Die Art, wie Marketing-, Kreativ- und IT-Teams mit KI zusammenarbeiten, um Customer-Experience-Workflows umzusetzen, durchläuft einen grundlegenden Wandel – nicht nur schrittweise.

In den letzten Jahren folgten die meisten KI-Interaktionen in Unternehmens-Software einem vertrauten Frage-Antwort-Muster: Ihr stellt eine Frage, das System gibt euch eine Antwort und kann auch dazu aufgefordert werden, einzelne, isolierte Aufgaben mit einfacher Logik auszuführen. Durchaus nützlich, besonders wenn die Antwort das Zusammenführen von Daten aus vielen Quellen erforderte. Diese erste Generation von KI-Assistenten ist jedoch im Wesentlichen ein Werkzeug – kleinteilig, gut in dem, was sie tun, aber abhängig von konstanter menschlicher Führung.

Auf dem Adobe Summit 2026 haben wir angekündigt, wie sich diese frühen KI-Assistenten zu einem KI-Mitarbeitererlebnis weiterentwickeln. AI Agents werden bald nicht mehr nur reagieren, sondern auch „denken“, planen, ausführen und iterieren. Dadurch wird es möglich, komplette Workflows umzusetzen.

Um diesen Wandel in Gang zu bringen, entwickelt Adobe seine Agent-basierte Architektur weiter, um ein offenes, skalierbares und erweiterbares Agent-basiertes System zu unterstützen, das mit anderen Agent-basierten Systemen und Tools interoperabel ist. Die Technologie, die diesen Wandel ermöglicht, ist erheblich gereift, und die Bausteine sind jetzt vorhanden, um bald längere, komplexere, realitätsnahe Aufgaben im gesamten Unternehmen zu unterstützen.

Dieser Blogpost bietet einen ersten Blick darauf, wie die neuesten KI-Branchen-Trends und -Architekturen die Weiterentwicklung des KI-Technologie-Frameworks von Adobe für Customer Experience Orchestration prägen, warum das wichtig ist und was es für Unternehmen bedeutet, die Adobe CX Enterprise-Lösungen nutzen.

Die neuen Bausteine der weiterentwickelten Agent-basierten CX-Architektur von Adobe.

Drei grundlegende Komponenten bilden das Fundament dieser Entwicklung zu einem offenen, erweiterbaren Agent-basierten System, und ihr Verständnis ist der Schlüssel zum Verstehen des großen Sprungs, den wir machen.

1. Leistungsfähigere LLMs. Die großen Sprachmodelle im Kern dieser Systeme haben sich erheblich weiterentwickelt. Vor einem Jahr waren die meisten LLMs in der Lage, Fragen zu beantworten oder kleine Aufgaben zu erledigen. Inzwischen können sie über mehrstufige Workflows hinweg „denken“, Fehler während der Ausführung korrigieren und mit der Art von Mehrdeutigkeit umgehen, die echte Geschäftsprobleme mit sich bringen.

2. Agent Harness. Das Harness ist die Architektur, die das LLM umhüllt und Agent-basiertes Verhalten steuert. Das Harness unterstützt Fehlerwiederherstellung, behält den Kontext über mehrere Versuche bei, kann Teilaufgaben an andere Agents delegieren und nutzt Skill-Dateien zur Ausführungssteuerung. Es arbeitet in einer iterativen Schleife: Zunächst wird der Kontext erfasst, dann eine Aktion ausgeführt, das Ergebnis überprüft, der Status aktualisiert und dieser Prozess wiederholt, bis das Ziel erreicht ist.

Diese Schleife ermöglicht Beständigkeit – die Fähigkeit, Dinge auszuprobieren, aus Fehlern zu lernen und weiterzumachen, bis die Aufgabe erledigt ist.

3. Skills (Markdown-Dateien als portabler Kontext). Skills bestimmen, wie sich Agents verhalten sollen. Auf grundlegender Ebene sind Skills Textdateien, die dem Modell Orientierung geben. In der Praxis sind sie jedoch viel mehr als das.

Ein Skill ist, genauer gesagt, ein Ordner mit Dateien (einschließlich Skripten und strukturierter Anleitung), den das Agent-basierte Harness nutzt, um Pläne effizient auszuführen und zu verstehen, wie eine Aufgabe angegangen werden sollte, wie guter Output aussieht und wie Ergebnisse validiert werden. Ein Beispiel ist der PowerPoint-Skill: Er erklärt dem AI Agent nicht nur, wie eine Präsentation erstellt wird. Er definiert auch Design-Richtlinien, akzeptable Farben und eine Validierungsschleife, die Schriftprobleme, überlappende Elemente und andere Qualitätsprobleme prüft, bevor das Ergebnis zurückgegeben wird. Skills werden als lebendiger Code behandelt, der sich weiterentwickelt, während Teams lernen, was funktioniert.

Zusammen bilden diese drei Komponenten das Fundament des Agent-basierten KI-Frameworks, zu dem Adobe sich entwickelt hat – weg von einstufigen KI-Interaktionen hin zu nachhaltiger, zielgerichteter, Agent-basierter Ausführung.

Vorteile des neuen Agent-basierten Frameworks.

Zusammen verbessern diese Fortschritte nicht nur KI-Fähigkeiten, sie definieren auch neu, wie Arbeit erledigt wird. Das Ergebnis ist eine neue Klasse Agent-basierter Systeme, die bedeutende Vorteile in Customer-Experience-Workflows erschließt.

1. Tiefere Agent-basierte Reasoning-Prozesse.

Agents können jetzt längere, komplexere End-to-End-Aufgaben autonom bewältigen, Aktionen verketten, Fehler korrigieren und Optionen erkunden – ohne ständige menschliche Eingriffe. Unter dem neuen Agent-basierten Framework können Agents dynamisch Skills laden, SQL-Abfragen in Bezug auf einen Wissensgraphen ausführen, erkennen, wenn eine Abfrage falsche Ergebnisse liefert, sich selbst korrigieren und weitermachen, bis die Aufgabe abgeschlossen ist – alles ohne Neuanweisungen. Anstatt starren, vordefinierten Workflows zu folgen, arbeiten Agents dynamischer in komplexen, realen Szenarien, indem sie Probleme erkunden, einen Plan erstellen, Ergebnisse validieren und Alternativen ausprobieren.

Wenn beispielsweise eine Anfrage zur Zielgruppenerstellung eingeht, kann der entsprechende Agent die Komplexität der Aufgabe identifizieren, die passenden Skills für die Zielgruppenerstellung laden, parallele Abfragen ausführen, einen Streaming-Konfigurationsfehler abfangen, strukturierte und unstrukturierte Daten verarbeiten – egal wie unübersichtlich sie sind –, auf Batch-Verarbeitung umschalten, das Zielgruppen-Schema bestätigen, einen API-Aufruf an den Profil-Service senden, um die Reichweite zu schätzen, und das Ergebnis zur Validierung durch Menschen vorlegen – alles innerhalb eines einzigen, dialogbasierten Threads.

2. Anpassbare Skills.

Adobe stellt spezialisierte Agents in Adobe Experience Platform bereit, die im Kontext von CX Enterprise-Anwendungen arbeiten. Das bietet Kundschaft einen Ausgangspunkt, um die Time-to-Value zu verkürzen und Agent-basierte KI nativ in ihre CX-Workflows zu integrieren. Während diese vorkonfigurierten Funktionen weiterhin bestehen bleiben, werden sie nun durch anpassbare Skills erweitert, die Kundschaft die Möglichkeit geben, das Agent-Verhalten an ihre spezifischen Geschäftsanforderungen anzupassen.

Das Bemerkenswerte daran ist, dass Fachleute definieren können, wie Aufgaben wie Zielgruppenerstellung oder Journey-Aktivierung ablaufen sollen, ohne dass es sich wie eine reine Entwicklererfahrung anfühlt. Skills werden in lesbarem Markdown geschrieben. Das heißt, sie können ohne Code erstellt, modifiziert und verfeinert werden. Das Agent-basierte System fügt sie automatisch zu strukturierten Definitionen zusammen.

Das ist ein bedeutender Durchbruch für Unternehmenskunden. Unabhängig davon, in welcher Branche sie tätig sind, können sie Agents so konfigurieren, dass sie ihre eigenen Workflows, ihre eigenen Namenskonventionen und ihre eigene Validierungslogik widerspiegeln. Der Skills-Katalog fungiert als unternehmensweite „Source of Truth“ für KI-Fähigkeiten – versioniert, getestet und bereit für die Implementierung.

3. Kontextueller Speicher.

Ein wiederkehrender Schwachpunkt bei aktuellen KI-Tools ist, dass man sein Geschäft bei jeder neuen Sitzung erneut erklären muss. Wer sind eure Personas? Was sind eure Unterdrückungsregeln? Wie sieht eine gute Kampagne für eure Marke aus? Diese Wiederholung untergräbt schnell das Vertrauen.

Unternehmen, die CX Enterprise-Anwendungen nutzen, müssen nicht jedes Mal von vorn anfangen. Der grundlegende Geschäftskontext – Unterdrückungsregeln, die bereits regeln, wer Kommunikation erhalten soll und wer nicht, Datenschemata, über Monate oder Jahre aufgebaute Zielgruppendefinitionen, Kampagnen-Performance-Verlauf, Journey-Logik, Consent-Daten und Segmentierungskonfigurationen – ist bereits in diesen Anwendungen gespeichert.

Das neue Framework erweitert dieses Fundament zusätzlich, indem es eine zentrale Stelle für das automatische Hinzufügen kontextueller Informationen bereitstellt, diese klassifiziert und jedem AI Agent im System zur Verfügung stellt, ohne dass jedes Mal eine manuelle Konfiguration erforderlich ist.

Wenn sich der Kontext ändert – beispielsweise wenn eine Persona-Definition aktualisiert oder eine neue Unterdrückungsregel eingeführt wird –, muss diese nicht fest in einen Skill programmiert werden. Mitglieder des Center of Excellence können sie an einer Stelle aktualisieren, und jeder nachgelagerte Agent übernimmt die neue Version sofort. Das Ergebnis ist ein Agent-basiertes KI-System, das euer Unternehmen wirklich kennt: eines, das nicht erfordert, dass ihr eure Markenregeln erneut erklärt, eure Anfragen nicht missversteht und umso nützlicher wird, je länger es in eurer Umgebung arbeitet.

So geht es weiter.

Das war ein erster Blick auf das weiterentwickelte Agent-basierte Framework von Adobe für Customer Experience Orchestration. Die hier beschriebenen Elemente – das Agent-basierte Harness, das Skills-Framework und die kontextuelle Speicherebene – befinden sich noch in der Entwicklung, und der Rollout läuft bereits.

Es gibt noch viele weitere Details zu entdecken – wie Erweiterbarkeit in von Kundschaft erstellten und Partner-Ökosystemen funktioniert, wie das Center of Excellence Governance und Aufsicht im großen Maßstab verwaltet und wie der Agent-Workflow-Builder deterministische mehrstufige Orchestrierung mit „Human in the Loop“-Kontrollen ermöglicht. Jeder dieser Aspekte verdient eine eigene ausführliche Betrachtung in zukünftigen Blogs.

Zusammengenommen markieren diese Fortschritte einen bedeutenden Wandel von KI als reaktivem Tool hin zu KI als aktivem Partner in Customer-Experience-Workflows. Worte können das nur ansatzweise vermitteln. Seht es euch daher selbst an auf dem Adobe Summit 2026.

Horia Galatanu ist Senior Director of Product Management für Adobe Experience Platform und leitet dort die Produktstrategie für künstliche Intelligenz im gesamten Experience Cloud-Portfolio von Adobe. Sein aktueller Schwerpunkt liegt auf Agent-basierter KI – dem Aufbau von Systemen, die es KI ermöglichen, autonom im Namen von Anwendenden zu handeln. Horia kam 2007 zu Adobe und hat Produkte über mehrere Generationen der Plattform hinweg mitgeprägt, darunter Adobe Primetime, Adobe Campaign und Adobe Journey Optimizer. Er lebt mit seiner Familie in der Gegend von San Francisco. Seine Hobbys sind Wandern, Fotografie und Fußballschauen.

Akintunde Ajayi ist Group Product Marketing Manager für Adobe Experience Platform. Er konzentriert sich darauf, innovative Kundeninteraktions- und KI-Funktionen auf den Markt zu bringen und die Bekanntheit und Akzeptanz der CXO-Angebote von Adobe zu fördern. Er verfügt über mehr als 15 Jahre Erfahrung in den Bereichen Beratung, Systemintegration und Produkt-Marketing. Akin kam 2019 zu Adobe, nachdem er seinen MBA an der Kellogg School of Management der Northwestern University erhalten hatte. Akin ist ein liebevoller Ehemann, Vater von zwei Kindern und ein leidenschaftlicher Fan des FC Liverpool.

https://business.adobe.com/fragments/resources/cards/thank-you-collections/generative-ai