Warum KI zunehmend vom Werkzeug zum System wird

Ein Werkzeug wird benutzt – ein System ist eingebettet

Der Unterschied ist zunächst weniger spektakulär, als der Begriff „KI-System“ vermuten lässt. Ein Taschenrechner ist ein Werkzeug: Ein Mensch gibt Zahlen ein, erhält ein Ergebnis und verwendet dieses anschließend weiter. Auch ein klassischer Chatbot funktioniert im Kern ähnlich, weil er für einen bestimmten Moment aufgerufen wird und eine Antwort liefert.

Ein System übernimmt dagegen eine dauerhaftere Rolle innerhalb eines Prozesses. Es muss wissen, welche Informationen relevant sind, welche anderen Komponenten verfügbar sind, welche Aktionen erlaubt sind und was nach einem einzelnen Arbeitsschritt geschehen soll.

OpenAI beschreibt seine im September 2026 vorgestellte Agents API deshalb nicht nur über das zugrunde liegende Modell, sondern über eine Infrastruktur, die Kontext verwaltet, Werkzeuge einsetzt, Subagenten koordiniert und Prozesse über längere Zeit zuverlässig weiterführen kann.^[1]

Google verfolgt mit Gemini Enterprise eine vergleichbare Richtung und beschreibt die Plattform als End-to-End-System für die agentische Ära, das Modelle, Entwicklung, Ausführung, Orchestrierung und Governance in einer gemeinsamen Umgebung verbindet.^[3][9]

Der entscheidende Fortschritt findet damit zunehmend zwischen den Modellaufrufen statt.

1. Kontext wird von einer Eingabe zu einer Infrastruktur

Bei einem einfachen KI-Werkzeug entsteht Kontext hauptsächlich durch den aktuellen Prompt. Der Nutzer erklärt, worum es geht, fügt Informationen hinzu und erhält daraufhin eine Antwort.

In realen Arbeitsprozessen ist Kontext wesentlich komplexer. Ein Mitarbeiter kennt nicht nur die aktuelle Frage, sondern auch den Kunden, die Historie des Vorgangs, interne Regeln, frühere Entscheidungen, Dokumente, Zuständigkeiten und möglicherweise mehrere Ausnahmen, die in keinem einzelnen Prompt vollständig beschrieben werden.

Damit KI dauerhaft in Arbeit eingebettet werden kann, muss dieser Kontext technisch verfügbar gemacht werden. OpenAIs Workspace Agents sind beispielsweise darauf ausgelegt, wiederkehrende Abläufe über verbundene Anwendungen, Skills und gemeinsame Wissensbestände hinweg auszuführen und innerhalb eines Teams geteilt zu werden.^[2]

Der Unterschied ist grundlegend. Ein isoliertes Modell beantwortet eine Frage auf Basis dessen, was ihm gerade gegeben wurde. Ein eingebettetes System kann dagegen auf organisatorischen Kontext zurückgreifen, der bereits vor der aktuellen Anfrage existiert.

Damit wird Kontext selbst zu Infrastruktur.

2. Werkzeuge verwandeln Antworten in Handlungen

Solange KI ausschließlich Text erzeugt, bleibt sie im Wesentlichen ein Informationssystem. Sie kann empfehlen, erklären oder formulieren, doch zwischen ihrer Antwort und einer realen Veränderung liegt weiterhin ein menschlicher Schritt.

Sobald eine KI Zugriff auf Werkzeuge erhält, verändert sich diese Grenze. Ein System kann dann beispielsweise eine Datenbank abfragen, eine Datei verändern, Code ausführen, eine Anwendung bedienen oder einen Prozess in einem anderen System anstoßen.

OpenAI beschreibt Agenten entsprechend als Systeme, die Modelle mit Werkzeugen und kontrollierten Ausführungsumgebungen verbinden; die Agents API kann unter anderem Dateien bearbeiten, Code ausführen und externe Werkzeuge einbinden.^[1]

Damit verändert sich die Rolle der KI von einer beratenden zu einer operativen Komponente. Ein Modell kann erklären, welche Rechnung geprüft werden sollte. Ein System kann die Rechnung identifizieren, Informationen daraus verarbeiten und einen definierten Folgeprozess vorbereiten.

Das ist keine bloße Verbesserung derselben Funktion. Es ist eine andere Kategorie technischer Integration.

3. Zustand macht aus einzelnen Interaktionen einen Prozess

Ein Werkzeug muss häufig nicht wissen, was gestern passiert ist. Für einen Taschenrechner ist es irrelevant, welche Rechnung der Benutzer am Vortag durchgeführt hat. Bei längeren Arbeitsprozessen ist das anders.

Ein Vorgang besitzt einen Zustand: begonnen, geprüft, freigegeben, blockiert oder abgeschlossen. Informationen werden ergänzt, Entscheidungen verändert und Zwischenergebnisse erzeugt. Ein System muss deshalb wissen, wo sich ein Prozess gerade befindet.

Google adressiert dieses Problem mit Agent Executor ausdrücklich auf Laufzeitebene. Langlebige Agentenprozesse können unterbrochen werden und später anhand von Ereignisprotokollen und Snapshots wieder aufgenommen werden, ohne den gesamten Ablauf neu beginnen zu müssen.^[4]

Anthropic beschreibt bei langlebigen Agenten ein ähnliches Architekturproblem. Sobald Arbeit mehrere Sitzungen oder Kontextfenster überschreitet, werden strukturierte Übergaben, Artefakte und Harnesses wichtig, damit spätere Schritte auf vorherigen Ergebnissen aufbauen können.^[8]

Die KI muss damit nicht nur wissen, was sie tun soll. Sie muss auch zuverlässig wissen, was bereits geschehen ist.

4. Orchestrierung wird wichtiger als der einzelne Modellaufruf

In einem einfachen KI-Werkzeug gibt es meist einen klaren Ablauf: Eingabe, Modell, Ausgabe. Ein realer Geschäftsprozess besteht dagegen häufig aus mehreren Abhängigkeiten.

Ein Dokument muss möglicherweise zuerst klassifiziert, anschließend ausgelesen und danach mit bestehenden Informationen verglichen werden. Bestimmte Ergebnisse können eine menschliche Freigabe verlangen, während andere automatisch an den nächsten Prozessschritt übergeben werden.

Microsoft bezeichnet die Koordination solcher Komponenten als AI Orchestration: eine Ebene, die Agenten, Modelle, APIs und Unternehmenssysteme verbindet und dabei Abhängigkeiten, Kontext, Übergaben, Fehlerzustände und menschliche Kontrolle über mehrere Schritte hinweg verwaltet.^[5]

Diese Ebene ist wichtig, weil ein produktiver Prozess selten vollständig probabilistisch sein sollte. Eindeutige Regeln lassen sich weiterhin besser deterministisch abbilden, während KI dort eingesetzt werden kann, wo Interpretation, flexible Planung oder die Verbindung unterschiedlicher Informationsquellen einen Vorteil bietet.

Die leistungsfähigste Architektur muss deshalb nicht möglichst viel KI enthalten. Sie muss die jeweils geeignete Form von Software an der richtigen Stelle einsetzen.

5. Wiederholbarkeit macht aus persönlicher KI organisatorische Infrastruktur

Ein Mitarbeiter kann ein Sprachmodell sehr effektiv nutzen und damit seine persönliche Produktivität deutlich erhöhen. Für ein Unternehmen bleibt dieses Wissen jedoch häufig unsichtbar.

Vielleicht hat die Person einen besonders guten Ablauf entwickelt, kennt die richtigen Quellen und weiß, welche Fehler regelmäßig auftreten. Verlässt sie das Unternehmen, verschwindet ein erheblicher Teil dieser Arbeitsweise möglicherweise mit ihr.

Der Übergang zum System beginnt deshalb dort, wo erfolgreiche KI-Nutzung wiederholbar und übertragbar wird. Workspace Agents werden von OpenAI genau für solche Abläufe positioniert: Teams können gemeinsame Agenten erstellen, testen, veröffentlichen, teilen und wiederkehrend ausführen lassen.^[2]

Aus „eine Person weiß, wie dieser Bericht mit KI entsteht“ kann dadurch ein gemeinsamer Prozess werden, der festlegt, welche Informationsquellen verwendet, welche Schritte durchgeführt und welche Qualitätsanforderungen erfüllt werden.

Das macht KI nicht automatisch intelligenter. Es macht ihre Nutzung institutionalisierbar – und genau das ist eine Voraussetzung dafür, dass aus einem persönlichen Werkzeug organisatorische Infrastruktur wird.

6. Organisationseigenes Wissen wird wichtiger als allgemeines Modellwissen

Große Sprachmodelle besitzen ein breites allgemeines Wissen. Unternehmen benötigen jedoch vor allem Ergebnisse, die ihre eigene Realität berücksichtigen.

Ein allgemeines Modell kann typische Vertriebsprozesse erklären. Es kennt aber nicht automatisch die aktuellen Kunden eines Unternehmens, dessen Preislisten, Vertragsregeln, internen Zuständigkeiten oder laufenden Projekte.

Je stärker KI in reale Prozesse integriert wird, desto wichtiger wird deshalb die Verbindung mit proprietärem Kontext. Google beschreibt Gemini Enterprise ausdrücklich als Plattform, die Modelle mit Unternehmensdaten, Agentenentwicklung, Ausführung und Governance verbindet.^[3]

Wenn mehrere Unternehmen auf ähnlich leistungsfähige Basismodelle zugreifen können, verschiebt sich ein Teil des Wettbewerbsvorteils damit vom Modell selbst auf den Kontext rund um dieses Modell. Datenqualität, Schnittstellen, Prozesswissen und Berechtigungsstrukturen können ebenso entscheidend werden wie die Basistechnologie.

7. Das Modell wird zu einer Komponente innerhalb einer größeren Architektur

In der frühen Phase generativer KI wurde ein KI-Produkt häufig fast vollständig über das verwendete Modell definiert. Welches Modell eingesetzt wurde, bestimmte einen erheblichen Teil der wahrgenommenen Leistungsfähigkeit.

Mit zunehmender Systemreife verteilt sich Leistung jedoch auf mehrere Ebenen. Ein produktives System besitzt möglicherweise eigene Datenquellen, Werkzeuge, Speichermechanismen, Evaluationslogik, Sicherheitsregeln, Prozesszustände und Benutzeroberflächen. Das Sprachmodell bleibt zentral, ist aber nicht mehr die einzige leistungsbestimmende Komponente.

Anthropic beschreibt bei Managed Agents genau diese Entkopplung. Die eigentliche Modell- und Harness-Logik soll von den Ausführungsumgebungen und Werkzeugen so getrennt werden, dass sich beide Ebenen weiterentwickeln können, ohne die gesamte operative Infrastruktur neu aufbauen zu müssen.^[7]

Diese Entwicklung ist aus anderer Software vertraut. Eine Datenbankanwendung wird nicht ausschließlich durch ihre Datenbank definiert, und ein Cloud-System ist nicht identisch mit seinem Prozessor. Der Nutzen entsteht aus dem Zusammenspiel der Komponenten.

Auch bei KI könnte deshalb langfristig weniger das einzelne Modell als die Architektur um das Modell zum dauerhafteren Wettbewerbsvorteil werden.

8. Die Intelligenz liegt zunehmend im Gesamtsystem

Der Begriff „Intelligenz“ wird bei KI häufig direkt mit der Fähigkeit des Modells gleichgesetzt. Ein leistungsfähigeres Modell kann besser argumentieren, Informationen verarbeiten und komplexere Probleme lösen.

In einem produktiven System entsteht nutzbare Leistungsfähigkeit jedoch zusätzlich aus anderen Quellen. Ein Modell mit Zugriff auf aktuelle Unternehmensdaten kann relevantere Ergebnisse erzeugen als dasselbe Modell ohne diesen Kontext. Ein Agent mit geeigneten Werkzeugen kann Aufgaben erledigen, die ein isoliertes Modell lediglich beschreiben würde.

Auch die Qualität des Harnesses spielt eine Rolle. Anthropic zeigt in seiner Arbeit an langlebigen Anwendungen, dass Aufgabenzerlegung, Zustandsübergabe und die Art der umgebenden Steuerungslogik die Leistung eines Agenten erheblich beeinflussen können.^[8]

Die praktische Leistungsfähigkeit eines KI-Systems lässt sich deshalb zunehmend als Kombination mehrerer Faktoren verstehen: Modell, Kontext, Werkzeuge, Zustand, Orchestrierung und Kontrolle.

Ein schwacher Faktor kann die Leistungsfähigkeit des gesamten Systems begrenzen.

9. Governance wird zu einer technischen Funktion

Bei einem persönlichen Textgenerator ist Governance vergleichsweise einfach. Ein Mensch liest das Ergebnis und entscheidet, ob er es verwendet. Je stärker KI-Systeme selbst auf Daten zugreifen und Aktionen auslösen können, desto schwieriger wird diese Frage.

Governance beginnt deshalb mit zusammenhängenden Fragen nach Verantwortung und Reichweite: Wer darf einen Agenten erstellen, auf welche Daten darf er zugreifen, welche Aktionen darf er ausführen und wer trägt die Verantwortung, wenn ein Fehler entsteht? Ebenso wichtig ist die Möglichkeit nachzuvollziehen, welche Informationen oder Werkzeuge das System verwendet hat.

Microsoft Entra Agent ID führt dafür eigene Agentenidentitäten und Governance-Kontrollen ein. Nach der aktuellen Dokumentation benötigt jede Agentenidentität einen menschlichen Sponsor, während Berechtigungen, Zugriffsprüfungen und Lebenszyklus über zentrale Richtlinien verwaltet werden können.^[6]

Google beschreibt für Gemini Enterprise ebenfalls Identität, Registry, Gateway, Monitoring und Governance als Bestandteile einer produktiven Agentenumgebung.^[9]

Damit wird Governance von einer nachgelagerten Compliance-Frage zu einem Teil der Systemarchitektur. Ein produktives KI-System muss nicht nur leistungsfähig, sondern auch steuerbar, beobachtbar und abschaltbar sein.

10. Mehr Autonomie erhöht den Wert von Begrenzungen

Bei klassischen Softwareprogrammen ist Verhalten weitgehend vorab festgelegt. Entwickler definieren, was geschieht, wenn bestimmte Bedingungen eintreten. Generative Systeme besitzen größere Handlungsspielräume, und gerade darin liegen sowohl ihr Nutzen als auch ein Teil ihres Risikos.

Je mehr Freiheit ein Agent bei Planung und Werkzeugnutzung besitzt, desto wichtiger wird es zu definieren, welche Grenzen er nicht überschreiten darf. Ein System kann beispielsweise Informationen recherchieren, aber keine externe Nachricht ohne Freigabe versenden; einen Vertragsentwurf vorbereiten, aber keine rechtsverbindliche Vereinbarung abschließen.

Microsoft beschreibt Agent 365 entsprechend als Kontroll- und Governance-Schicht, über die Identität, Beobachtbarkeit, Berechtigungen, Sicherheit und Lebenszyklus zentral verwaltet werden können.^[10]

Das Ziel ist deshalb nicht zwangsläufig maximale Autonomie. Für viele Prozesse dürfte begrenzte Autonomie wertvoller sein: genug Freiheit, um Arbeit flexibel auszuführen, aber klare Kontrollpunkte, damit Verantwortung nicht verloren geht.

11. KI-Systeme verändern Prozesse statt nur einzelne Aufgaben

Solange KI wie ein Werkzeug verwendet wird, bleibt die Grundstruktur einer Organisation weitgehend unverändert. Ein Mitarbeiter erstellt beispielsweise denselben Bericht wie zuvor, benötigt dafür mit KI aber nur noch einen Teil der Zeit.

Sobald KI als Systemkomponente eingesetzt wird, stellt sich eine weitergehende Frage: Warum existiert der Prozess überhaupt in seiner heutigen Form?

Vielleicht werden Daten nur deshalb zwischen mehreren Abteilungen weitergereicht, weil früher niemand gleichzeitig Zugriff auf alle notwendigen Informationsquellen hatte. Vielleicht existiert ein manueller Prüfschritt hauptsächlich deshalb, weil Informationen aus verschiedenen Anwendungen zusammengetragen werden mussten.

Wenn ein KI-System solche Quellen verbinden, vorbereiten und innerhalb klarer Regeln weiterverarbeiten kann, verändert sich nicht nur die Geschwindigkeit eines Prozessschritts. Die Prozessarchitektur selbst kann zur Disposition stehen.

Die tiefere Transformation beginnt daher nicht dort, wo ein bestehender Ablauf mit KI beschleunigt wird, sondern dort, wo Arbeit neu organisiert wird, weil die technische Systemgrenze eine andere geworden ist.

12. Systeme erzeugen auch neue Fehlerklassen

Der Übergang vom Werkzeug zum System bringt nicht nur Vorteile. Ein fehlerhafter Textentwurf ist meist lokal begrenzt; ein fehlerhaft eingebettetes System kann dagegen einen Fehler durch mehrere Prozessschritte tragen.

Wenn ein Agent eine Information falsch interpretiert und daraufhin weitere Systeme aktualisiert, kann aus einer einzelnen falschen Annahme eine Kette falscher Aktionen entstehen. Je stärker Komponenten miteinander verbunden sind, desto wichtiger werden Evaluierung, Monitoring und kontrollierte Fehlerbehandlung.

Microsoft verweist in diesem Zusammenhang auf das Risiko von Agent Sprawl: Wenn Agenten in großer Zahl ohne klare Eigentümerschaft, einheitliche Berechtigungen oder zentrale Beobachtbarkeit entstehen, wird aus lokaler Produktivität schnell eine neue Form technischer und organisatorischer Komplexität.^[10]

Je stärker KI zur Infrastruktur wird, desto stärker übernimmt sie damit auch eine Eigenschaft anderer Infrastrukturen: Fehler können systemisch werden.

13. Nicht jede Aufgabe sollte zu einem KI-System werden

Der Trend zur Systemintegration kann leicht zu der Annahme führen, jeder Prozess müsse möglichst agentisch oder KI-gesteuert werden. Das wäre wahrscheinlich ebenso falsch wie die Vorstellung, klassische Software werde vollständig verschwinden.

Viele Aufgaben sind deterministisch, stabil und mit einfachen Regeln zuverlässiger zu lösen. Wenn ein Wert aus einer Datenbank gelesen und nach einer festen Formel berechnet werden muss, gibt es häufig keinen Grund, ein probabilistisches Sprachmodell einzusetzen.

Die entscheidende Frage lautet deshalb nicht, wo KI technisch eingesetzt werden kann, sondern wo sie das System gegenüber einer einfacheren Lösung tatsächlich verbessert.

Mit zunehmender Reife der Technologie dürfte genau diese Unterscheidung wichtiger werden: KI dort einzusetzen, wo Interpretation und flexible Koordination ihren zusätzlichen Aufwand rechtfertigen, und konventionelle Software dort zu belassen, wo eindeutige Regeln bereits die bessere Lösung darstellen.

Vom intelligenten Werkzeug zur digitalen Betriebsschicht

Der Übergang von KI als Werkzeug zu KI als System bedeutet nicht, dass Chatbots oder einzelne Assistenzfunktionen verschwinden. Sie bleiben für viele Aufgaben die einfachste und sinnvollste Form der Nutzung. Parallel entsteht jedoch eine zweite Ebene.

KI wird in Datenflüsse integriert, erhält Zugriff auf Werkzeuge, behält Zustände über längere Prozesse hinweg, verbindet verschiedene Anwendungen und übernimmt zunehmend Teile der Orchestrierung zwischen ihnen. Sicherheits-, Identitäts- und Governancefunktionen wachsen gleichzeitig in dieselbe technische Architektur hinein.^[1][3][6][9]

Damit verändert sich auch die Frage, anhand welcher Kriterien ein KI-System beurteilt werden sollte. Bei einem Werkzeug genügt häufig die Frage, wie gut eine einzelne Antwort ist. Bei einem System muss zusätzlich geprüft werden, ob es zuverlässig arbeitet, den richtigen Kontext verwendet, seine Berechtigungen einhält, Fehler beherrscht und sich sinnvoll in die übrige Organisation einfügt.

Das Modell bleibt dabei wichtig, doch der wirtschaftliche Nutzen entsteht zunehmend aus dem System, in das dieses Modell eingebettet ist.

Die nächste Phase künstlicher Intelligenz könnte deshalb weniger durch die Frage geprägt werden, welches Modell die beste einzelne Antwort erzeugt. Entscheidender dürfte werden, welche Systeme zuverlässig mit künstlicher Intelligenz arbeiten können, ohne dass ein Mensch jeden einzelnen Schritt selbst anstoßen muss.