KI-Basisarchitektur für Unternehmen

Kernfrage für Unternehmen

Viele Unternehmen sammeln einzelne KI-Tools, Assistenten, Automationen und Agenten. Mit jedem neuen Anwendungsfall entstehen weitere Prompts, Datenkopien, Schnittstellen, Regeln und Insellösungen. Eine KI-Basisarchitektur beantwortet deshalb eine übergeordnete Frage: Welche gemeinsamen Bausteine brauchen persönliche Arbeit, Geschäftsprozesse sowie Produkte und Services, damit KI sicher, wiederverwendbar und wirtschaftlich eingesetzt werden kann? (Schlenther 2026a; Schlenther 2026c).

Eine KI-Basisarchitektur ist der organisatorische und technische Rahmen, der Unternehmenswissen, Daten, Fähigkeiten, Modelle, Werkzeuge, Rechte und Lernschleifen verbindet. Sie ist keine einzelne Plattform. Unternehmen können ihre Bausteine schrittweise aufbauen, unterschiedliche Anbieter einsetzen und besonders schützenswerte Komponenten selbst oder in kontrollierter Infrastruktur betreiben (OSSBIG 2023; NIST 2023).

Der Begriff „KI-Betriebssystem“ beschreibt in der AI-FIRST-Serie ein autoreneigenes Praxisframework aus Skills, Kontext, Governance, Ausführung und Feedback. Die Metapher macht das Systemdenken verständlich, bezeichnet aber keine etablierte technische Produktkategorie und kein allgemeingültiges Zielmodell (Schlenther 2026a; Schlenther 2026c).

Abbildung: Eine gemeinsame KI-Basis verbindet Unternehmenswissen und Daten über Modelle, Kontext, Fähigkeiten und Ausführung mit persönlicher Arbeit, Geschäftsprozessen sowie Produkten und Services. Governance und Souveränität sowie Lernen und Betrieb wirken über alle Ebenen. Quelle: eigene Darstellung nach Schlenther 2026c, Scherer 2026 und Rohnfelder 2026.

Drei Felder der Wertschöpfung

Eine gemeinsame Basis kann drei unterschiedliche Felder unterstützen. Der persönliche Praxisfall von Rohnfelder zeigt die Ebene individueller Wissensarbeit; Scherer beschreibt darüber hinaus Prozessketten und KI-gestützte Produkte in jungen und etablierten Unternehmen (Rohnfelder 2026; Scherer 2026).

1. Persönliche Arbeit: Mitarbeitende nutzen KI für Recherche, Analyse, Entwurf, Vorbereitung, Lernen und Entscheidungsunterstützung.
2. Geschäftsprozesse: Teams verbinden wiederholbare Arbeitsschritte über Rollen, Datenquellen und Fachsysteme hinweg.
3. Produkte und Services: Unternehmen integrieren KI in Kundenerlebnisse, Produktfunktionen, Dienstleistungen und neue Geschäftsmodelle.

Diese Felder sind keine zwingende Reifeleiter. Ein Unternehmen kann gleichzeitig persönliche Assistenz ausbauen, einzelne Prozesse automatisieren und KI-Funktionen in einem Produkt entwickeln. Der wirtschaftliche Vorteil einer gemeinsamen Architektur liegt darin, dass alle drei Felder auf verlässliche Daten, wiederverwendbare Fähigkeiten, gemeinsame Regeln und kontrollierte Integrationen zugreifen können (Scherer 2026; Schlenther 2026e).

Daten und Wissen als Fundament

„Kontext“ darf nicht mit den gesamten Daten- und Wissensbeständen des Unternehmens gleichgesetzt werden. Daten und Wissen bilden die verfügbare Grundlage. Kontext ist die für eine konkrete Aufgabe ausgewählte, erlaubte und aufbereitete Teilmenge. Der Kontext-Layer von AI FIRST betont kuratierte Quellen und aufgabenbezogenes Laden, behandelt strukturierte operative Unternehmensdaten aber nur am Rand (Schlenther 2026f).

Für eine unternehmensweite Architektur sollten Führungskräfte vier Quellenarten unterscheiden (Niessner 2026; Scherer 2026):

Quellenart	Beispiele	Erforderliche Aufbereitung
Implizites Wissen	Erfahrung, Urteilsregeln, Ausnahmen, Kunden- und Beziehungswissen	Interviews, Beobachtung, dokumentierte Entscheidungen, Korrekturen und fachliche Abnahme
Explizites unstrukturiertes Wissen	Handbücher, Richtlinien, Verträge, E-Mails, Protokolle, Präsentationen, Audio und Video	Dokumentenmanagement, Metadaten, Suche, Extraktion, RAG, Versionen und Quellenverantwortung
Explizit strukturierte Daten	CRM, ERP, Produkt-, Finanz-, Personal- und Betriebsdaten, Data Warehouse	Datenmodelle, APIs, kontrollierte Abfragen, Qualitätsregeln und fachliche Ownership
Zustands- und Ereignisdaten	laufende Vorgänge, Statuswechsel, Bestellungen, Termine, Nachrichten, Sensoren und Logs	zeitnahe Schnittstellen, Ereignislogik, Protokollierung und klarer Auslösebereich

Eine gemeinsame Architektur verlangt nicht, alle Informationen in einen zentralen Speicher zu kopieren. Häufig ist ein föderierter Zugriff sinnvoller: Die verlässliche Quelle bleibt im CRM, ERP, Dokumentenmanagement oder Fachsystem; die KI erhält nur den für die Aufgabe notwendigen Zugriff. So bleiben Aktualität, Verantwortlichkeit und Berechtigungen näher am Ursprung (Niessner 2026; OSSBIG 2023).

RAG und APIs lösen dabei unterschiedliche Aufgaben. RAG sucht relevante Passagen in textlastigen Quellen. APIs und Datenabfragen liefern exakte aktuelle Werte oder lösen kontrollierte Aktionen aus. Viele Unternehmensanwendungen brauchen beides: Dokumentwissen für die Einordnung und strukturierte Daten für Wahrheit, Status und Transaktionen (Niessner 2026).

Kontext aufgabenbezogen bereitstellen

Die Kontextschicht stellt einer Person, einem Workflow oder Agenten nur jene Informationen und Werkzeuge bereit, die für den aktuellen Auftrag erforderlich und zulässig sind. Das Prinzip „referenzieren statt kopieren“ reduziert widersprüchliche Informationsstände; Quellenregister, Gültigkeit, Rollenprofile und Skill-Zuordnung helfen bei der Auswahl (Schlenther 2026f).

Ein Kontextpaket sollte mindestens sechs Fragen beantworten (Schlenther 2026f; NIST 2023):

1. Wer stellt die Anfrage und welches Mandat hat diese Person oder dieses System?
2. Welches Ziel, welcher Vorgang und welcher Bearbeitungsstand gelten?
3. Welche Dokumente, Datensätze und früheren Entscheidungen sind relevant?
4. Welche Quellen gelten als verbindlich und wie aktuell sind sie?
5. Welche Werkzeuge und Aktionen sind erlaubt?
6. Welche Datenschutz-, Geheimhaltungs-, Freigabe- und Eskalationsregeln gelten?

Mehr Daten im Kontext führen nicht automatisch zu besseren Ergebnissen. Ungefilterte Dokumentmengen, veraltete Datensätze oder unnötige persönliche Informationen erhöhen Rauschen, Kosten und Risiko. Unternehmen sollten Kontext deshalb nach Zweck, Relevanz, Aktualität und Berechtigung zusammenstellen (Schlenther 2026f; Niessner 2026).

Skills als Organisationsvermögen

Ein Skill ist in diesem Architekturmodell eine dokumentierte, wiederverwendbare Arbeitsanweisung, die eine Aufgabe für Menschen und KI nachvollziehbar macht. Er verbindet Ablauf, benötigten Kontext, Qualitätsmaßstäbe und Regeln. Damit wird das Wissen über gute Ausführung von einer einzelnen Person, einem Prompt oder einem Agenten entkoppelt (Schlenther 2026d).

Ein belastbarer Skill braucht folgende Bestandteile (Schlenther 2026d; NIST 2023):

• Zweck, fachlichen Owner und zulässige Einsatzfälle
• Auslöser, Inputs und erwartete Outputs
• Arbeitsschritte, Entscheidungspunkte und erlaubte Varianten
• benötigte Daten- und Wissensquellen
• Qualitätskriterien, Beispiele, Negativbeispiele und Testfälle
• erlaubte und verbotene Aktionen
• Review-, Freigabe- und Eskalationsregeln
• Version, Änderungsverlauf, Rollback und Abschaltkriterien

Eine fachliche Quelle, mehrere Sichten

Menschenlesbare Prozessbeschreibung, Skill, Workflow-Konfiguration und Agentenanweisung dürfen keine parallelen Wahrheiten werden. Eine tragfähige Zielarchitektur hält die fachlich freigegebenen Elemente – Zweck, Owner, Auslöser, Rollen, Inputs, Outputs, Schnittstellen, Zustände, Regeln, Ausnahmen, Human Gates, Tests und Betriebsmetriken – in einem gemeinsamen, versionierten Register. Daraus können unterschiedliche Sichten und ausführbare Artefakte abgeleitet werden (Schlenther 2026; OMG 2014).

„Gemeinsam“ bezeichnet dabei die fachliche Quelle und Governance, nicht zwingend eine zentrale technische Datenbank. Verbindliche Daten und Dokumente können in verantworteten Quellsystemen bleiben. Entscheidend ist, dass Menschen, Workflows und Agenten dieselbe gültige Version, dieselben Schnittstellen und dieselben Kontrollpunkte referenzieren. Tool-spezifisches JSON, Prompttexte oder automatisch erzeugte Workflowknoten sind abgeleitete Implementierungsartefakte und müssen gegen die fachliche Spezifikation getestet werden (Schlenther 2026; NIST 2024).

Für die Praxis braucht jedes Registerobjekt mindestens folgende Pflegeinformationen. Die Liste verbindet das AI-FIRST-Beispiel einer Prozessbibliothek mit den bereits beschriebenen Anforderungen an Skills und Risikomanagement; sie ist kein vorgeschriebenes Datenformat (Schlenther 2026; NIST 2024):

• fachlicher Owner, Gültigkeitsbereich und Status
• aktuelle Version, Änderungsgrund und letzte Prüfung
• verknüpfte Datenquellen, Systeme, Skills und ausführbare Artefakte
• Testfälle, Qualitätsgrenzen und Human Gates
• Monitoring-, Eskalations-, Rollback- und Ausmusterungsweg

Skills dürfen keine zweite, schlecht gepflegte Prozessbibliothek bilden. Wenn sich Preise, Datenmodelle, Richtlinien oder Qualitätsdefinitionen ändern, müssen verantwortliche Fachbereiche die betroffenen Skills und Tests gemeinsam aktualisieren. Der Nutzen entsteht erst, wenn Unternehmen Ownership, Pflege und Ausmusterung genauso ernst nehmen wie die erstmalige Dokumentation (Schlenther 2026i; Schlenther 2026h).

Ausführung passend zur Aufgabe wählen

Die Architektur trennt die Fähigkeit von ihrer Ausführungsform. Derselbe Skill kann eine Person in einem Assistenten unterstützen, als Schritt in einem festen Workflow laufen, von einem eng begrenzten Agenten ausgeführt oder in eine Produktfunktion eingebettet werden (Schlenther 2026e).

Unternehmen sollten die einfachste Ausführungsform wählen, die das gewünschte Ergebnis zuverlässig erreicht (Zwingmann 2025; Scherer 2026):

Ausführungsform	Passt besonders bei	Zentrale Kontrolle
Assistent	variable Wissensarbeit mit menschlicher Führung	Mensch prüft und entscheidet laufend
Fester Workflow mit KI-Schritten	wiederholbare Abläufe mit klaren Übergaben	definierte Reihenfolge, Prüfregeln und Fehlerpfade
Begrenzter Agent	Aufgaben mit variablem Lösungsweg und klarer Zielgrenze	begrenzte Tools, Budget, Zeit, Aktionen und Eskalation
Multi-Agenten-System	klar trennbare Spezialaufgaben mit prüfbaren Übergaben	Koordination, gemeinsamer Kontext und Widerspruchsprüfung
Anwendung oder Produktfunktion	stabile Nutzung durch Mitarbeitende oder Kund:innen	Produktverantwortung, Betrieb, Support und Qualitätsmessung

Viele spezialisierte Agenten können Kontext duplizieren und hohen Koordinationsaufwand erzeugen. Ein breit berechtigter Universalagent kann dagegen einen zu großen Schadensradius und schwer prüfbare Entscheidungen schaffen. Die passende Architektur hängt von Aufgabe, Variabilität, Risiko, Wiederherstellbarkeit und Betriebsfähigkeit ab (Scherer 2026; Zwingmann 2025).

Modelle, Zugang und Bereitstellung

Die technische Grundlage ist keine Liste gleichartiger Komponenten. Unternehmen sollten drei voneinander abhängige, aber getrennte Entscheidungen treffen (Niessner 2026; OSSBIG 2023):

1. Modelle: Sprachmodelle, multimodale Modelle sowie Embedding- und Reranking-Modelle übernehmen unterschiedliche Aufgaben.
2. Zugang und Steuerung: Eine Anwendung kann ein Modell direkt ansprechen oder über ein Gateway mehrere Modelle, Anbieter, Berechtigungen, Limits, Routing und Beobachtbarkeit zentral steuern.
3. Bereitstellung: Cloud, Hybrid und On-prem sind Betriebsentscheidungen mit unterschiedlichen Anforderungen an Datenfluss, Kontrolle, Kosten und interne Kompetenz.

Ein Gateway ist damit keine zwingende Voraussetzung und nicht automatisch Eigentümer der Geschäftslogik. Moderne Plattformen können zusätzlich Modelle, Werkzeuge, Agenten oder Skill-Register zentral zugänglich machen. Fachliche Skills, Qualitätskriterien, Tests, Freigaben und Datenverantwortung bleiben dennoch eigene Architekturaufgaben. So kann das Unternehmen technische Bündelung nutzen, ohne seine Prozess- und Wissenslogik untrennbar an eine Plattform zu binden (OSSBIG 2023; NIST 2023).

Governance, Sicherheit und Souveränität

Governance wirkt über alle Schichten. Regeln gehören nicht nur in eine Mitarbeiterrichtlinie, sondern auch in Rollen, Berechtigungen, Tool-Zugriffe, Datenfilter, Freigabepunkte und technische Grenzen. Ein Agent ohne Zahlungswerkzeug kann keine Zahlung auslösen; diese Begrenzung ist stärker als ein Verbot in einer Systemanweisung (Schlenther 2026g; NIST 2023).

Für jede produktive Fähigkeit sollten Unternehmen mindestens Datenzugriff, erlaubte Aktionen, Reversibilität, menschliche Freigabe, Audit Trail, Fehlerfolgen und Abschaltmöglichkeit festlegen. Die Ampellogik aus dem AI-FIRST-Praxisfall kann als Einstieg dienen; geschäftskritische Entscheidungen brauchen jedoch eine differenzierte Bewertung nach Risiko und Wiederherstellbarkeit (Schlenther 2026g).

Souveränität bedeutet nicht, alles selbst zu entwickeln. Unternehmen sollten kontrollieren können, wie Daten, Skills, Workflows, Testfälle, Logs und Schnittstellen exportiert, ersetzt oder weiterbetrieben werden. Modelle und Cloud-Anbieter dürfen austauschbare Bausteine bleiben, wenn das Unternehmen die differenzierende Prozess- und Wissenslogik nicht vollständig in eine fremde Plattform einschließt (OSSBIG 2023).

Lernen, Qualität und Betrieb

Eine Rückkopplungsschleife kann Fehler, neuen Kontext, Ergebnisse und Verbesserungsvorschläge strukturiert erfassen. Sie macht sichtbar, welche Fähigkeiten schlecht funktionieren oder an veränderte Arbeit angepasst werden müssen (Schlenther 2026h).

Feedback darf aber nicht automatisch zur neuen Regel werden. Eine Einzelkorrektur kann falsch, fallspezifisch oder mit anderen Vorgaben unvereinbar sein. Änderungen an Skills, Kontextregeln oder Governance brauchen deshalb einen Owner, eine fachliche Entscheidung, Versionierung, Regressionstests und einen möglichen Rollback (Schlenther 2026h; NIST 2023).

Zum Betrieb gehören neben technischer Verfügbarkeit auch Aufgabenerfolg, fachliche Fehler, Eskalationen, Kosten pro Vorgang, Latenz, Tool-Ausfälle, Policy-Verstöße und Nutzerfeedback. Diese Kennzahlen sollten Warnungen, Reviews oder eine Abschaltung auslösen können, bevor ein Fehler systemweit skaliert (NIST 2023).

Typische Stolpersteine

Die Praxisquellen und bestehenden Governance-Rahmen zeigen acht wiederkehrende Fehlannahmen (Schlenther 2026b; Scherer 2026; NIST 2023):

• eine Plattform oder ein Modell mit der gesamten Architektur verwechseln
• Kontext, Dokumentwissen und strukturierte Live-Daten gleichsetzen
• alle Daten zentral kopieren oder für jede Aufgabe freigeben
• implizites Wissen ohne fachliche Prüfung automatisch dokumentieren
• Skills ohne Owner, Tests, Versionierung und Ausmusterung sammeln
• Agenten nach menschenähnlichen Rollen statt nach Aufgaben, Rechten und Ergebnissen entwerfen
• Feedback automatisch in produktive Regeln übernehmen
• interne Erfolgszahlen junger Unternehmen als allgemeine Benchmarks verwenden

Besonders die Übertragbarkeit von KI-nativen Kleinstunternehmen auf etablierte Organisationen bleibt begrenzt. Gewachsene Unternehmen haben mehr Fachsysteme, Datenverantwortliche, Abhängigkeiten, Mitbestimmung, Compliance-Anforderungen und physische Abläufe. Sie brauchen meist einen schrittweisen Ausbau über vorhandene Systeme statt eines vollständigen Neubaus (Scherer 2026).

Bewährte Vorgehensweisen

Eine KI-Basisarchitektur sollte aus realen Wertschöpfungsfällen wachsen. Unternehmen können mit einem begrenzten Feld starten und dabei gezielt wiederverwendbare Datenzugriffe, Skills, Tests und Governance-Bausteine schaffen. Das verhindert sowohl eine abstrakte Großplattform ohne Nutzen als auch eine wachsende Sammlung isolierter Einzellösungen (Schlenther 2026i; NIST 2023).

Drei Architekturprinzipien helfen beim Ausbau (OSSBIG 2023; Zwingmann 2025):

1. Quellen kontrollieren: Daten möglichst in verantworteten Quellsystemen halten und aufgabenbezogen bereitstellen.
2. Fähigkeiten entkoppeln: Prozesswissen, Qualitätskriterien und Tests nicht fest an einen Agenten oder Anbieter binden.
3. Autonomie begrenzen: Rechte und Schadensradius getrennt von der fachlichen Leistungsfähigkeit gestalten.

Einstiegspunkte für die Umsetzung

Ein Architekturworkshop kann mit acht Entscheidungen beginnen (Schlenther 2026i; OSSBIG 2023; NIST 2023):

1. Welche persönliche Arbeit, welcher Prozess oder welche Produktfunktion soll zuerst messbar besser werden?
2. Welche impliziten, unstrukturierten, strukturierten und aktuellen Daten braucht dieser Fall?
3. Welche Systeme bleiben verbindliche Quellen und wer verantwortet ihre Qualität?
4. Welcher Kontext darf für welche Rolle und welchen Zweck bereitgestellt werden?
5. Welche Fähigkeiten sollen als wiederverwendbare Skills dokumentiert werden?
6. Reicht ein Assistent oder Workflow, oder braucht die Aufgabe begrenzte agentische Autonomie?
7. Welche Aktionen, Kosten und Fehlerfolgen begrenzen wir technisch?
8. Wie testen, überwachen, ändern und stoppen wir die Lösung im laufenden Betrieb?

Weiterführend: Datenqualität und Drift bei KI, Dokumente mit KI strukturiert verarbeiten und Retrieval-Augmented Generation (RAG) vertiefen die Datengrundlage. Für die Ausführungsentscheidung siehe Chatbot, Assistent, Automatisierung oder Agent? und Agenten-Architektur: Muster und Bausteine. Open Source und digitale Souveränität ergänzt die Anbieter-, Portabilitäts- und Exit-Perspektive.