KI im Unternehmen hat ein Quick-Win-Problem.
Unternehmen werden ermutigt, KI-Anwendungsfälle zu sammeln, sie in eine Priorisierungsmatrix einzutragen und mit den Möglichkeiten zu beginnen, die am leichtesten umsetzbar erscheinen. Das Ergebnis ist meist ein Backlog voller Assistenten, Dokumentzusammenfassungen, isolierter Automatisierungen und kleiner Produktivitätsfunktionen.
Manche dieser Anwendungen sind nützlich. Aber sie verändern selten, wie das Unternehmen arbeitet.
Ubers kürzlich vorgestellte Agentic Pods zeigen einen anderen Ansatz. Statt die Fachbereiche um KI-Ideen zu bitten, hat Uber Forward Deployed Engineers (FDEs) direkt neben die Mitarbeitenden in Finance, Recht, HR, Marketing, Operations, Einkauf und Kundenservice gesetzt. Ein Forward Deployed Engineer ist ein KI-Experte, der im Fachbereich arbeitet statt in einem zentralen Plattformteam: nah genug am Prozess, um ihn zu sehen, und erfahren genug, um dafür zu bauen.
Die FDEs beobachteten, wie die Menschen tatsächlich arbeiteten, bauten gemeinsam mit ihnen Agenten, testeten die Ergebnisse mit weiteren Nutzern und lieferten innerhalb von zwei Wochen funktionierende Lösungen aus.
Die wichtige Lehre ist nicht einfach, dass Uber KI-Agenten einsetzt. Die Lehre ist, dass sich die wertvollsten KI-Chancen nicht immer von außerhalb des Prozesses erkennen lassen.
Sie müssen in der Arbeit selbst entdeckt werden.
Uber-CTO Praveen Neppalli Naga hat den Ansatz in einem Originalbeitrag auf X beschrieben. Uber hat demnach 16 Agentic Pods in verschiedenen Geschäftsbereichen eingesetzt. Zu den Ergebnissen gehören: Die Arbeit an der Kapitalallokation sank von 15 Stunden auf 30 Minuten, Pacing-Berichte im Finanzbereich von zwei Tagen auf 10 Minuten und die Qualitätssicherung im Marketing von zwei Wochen auf 50 Minuten.
Management Summary: Was Agentic Pods an KI im Unternehmen verändern
Uber hat den bekannten Use-Case-Workshop durch ein eingebettetes Delivery-Team ersetzt: Ein Forward Deployed Engineer sitzt neben der Person, die einen Prozess verantwortet, beobachtet, wie die Arbeit wirklich erledigt wird, und liefert innerhalb von zwei Wochen einen funktionierenden Agenten aus. Die berichteten Zahlen sind beeindruckend, aber der Mechanismus dahinter ist wichtiger. Wertvolle KI-Chancen sind von außerhalb eines Prozesses meist unsichtbar. Denn die Menschen, die sie benennen sollen, können die Ausnahmen, Workarounds und systemübergreifenden Übergaben, die ihre Arbeit teuer machen, nicht vollständig beschreiben. Für jedes Unternehmen, das ein KI-Portfolio zusammenstellt, verschiebt sich damit die zentrale Frage: weg davon, mit welchem Use Case man am leichtesten beginnt, hin zu der Frage, welcher Workflow grundlegend anders aussähe, wenn man ihn um das herum gestaltete, was KI heute kann.
Die wichtigsten Erkenntnisse:
- Chancen findet man in der Arbeit: Die wertvollsten Workflows lassen sich in einem Workshop am schwersten beschreiben. Deshalb verlieren sie in der Priorisierungsmatrix gegen einfachere, sichtbarere Ideen.
- Der Workflow ist die Einheit der Automatisierung: Wer eine einzelne Aufgabe in einem unveränderten Prozess automatisiert, gewinnt lokal Tempo, beseitigt aber nicht die organisatorischen Reibungen drumherum.
- Priorisierung braucht KI-spezifische Kriterien: Häufigkeit, Datenverfügbarkeit, Wiederverwendbarkeit, die Kosten eines Fehlers und die Verantwortung nach dem Go-live sagen den Wert weit besser voraus als Dringlichkeit und Wichtigkeit.
- Bauen ist Erkenntnisarbeit: Ein funktionierender Prototyp bringt fehlende Daten, versteckte Prozessregeln und Integrationsgrenzen ans Licht, die keine Ist-Analyse vorhersieht.
- Ein Pod ist ein Delivery-Mechanismus, kein Betriebsmodell: Ohne Entscheidungsrechte, Zugriffsregeln, Verantwortlichkeiten und Monitoring sammelt ein Unternehmen isolierte Agenten an, so wie es früher isolierte Proofs of Concept angesammelt hat.
Was ist ein Agentic Pod?
Ein Agentic Pod ist ein kleines, temporäres, funktionsübergreifendes Delivery-Team, das Folgendes zusammenbringt:
- eine Person, die den Geschäftsprozess im Detail versteht;
- einen Forward Deployed Engineer als KI-Experten im Pod, der KI-Agenten, Daten, Software und die Systeme des Unternehmens versteht;
- einen klar abgegrenzten Workflow, der sich beobachten, neu gestalten, bauen und validieren lässt.
Bei Uber folgte der Pod einem komprimierten Zehn-Tage-Prozess:
- Den Fachexperten begleiten und die reale Arbeit beobachten.
- Den Workflow dokumentieren, einschließlich Ausnahmen und Workarounds.
- Chancen nach Wiederholung, Umfang, geschäftlicher Wirkung und verfügbaren Daten priorisieren.
- Gemeinsam mit der Person, die den Prozess ausführt, einen funktionierenden Agenten bauen.
- Prüfen, ob er auch für andere Mitarbeitende funktioniert.
- Die Lösung ausliefern.
Das ist kein klassischer Automatisierungsworkshop. Es ähnelt eher einem eingebetteten Produkt- und Engineering-Einsatz.
Der Fachexperte übergibt keine Prozessbeschreibung, um dann auf eine Lösung zu warten. Der FDE verschwindet nicht für drei Monate, um nach einem Anforderungsdokument zu bauen. Beide arbeiten gemeinsam am Prozess.
Warum Quick-Win-Priorisierung die echten Chancen verfehlt
Die übliche Suche nach KI-Chancen beginnt mit Interviews oder Workshops.
Stakeholder werden gefragt, wo sie Zeit verlieren. Die Ideen werden in einer Tabelle gesammelt und nach Kriterien wie Aufwand, Wirkung, Dringlichkeit, Machbarkeit und strategischer Relevanz bewertet.
Das ergibt ein optisch überzeugendes Portfolio. Es hat aber eine strukturelle Schwäche: Es priorisiert, was die Beteiligten bereits benennen können.
Viele wertvolle Workflows sind schwer zu beschreiben, weil sie Folgendes enthalten:
- Informationen, die über mehrere Systeme verteilt sind;
- undokumentierte Ermessensentscheidungen;
- manuelle Übergaben zwischen Abteilungen;
- Tabellen, die außerhalb der formalen Prozesse gepflegt werden;
- Ausnahmen, die nur erfahrene Mitarbeitende kennen;
- Freigaben, die aufgrund historischer Einschränkungen existieren;
- Workarounds, die Teil des Tagesgeschäfts geworden sind.
Ein Prozessdiagramm zeigt normalerweise, wie die Arbeit ablaufen soll. Ein eingebetteter FDE sieht, wie sie tatsächlich abläuft.
Dieser Unterschied ist wichtig, weil KI-Agenten besonders wertvoll sind, wenn ein Workflow Systemgrenzen überschreitet, Informationen interpretiert, begrenzte Entscheidungen trifft und mehrere Schritte koordiniert. Solche Chancen wirken in einem Workshop oft zu kompliziert und verlieren deshalb gegen einen einfacheren Chatbot oder ein Zusammenfassungs-Tool.
Der Quick Win gewinnt die Matrix.
Der wertvolle Workflow bleibt unangetastet.
Schluss mit der Eisenhower-Matrix für KI
Die Eisenhower-Matrix unterscheidet zwischen dringenden, wichtigen, nicht dringenden und weniger wichtigen Aufgaben. Für das persönliche Aufgabenmanagement ist sie nützlich.
Als Rahmen für KI-Investitionen im Unternehmen taugt sie nicht.
KI-Initiativen müssen an anderen Fragen gemessen werden:
- Wie häufig wird der Workflow ausgeführt?
- Wie viel organisatorische Kapazität bindet er?
- Wie viele Systeme und Übergaben sind beteiligt?
- Welche Entscheidungen erfordern menschliches Urteilsvermögen?
- Sind ausreichend Daten zugänglich?
- Lässt sich die entstehende Fähigkeit anderswo wiederverwenden?
- Was passiert, wenn der Agent falsch liegt?
- Wer verantwortet das System nach dem Deployment?
- Lässt sich der Workflow selbst neu gestalten, statt ihn nur zu beschleunigen?
Ein Prozess kann weder sichtbar dringend noch strategisch prominent sein und trotzdem im ganzen Unternehmen Tausende Stunden verbrauchen.
Umgekehrt kann eine dringende Aufgabe ein schlechter Kandidat für KI sein, weil sie selten vorkommt, keine verlässlichen Daten hat oder ein inakzeptables operatives Risiko birgt.
Eine wirksame KI-Strategie lässt sich deshalb nicht darauf reduzieren, die einfachsten Einträge aus einem Use-Case-Backlog auszuwählen. Sie muss Geschäftswert, technische Machbarkeit, organisatorische Abhängigkeiten, Architektur, Sourcing, Verantwortlichkeiten und messbare Erfolgskriterien verbinden.
Der Workflow muss zur Einheit der Transformation werden
Viele KI-Projekte versuchen, eine einzelne Aufgabe in einem unveränderten Prozess zu automatisieren.
Ein Agent entwirft die E-Mail, aber der Mitarbeiter sammelt die Informationen weiterhin von Hand.
Ein Modell extrahiert die Dokumentdaten, aber jemand überträgt die Ergebnisse weiterhin in ein anderes System.
Ein Copilot erstellt den Bericht, aber die Freigabekette und die zugrunde liegende Datenaufbereitung bleiben unverändert.
So entstehen lokale Produktivitätsgewinne, ohne dass die übergreifenden organisatorischen Reibungen verschwinden.
Ubers Ansatz behandelt stattdessen den Workflow als Einheit der Automatisierung. Das Ziel ist nicht nur, einen einzelnen Mitarbeiter schneller zu machen. Es geht darum, die gesamte Arbeitskette zu betrachten und zu fragen:
- Welche Schritte können wegfallen?
- Welche Übergaben sind nicht mehr nötig?
- Welche Informationen lassen sich automatisch abrufen?
- Welche Entscheidungen kann ein Agent vorbereiten oder ausführen?
- Wo muss ein Mensch die Kontrolle behalten?
- Welche Altsysteme oder externen Dienste werden überflüssig?
- Wie soll der neu gestaltete Prozess überwacht werden?
Hier unterscheiden sich agentische Systeme von einem herkömmlichen Chatbot. Ein Agent kann mit Werkzeugen interagieren, Informationen abrufen, mehrere Schritte ausführen, einen Zustand halten und Entscheidungen nach definierten Regeln eskalieren.
Nützlich wird die Technologie aber erst, wenn diese Fähigkeiten auf einen gut verstandenen operativen Workflow angewendet werden.
Ergänzen Sie den Workflow nicht um KI. Gestalten Sie den Workflow neu, ausgehend von dem, was KI heute möglich macht.
Bauen zeigt, was Beratung allein nicht zeigen kann
Klassische Beratung trennt Analyse und Umsetzung.
Berater interviewen Stakeholder, analysieren den Ist-Zustand, identifizieren Chancen und erarbeiten Empfehlungen. Anschließend soll ein technisches Team oder ein externer Anbieter sie umsetzen.
Bei agentischen Workflows kann diese Trennung zum Nachteil werden.
Moderne KI-Systeme lassen sich so schnell prototypisch umsetzen, dass das Bauen selbst Teil der Analyse wird. Ein funktionierender Agent deckt fehlende Daten, versteckte Prozessregeln, Integrationsgrenzen, Bedenken der Nutzer und Randfälle auf, die kein Foliensatz vollständig vorhersehen kann.
Die Reihenfolge ändert sich von:
Alles verstehen → empfehlen → übergeben → bauen
zu:
Beobachten → bauen → lernen → anpassen → validieren
Das heißt nicht, dass Strategie, Architektur oder Governance überflüssig werden. Es heißt, dass sie mit der technischen Arbeit verbunden bleiben müssen.
Ein KI-Experte muss zwischen Management, internen Prozessverantwortlichen, Engineering-Teams und externen Anbietern agieren. Diese Person muss das angestrebte Geschäftsergebnis verstehen und zugleich technische Annahmen hinterfragen und Erkenntnisse in umsetzbare Entscheidungen übersetzen können.
Genau diese Rolle deckt die KI-Projektleitung von nAIxt ab: Management und Engineering verbinden, Anforderungen und Abnahmekriterien festlegen, Produkt- und Architekturentscheidungen steuern und sicherstellen, dass interne Teams und Anbieter auf das tatsächliche operative Ziel hin liefern.
Wo das System selbst noch definiert werden muss, übersetzt die KI-Produkt- & Systemarchitektur den entdeckten Workflow in Produktanforderungen, Systemgrenzen, Datenflüsse, Schnittstellen, Human-in-the-Loop-Entscheidungen und Arbeitspakete für die Umsetzung.
Wo die technisch kritische Fähigkeit gebaut und validiert werden muss, liefert Angewandtes KI-Engineering die Prototypen, Modelle, Pipelines, Integrationen und produktionsreifen Komponenten, die nötig sind, um zu belegen, dass der neu gestaltete Workflow unter realen Bedingungen funktioniert.
Warum es auf die Person ankommt, die den Agenten aufsetzt
Agentische Systeme sind äußerst vielseitig, aber sie erfassen ihren Kontext nicht von selbst.
Ihr Nutzen hängt stark von der Person oder dem Team ab, das Folgendes festlegt:
- das Ziel;
- die verfügbaren Werkzeuge und Daten;
- die Abfolge des Workflows;
- die zulässigen Aktionen;
- die Eskalationsregeln;
- die Validierungskriterien;
- die Grenzen der menschlichen Verantwortung.
Zwei Unternehmen können dasselbe Modell nutzen und völlig unterschiedliche Ergebnisse erzielen.
Der Unterschied liegt nicht nur in der zugrunde liegenden KI-Technologie. Er liegt in der Kombination aus technischer Kompetenz, Prozessverständnis, Systemzugang, operativer Validierung und Verantwortung.
Deshalb ist es so wirksam, den FDE nah am Zielprozess einzubetten. Fragen werden sofort beantwortet. Annahmen lassen sich an echten Beispielen prüfen. Mitarbeitende können unterscheiden zwischen einem Schritt, der offiziell dokumentiert ist, und einem, der wirklich notwendig ist.
Die Prozessverantwortlichen bringen operative Tiefe ein. Der KI-Experte bringt das Wissen ein, was technisch möglich geworden ist.
Keine der beiden Perspektiven reicht allein aus.
Vom einzelnen Pod zum KI-Betriebsmodell
Ein zweiwöchiger Pod kann Wert identifizieren und nachweisen. Um den Ansatz im ganzen Unternehmen zu skalieren, braucht es mehr.
Jemand muss entscheiden:
- welche Workflows einen Pod bekommen;
- wie Forward Deployed Engineers und Fachexperten ausgewählt werden;
- auf welche Systeme Agenten zugreifen dürfen;
- wie Sicherheit und Compliance geprüft werden;
- wie wiederverwendbare Agentenfähigkeiten verwaltet werden;
- wer jeden Workflow nach dem Go-live verantwortet;
- wie Leistung und Fehler überwacht werden;
- wie erfolgreiche Prototypen in einen stabilen Betrieb kommen.
Ohne diese Strukturen sammelt das Unternehmen isolierte Agenten an, so wie es zuvor isolierte Proofs of Concept angesammelt hat.
Ein KI-Betriebsmodell liefert die Entscheidungsrechte, Portfolio-Governance, Finanzierungsprozesse, Anbietersteuerung, Teamgestaltung, Lebenszyklusverantwortung und das Management-Reporting, die nötig sind, um aus einzelnen KI-Initiativen eine dauerhafte Fähigkeit der Organisation zu machen.
Ein Agentic Pod ist daher nicht das vollständige KI-Betriebsmodell. Er ist ein wirksamer Delivery-Mechanismus innerhalb eines solchen Modells.
Die strategische Lehre aus Uber
Ubers Ergebnisse sollte man nicht als Beleg dafür lesen, dass jedes Unternehmen 30 Forward Deployed Engineers braucht oder denselben Zehn-Tage-Plan kopieren sollte.
Die übertragbare Lehre ist einfacher:
Erwarten Sie nicht, dass die besten KI-Chancen als fertige Use-Case-Beschreibungen bei Ihnen ankommen.
Bringen Sie technische Kompetenz nah an die Arbeit. Beobachten Sie den realen Prozess. Bauen Sie gemeinsam mit den Menschen, die ihn ausführen. Validieren Sie an operativen Ergebnissen. Gestalten Sie den gesamten Workflow neu, statt die sichtbarste Aufgabe zu automatisieren.
Das Tempo moderner KI-Entwicklung macht das möglich. Was früher ein großes Softwareprojekt erforderte, lässt sich zunehmend in einer fokussierten Zusammenarbeit zwischen einem Fachexperten und einem Forward Deployed Engineer testen.
Das verändert den Zweck von KI-Beratung und technischer Führung.
Das Ziel ist nicht mehr, monatelang eine erschöpfende Landkarte möglicher KI-Anwendungsfälle zu erstellen. Es geht darum, ein diszipliniertes System zu schaffen, mit dem man zwischen Strategie, Prozessanalyse in der Praxis, technischer Validierung und Betrieb wechseln kann.
Fragen Sie nicht nur:
„Wo finden wir einen KI-Quick-Win?“
Fragen Sie vor allem:
„Welchen Workflow würden wir anders gestalten, wenn es die heutigen KI-Fähigkeiten schon gegeben hätte, als der Prozess entstand?“
Dort beginnen die Chancen, die wirklich etwas bewegen.