KI-Agenten lernen im Team – aber wie teilen sie ihr Wissen?

Künstliche Intelligenz übernimmt zunehmend repetitive Aufgaben – doch wenn Teams diese Technologie nutzen, stoßen sie regelmäßig auf ein fundamentales Problem: Korrekturen, die eine Person an einem KI-Agenten vornimmt, bleiben oft isoliert. Kollegen starten mit derselben KI von vorn, ohne von den Verbesserungen zu profitieren. Diese Fragmentierung des Wissens wirkt sich besonders in komplexen, mehrstufigen Arbeitsabläufen aus, in denen mehrere Agenten miteinander interagieren sollten.

Warum geteilte Erinnerungen der fehlende Baustein sind

KI-Modelle an sich sind stateless – sie speichern keine Informationen zwischen einzelnen Anfragen. Das bedeutet: Jede Interaktion beginnt mit einem leeren Kontextfenster. Für den Einzelnen mag das ausreichen, doch in Unternehmen, die KI-Agenten flächendeckend einsetzen wollen, wird dieser Umstand zum Engpass. Ohne eine zentrale Wissensdatenbank müssen Teams entweder jeden Agenten manuell mit Kontext füttern oder akzeptieren, dass verschiedene Versionen derselben KI mit unterschiedlichen Anweisungen arbeiten.

Arnab Bose, Chief Product Officer bei Asana, betont im Gespräch mit VentureBeat: „Die Modellanbieter optimieren zwar die logische Verarbeitung und Fehlerkorrekturschleifen, doch sie scheitern daran, unternehmensrelevanten Kontext in einer für Menschen nachvollziehbaren Form bereitzustellen. Eine geteilte Wissensbasis ist der fehlende Layer.“

Asanas Lösung setzt auf einen sogenannten „Kontextgraphen“, der automatisch Korrekturen und Feedback aller Teammitglieder aggregiert. Ändert ein Mitarbeiter beispielsweise die Arbeitsweise eines Agenten in einem Projekt, übernimmt der Agent diese Anpassung für das gesamte Team – ohne erneute manuelle Eingabe.

Individuelle versus teamweite Agenten: Wo liegt der Unterschied?

Viele Unternehmen haben bereits KI-Assistenten im Einsatz, doch diese arbeiten oft isoliert. Ein Agent, der die Präferenzen eines einzelnen Nutzers lernt, ist für globale Teams nur bedingt hilfreich. Microsofts Copilot etwa verfolgt einen nutzerzentrierten Ansatz: Die KI speichert persönliche Vorlieben wie Arbeitsmuster oder Tonfall und passt sich individuellen Bedürfnissen an. Doch für Abläufe, die mehrere Abteilungen oder sogar externe Partner einbinden, reicht diese Lösung nicht aus.

Sriharsha Chintalapani, CTO und Mitgründer von Collate, erklärt: „Die Qualität der Eingabeaufforderungen entscheidet maßgeblich über das Ergebnis. Erfahrene Nutzer formulieren präzisere Anweisungen und geben gezieltere Rückmeldungen – doch diese Verbesserungen bleiben oft in der individuellen Instanz gefangen.“

Sein Appell an Unternehmen: „Gemeinsame Erinnerungen dürfen kein reines Prompt-Engineering-Problem sein. Stattdessen müssen Systeme entwickelt werden, die Kontext automatisch über alle Gespräche hinweg replizieren.“

Die Herausforderungen einer skalierbaren KI-Erinnerungsarchitektur

Nicht jede Organisation ist in der Lage, relationale Speichersysteme zu implementieren – also solche, die Kontext dynamisch und kontextbezogen abrufen. Die größten Hürden liegen dabei in drei Bereichen:

• Datenkonsistenz: Unterschiedliche Agenten schreiben möglicherweise widersprüchliche Informationen in denselben Speicher.
• Datenschutz und Compliance: Wer kontrolliert den Zugriff auf unternehmensweite Erinnerungen? Wie lässt sich sicherstellen, dass sensible Daten nicht ungewollt geteilt werden?
• Technische Reife: Während einige Anbieter wie Asana bereits Lösungen anbieten, fehlt es vielen Unternehmen an Know-how oder Ressourcen für eine eigene Implementierung.

Neej Gore, Chief Data Officer bei Zeta Global, sieht in geteilten Erinnerungen einen Katalysator für unternehmensweite Intelligenz: „Kontext sollte wie eine lebendige Datenbank agieren, die sich mit jeder Interaktion anreichert. Nur so entsteht ein echter Wettbewerbsvorteil.“

Was Einkäufer und Entwickler jetzt beachten müssen

Für Teams, die Agenten-Plattformen evaluieren, wird die Frage nach geteilten Erinnerungen zunehmend zum entscheidenden Kriterium. Ein Agent, der nur für den individuellen Nutzer lernt, erfordert kontinuierliche Pflege und individuelle Anpassungen. Eine KI mit teamweitem Wissensspeicher hingegen baut automatisch institutionelles Wissen auf – und reduziert so den manuellen Aufwand.

Die Zukunft gehört Agenten, die nicht nur Befehle ausführen, sondern als Teil eines größeren Ökosystems agieren. Der Schlüssel dazu liegt in der Fähigkeit, Wissen zu teilen – ohne dabei die Kontrolle über sensible Informationen zu verlieren. Unternehmen, die diese Technologie jetzt integrieren, werden nicht nur effizienter arbeiten, sondern auch die Grundlage für die nächste Generation intelligenter Arbeitsumgebungen legen.