„Die Industrie etabliert ihre Standards“, schreibt Salvatore Princi in seinem Manifest, „und diese Standards taugen nichts.“ Wer heute ein KI-Tool für den Arbeitsalltag oder ein Unternehmen aufsetzt, stößt bei jedem Anbieter auf dasselbe Muster: Chat-Sessions, Modellauswahl, Toneinstellungen, MCP-Verbindungen, Skills, Memories. Dieses Menü wird als „Best Practice“ verkauft – dabei ist es eine Sammlung technischer Notlösungen, die dem Endanwender die Verantwortung zuschiebt. Du musst entscheiden, wann eine Konversation zu lang ist, welches Modell das richtige ist und welche Connectors aktiviert werden sollen. Du sprichst plötzlich Ingenieursdeutsch, obwohl du nur deine Arbeit erledigen willst.
Princi spricht damit ein Phänomen an, das viele aus dem Alltag mit generativen KI-Tools kennen: Die Tools sind nicht an den Bedürfnissen der Nutzer gebaut, sondern an den Möglichkeiten der Technologie. Die großen Anbieter geben diese Strukturen vor, Startups und interne Entwicklerteams übernehmen sie unkritisch. Sie glauben, dass das eben der Standard ist. Dabei lohnt ein Blick auf die Geschichte der Computernutzung, um zu verstehen, warum dieser Standard in die falsche Richtung führt.
Vom Computerterminal zum iPhone: Lektionen aus der Benutzerfreundlichkeit
Der Autor zieht einen einfachen Vergleich: das iPhone, das nur wenige Einstellmöglichkeiten bietet, gegenüber dem Android-Gerät, das unzählige Optionen bis ins letzte Reglerdetail anbietet. Als Technikbegeisterter mag man die Freiheit von Android schätzen – Launcher, Buttons und Widgets lassen sich bis zum Exzess anpassen. Doch für die breite Masse, für Menschen, die einfach ein Telefon bedienen wollen, ist das iPhone die Wahl, weil es ohne Bedienungsanleitung funktioniert. Man nimmt es aus der Box, tippt auf das App-Symbol, und die Dinge erledigen sich.
Genau dieses Prinzip überträgt Princi auf KI-Agenten im Unternehmenskontext. Unternehmen, die Hunderte oder Tausende Mitarbeiter zum Einsatz von KI bewegen wollen, brauchen kein weiteres komplexes Werkzeug mit zahlreichen Einstellungen. Sie brauchen eine Lösung, die sofort funktioniert. Ein iPhone-Erlebnis für KI: ohne Modellauswahl, ohne Kontextmanagement, ohne Anschlussprobleme. Princi sagt klar: Wenn du als Entwickler oder Entscheider ein KI-System nicht so gestaltest, dass es ohne Einarbeitung nutzbar ist, wirst du keine Adoption erreichen. Der Mensch ist nicht das Problem, sondern das Tool.
Ein durchgehender Chat statt Dutzender Sitzungen: Das Kontext-Gespräch als Vorbild
Schauen wir uns an, wie wir im echten Leben kommunizieren. Wenn du mit einem Kollegen an einem Projekt arbeitest, öffnest du nicht jedes Mal eine neue Konversation. Du schreibst in den bestehenden Chatverlauf, referenzierst auf das, was schon gesagt wurde, und hast den gesamten Kontext im Blick. Princi fordert nichts anderes für KI-Agenten. Die Antwort des Agenten hängt vom gesamten Verlauf ab – genau wie bei einem menschlichen Gesprächspartner. Es ist absurd, dass aktuelle Interfaces dich zwingen, nach einiger Zeit eine neue Sitzung zu starten oder eine „Konversation zu komprimieren“, nur weil das Fenster des Sprachmodells voll ist.
Princi macht hier einen bemerkenswerten Punkt: Die Beschränkung des Kontextbudgets – also wie viel Text ein Modell gleichzeitig verarbeiten kann – ist eine technische Hürde, die nicht auf die Anwender abgewälzt werden darf. Wenn ein KI-System sich nicht merken kann, was vor einer Stunde in derselben Konversation passiert ist, liegt das an der Architektur, nicht an der Unfähigkeit des Nutzers. Eine Lösung? Princi verweist auf das menschliche Gehirn, das ebenfalls einen begrenzten Arbeitsspeicher hat – und dennoch in langen Gesprächen nicht ständig den Faden verliert. Es vergisst Dinge, aber es kompensiert durch Abstraktion und Zusammenfassung. Genau das müsste ein KI-Agent tun: automatisch Prioritäten setzen und alte Informationen verdichten, ohne dass der Nutzer Hand anlegen muss.
Keine Kopierorgien mehr: Integration in die vorhandene Chat-Plattform
Einer der irritierendsten Aspekte heutiger KI-Tools ist die Trennung zwischen dem Ort, wo die Arbeit geschieht (dein Chat-Kanal wie Slack, Teams oder Mattermost), und dem Ort, wo der KI-Agent lebt (eine separate Weboberfläche). Du markierst eine Nachricht mit relevantem Projektkontext, kopierst sie in das KI-Tool, fügst deine Frage hinzu, wartest auf die Antwort, kopierst sie zurück und fügst sie in den Original-Chat ein. Das ist nicht nur Zeitverschwendung, sondern auch eine Einladung zum Fehler: Kontext geht verloren, wichtige Nuancen werden abgeschnitten, die Kommunikation wird fragmentiert.
Princi fordert eine radikale Verlagerung: Der KI-Agent gehört in dieselbe Chat-Umgebung, in der alle anderen Gespräche stattfinden. Er soll die Konversationen mitlesen können – nicht invasiv, sondern als Teil des Teams – und direkt angesprochen werden wie ein Kollege. Du schreibst dem Agenten in deinem bestehenden Kanal, er antwortet im selben Thread, die gesamte Historie bleibt bestehen. Kein Tab-Wechsel, kein Copy-Paste, kein Kontextbruch. Und genau hier liegt die Chance für Unternehmen: Die Adoption steigt massiv, weil die Nutzer das Werkzeug dort abholen, wo sie ohnehin täglich arbeiten.
Ein Agent für alles statt vieler Spezialisten: Der leere Behälter
Ein weiterer Trend, den Princi kritisch sieht, ist der Bau hochspezialisierter Agenten: einen für den Vertrieb, einen für den Support, einen für die Personalabteilung. Jeder wird separat konfiguriert, trainiert und betrieben – ein riesiger Aufwand, den sich nur wenige leisten können. Princi stellt eine radikale Gegenfrage: Warum nicht einen einzigen, allgemeinen Agenten bauen, der wie ein leeres Gefäß funktioniert und je nach Anfrage die passenden Fähigkeiten lädt? Der gleiche Agent kann als Vertriebsassistent arbeiten, wenn du ihm das entsprechende Skill-Paket gibst, und als Support-Tool, wenn die Session eine andere Anfrage bringt.
Dieser Ansatz hat handfeste Vorteile. Ein einziges System ist einfacher zu warten, zu überwachen und zu sichern als zwanzig Insellösungen. Die Governance-Beauftragten bekommen einen einzigen Ort, an dem sie Zugriffsrechte, Datenrichtlinien und Versionen verankern können. Für den einzelnen Mitarbeiter fühlt sich der Agent wie ein persönlicher Assistent an, der sich an seine Vorlieben gewöhnt – nicht wie ein sperriges Firmenwerkzeug. Princi vergleicht das mit einem intelligenten Chamäleon: Es passt sich an die Umgebung an, ohne seine Identität zu verlieren.
Werkzeuge, die niemand konfigurieren muss: `curl` als gemeinsamer Nenner
Zur technischen Umsetzung hat der Autor eine interessante These. Er kritisiert den Trend, KI-Agenten über eigene CLI-Tools (Kommandozeilen-Programme) oder spezielle Konnektoren an Systeme anzuschließen. Wer jemals versucht hat, einen `jira-cli` oder einen `confluence-cli` einzurichten, weiß, wie schnell man in einer Welt aus Parametern, Authentifizierungstoken und Endpunkt-Konfigurationen versinkt. Das ist nichts für Endanwender. Stattdessen schlägt Princi ein radikal einfaches Konzept vor: Nutze `curl`, das universelle Werkzeug für HTTP-Anfragen, um jede API zu erreichen. Der KI-Agent muss nur wissen, wohin die Anfrage geht, wie er sich authentifiziert und was er mit der Antwort anfangen soll. Diese Informationen lassen sich als einfache Textanweisung hinterlegen – kein Code, keine CLI-Gebräuche.
Der Clou dabei: Die großen Sprachmodelle kennen bereits die öffentlichen API-Dokumentationen vieler Systeme (Atlassian, Microsoft Graph, Google Workspace). Sie wissen, wie die Daten aussehen, auch wenn sie nicht trainiert wurden, um sie zu nutzen. Wenn du deinem Agenten die richtige Anweisung gibst, kann er direkt mit dem jeweiligen Backend kommunizieren – auf dem modernen Weg über HTTP. Das spart Entwicklungsressourcen und reduziert die Fehlerquelle: Weniger benutzerdefinierte Schnittstellen, weniger Wartung, weniger Missverständnisse. Wenn dein Unternehmen zehn verschiedene Systeme anbinden will, ist der Unterschied zwischen zehn einzelnen CLI-Tools und einem generischen HTTP-Client gewaltig.
Wissen ohne RAG-Wahnsinn: Die Kraft der direkten API-Anbindung
Ein weiterer heikler Punkt ist die Wissensanbindung. Viele Unternehmen bauen aufwendige RAG-Pipelines – Systeme, die Dokumente in Vektordatenbanken speichern, Ähnlichkeitssuche betreiben und Textbausteine an das Modell liefern. Princi hat sich diese Praxis genau angesehen und kommt zu einem ernüchternden Ergebnis: Der Aufwand ist riesig, die Wartung endlos, und die Ergebnisse sind oft nicht besser als eine einfache Lösung. Er empfiehlt stattdessen, dem Modell „ungesäuberte“ Daten aus unterschiedlichen Quellen zu geben – über API-Aufrufe, wie oben beschrieben – und die Aufforderung klar zu formulieren.
Das klingt kontraintuitiv, funktioniert aber erstaunlich gut, wie der Autor aus eigener Erfahrung berichtet. Die modernen Sprachmodelle können aus mehreren Textfragmenten synthetisieren, Widersprüche erkennen und die relevanten Passagen herausfiltern – ohne komplexe Retrieval-Architektur. Der Vorteil liegt auf der Hand: Du sparst dir den ständigen Abgleich der Datenbasis, die Konfliktlösung bei Aktualisierungen und das Ranking der Suchergebnisse. Die Genauigkeit leidet nicht darunter – im Gegenteil, oft ist sie höher, weil das Modell den vollen Kontext sieht und nicht nur isolierte Paragraphen.
Ja, es gibt Bedenken: Was, wenn die Daten aus unterschiedlichen Quellen widersprüchlich sind? Was, wenn zwei Nutzer dieselbe Frage stellen und dasselbe API aufgerufen wird? Diese Punkte sind relevant, aber lösbar. Der Autor verweist auf das Prinzip „Genauigkeit schlägt Optimierung“: Ein System, das hin und wieder redundant arbeitet, aber korrekte Antworten liefert, ist besser als ein hochoptimierter Apparat, der in zehn Prozent der Fälle falsche Informationen ausliefert – allein weil die Datenbasis nicht aktuell ist. Vertrauen der Nutzer ist das höchste Gut, und man gewinnt es durch verlässliche Antworten, nicht durch Effizienz-Rekorde.
Was das für Unternehmen bedeutet: Einfachheit ist der neue Wettbewerbsvorteil
Salvatore Princi zieht am Ende seines Manifests eine klare Linie: Die KI-Branche profitiert von der Komplexität. Wer viele Werkzeuge, viel Konfiguration und viele Abhängigkeiten schafft, verkauft damit Lizenzen, Token und Support. Aber der Kunde – das Unternehmen, das seine Mitarbeiter zu besserer Arbeit führen will – hat davon nichts. Im Gegenteil, er zahlt drauf: an Entwicklungszeit, an Schulungskosten und letztlich an der Produktivität seiner Belegschaft.
Die Alternative ist keine Technologie-Euphorie, sondern schlichtes Design: KI-Agenten, die wie ein guter Kollege funktionieren – zugegen, kontextbewusst, anpassungsfähig. Ein einziger Agent, der mit einem universellen Werkzeug (curl) spricht und dessen Wissensbasis die Live-Daten deines Unternehmens sind. Kein Modell-Cockpit für den Endanwender, keine Session-Verwaltung, keine Copy-Paste-Schleifen. Die Botschaft ist klar: Wenn du KI wirklich einführen willst, hör auf, Standardkonfigurationen zu übernehmen, und bau dir dein eigenes, benutzerfreundliches System. Das klingt nach Mehrarbeit – ist es aber nicht. Es ist die einzige Möglichkeit, die Akzeptanz zu erreichen, die dieses Technologiezeitalter verspricht.
Die Industrie wird dir die komplexe Lösung weiterhin anbieten. Sie passt zu ihrem Geschäftsmodell. Aber dein Geschäftsmodell ist nicht der KI-Verkauf, sondern die Produktivität deiner Mitarbeiter. Frag dich bei jeder neuen Konfigurationsoption: Wer braucht diese Wahl wirklich – der Nutzer oder der Anbieter? Und dann treffe die Entscheidung, die im Zweifel einfacher ist.
Quelle: imphan.substack.com
