierte Themen mit CRM-Profilen, Analysen und Service-Interaktionen abzugleichen, die betroffenen Kundensegmente zu identifizieren und in jedem nachgelagerten System die passende Reaktion zu empfehlen oder auszulösen.

Genau für diese Art von mehrstufigen Aufgaben sind Agent-basierte Lösungen wie Adobe CX Enterprise Coworker konzipiert – sie koordinieren Aktionen über Customer-Experience- und Datensysteme hinweg, anstatt jeden Schritt isoliert zu bearbeiten.

Mit Entscheidungsdisziplin das volle Potenzial von KI ausschöpfen.

Entscheidungen über den sinnvollen KI-Einsatz gelingen am besten, wenn ihr die Mitarbeitenden einbezieht, die der Arbeit am nächsten sind. Sie wissen am besten, wie Qualität aussieht, welche Systeme den richtigen Kontext liefern und wo mehr Automatisierung oder Autonomie das Ergebnis verbessern würde.

Auf Basis dieses Fachwissens ähneln KI-Entscheidungen zunehmend anderen Technologieentscheidungen. Unternehmen mussten schon immer entscheiden, was sie standardisieren, was sie integrieren und wo sich eine neue Technologie als Investition lohnt. KI erweitert die Bandbreite der Möglichkeiten, ändert aber nichts an der Disziplin, die für fundierte Entscheidungen erforderlich ist.

Je mehr KI-gestützte Tools und Agents Unternehmen einsetzen, desto größer wird die Herausforderung, diese Fähigkeiten im gesamten Stack zu verknüpfen. Im nächsten Blog-Beitrag zeigen wir, wie Interoperabilität Modelle, Agents und Unternehmenssysteme zu einem kohärenteren KI-Ökosystem zusammenführt.

Empfehlungen für euch.

https://business.adobe.com/fragments/resources/cards/thank-you-collections/cx-enterprise-coworker