Drei Meldungen zeigen dasselbe Muster: KI-Werkzeuge werden besser, aber sie wissen nur, was ihr ihnen sagt. Wer seine Zahlen einem Agenten gibt, ohne zu erklären, was sie bedeuten, bekommt schnelle und falsche Entscheidungen.
Die meisten Fehler von KI-Agenten sind keine Denkfehler, sondern Wissenslücken. Der Agent sieht Zahlen, aber nicht die Geschichte dahinter. Drei Meldungen der letzten Tage zeigen, warum genau diese Geschichte gerade zum wichtigsten Rohstoff wird, für Konzerne genauso wie für den Laden an der Ecke.
Amplitude, ein Anbieter für Datenauswertung, beschreibt in einem Beitrag vom 4. September ein Beispiel, das jeder Händler kennt. Die Verkäufe eines Produkts schießen hoch. Ein Mensch sieht sofort: Das war die Aktionswoche, das ist vorbei. Ein KI-Agent sieht nur die Zahlen, erkennt einen langfristigen Trend und empfiehlt, mehr nachzuproduzieren. Am Ende steht das Lager voll.
Menschen lesen Zahlen mit Hintergrundwissen, schreibt Amplitude, Agenten haben nur Datenpunkte. Und schlimmer noch: Sie glauben, sie hätten verstanden, und treffen auf dieser Grundlage eine Reihe falscher Entscheidungen.
Die Lösung nennt Amplitude eine Bedeutungsschicht: eine Übersetzung, die in einfachen Worten erklärt, was jede Spalte und jedes Ereignis in den Daten bedeutet, mit den Begriffen, die das Team im Alltag benutzt. Amplitude hat das für die eigenen Vertriebsdaten gemacht. Danach beantwortete der Agent Fragen in 80 bis 90 Prozent der Fälle richtig, den Rest verbesserte man mit eigenen Anweisungen.
Der schönste Satz im Beitrag: So eine Bedeutungsschicht kann man in einem Datenkatalog bauen, oder in einer Tabelle. Auch eine Tabelle funktioniert.
Amplitude verkauft genau die Werkzeuge, mit denen man solche Bedeutungsschichten baut. Die 80 bis 90 Prozent stammen aus dem eigenen Haus und sind nicht unabhängig geprüft. Das Prinzip gilt trotzdem unabhängig vom Anbieter, und es lässt sich mit Stift und Papier umsetzen: Wer Zahlen weitergibt, muss sagen, was sie bedeuten.
Adobe arbeitet an einem neuen Designwerkzeug namens Project Oasis. In einem Beitrag in der Adobe-Community vom 7. September beschreibt das Unternehmen es als webbasierten Arbeitsplatz mit markenbewusster KI und sucht Designer aus Agenturen und Unternehmen für einen frühen Test. Mehr ist nicht bekannt, die Teilnehmer unterschreiben eine Verschwiegenheitserklärung.
Die Richtung ist trotzdem klar, und sie passt zu dem, was WRITER am 9. September mit seinem Enterprise Brain vorgestellt hat: Das Werkzeug soll wissen, wie eure Marke aussieht und klingt, bevor es etwas erzeugt.
Die dritte Meldung zeigt, wie viel Geld inzwischen in Kundenwissen steckt. Listen Labs, ein drei Jahre altes Unternehmen, lässt eine Sprach-KI Kundeninterviews führen und daraus Berichte bauen. Laut TechCrunch macht es rund 30 Millionen Dollar Jahresumsatz, hat eine unterschriebene Finanzierung bei 1,5 Milliarden Dollar Bewertung platzen lassen, und Salesforce soll über einen Kauf für rund zwei Milliarden verhandeln. Mitgründer ist der Deutsche Florian Jüngermann.
Bemerkenswert ist ein Detail aus dem Bericht: Einige Konkurrenten interviewen gar keine Menschen mehr, sondern simulieren, wie Kunden antworten würden.
Die Gespräche zwischen Salesforce und Listen Labs sind laut TechCrunch nicht abgeschlossen und stützen sich auf Personen mit Kenntnis der Vorgänge, bestätigt hat sie keines der Unternehmen. Project Oasis ist eine Einladung zum Test, kein Produkt, Preis und Starttermin sind unbekannt. Und simulierte Kundenantworten ersetzen keine echten, sie sind nur so gut wie die Daten, aus denen sie gebaut wurden.
Bevor ihr einem KI-Werkzeug eure Verkaufszahlen, eure Kundenliste oder euer Kassensystem gebt, legt eine einfache Tabelle an. Links steht, was in euren Daten vorkommt, rechts, was es bedeutet: Aktionswochen mit Datum, Feiertage und Ferien, Sonderaufträge, Lieferausfälle, die Abkürzungen aus eurer Warenwirtschaft. Dazu drei Sätze, wie ihr klingt und was ihr nie sagen würdet. Dieses Blatt ist das Wissen, das der Agent nicht hat und das bei euch im Kopf steckt. Eine Stunde Arbeit, und es spart den ersten teuren Irrtum.
Mir gefällt Amplitudes Beispiel, weil es so banal ist. Keine Verschwörung, kein Supermodell, sondern eine Aktionswoche, die jemand zu erklären vergessen hat. Genau so entstehen die meisten Fehler mit KI im Betrieb: nicht weil die Maschine dumm ist, sondern weil sie nicht weiß, was jeder im Laden weiß.
Und ich sehe, wohin das Geld fließt. Adobe baut Markenwissen ins Werkzeug, Salesforce verhandelt über Kundeninterviews per KI. Die Modelle werden austauschbar, das Wissen über die eigene Marke und die eigenen Kunden nicht. Wer das aufschreibt, hat einen Vorsprung, den man nicht kaufen kann.
Quellen: Amplitude, „Your agents are only as good as your data context“ vom 4. September 2026, daraus das Beispiel der Aktionswoche und die 80 bis 90 Prozent; zu Project Oasis der Beitrag in der Adobe-Community vom 7. September 2026, zusammengefasst bei UX News; zu Listen Labs TechCrunch vom 9. September 2026 unter Berufung auf Personen mit Kenntnis der Vorgänge. Umsatz-, Bewertungs- und Trefferangaben sind nicht unabhängig geprüft. Stand: 10.09.2026.
Welches Modell für welche Aufgabe, welche Tools wirklich zählen und wie du richtig promptest — komplett lesbar, kein Download.
Jetzt gratis lesen →Ich baue mit dir das Blatt, das eure Zahlen und eure Marke erklärt, und verbinde es mit den KI-Werkzeugen, die ihr schon nutzt, damit die ersten Antworten keine teuren Irrtümer werden.