Agenten sind keine Kolleg:innen. Und genau deshalb brauchen sie eine Plattform

Update vom 6. Oktober 2026: Die Studienzahlen und ihre Einordnung wurden anhand der aktuellen Originalfassung korrigiert. Die Ergebnisse gelten für eine bestimmte Teilgruppe; zusätzliche Reviews sind kein Beleg für verantwortungsloses Abschieben. Die Kollegenmetapher kann beim Briefing hilfreich sein, ersetzt aber keine geregelte Verantwortung.

Die neue große Erzählung der KI-Branche ist schnell zusammengefasst: Nach Chatbots kommen Agenten. Agenten werden zu digitalen Mitarbeitenden. Digitale Mitarbeitende bekommen Namen, Rollen, Aufgaben, Zugänge, Skills und Tools. Und irgendwann, so die implizite Hoffnung, arbeiten sie eben wie Kolleg:innen.

Das klingt modern. Es klingt produktiv. Es klingt nach dem nächsten logischen Schritt.

Als Modell für organisatorische Verantwortung greift diese Metapher zu kurz.

Der MIT-Technology-Review-Artikel „AI agents are not your ‚coworkers‘“ trifft deshalb einen Nerv – nicht, weil agentische KI überschätzt wäre. Im Gegenteil: Die technische Entwicklung ist real. Agenten können heute mehrstufig arbeiten, Tools nutzen, Dateien lesen, Code schreiben, Recherchen durchführen, Systeme bedienen und Aufgaben über längere Zeit verfolgen. Aber die Art und Weise, wie wir über sie sprechen, prägt, wie Menschen mit ihnen arbeiten.

Und genau dort beginnt das Risiko.

Die aktuelle Fassung der Studie von Emma Wiles und Kolleg:innen vom 19. September 2026 präzisiert die damalige Kurzfassung: Über die gesamte experimentelle Stichprobe gab es keinen statistisch signifikanten Durchschnittseffekt auf Prüfleistung oder Aufsicht. In der Teilgruppe, deren Unternehmen KI bereits auf Organisations- oder Workflow-Diagrammen führten, wurden beim Framing als KI-Mitarbeitender relativ 17 Prozent weniger Fehler erkannt als beim KI-Werkzeug-Framing. Zusätzliche kostenbehaftete Review-Anfragen stiegen um 22 Prozentpunkte beziehungsweise 44 Prozent gegenüber dem Ausgangswert. Diese Teilgruppenabgrenzung war nicht als primärer Moderator vorregistriert; die Arbeit ist ein Working Paper. Mehr Review-Anfragen belegen für sich genommen kein verantwortungsloses Abschieben.

Das ist mehr als ein Naming-Problem. Es ist ein Verantwortungsproblem.

Wenn wir KI-Agenten als Mitarbeitende bezeichnen, können wir Erwartungen an Rolle, Zuständigkeit und Urteilskraft verschieben. Die Studie liefert dafür einen kontextabhängigen Hinweis, keinen universellen Effekt. Unabhängig von der Wortwahl gilt: Ein Agent kann handeln. Die Verantwortung für seinen Einsatz muss bei Menschen und Organisationen klar geregelt bleiben.

Deshalb lautet die zentrale These:

Agenten sind keine Kolleg:innen. Agenten sind Prozessbausteine.

Und wer sie produktiv einsetzen will, braucht nicht nur bessere Agenten. Er braucht bessere Arbeitsarchitektur.

Der gefährliche Charme des „digital employee“

Die Metapher vom digitalen Mitarbeitenden ist für Anbieter attraktiv. Sie ist einfach zu verkaufen, klingt nach Produktivität, Skalierung und Entlastung – und verspricht: Wir stellen nicht nur ein Tool bereit, sondern eine neue Arbeitskraft.

Der MIT-Artikel beschreibt, dass Unternehmen KI-Agenten bereits mit Namen, Titeln und Zuständigkeiten versehen. Die aktuelle Studie unterscheidet diese Praktiken genauer: 33 Prozent der Befragten berichteten eine Integration von KI-Agenten in ihre Systeme, 14 Prozent eine Darstellung auf Organisations- oder Workflow-Diagrammen und 11 Prozent die Bezeichnung als „AI employees“ oder „digital workers“. Diese Kategorien sind nicht gleichbedeutend.

Das ist bemerkenswert. Ein als „Kollege“ eingeführter Agent kann andere Erwartungen wecken als ein Werkzeug. Ob Menschen deshalb schlechter prüfen oder Verantwortung anders zuschreiben, hängt aber vom Kontext ab und sollte im eigenen Arbeitsablauf überprüft werden.

Das ist problematisch, weil KI-Agenten genau dort gefährlich überzeugend sind, wo menschliche Kontrolle notwendig bleibt: Sie produzieren plausible Zwischenstände, erzeugen strukturierte Artefakte, wirken zielgerichtet, formulieren souverän, glätten Unsicherheit sprachlich – und lassen Arbeit so aussehen, als sei sie abgeschlossen.

Abgeschlossen ist sie aber erst, wenn ein Mensch mit der richtigen Fachkompetenz sie geprüft und verantwortet hat.

Ein Agent kann Vorschläge machen, Schritte ausführen, Tools nutzen, Variationen erzeugen und Recherche strukturieren. Aber er kann nicht entscheiden, ob ein strategischer Rat kundenspezifisch tragfähig ist. Er kann nicht für eine Markenentscheidung einstehen, keine Kundenbeziehung verantworten, nicht beurteilen, ob ein scheinbar effizienter Vorschlag langfristig Vertrauen zerstört. Er kann nicht haften. Er kann keine berufliche Verantwortung übernehmen.

Das ist der Kern.

Agenten werden besser – das macht Governance nicht weniger wichtig, sondern wichtiger

Es wäre falsch, agentische KI kleinzureden. Die technische Entwicklung ist real, Agenten werden leistungsfähiger, ausdauernder und besser integriert. Mehrere Entwicklungen sind bereits sichtbar:

Agent-SDKs werden reifer. Anbieter bauen Funktionen für Tool Use, Handoffs, Tracing, Sessions, Guardrails und Human-in-the-Loop.

Skills und Plugins werden zu wiederverwendbaren Arbeitspaketen. Statt nur Prompts zu schreiben, kapseln Organisationen Aufgabenlogiken: Anweisungen, Beispiele, Toolzugänge, Ressourcen, Prüfregeln und Outputformate.

MCP und ähnliche Protokolle verbinden Agenten mit realen Systemen: Dateien, Datenbanken, APIs, Projektmanagement, Designsystemen, CRM, Analytics, Repositories, Kalendern, Tickets und Kommunikationsplattformen.

Workspaces werden persistent. Agentische Arbeit findet nicht mehr nur im Chat statt, sondern in Arbeitsumgebungen mit Dateien, Zuständen, Logs, Artefakten, Versionen und Berechtigungen.

Evaluation verschiebt sich. Es geht nicht mehr nur darum, ob eine Antwort gut klingt, sondern ob der Endzustand einer Aufgabe korrekt ist: Welche Tools wurden genutzt? Welche Daten verändert? Welche Artefakte entstanden? Welche Reviews fehlen? Welche Aktion war riskant?

Kostensteuerung wird zentral. Je mehr Agenten, Skills und LLM-Steps produktiv laufen, desto wichtiger werden Modellrouting, Budgets, Providerwahl, Tokenkosten, Laufzeitlimits und Cost Monitoring.

All das spricht nicht gegen Agenten. Aber es spricht sehr deutlich gegen die naive Agenten-Erzählung. Je mächtiger Agenten werden, desto weniger dürfen sie außerhalb klarer Arbeitsarchitektur operieren. Ein schwacher Chatbot erzeugt vielleicht einen schlechten Text. Ein mächtiger Agent kann einen Prozess falsch ausführen, Daten falsch interpretieren, ein Tool unpassend nutzen, falsche Zwischenstände erzeugen, Kosten verursachen oder Verantwortung verschleiern.

Die Zukunft agentischer KI ist deshalb nicht einfach eine Zukunft autonomer Mitarbeitender. Sie ist eine Zukunft kontrollierter Arbeitsumgebungen.

Die eigentliche Frage: Wer besitzt den Prozess?

Wenn Agenten in Unternehmen produktiv werden sollen, lautet die wichtigste Frage nicht „Wie autonom ist der Agent?“, sondern:

Wer besitzt den Prozesszustand?

Das ist der zentrale Architekturpunkt.

Wenn der Agent den Prozess besitzt, entscheidet er bei jedem Lauf neu: Welche Schritte sind nötig? Welche Tools nutze ich? Welche Daten brauche ich? Wann bin ich fertig? Welche Zwischenergebnisse genügen? Welche Fehler ignoriere ich, welche Unsicherheiten markiere ich – und welche nicht? Für Exploration kann das funktionieren. Für produktive Kernprozesse ist es riskant.

Wenn dagegen der Workflow den Prozess besitzt, sieht die Architektur anders aus: Der Workflow definiert Ziel, Inputs, erlaubte Daten, mögliche Branches, Step-Typen, Tools, Review-Gates, Output-Artefakte, Status, Fallbacks, Rollen, Kostenlimits und Exportregeln. Agenten und Skills kommen dann nicht als freie Prozessbesitzer ins System, sondern als kontrollierte Bausteine innerhalb eines definierten Rahmens.

Das ist der Unterschied zwischen

„Der Agent macht die Keyword Research.“

und

„Der Workflow führt die Keyword Research. Ein begrenzter agentischer Step unterstützt die Exploration innerhalb definierter Quellen, ein LLM-Step clustert Daten, ein Human-Review-Gate prüft die Priorisierung, und ein Fallback greift, wenn der Kundentyp außerhalb des Operating Envelope liegt.“

Das klingt weniger spektakulär. Aber es ist professioneller.

Warum starre Workflows allein nicht reichen

Hier entsteht schnell ein Missverständnis. Wenn der Workflow den Prozess besitzen soll, klingt das nach Starrheit – nach Wasserfall, deterministischer Pipeline, „immer derselbe Ablauf“. Gerade für Agenturarbeit wäre das falsch.

Eine Keyword Research sieht für einen lokalen Laden anders aus als für einen Filialisten mit 150 Standorten, einen E-Commerce-Händler, ein B2B-Beratungsunternehmen oder einen multinationalen Mischkonzern. Eine Markenanalyse läuft bei einem etablierten Mittelständler anders als bei einem Start-up. Ein UX-Review für eine Kampagnen-Landingpage ist nicht dasselbe wie für ein komplexes B2B-Portal. Und eine Creative Route entsteht anders als ein Monatsreport.

Heißt: Nicht alles kann oder sollte vollständig deterministisch werden. Der bessere Satz lautet deshalb:

Die Plattform muss nicht jeden Denkweg deterministisch machen. Sie muss stabile Schnittstellen um flexible Arbeit herum bauen.

Der Prozessrahmen ist stabil – die Betriebsmodi innerhalb des Prozesses dürfen unterschiedlich sein. Ein Step kann deterministisch sein, LLM-gestützt, einen Skill nutzen, agentisch begrenzt sein, menschliche Assistenz erfordern, ein Review-Gate sein oder einen Fallback auslösen. Die Plattform führt den Gesamtzustand, auch wenn einzelne Abschnitte flexibel bearbeitet werden.

Skills und Agenten gehören auf die Plattform – aber nicht als Spielwiese

In vielen Organisationen liegen Skills, Prompts, Plugins und Agenten heute verteilt in einzelnen Tools: Claude, ChatGPT, Gemini, Slack, Notion, Google Drive, GitHub, Browser-Setups, lokalen Dateien oder persönlichen Arbeitsweisen. Für Exploration ist das unvermeidbar. Zum Problem wird es, sobald diese Setups teamweit, kundennah oder wiederkehrend genutzt werden.

Dann stellen sich Fragen: Wer hat den Skill erstellt? Ist er reviewed? Welche Version ist aktuell? Welche Daten darf er verwenden, welche Tools nutzt er, welche Ergebnisse erzeugt er? Wer darf ihn nutzen, wer muss den Output prüfen? Wann wird daraus ein Workflow? Wie fließen Fehler zurück? Wie wird ein Skill deprecated? Was kostet die Nutzung – und ist das alles an einen einzigen Anbieter gebunden?

Wenn darauf niemand eine verlässliche Antwort hat, entsteht Schatten-KI.

Deshalb reicht ein separater KI-Hub als reiner Dokumentationsort langfristig nicht. Die bessere Lösung: Skills, Plugins und begrenzte Agenten in die Plattform holen – als kontrollierte Prozessbausteine.

Von „AI employee“ zu „Capability“

Die Employee-Metapher kann Verantwortung verschleiern. Die Capability-Perspektive richtet den Blick auf explizite Zuständigkeiten. Statt zu fragen „Welcher Agent übernimmt diese Rolle?“, sollten wir fragen:

Welche Fähigkeit wollen wir als Organisation aufbauen, betreiben, prüfen und verbessern?

Eine Capability kann klein beginnen: ein Prompt für eine wiederkehrende Aufgabe, ein Skill für strategisches Sparring, ein Plugin für eine Marketing-Analyse, ein agentischer Step für Wettbewerbsrecherche, ein Plattformworkflow für eine standardisierte Analyse.

Entscheidend: Nicht jeder Skill muss vollständig produktisiert werden. Manche Capabilities bleiben dauerhaft in agentischen Skills – und das ist kein Scheitern, sondern die richtige Betriebsform, wenn die Varianz hoch bleibt, menschliches Urteil zentral ist oder Plattformlogik die Arbeit schlechter machen würde.

Aber sobald ein Skill wiederkehrend, teamrelevant, kundennah oder kostenintensiv wird, braucht er einen geregelten Ort. Dieser Ort ist die Plattform.

Was der MIT-Artikel für Unternehmen eigentlich bedeutet

Der Artikel ist nicht nur eine Kritik an Marketing-Sprache. Er ist ein Hinweis auf ein Organisationsrisiko. Wenn wir Agenten als Mitarbeitende vermarkten, riskieren wir drei Dinge:

Menschen prüfen schlechter, weil sie dem System implizit mehr Eigenständigkeit zuschreiben.
Menschen fühlen sich weniger verantwortlich, weil das System wie ein eigener Akteur erscheint.
Organisationen können Fehler leichter auf „die KI“ schieben, obwohl es eigentlich um schlechte Prozesse, falsche Anreize, mangelhafte Reviews oder unklare Zuständigkeiten geht.

Für Marketing, Beratung, Design und Performance ist das besonders relevant. Denn unsere Arbeit besteht nicht nur aus ausführbaren Tasks, sondern aus Kontext, Beziehung, Interpretation, Marke, Wirkung, Priorisierung, Trade-offs und Verantwortung:

Eine KI kann eine kreative Route vorschlagen – aber nicht wissen, ob sie politisch beim Kunden tragfähig ist.
Eine KI kann UX-Findings formulieren – aber nicht beurteilen, ob die empfohlene Änderung zur Geschäftslogik passt.
Eine KI kann Keywords clustern – aber nicht wissen, welcher Hebel im Kundenkontext wirklich der nächste richtige Schritt ist.
Eine KI kann eine Positionierung challengen – aber sie trägt keine Verantwortung für die strategischen Folgen.

Deshalb muss das System so gestaltet sein, dass Verantwortung nicht verschwindet.

Die antizipierte Zukunft: Agenten werden normal, aber nicht autonom im Organisationssinn

In den nächsten Jahren wird sich agentische KI normalisieren. Unternehmen werden nicht mehr darüber sprechen, ob sie Agenten nutzen, sondern welche Agenten, Skills und Workflows freigegeben sind. Wir werden Agent Registries sehen, Skill Libraries, Tool Permissioning, Workspace Logs, Agent Evals, Run Replay, Cost Dashboards, Fallback Policies, Human-Review-Queues, Model Routing, provider-agnostische LLM-Gateways, Agentic Work Units, Artifact Stores, Audit Trails und Capability Lifecycles.

Auch die Sprache wird sich verändern. Gute Organisationen fragen dann nicht mehr „Wie viele Agenten haben wir?“, sondern: Welche Capabilities betreiben wir? Welche sind experimentell, welche assistiv, welche produktiv? Welche haben Owner, welche sind reviewed, welche haben Kostenlimits? Welche sind an einen Anbieter gebunden? Welche dürfen Kundendaten verarbeiten, welche erzeugen externe Outputs – und welche bleiben bewusst menschlich?

Fazit: Agenten brauchen keine Jobtitel. Sie brauchen Grenzen.

Agenten werden Teil unserer Arbeit. Sie werden stärker, nützlicher und operativer, sie nutzen Tools, bedienen Workspaces, führen Skills aus, erzeugen Artefakte und beschleunigen Abläufe. Aber vertrauenswürdig werden sie nicht dadurch, dass wir ihnen Namen geben.

Nützlich werden sie, wenn wir sie richtig einbetten:

in Workflows statt in freie Toolketten,
in Artefakte statt in Chatantworten,
in Reviewprozesse statt in blindes Vertrauen,
in Rollenlogik statt in Organigramm-Fantasien,
in Kostenkontrolle statt in Vendor-Lock-in,
in Capability Management statt in Prompt-Wildwuchs,
in menschliche Verantwortung statt in automatisierte Schuldverschiebung.

Die Zukunft agentischer KI liegt nicht darin, Agenten wie Kolleg:innen zu behandeln. Sie liegt darin, Arbeitsräume zu bauen, in denen Agenten keine Kolleg:innen sein müssen, um wertvoll zu sein.

Struktur führt. KI unterstützt. Menschen verantworten.