The Sbarro Eight Concept (Automobildesign-Schule Espera Sbarro; 3,2-Liter-V8-Biturbomotor, Maserati 3200 GT)
Vor einiger Zeit habe ich über meinen Selbstversuch mit einem kognitiven Betriebssystem geschrieben. Es ging mir dabei vor allem um meine eigene Werkbank: Wie bringe ich meinem System meinen Fingerprint bei, wie nutze ich einen Agenten als Schleifstein, und lohnt sich überhaupt die kognitive Fleißarbeit? Ich endete mit der Frage, wer überhaupt so ein Setup braucht.
Langsam wird das Bild klarer. Denn das Problem, an dem ich geschliffen habe, ist exakt dasselbe Problem, vor dem heute jedes mittelständische B2B-Unternehmen steht. Nur eben eine Nummer größer.
tl;dr.: Eigentlich braucht jede Unternehmung ein System, das das eigene Wissen strukturiert und kuratiert – egal ob Konzern, KMU oder Solopreneur. Ansonsten kann man sich die Investitionen auch gleich sparen. Und an dieser Stelle schon mal soviel: Die Lösung kommt nicht aus der IT-Abteilung.
Das Problem mit den schnellen Pumpen
Wenn man sich anschaut, was die Technologiebranche derzeit unter „Agentic AI“ anbietet, sieht man ein bekanntes Muster. Es werden mächtige Frameworks, Vektordatenbanken und API-Leitungen verlegt. Bildlich gesprochen: Man baut immer leistungsfähigere Pumpen und Rohre, um Prozesse autonom zu machen. Das Problem ist nur: „Garbage In, Garbage Out.” Oder wenn es um Retrieval-Augmented Generation (RAG) geht: „Silo In, Slop Out”.
Wenn also Agenten scheitern, liegt das zumeist nicht an mangelnder Rechenleistung oder unzureichenden Sprachmodellen. Es liegt viel mehr an ungeordneten, veralteten und widersprüchlichen Wissensbeständen. Ein KI-Agent weiß eben nicht, ob eine zehn Jahre alte Broschüre noch den aktuellen Stand widerspiegelt, ob sich zwei interne Vertriebsleitfäden widersprechen oder was der Inhaber am Küchentisch eigentlich entschieden hat. Er behandelt alles gleich – und macht daraus Enterprise-Slop.
Ein Agent ohne kuratierte Wissensbasis und Regelwerk ist wie ein hyperaktiver Praktikant mit Generalvollmacht. Er automatisiert das bestehende Chaos in Rekordgeschwindigkeit.
Nach innen: Die Wissensarchitektur
In der Systementwicklung zeichnet sich dieser Engpass bereits deutlich ab. Vordenker wie Andrej Karpathy oder Shopify-Gründer Tobi Lütke sprechen längst von Context Engineering statt reinem Prompt-Engineering. Karpathy bringt es auf den Punkt: Wenn das LLM die CPU eines neuen Betriebssystems ist, dann ist das Kontextfenster sein Arbeitsspeicher (RAM).
Also besteht die eigentliche Kunst nicht darin, bunte Prompts zu tippen, sondern diesen Arbeitsspeicher Schritt für Schritt mit genau den richtigen Informationen zu füllen. Nicht mehr und nicht weniger. Lädt man diesen Speicher dagegen ungefiltert mit historischen Dateiarchiven (und damit auch Dateileichen) voll, wird es für die Modelle zunehmend unverdaulich:
Context Rot: Mit übergroßen Datenmengen im Kontextfenster leidet die Urteilsfähigkeit von Sprachmodellen dramatisch. Sie übersehen dann relevante Details in der Mitte langer Dokumente (Lost in the Middle) und verlieren den Faden.
Context Clash: Wenn veraltete Richtlinien und neue Vorgaben gleichzeitig im Speicher liegen, widerspricht sich das System selbst, verfällt in Endlosschleifen oder halluziniert.
Die technische Erkenntnis führender KI-Labore ist deshalb eindeutig: Ein autonomes System wird erst verlässlicher, wenn man ihm weniger, dafür aber sorgfältig kuratiertes Wissen übergibt. Das ist aber eben keine Frage von IT-Infrastruktur – ein IT-Dienstleister schließt Leitungen an und optimiert Latenzen. Er kann Daten verschieben, aber er hat weder das Mandat noch das Urteilsvermögen, einem Geschäftsführer zu sagen: „Achtzig Prozent Ihrer alten Unterlagen sind Ballast und widersprechen Ihrer heutigen Ausrichtung – das muss weg.“
Bevor also der erste Agent losläuft, braucht ein Unternehmen eine Art „semantische Baugrundprüfung”. Man muss implizites Erfahrungswissen heben, Widersprüche auflösen und selbstbewussten Ausschluss betreiben. Dazu benötigt man Urteilsvermögen, Erfahrung und Ausdauer. Womit sich dann auch die Frage nach der Fleißarbeit beantwortet: kein Fleiß = Slop. Oder Bauschaum, wie Sascha Lobo kürzlich die unbrauchbaren Informationen nannte, mit denen der Chatbot dann um die Ecke kommt und alles verklebt.
Nach außen: Marke Next Level
Genau an dieser Stelle schließt sich der Kreis zu meiner eigentlichen Disziplin: der Markenarchitektur. Denn was nach innen für autonome Agenten gilt, gilt nach außen längst für Marken und Medien. Die klassische Werbe-Fassade – bunte Bilder, erfundene Markenwerte und Hochglanzbroschüren, die nichts mit der Realität zu tun haben – funktioniert nicht mehr.
Das Kaufverhalten hat sich – zumindest im B2B-Bereich – grundlegend verschoben:
Recherche ohne Vertrieb (Gartner): Rund zwei Drittel der B2B-Einkäufer fordern heute eine weitgehend vertriebsfreie Recherche (Rep-Free Experience). Knapp die Hälfte nutzt generative KI bereits für das initiale Anbieter-Screening und Longlists. Vorentscheidungen fallen, bevor die ersten Vertriebler den Hörer abheben.
Die Filter der KI-Suchmaschinen (Princeton GEO-Studie): Wenn Einkäufer oder Ingenieure Werkzeuge wie Perplexity oder Google AI Overviews nutzen, filtern diese Systeme werblichen Fülltext gnadenlos heraus. Belohnt wird dagegen die Informationsdichte: Verifizierbare Fakten, technische Spezifikationen und klare Haltung sorgen für eine Steigerung in der Auffindbarkeit um 30 bis 40 Prozent.
„Marke nach außen” meint also nicht das Erfinden von Geschichten. „Marke nach außen” meint das unmissverständliche Bereitstellen von verifizierter Unternehmenssubstanz (Owned Knowledge). Und das ist kein Werbegedöns (wie viele Entscheider gerne etwas despektierlich meinen), sondern ein immaterieller Vermögenswert, der Preissetzungsmacht absichert und das Risiko für den Kunden minimiert. Wer das nicht versteht, lässt Geld auf dem Tisch liegen, wie man auch so schön in Entscheiderkreisen sagt.
Die zwei Seiten derselben Medaille
Hier treffen sich Wissensarchitektur und Marke. Agenten nach innen und eine Marke nach außen greifen absehbar auf exakt dieselbe Wissensbasis zurück:
Wer intern widersprüchliche Dokumente pflegt, füttert seine Agenten mit Context Clash und kann keine autonomen Prozesse steuern.
Wer extern mit hohlen Werbeversprechen hantiert, fällt durch die Raster moderner Recherche-Algorithmen.
Markenarchitektur und Wissensarchitektur teilen sich also dasselbe Fundament. Beide Disziplinen erfordern dieselbe handwerkliche Arbeit, bevor überhaupt gestaltet oder programmiert werden darf: Basis prüfen, die reale Substanz freilegen, ungeschriebene Regeln verbindlich machen und alles Überflüssige streichen.
Das ist keine Spielerei für Technologie-Gläubige und kein neues Agentur-Angebot für bunte Folien. Es ist klassische Statik. Und die beginnt immer am Fundament. Und mit Fleiß.
Und wer könnte solche Wissensarchitekturen wohl besser mit aufbauen als erfahrene Kommunikationsexperten und Strategen? Menschen, die seit Jahrzehnten nichts anderes tun, als Substanz freizulegen, Widersprüche aufzuspüren und Unternehmen so auf den Punkt zu bringen, dass sie verstanden werden – von Menschen genauso wie von Maschinen.
