Stell dir vor, du arbeitest in einem Team. Ihr nutzt einen gemeinsamen Chat, in dem ein KI-Agent sitzt. Du schreibst ihm eine persönliche Nachricht, und er erledigt Aufgaben für dich. Er kennt deine Vorlieben, deine Projekte, deine Art zu arbeiten. Der Agent ist nützlich, weil er dich versteht. Aber was passiert, wenn dieser Agent nicht nur dein Assistent sein soll, sondern für die ganze Firma arbeiten soll? Dann darf er nicht mehr nur dich kennen. Er muss verstehen, wer gerade spricht, in welchem Raum die Anfrage gestellt wurde, welche Informationen für wen gedacht sind und welche Rechte an welcher Stelle gelten. Genau dieses Problem versucht das neue Open-Source-Projekt QM zu lösen.
Der Unterschied zwischen persönlichem Agenten und Company-Agent
Ein persönlicher Agent wird nützlich, indem er eine einzige Person lernt. Er speichert Vorlieben, wiederkehrende Abläufe und Tools. Seine Kontinuität ist persönlich. Das macht ihn mit der Zeit so wertvoll. Ein Company-Agent hat eine schwierigere Aufgabe. Er muss genug wissen, damit Menschen effektiv zusammenarbeiten können – ohne das gesamte Unternehmen als eine einzige Person mit einer einzigen Berechtigung zu behandeln. Ein Firmen-Chat ist eben kein besonders langes Gespräch mit einem riesigen Verlauf. Es ist ein Geflecht aus verschiedenen Menschen, Teams, Projekten und Vertraulichkeitsstufen.
Der Tech-Blogger, der diesen Artikel verfasst hat, beschreibt genau diese Problematik. Er hat sich intensiv mit QM beschäftigt, dem neuesten Wurf von Y Combinator. Die bekannte Startup-Schmiede hat QM als Open-Source-Projekt veröffentlicht, nachdem sie wertvolle Erfahrungen gesammelt hat: Y Combinator hat mehr als 50 Hermes-Agenten als persönliche Assistenten für Mitarbeiter bereitgestellt. Und dabei festgestellt, dass allein die Verwaltung dieser Flotte eine Herausforderung ist. Eine charmante Erkenntnis: Selbst mit 50 gut funktionierenden persönlichen Agenten ist die Organisation des Ganzen komplex. Und jetzt stell dir mal vor, wie das erst bei einer Firma mit tausend Mitarbeitern aussieht.
Die Analogie des Hauses mit vielen Räumen
Um zu verstehen, was QM anders macht, hilft eine einfache Analogie. Stell dir ein großes Haus vor. In diesem Haus arbeitet ein Unternehmen. Es gibt Einzelbüros, in denen Mitarbeiter private Notizen machen. Es gibt Besprechungsräume für kleine Gruppen. Es gibt Abteilungsflure, Team-Bereiche und schließlich das Foyer, das alle betreten können. Jeder Raum hat eigene Regeln. Im Intranet-Schrank liegen andere Zugangsdaten als im Projektraum. Und wenn ein Mitarbeiter das Haus verlässt, verliert er automatisch seinen Schlüssel – aber die Erinnerungen an seine Projekte bleiben dort, wo sie entstanden sind.
Ein normaler KI-Agent, der alle diese Räume als einen einzigen Raum behandelt, würde bald entscheidende Grenzen übersehen. Wer darf die Antwort sehen? Gehört das Memo zum Projekt oder zur persönlichen Vorbereitung? QM führt dafür eine explizite Struktur ein. Die Software erkennt fünf verschiedene Bereiche: persönlich, Kanal, Gruppe, Team und Organisation. Das klingt banal, ist aber ein entscheidender Schritt. Damit gesteht die Architektur ein, dass ein Unternehmen keine einzige riesige Konversation ist. Es braucht einen Vokabular, um zu beschreiben, wo Arbeit hingehört und wer dort zuhause ist.
Eine Steuerungsebene statt einer monolithischen KI-Schleife
Die eigentliche architektonische Entscheidung von QM ist, die Organisationslogik aus der KI-Schleife herauszulösen. Ein Agent-Harness – also das System, das die KI-Abfrage ausführt – kann für einen einzelnen Schritt zuständig sein: Anfrage interpretieren, Tools aufrufen, Aufgabe bearbeiten, Ergebnis liefern. QM übernimmt als „Control Plane“ die Verantwortung für den Kontext: Es klärt, wer spricht, welcher Bereich betroffen ist, welcher gemeinsame Zustand existiert und welche Richtlinien und Genehmigungen gelten. Dann entscheidet es, wo die Arbeit laufen soll und welche Harness – etwa Pi, OpenCode, Codex oder Claude Code – verwendet wird.
Diese Trennung ist wichtiger als die konkrete Liste der unterstützten Systeme. Ein Unternehmen kann so eine genehmigte Harness und ein genehmigtes Modell wählen, ohne dass sie sich in die Chat-Historie der Werkzeuge ausweiten. Die KI-Schleife macht die Arbeit. Die Steuerungsebene merkt sich, was diese Arbeit im Kontext des Unternehmens bedeutet. Das ist keine magische Portabilität. Man kann nicht einfach ein laufendes System zwischen verschiedenen Harnesses hin- und herschieben, ohne dass sich Verhalten oder Abläufe ändern. Aber der gemeinsame Kontext hat einen festen Ort.
Warum diese Perspektive gerade für Hermes-Fans interessant ist
Der Autor des ursprünglichen Artikels liest QM aus der Perspektive eines Menschen, der den Hermes-Agenten gewohnt ist. Das ist kein objektiver Produktvergleich, sondern eine sehr ergiebige Kontrastübung. Hermes funktioniert intuitiv als persönlicher Agent. Sein Wert wächst mit den persönlichen Tools, Erinnerungen und Arbeitsabläufen einer einzelnen Person. Der Agent wird über die Zeit nützlicher, weil er genau diese eine Person abbildet. Kontinuität ist etwas sehr Individuelles. QM stellt nun die Frage, was passiert, wenn diese Kontinuität für eine Gruppe gelten soll.
Ein Team möchte ebenfalls, dass die Arbeit mit der Zeit leichter wird. Ein Projektraum sollte sich merken, wie der Release-Prozess funktioniert, ohne dabei private Gespräche aus dem ganzen Unternehmen aufzusaugen. Menschen sollen durch denselben Agenten zusammenarbeiten können, ohne zu einer anonymen Masse zu verschmelzen. Deshalb braucht es eine Vorstellung davon, wessen Absicht gerade ausgeführt wird, welcher Raum den Kontext liefert, wer Änderungen vornehmen darf und wo das Ergebnis sichtbar bleibt.
Sicherheit und Governance: keine rosarote Brille
Der Artikel macht sehr deutlich, dass QM ambitioniert und früh ist. Die Autoren warnen davor, die Isolationsziele als Garantie zu verstehen. Es gibt kein Zertifikat, keinen Beweis, dass keine Daten leaken. Das ist keine Kritik am Projekt, sondern eine vernünftige Ansage: Wer eine so mächtige Software betreibt, braucht eine eigene Sicherheitsüberprüfung. QM hat einen Modus namens „Auto“, der Inhalte nicht immer prüft, und einen Modus „Strict“, der bei jedem Tool-Aufruf eine menschliche Freigabe verlangt. Die Sandbox-Optionen haben unterschiedliche Eigenschaften. Die Autoren betonen, dass man die funktionierenden Komponenten nicht mit vollständiger Netzwerk-Isolation verwechseln sollte.
Ein weiterer wichtiger Punkt ist der gemeinsame Speicher. Ein System, das sich im Namen einer Gruppe erinnert, braucht klare Regeln für Aufbewahrung, Löschung, Audit-Zugriff und rechtliche Pflichten. Das ist eine Governance-Frage, kein Hinweis auf einen Datenleak. Wer einen Agenten in ein Unternehmen einlädt, muss wissen, wer für das Gelernte verantwortlich ist. Eine persönliche KI-Erinnerung ist eine Sache. Eine geteilte Erinnerung betrifft alle Mitarbeiter.
Der Kern: Ein Unternehmen ist keine Person
Die Idee hinter QM ist größer als diese erste Implementierung. Die Liste der Harnesses kann sich ändern, das Sicherheitsmodell kann reifen, manche Entscheidungen von heute werden verschwinden. Aber das Grundproblem bleibt: Ein geteilter Agent ist nicht einfach ein persönlicher Agent mit mehreren Benutzern im selben Chat. Er braucht eine explizite Theorie von Personen, Räumen, Autorität, Erinnerung und Verantwortung. QM hat dieses Problem in den Vordergrund gerückt.
Es trennt den Agenten, der einen Arbeitsschritt ausführt, von der organisatorischen Steuerungsebene, die diesem Schritt Kontext und Grenzen gibt. Damit bekommen wir etwas Konkretes zum Beobachten: Schafft QM es, dass Umfang, Autorität und Erinnerung im normalen Arbeitsalltag nutzbar werden – nicht nur in einem Architekturdiagramm? Wenn ja, dann sieht der Company-Agent nicht mehr aus wie ein riesiger Chat, sondern wie eine gemeinsame Infrastruktur. Selbst wenn diese konkrete Software nicht die endgültige Antwort ist, ist genau dieser Wechsel der Denkweise bemerkenswert.
Für alle, die sich mit KI-Technologie beschäftigen, ist QM ein spannendes Beispiel dafür, wie wir die nächste Stufe der Zusammenarbeit mit künstlicher Intelligenz gestalten. Es zeigt, dass es bei KI nicht nur um schlauere Modelle geht, sondern um die Frage, wie wir diese Modelle in soziale und organisatorische Strukturen einbetten. Wer verstehen will, was KI für Einsteiker bedeutet und wie KI-Anwendungen im Unternehmen konkret aussehen, findet in diesem Projekt viele Antworten. QM erklärt auf seine Art, was eine künstliche Intelligenz braucht, um nicht nur zu antworten, sondern wirklich zu verstehen – in welchem Raum sie sich gerade bewegt.
Quelle: magnus919.com
