Stell dir vor, dein Unternehmen hat für die Entwicklerteams eine Superkraft erschlossen: KI-Agenten schreiben Code, testen Module und beheben Fehler. Während die Programmierer im KI-Rausch arbeiten, sitzen die Kollegen aus Vertrieb, Finanz oder Compliance daneben und warten. Ihre Aufgaben – eine Recherche vor einem Kundentermin, die Modellierung von Umsatzszenarien, die Vorbereitung einer Compliance-Prüfung – blieben bisher außen vor. Genau hier setzt die Stripe Knowledge AI Platform an. Intern nennt Stripe sie „Kai“. Und sie zeigt, wie KI-Agenten für Wissensarbeit aussehen können, wenn man sie nicht als Spielzeug, sondern als ernsthafte Plattform baut.
Das Problem: Werkzeuge für Programmierer, nicht für Wissensarbeiter
Wer schon einmal mit Coding-Agenten wie Claude Code oder Codex gearbeitet hat, kennt das Muster: Die Aufgabe wechselt, aber der Arbeitsablauf bleibt gleich. Du editierst Dateien, führst Tests aus, committest. Programmiersprachen variieren, doch die Struktur der Arbeit ist erstaunlich uniform. Deshalb funktioniert fürs Programmieren ein einzelner Agententyp hervorragend. Wissensarbeit ist das genaue Gegenteil. Eine Kundenanalyse erfordert andere Datenquellen, andere Werkzeuge und andere Ergebnisse als die Vorbereitung einer Bilanzprüfung. Auch die Definition von „fertig“ ist eine völlig andere. Für diese Vielfalt gab es bislang keine passende KI-Lösung.
Stripe experimentierte zunächst mit zwei Ansätzen. Der erste: ein No-Code-Agent-Builder, mit dem jede*r eigene Workflow-Agenten bauen konnte. Es entstanden über 4.000 solcher Mini-Agenten. Doch schnell zeigte sich ein Problem: Die Teams schrieben konzeptionell ähnliche Prompts, nur mit unterschiedlicher Qualität. Die Flut an Mikro-Agenten wurde zunehmend schwer zu überwachen und zu warten. Der zweite Ansatz war der Einsatz von Coding-Agenten. Die waren mächtig, führten aber zu Sicherheitsproblemen und einer neuen Support-Last für Code-Qualitätsteams, die plötzlich Nicht-Programmierer betreuen sollten. Aus diesen Erfahrungen zog Stripe eine klare Lehre: Eine Knowledge AI Platform muss drei Dinge richtig machen – Expertise skalieren, ohne sie zu zentralisieren; die Nutzer dort abholen, wo sie arbeiten; und Schutzmechanismen durchsetzen, die es im Code so nicht gibt.
Expertise skalieren, ohne sie zu zentralisieren
Das Wissen darüber, wie man eine Zahlungsreklamation bearbeitet oder ein Umsatzmodell erstellt, liegt nicht bei einer zentralen KI-Abteilung. Es ist verteilt über Dutzende Fachbereiche: Vertrieb, Finanz, Marketing, Recht, Data Science und mehr. Jeder Bereich hat eigene Tools, Datenquellen, Workflows und eigene Vorstellungen von Qualität. Multipliziert man das mit allen Produkten und Ländern, in denen Stripe operiert, entsteht eine atemberaubende Komplexität. Kai muss diese Komplexität so modellieren, dass sie für die Nutzer unsichtbar wird. Die Aufgabe soll einfach funktionieren – ohne dass man die zugrunde liegende Struktur verstehen muss. Das ist ein hoher Anspruch, denn ein einzelner, monolithischer Agent kann all diese Einschränkungen unmöglich abbilden. Und es wäre ebenfalls nicht skalierbar, wenn jedes Fachteam seine eigene, sichere Agenteninfrastruktur bauen müsste. Deshalb hat Stripe Kai in drei Schichten aufgebaut.
Der Agent muss dorthin, wo die Arbeit passiert
Die Oberfläche, auf der ein Agent erscheint, ist genauso wichtig wie das, was er weiß. Nicht jede*r arbeitet im Browser-Tab, und schon gar nicht im Terminal. Ein Wissensagent kann also kein einzelnes Produkt sein. Er muss eine Plattform sein, die sich überall einbetten lässt. Ein Beispiel: Das Finanzteam von Stripe nutzt eine interne Anwendung, um komplexe Änderungen am Betriebsbudget zu modellieren. Der Agent muss den Kontext der Anwendung lesen, verwandte Dokumente recherchieren, gültige Änderungen vorschlagen und die Unterschiede zusammenfassen – und zwar mitten in der Anwendung, ohne die Nutzer herauszureißen. Ein separates Agentenprodukt würde genau das verhindern. Eine eigene Agentenlösung für jede einzelne Oberfläche wäre wiederum zu aufwendig und würde für Nutzer, die mehrere Tools verwenden, zu einem zerrissenen Erlebnis führen. Die Lösung von Stripe sind Surface-agnostische APIs. Das bedeutet: Der Agent ist ein Dienst, keine Anwendung. Die verschiedenen Oberflächen – Web-App, Slack-Integration, Browser-Erweiterungen, interne Tools – sind nur unterschiedliche Ansichten auf denselben Agenten. Wer im Business-Intelligence-Tool arbeitet, kann direkt dort eine Frage an Kai stellen, ohne das Tool zu wechseln.
Schutzmechanismen, die es im Code nicht gibt
Coding-Agenten profitieren von jahrzehntealten, verlässlichen Schutzmechanismen: Compiler lehnen ungültigen Code ab, Tests fangen Regressionen ab, und Git macht jeden Fehler rückgängig. Bei Wissensarbeit fehlen solche Sicherheitsnetze weitgehend. Ein zentrales Prinzip bei Stripe lautet: Man darf Daten aus zwei unterschiedlichen Kundenkontexten nicht in einer einzigen Analyse kombinieren. Ein Nutzer kann zwar für beide Kontexte einzeln eine Zugriffsberechtigung haben, aber niemals im selben Session. Die Trennlinie ist nicht die Frage „Was darf diese Person anhand ihres Autorisierungs-Tokens sehen?“, sondern „Was sollte diese Aufgabe in diesem Kontext sehen dürfen?“. Die Plattform muss diese stillschweigenden Regeln durchsetzen, auf die sich die Nutzer verlassen. Genau das leistet die dritte Schicht von Kai: die Execution Environment. Sie umfasst den Agenten-Harness, Sandbox, Workflow-Orchestrierung und ein Zugriffskontroll-Framework. Interne Wissensarbeit verarbeitet dieselben sensiblen Daten wie die externen Produkte von Stripe und dient denselben Nutzern. Deshalb gelten hier dieselben Sicherheits- und Compliance-Anforderungen. Die gemeinsame Infrastruktur erzwingt Disziplin und erzeugt einen positiven Kreislauf: Verbesserungen an der Ausführungsumgebung kommen sowohl den internen als auch den produktbezogenen Agenten zugute.
So funktioniert Kai: Ein Blick unter die Haube
Der Agent-Harness von Kai wurde mit LangChain’s deepagents gebaut und läuft auf Kubernetes. Jede Sitzung erhält eine sichere Sandbox und ein Multi-Tenant-Virtual-Dateisystem. Der Agent legt darin Dateien an, arbeitet iterativ an Artefakten und nutzt eine Code-Execution-Umgebung für Analysen und Datenverarbeitung. Die Architektur ist darauf ausgelegt, über lange, komplexe Sitzungen hinweg Zustand zu halten. Eine Sitzung erreichte kürzlich 932 Turns. Wissensarbeit ist selten eine einzelne Frage; sie ist iteratives Denken, das auf sich selbst aufbaut. Die Plattform muss diesen Zustand halten, ohne den Kontextfenster zu überladen. Besonders spannend ist die Fähigkeit von Kai, die richtige Fähigkeit auszuwählen. Über 1.000 Skills und Tools sind angebunden – von Business-Intelligence-Dashboards über Projektmanagement-Tools bis hin zu Drittanbieter-Diensten wie Zoom und Google Workspace. Nutzer können einfach eine Frage stellen und Kai wählt den passenden Kontext und die richtigen Werkzeuge. Coding-Agenten haben hier einen natürlichen Vorteil, weil die Ordnerstruktur automatisch eine Organisation für Skills und Kontext vorgibt. Wie Kai diese Herausforderung ohne eine solche vorgegebene Struktur löst – mit einem Hybrid aus RAG und LLM-Ansteuerung – will Stripe in einem Folgebeitrag erklären.
AgentStudio: Die Kontrollzentrale für Fachbereiche
Die zweite Schicht, AgentStudio, ist die Kontrollzentrale für Domain-Experten. Teams können damit ihre eigenen Skills, kundenspezifischen Kai-Agenten und Tool-Auswahlen bauen, testen und überwachen. Ein Vertriebsteam besitzt zum Beispiel einen eigenen Kai-Agenten, der perfekt auf seine Workflows abgestimmt ist. Er lädt die passenden Skills standardmäßig, verbindet sich mit den eigenen Datenquellen und präsentiert die Ergebnisse in dem Format, das die Nutzer erwarten. AgentStudio zeigt Nutzungsdaten und Qualitätssignale direkt neben jedem Asset. So sehen Domain-Experten, was funktioniert, ohne das Plattform-Team um Auswertungen bitten zu müssen. Diese Balance zwischen zentraler Plattform und dezentraler Governance ist entscheidend. Die Expertise bleibt bei den Fachteams, während die Plattform die Infrastruktur, Sicherheit und Wartung übernimmt.
Impact: Umsatz, Effizienz und alltägliche Nutzung
Die Zahlen, die Stripe kommuniziert, sind beachtlich. Innerhalb von zwei Wochen nach dem Launch im April nutzte der Großteil des Unternehmens die Knowledge AI Platform. Heute sind 83% der Belegschaft wöchentlich aktive Nutzer, darunter nahezu der komplette Go-to-Market-Bereich (Marketing, Vertrieb, Kundenerfolg, Technical Account Management). Neue Mitarbeitende im Vertrieb sind „Kai-native“: Sie nutzen die Plattform 2,7-mal häufiger, und Power-User erzielen in derselben Kohorte 80% mehr Wert als Wenig-Nutzer. Wenn Account Executives Kai verwenden, produzieren sie doppelt so viele Vertriebsaktivitäten, erzeugen 17% mehr Opportunities und 26% mehr Umsatzmöglichkeiten und schließen 39% mehr Deals ab – verglichen mit denselben Verkäufern in Wochen ohne Kai. Insgesamt hat Kai dazu beigetragen, 25.000 Stunden pro Jahr von administrativer Arbeit in umsatzgenerierende Arbeit zu verschieben. Täglich finden mehr als 5.000 Sitzungen statt, die sich auf Datenanalyse konzentrieren. Auch im Finanz- und Operationsbereich hilft Kai, unstrukturierte Daten zu analysieren, wiederkehrende Berichte zu generieren und fragmentierte Kontexte in nutzbare Artefakte zu verwandeln.
Besonders beeindruckend ist ein Detail: Eine nicht-technische Mitarbeiterin verließ eine Einführungsveranstaltung und erstellte sofort automatisiert einen Digest, der Asana, Slack und Jira in einen einzigen Prozess integriert. Solche Geschichten zeigen, dass die Plattform nicht nur für Spezialisten funktioniert. Sie senkt die Hürde zur Nutzung von KI erheblich – nicht durch vereinfachte Oberflächen, sondern durch eine Architektur, die die Komplexität im Hintergrund versteckt. Wie das Stripe-Team betont: „Wir haben noch nicht gewonnen.“ Das ist die grundlegende Haltung. Man sieht die Plattform als erstes Kapitel, nicht als Endpunkt.
Was noch kommt: Reflexion, Kollaboration und bessere Zustandsverwaltung
Stripe arbeitet bereits an den nächsten Schritten. Ein Thema ist die Verbesserung des State Managements. Allgemeine Agenten wie Kai erzeugen viel Zustand, während sie Werkzeugaufrufe tätigen und große Dokumente herunterladen. Die Entwickler optimieren kontinuierlich den „aktiven“ Kontext, der an das Large Language Model gesendet wird, und den „erweiterten“ Kontext, der in S3 oder dem virtuellen Dateisystem liegt. Zudem wird an einer Qualitätsschleife gearbeitet, die es Kai ermöglicht, eigene Sitzungen zu reflektieren und Verbesserungen an Skills vorzuschlagen. Diese Verbesserungen können getestet und dem jeweiligen Skill-Eigentümer zur Überprüfung vorgelegt werden. Und schließlich soll die Kollaboration erleichtert werden: Bisher sind viele Kontexte in Sitzungen „eingeschlossen“. Die Idee ist, Erkenntnisse aus Kai-Sitzungen zu teilen und mehrere Personen – und auch mehrere Agenten – an denselben Artefakten arbeiten zu lassen.
Für alle, die selbst über eine Knowledge AI Plattform nachdenken, lohnt sich ein Blick auf die Prinzipien, die Stripe geleitet haben. Es geht nicht darum, möglichst viele einzelne Agenten zu bauen. Es geht darum, eine Plattform zu schaffen, die Expertise aus dem Fachbereich anzieht, in die vorhandenen Arbeitsabläufe eintaucht und dieselben Sicherheitsstandards anlegt wie produktionsreife Systeme. Die KI-Agenten für Datenbankabfragen und Compliance, die in solchen Umgebungen entstehen, sind keine Spielzeuge, sondern ernsthafte Werkzeuge – mit klaren Grenzen, überprüfbaren Ergebnissen und einem menschenzentrierten Design, das nicht nach Technologie-Spielerei klingt. Stripe zeigt damit, wie man eine KI-Plattform für Unternehmen und Teams baut, die nicht nur Programmierer bedient. Die Knowledge AI Platform ist ein Vorbild für alle, die KI in der Wissensarbeit ernsthaft einsetzen wollen.
Die Botschaft am Ende ist keine Hype-Geschichte, sondern eine geerdete: Wissensarbeit ist komplexer als das Schreiben von Code. Aber mit den richtigen Architekturprinzipien lässt sich diese Komplexität bändigen. Kai ist dafür ein Beweis – nicht, weil die Plattform perfekt ist, sondern weil sie zeigt, wie man KI-Agenten baut, die in den Alltag von Vertrieb, Finanz und Compliance eintauchen, ohne sie zu bevormunden. Wenn diese Prinzipien auch außerhalb von Stripe Schule machen, könnte die nächste Welle der Produktivität nicht aus der Softwareentwicklung kommen, sondern aus den Bereichen, die man lange übergangen hat.
Quelle: stripe.dev
