Ich habe die letzten fünf Tage intensiv mit KI-Agenten experimentiert.
Mit OpenClaw. Mit PaperClip. Mit Design-Tools.
Ich habe Agenten gebaut, Rollen definiert und versucht, daraus funktionierende Systeme zu machen.
CEO-Agent.
CMO-Agent.
Designer.
Founding Engineer.
Und irgendwann hatte ich ein ungutes Gefühl:
Warum bauen wir eigentlich wieder Organisationen?
Conway’s Law lässt grüßen
In der Softwareentwicklung gibt es eine bekannte Beobachtung: Conway’s Law.
Vereinfacht gesagt:
Die Systeme, die wir bauen, spiegeln die Kommunikationsstrukturen der Organisation wider, die sie gebaut hat.
Das sieht man seit Jahrzehnten.
Abteilungen werden zu Softwaremodulen.
Silos werden zu technischen Grenzen.
Organisatorische Abhängigkeiten werden zu technischen Abhängigkeiten.
Und jetzt bauen wir KI-Agenten.
Was machen wir?
Wir bauen wieder:
CEO → CMO → Designer → Developer.
Der CEO delegiert.
Der CMO erstellt ein Briefing.
Der Designer liefert etwas zurück.
Ein anderer Agent prüft das Ergebnis.
Wir haben eine Technologie geschaffen, die unglaublich viele Fähigkeiten in einem System vereinen kann.
Und unsere erste Idee ist, daraus wieder eine Firma mit Abteilungen zu bauen.
Dabei haben wir 20 Jahre versucht, genau das abzubauen
Ich habe selbst viele Jahre mit Scrum, Agile, Kanban und Kaizen gearbeitet.
Ein großer Teil dieser Methoden entstand aus der Erkenntnis, dass Übergaben teuer sind.
Deshalb entstanden cross-funktionale Teams.
Weniger Silos.
Weniger Abhängigkeiten.
Kürzere Kommunikationswege.
Mehr Verantwortung im Team.
Und jetzt führen wir mit KI plötzlich wieder künstliche Abteilungen ein.
Agenten delegieren an Agenten.
Agenten schreiben Briefings für Agenten.
Agenten kontrollieren Agenten.
Das kann sinnvoll sein.
Aber vielleicht sollten wir uns zuerst eine andere Frage stellen:
Brauchen Maschinen überhaupt die gleiche Arbeitsteilung wie Menschen?
Warum brauchen Menschen Spezialisten?
Menschen haben Grenzen.
Ein Mensch kann nicht gleichzeitig hervorragender Steuerberater, Softwareentwickler, Designer, Jurist und Marketingexperte sein.
Unsere Zeit ist begrenzt.
Unser Wissen ist begrenzt.
Unsere Fähigkeit, Kontext zu behalten, ist begrenzt.
Also spezialisieren wir uns.
Und daraus entstehen Rollen, Abteilungen und Organisationen.
Aber genau diese Annahme verändert sich bei Large Language Models.
Ein LLM kann heute programmieren, Texte schreiben, recherchieren, analysieren, Konzepte entwickeln und Designs beurteilen.
Natürlich nicht alles gleich gut.
Aber die Grenze zwischen den Rollen ist plötzlich sehr viel durchlässiger.
Warum bilden wir dann ausgerechnet unsere menschlichen Organisationsstrukturen nach?
Mein Experiment hatte noch einen interessanten Nebeneffekt
Je mehr Agenten ich gebaut habe, desto mehr Kommunikation entstand.
Jeder Agent brauchte:
eigenen Kontext,
eigene Instruktionen,
eigene Aufgaben,
Übergaben an andere Agenten
und teilweise wieder Kontrolle der Ergebnisse.
Nach wenigen Tagen war mein Token-Limit erreicht.
Das hat mich nachdenklich gemacht.
Denn aus technischer Sicht ist Kommunikation zwischen Agenten nicht kostenlos.
Jede Übergabe bedeutet Kontext.
Jeder Kontext bedeutet Tokens.
Jede zusätzliche Schleife bedeutet weitere Inferenz.
Mehr Agenten bedeuten deshalb nicht automatisch mehr Intelligenz. Sie können zunächst einfach mehr Kommunikation bedeuten.
Und Kommunikation kostet.
Das Geschäftsmodell sollten wir dabei nicht vergessen
Die meisten kommerziellen LLM-Angebote rechnen Nutzung direkt oder indirekt über Tokens und Compute ab.
Mehr Kontext.
Mehr Requests.
Mehr Agentenkommunikation.
Mehr Inferenz.
Das bedeutet auch mehr Verbrauch.
Ich würde daraus nicht ableiten, dass uns jemand absichtlich möglichst komplexe Multi-Agent-Systeme verkaufen möchte.
Aber die wirtschaftlichen Anreize sollte man zumindest verstehen.
Denn Effizienz bedeutet für den Nutzer:
Mit möglichst wenig Compute ein möglichst gutes Ergebnis erreichen.
Das ist nicht zwangsläufig dasselbe wie:
Möglichst viele Agenten miteinander arbeiten lassen.
Vielleicht ist „mehr Agenten“ die falsche Richtung
Vielleicht müssen wir die Erkenntnisse aus moderner Organisationsentwicklung auf KI übertragen.
Kleine Teams.
Breite Fähigkeiten.
Wenig Übergaben.
Hohe Autonomie.
Oder noch radikaler:
Vielleicht brauchen wir für viele Aufgaben überhaupt kein Team aus zehn Agenten.
Vielleicht brauchen wir ein kontextstarkes System, das je nach Aufgabe seine Perspektive wechseln kann.
Jetzt Produktmanager.
Dann Entwickler.
Dann Kritiker.
Dann wieder Entwickler.
Nicht weil diese Rollen als eigenständige künstliche Mitarbeiter existieren müssen.
Sondern weil unterschiedliche Denkweisen für unterschiedliche Schritte hilfreich sind.
Das wäre ein fundamentaler Unterschied.
Wir würden nicht mehr versuchen, eine Organisation zu simulieren.
Wir würden versuchen, ein möglichst gutes System zur Problemlösung zu bauen.
Vielleicht sollten wir bei KI weniger über Rollen nachdenken
Und mehr über Fähigkeiten.
Weniger:
„Ich brauche einen CMO-Agenten.“
Mehr:
„Welche Fähigkeiten braucht das System, um dieses Problem zu lösen?“
Weniger:
„Welcher Agent delegiert an welchen Agenten?“
Mehr:
„Welche Informationen und Entscheidungen sind wirklich notwendig?“
Weniger künstliche Organisation.
Mehr Problemlösung.
Denn vielleicht machen wir gerade einen sehr menschlichen Fehler:
Wir haben eine völlig neue Technologie bekommen – und bauen damit erst einmal die Welt nach, die wir bereits kennen.
Die spannendere Frage wäre:
Wie würden wir ein solches System bauen, wenn wir unsere heutigen Organisationen noch nie gesehen hätten?