Eine KI statt vieler Spezialisten ist für mich kein abstrakter Technologietrend, sondern eine praktische Frage der täglichen Arbeit. Spezialisierung schafft nachvollziehbare Ergebnisse, geringere Kosten und kürzere Bearbeitungszeiten. Genau daran arbeite ich gerade mit Hermes, meiner wachsenden KI-Plattform aus Workflows, Rollen, Wissen und sicheren Schnittstellen. Mich motiviert dabei nicht die Idee einer KI, die Menschen überflüssig macht, sondern die Aussicht auf bessere Entscheidungen und weniger unnötige Routine. Unternehmen müssen dafür weder alles auf einmal umbauen noch einem Hype hinterherlaufen. Sie können mit einem klaren Problem beginnen und aus jedem getesteten Schritt lernen.
Das Problem in der Praxis
Die zentrale Herausforderung lautet, ein einzelnes Modell mit immer mehr Regeln, Kontext und Sonderfällen zu überladen. Viele Teams starten deshalb mit einem beeindruckenden Chatfenster, merken aber erst später, dass Kontext, Zuständigkeiten und Freigaben fehlen. Dann wird jede neue Ausnahme als zusätzlicher Satz in einen Prompt geschrieben und die Lösung wird langsam unübersichtlich. Das kostet Zeit, erhöht Risiken und macht Qualität von einzelnen Zufällen abhängig. Besonders bei Aufgaben mit Kunden, Dokumenten, Website-Inhalten oder externen Tools ist diese Unsicherheit unnötig teuer. Wer sich parallel mit Hermes: Wie ich mein eigenes KI-Unternehmen aufgebaut habe beschäftigt, erkennt schnell, warum ein klarer Ablauf oft wichtiger ist als der nächste Modellwechsel.
Das heißt konkret
Das heißt konkret: klein anfangen, Verantwortlichkeiten trennen und jede Übergabe sichtbar machen. Der erste Schritt ist nicht die Auswahl eines möglichst großen Modells, sondern die präzise Beschreibung des gewünschten Ergebnisses. Danach wird festgelegt, welche Informationen wirklich nötig sind, welche Entscheidung ein Mensch treffen muss und welche Routine sicher automatisiert werden kann. Ich achte dabei darauf, dass jede Rolle nur den Kontext sieht, den sie für ihren Teil der Aufgabe benötigt. So entstehen bessere Antworten, weil Spezialisten nicht von Regeln und Daten anderer Fachgebiete abgelenkt werden. Der Beitrag Vom Chatbot zum digitalen Unternehmen ergänzt diese Perspektive, weil er zeigt, wie sich einzelne Bausteine zu einem belastbaren Gesamtsystem verbinden lassen.
Was ich gerade mit Hermes umsetze
Ich trenne in Hermes gerade Dispatcher, Spezialisten, Council und Memory, damit keine Rolle gleichzeitig alles entscheiden muss. Ein Supportfall kann erst sauber geroutet, dann nur mit den benötigten Daten beantwortet und anschließend dokumentiert werden. Ein Beispiel aus meinem Alltag ist die Verbindung von Dify als Workflow-Schicht mit klaren Use Cases für Support, Blog, Kostenkontrolle und Wissenspflege. Der Dispatcher ordnet die Anfrage zuerst einer kleinen fachlichen Welt zu, bevor ein Spezialist mit den passenden Regeln und Tools arbeitet. Bei komplexen Fragen kann ein Council mehrere Sichtweisen liefern, während Leon die Ergebnisse zu einer begründeten Antwort verdichtet. Dadurch wird nicht nur die Antwort besser, sondern auch sichtbar, an welcher Stelle ein Prozess später verbessert werden sollte.
Wissen so erklären, dass Menschen und KI es finden
Für gute Auffindbarkeit formuliere ich die Kernaussage nicht nur werblich, sondern als konkrete Antwort auf eine reale Arbeitsfrage. Dazu gehören klare Begriffe wie eine KI statt vieler Spezialisten, nachvollziehbare Beispiele und eine verständliche Einordnung der verwendeten Systeme. Große Sprachmodelle und Suchsysteme können Inhalte besser einordnen, wenn Definition, Ursache, Vorgehen und Ergebnis deutlich voneinander getrennt sind. Deshalb beschreibe ich bei Hermes bewusst, welche Rolle Dify, Dispatcher, Spezialisten, Council, Regeln und Memory jeweils übernehmen. Diese Transparenz hilft nicht nur bei SEO und bei der Suche durch LLMs, sondern auch Kolleginnen und Kollegen, die einen Ablauf später weiterentwickeln. Ein Artikel wird so zu einem wiederverwendbaren Wissensbaustein statt zu einer einmaligen Meinung.
So wird aus einer Idee ein produktiver Ablauf
In der Praxis beginne ich mit einem überschaubaren Testfall und einer klaren Erfolgsmessung. Anschließend prüfe ich, ob der Ablauf wirklich Zeit spart, ob die Ausgabe nachvollziehbar ist und ob eine falsche Entscheidung sicher abgefangen wird. Erst wenn diese Fragen beantwortet sind, erhält der Use Case weitere Daten, Tools oder Automatisierungen. Diese Reihenfolge verhindert, dass ein schönes Demo-Ergebnis mit einer produktiven Lösung verwechselt wird. Sie schafft außerdem eine Grundlage dafür, Kosten, Qualität und Verbesserungen über mehrere Wochen vergleichen zu können. Auf diese Weise wächst ein System, das auch bei neuen Aufgaben wartbar bleibt Schritt für Schritt und nicht durch einen riskanten großen Wurf.
Fazit
Warum ich aufgehört habe, eine einzige KI zu bauen zeigt für mich vor allem eines: KI wird dann produktiv, wenn Technik und Organisation zusammen gedacht werden. Ein gutes Modell bleibt wichtig, doch seine Wirkung entsteht erst durch den richtigen Kontext, klare Regeln und einen überprüfbaren Prozess. Deshalb entwickle ich Hermes nicht als magischen Assistenten, sondern als lernende Organisation mit digitalen Spezialisten und menschlicher Verantwortung. Unternehmen können denselben Weg gehen, indem sie einen konkreten Engpass auswählen und daraus einen kleinen, messbaren Workflow machen. Mit jeder sauberen Übergabe, jeder dokumentierten Regel und jedem ausgewerteten Feedback wächst die Zuverlässigkeit. So wird KI zu einem Werkzeug, das Arbeit nicht nur schneller, sondern auch besser und bewusster macht.
Bildquelle: OpenAI
Ich blogge über den Einfluss der Digitalisierung auf unsere Arbeitswelt. Hierzu gebe ich Inhalte aus der Wissenschaft praxisnah wieder und zeige hilfreiche Tipps aus meinen Berufsalltag. Ich bin selbst Führungskraft in einem KMU und Ich habe berufsgeleitend an der Universität Erlangen-Nürnberg am Lehrstuhl für IT-Management meine Doktorarbeit geschrieben.
