KI-Agenten, die Ihr Fachwissen multiplizieren

Was KI ersetzt, ist Ausführung. Was sie nicht ersetzt — und was durch sie dramatisch an Wert gewinnt — ist Urteilsvermögen. Das tiefe Verständnis dafür, was ein gutes Ergebnis ausmacht, wie ein korrektes Angebot aussieht, welche Formulierung rechtlich hält und welche nicht. Der Hebel verschiebt sich: von der Ausführung zum Urteil.

Die Kompetenz, die dabei zählt, verschiebt sich: weg von der technischen Beherrschung eines Tools, hin zur Klarheit der eigenen Absicht. Wer genau weiß, was er braucht — und es so formulieren kann, wie man es einem kompetenten Mitarbeitenden sagen würde — der kann Dinge erreichen, für die bisher ganze Abteilungen zuständig waren.

Der Mittelstand hat, was KI nicht hat: tiefes, spezifisches Fachwissen. Die Fähigkeit zu beurteilen, ob ein Küchenangebot korrekt kalkuliert ist. Das Wissen, welche DIN-Norm bei einer bestimmten Bauart greift. Dieses Wissen sitzt in den Köpfen von Mitarbeitenden, die oft seit Jahrzehnten im Unternehmen sind. Agentic AI multipliziert genau diese Kombination.

Anthropic, das Unternehmen hinter Claude, hat sich entschieden, seine Systeme nicht durch Regelbefolgung zu steuern, sondern durch kultivierte Urteilskraft. Das ist, ob sie es wissen oder nicht, das aristotelische Programm: Die Maschine soll nicht Regeln befolgen. Sie soll im richtigen Moment das Richtige tun.

Phronesis baut auf dieser Einsicht auf. Unsere Agenten folgen nicht starren Entscheidungsbäumen. Sie verfügen über Fachwissen, Kontext und die Fähigkeit, beides situativ anzuwenden. Was ein gutes Angebot ausmacht, hängt vom Kunden ab. Was eine angemessene Reklamationsantwort ist, hängt vom Fall ab. Keine Regel kann das vorab entscheiden — aber Urteilskraft kann es.

Die Geisteswissenschaften bearbeiten dieses Problem seit 2.400 Jahren. Die Fähigkeit, in konkreten Situationen zu urteilen statt Regeln abzuarbeiten — das Richtige im richtigen Moment zu tun, statt einem Entscheidungsbaum zu folgen — ist kein technisches Problem. Es ist ein philosophisches. Und genau deshalb heißen wir Phronesis.

Zwischen 1500 und 1800 entwickelte die europäische Hermeneutik eine Tradition, die im 19. Jahrhundert verschüttet wurde: die probabilitas hermeneutica. Ihre Antwort auf den totalen Zweifel am Verstehen war nicht: Wir finden doch noch Gewissheit. Sondern: Wir brauchen keine. Was an ihre Stelle trat, waren Grade der Wahrscheinlichkeit — hinreichende Gewissheit für praktische Zwecke.

Ein Sprachmodell operiert auf der Grundlage von Wahrscheinlichkeitsverteilungen über Zeichenfolgen — es tut, auf einer mathematisch präzisen Ebene, genau das, was die frühneuzeitliche Hermeneutik konzeptionell beschrieben hat: Bedeutung als Wahrscheinlichkeitsraum behandeln, in dem man sich approximativ bewegt. Das Sprachmodell ist keine Abweichung von der hermeneutischen Tradition. Es ist ihre technische Realisierung.

Und der Agent-Loop — die iterative Schleife aus Suchen, Finden, Revidieren, Weitersuchen — ist nichts anderes als der hermeneutische Zirkel, den Gadamer als Grundstruktur des Verstehens beschrieben hat: Man versteht das Einzelne nur aus dem Ganzen, aber das Ganze nur aus den Einzelnen. Man muss immer schon ein Vorverständnis mitbringen, das sich im Durchlaufen verändert.

Foundation Models entwickeln sich zur Commodity. Die Leistungsunterschiede zwischen GPT-5, Claude und Gemini schrumpfen. Die Preise pro Token fallen mit einer Halbwertszeit von wenigen Monaten. In einer Welt, in der kognitive Kapazität zur Commodity wird, verschiebt sich der Wert zu dem, was über der Commodity liegt: Orchestrierung, Domänenkenntnis, Integration, Governance.

Das Produktivitäts-Paradox — warum KI sich nicht in den Makrodaten zeigt — hat eine einfache Erklärung: Das Bottleneck ist nicht die Leistungsfähigkeit der Modelle. Es ist die letzte Meile. Die Übersetzung von roher KI-Kapazität in domänenspezifische, compliance-konforme, sofort einsetzbare Werkzeuge. Genau diese letzte Meile ist das, was Phronesis löst.

Europa hat auf der Infrastrukturebene verloren. Aber auf der Applikationsebene hat es genuines Differenzierungspotenzial: regulatorische Kompetenz, tiefes Domänenwissen, eine Mittelstandsstruktur von 3,5 Millionen Unternehmen, die zu klein für eigene KI-Abteilungen sind, aber groß genug für substanziellen Produktivitätsgewinn. Deutschland muss keine eigenen Schienen legen. Es muss die richtigen Züge darauf fahren lassen.