Enterprise UX, d. h. die Nutzung von Software, Tools, Produkten und Dienstleistungen in einer Arbeitsumgebung, basierte traditionell auf einer einfachen Annahme: Ein Mensch trifft die endgültige Entscheidung.
- Ein Benutzer prüft die Daten.
- Ein Manager genehmigt den Arbeitsablauf.
- Ein Mitarbeiter validiert die Empfehlung.
Agentische KI, also Software, die Ziele verfolgt und selbstständig Maßnahmen ergreift, ändert diese Annahme.
Heute klassifizieren KI-Systeme Produkte, reichern Stammdaten an, empfehlen Aktionen, validieren Datensätze, lösen Workflows aus und arbeiten selbstständig mit anderen Systemen zusammen. In vielen Unternehmensumgebungen sind Menschen nicht mehr die primären Operatoren innerhalb des Workflows, sondern die Überwacher von Systemen, die in ihrem Namen handeln.
Dadurch ändert sich die Rolle der Benutzeroberfläche drastisch. Die Herausforderung geht über die Gestaltung von Bildschirmen, Formularen oder Dashboards hinaus und umfasst auch die Schaffung von Vertrauen zwischen Menschen, KI-Agenten und Unternehmensdaten-Ökosystemen.
In der Enterprise AI ist Vertrauen alles.
KI klingt intelligent dank der Mustererkennung
Große Sprachmodelle (Large Language Models, LLMs) "verstehen" Informationen nicht wirklich, so wie es Menschen tun. Sie sagen statistisch wahrscheinliche Ergebnisse auf der Grundlage von Mustern in Trainingsdaten und kontextbezogenen Eingaben voraus (Quelle: Jamie Bartlett, How to Talk to AI, Penguin, 2026). Diese Unterscheidung ist wichtig, weil KI für menschliche Nutzer oft selbst dann sicher klingt, wenn es ihr an ausreichendem Kontext, Geschäftsregeln, semantischer Bedeutung oder vertrauenswürdigen Quelldaten mangelt. Menschen assoziieren von Natur aus Sprachgewandtheit mit Intelligenz, was eine gefährliche Illusion von Gewissheit erzeugt. Aus diesem Grund kann der Begriff "Halluzination" das Problem manchmal zu sehr vereinfachen.
In Unternehmensumgebungen "imaginiert" die KI oft keine falschen Antworten, sondern versucht, aus unvollständigen, fragmentierten oder schlecht verwalteten Daten eine Bedeutung abzuleiten. Das Ergebnis ist immer noch falsch, aber die Ursache liegt häufig tiefer im Datenökosystem selbst. Dies wird kritisch, wenn autonome Systeme anfangen, operative Entscheidungen zu treffen.
Ein KI-Agent, der Kundendatensätze mit inkonsistenten Stammdaten anreichert, kann Governance-Probleme schneller vervielfachen, als es ein menschliches Team je könnte. Eine Empfehlungsmaschine, die auf schlecht strukturierte Produktbeziehungen trainiert wurde, kann auf Unternehmensebene mit Sicherheit irreführende Informationen liefern, die nur schwer zu erkennen sind.
Wenn sich der Mensch zu sehr aus der Entscheidungsfindung zurückzieht, besteht die Gefahr, dass Unternehmen kontextbezogenes Urteilsvermögen, Fachwissen und kritisches Denken verlieren. Produktivitätssteigerungen können ungewollt zu neuen blinden Flecken im Betrieb führen und möglicherweise zu mehr Arbeit bei der Rückverfolgung und Korrektur von Datenfehlern, die der KI-Agent verursacht hat.
KI beseitigt keine Datenqualitätsprobleme - sie verstärkt sie, wenn der gesamte Datenfluss nicht bewusst gestaltet wurde und der Mensch zu sehr außen vor gelassen wird.
Das Ziel sollte nicht sein, menschliches Denken zu ersetzen, sondern die menschlichen Fähigkeiten durch eine gut durchdachte Agentenerfahrung verantwortungsvoll zu erweitern.
Warum MDM im Zeitalter der KI noch wichtiger ist
Während Unternehmen die Einführung von KI beschleunigen, stellen viele fest, dass vertrauenswürdige KI eine vertrauenswürdige Datengrundlage erfordert. Wie bereits erwähnt, gewinnen Stammdatenmanagement (MDM) und Datenqualität in diesem Zusammenhang noch mehr an strategischer Bedeutung.
KI-Agenten sind auf Kontext angewiesen. Sie sind auf konsistente Definitionen, geregelte Beziehungen, semantische Klarheit und zuverlässiges Unternehmenswissen angewiesen. Ohne diese Grundlagen haben selbst die fortschrittlichsten Modelle Schwierigkeiten, Ergebnisse zu liefern, denen die Geschäftsanwender vertrauen können.
Ein KI-System kann keine zuverlässigen Schlüsse über Kunden, Lieferanten, Produkte oder Anlagen ziehen, wenn diese Entitäten in den Unternehmenssystemen dupliziert, fragmentiert oder inkonsistent definiert sind.
In vielerlei Hinsicht sind semantische Stammdaten das Bindeglied zwischen KI-Fähigkeiten und dem Vertrauen der Unternehmen.
Wenn Datenökosysteme eine klare Bedeutung, Abstammung, Governance und Beziehungen bieten, hören KI-Systeme auf zu raten" und arbeiten mit einem weitaus besseren kontextbezogenen Verständnis. Das Vertrauen basiert dann auf dem Wissen des Unternehmens und nicht nur auf der Wahrscheinlichkeit.
Dieser Wandel hat erhebliche Auswirkungen auf die Benutzerfreundlichkeit, da die Benutzer nicht mehr nur die Schnittstelle bewerten, sondern auch, ob sich das System selbst vorhersehbar, transparent und verantwortungsbewusst verhält.
Bei der Definition einer guten Benutzerfreundlichkeit von Unternehmenssystemen wird das Design für Vertrauen zu einem noch größeren Schwerpunkt.
UX ist nicht mehr nur die Interaktion zwischen Mensch und Maschine
Die Interaktion zwischen Mensch und Maschine ist nicht neu. Bei UX ging es schon immer darum, die Reibung zwischen Menschen und Systemen zu verringern. Agentische Systeme führen eine neue Ebene ein: die Zusammenarbeit von Maschine zu Maschine.
KI-Agenten jetzt:
- Unternehmensdaten konsumieren
- Workflows auslösen
- Mit APIs koordinieren
- Datensätze anreichern
- Informationen validieren
- Aktionen für andere Systeme empfehlen
In vielen Fällen wird die Schnittstelle selbst durch die Automatisierung von Agenten und Ad-hoc-Aufgaben, die über Chatbots ausgeführt werden, zunehmend unsichtbar. Ironischerweise macht dies die UX noch wichtiger, da die Nutzer nicht jeden Arbeitsschritt direkt beobachten können und sich daher stark auf Vertrauenssignale verlassen:
- Warum hat die KI diese Entscheidung getroffen?
- Welche Daten liegen dieser Empfehlung zugrunde?
- Wie sicher ist das System?
- Kann ich eingreifen oder das Ergebnis außer Kraft setzen?
- Was passiert, wenn das System falsch liegt?
All diese Fragen sollten durch die UX des Systems beantwortet werden. Vertrauen in die Leistung des Agenten entsteht durch transparente Kommunikation, einschließlich klarer Methoden zum Überschreiben oder Abbrechen eines Vorgangs.
Das bedeutet, dass die Heuristiken der Benutzerfreundlichkeit auch im Zeitalter der KI weiterhin relevant bleiben. Prinzipien wie die Sichtbarkeit des Systemstatus, die Kontrolle und Freiheit des Benutzers, visuelle Konsistenz und Fehlervermeidung werden zu wesentlichen Designanforderungen für agentenbasierte Systeme. (Quelle: Nielsen Norman Group, "10 Usability Heuristiken für User Interface Design"). Auch autonome Arbeitsabläufe müssen erklärbar sein.
Benutzer brauchen:
- Vertrauensindikatoren
- Eskalationspfade
- Vorhersehbares Systemverhalten
- Fehlerbehebung ohne Vertrauensverlust
Die Schnittstelle mag schrumpfen, während die Erfahrungsebene wichtiger denn je wird. Unternehmen, die sich zu sehr auf KI-Funktionen konzentrieren, könnten jedoch die Grundlagen für Vertrauen und Akzeptanz übersehen.
Agentische Systeme erfordern Service Design Thinking
Die traditionelle Unternehmens-UX konzentrierte sich in erster Linie auf Interaktionen und Muster für die Frontstage:
- Bildschirme
- Formulare
- Dashboards
- Arbeitsabläufe
Agentische Unternehmenssysteme sind jedoch in hohem Maße auf Backstage-Funktionen angewiesen.
KI-Agenten sind auf Orchestrierungsebenen, semantische Beziehungen, Governance-Pipelines, Vertrauensbewertungen, Genehmigungsrouting, Eskalationsmechanismen und Prüfsysteme angewiesen, die die Benutzer möglicherweise nie direkt sehen. Das Vertrauen der Benutzer hängt jedoch stark davon ab, wie zuverlässig diese unsichtbaren Systeme funktionieren.
Die Entwicklung von KI in Unternehmen ähnelt dem Service Design (der Planung und Anordnung von Menschen, Infrastruktur, Kommunikation und materiellen Komponenten eines Service, um dessen Qualität und die Interaktion zwischen dem Serviceanbieter und seinen Nutzern zu verbessern - Quelle: Wikipedia, "Service Design") und Service Blueprinting und nicht nur der traditionellen Schnittstellenoptimierung. Die Herausforderung besteht nicht mehr nur darin, zu verstehen, was die Nutzer anklicken oder sehen, sondern auch darin, zu verstehen, wie Entscheidungen über vernetzte Systeme, KI-Agenten, Unternehmensdaten, APIs, Governance-Ebenen und menschliche Aufsichtsstrukturen hinweg getroffen werden.
Jede autonome Aktion schafft eine Kette von Service-Abhängigkeiten.
Wenn ein KI-Agent selbstständig ein Produkt klassifiziert, einen Kundendatensatz anreichert oder einen Workflow auslöst, kann sich diese Entscheidung gleichzeitig auf nachgelagerte Systeme, Betriebsteams, Compliance-Prozesse und Kundenerfahrungen auswirken. Der Benutzer sieht vielleicht nie die gesamte Kette direkt, aber er erfährt die Konsequenzen, wenn sich Systeme unvorhersehbar verhalten.
Aus diesem Grund wird die unsichtbare Betriebsarchitektur zu einem Teil der Benutzererfahrung selbst. Da KI-Systeme immer autonomer werden, kann sich die UX in Unternehmen nicht mehr ausschließlich auf die Benutzerfreundlichkeit auf der Oberflächenebene konzentrieren. Sie muss die Zuverlässigkeit, Transparenz und Verantwortlichkeit ganzer Service-Ökosysteme gestalten.
Design für Vertrauen ist Design für Akzeptanz
Die Forschung zeigt zunehmend, dass die Schwierigkeiten bei der Einführung von KI in Unternehmen selten allein durch die zugrunde liegenden Modelle oder technischen Fähigkeiten verursacht werden. Ein Großteil des Widerstands ist emotional und kognitiv bedingt. Die Menschen fürchten die Automatisierung nicht, weil sie die Arbeitsabläufe verändert, sondern sie fürchten Systeme, die sie nicht vorhersagen, überprüfen oder in Frage stellen können(Quelle: BCG, "The AI Adoption Puzzle: Why Usage Is Up but Impact Is Not").
Wenn Benutzer nicht verstehen können, warum eine Empfehlung erscheint, schwindet das Vertrauen schnell. Wenn sich KI-Ergebnisse inkonsistent anfühlen, bricht das Vertrauen zusammen. Wenn die Transparenz der Governance hinter der Automatisierung verschwindet, verlangsamt sich die Akzeptanz im Unternehmen dramatisch.
Vertrauen zu schaffen bedeutet, Systeme zu entwickeln, die den Nutzern das Gefühl geben, informiert und nicht ersetzt zu werden.
Das schließt ein:
- Transparente Empfehlungen
- Erklärbare Arbeitsabläufe
- Klare Vertrauensstufen
- Sinnvolle menschliche Aufsicht
- Sichtbarkeit der Governance
- Wiederherstellbarkeit bei Fehlern
Vertrauen entsteht nicht durch Marketingaussagen über "intelligente KI", sondern durch konsistentes und vorhersehbares Verhalten im Laufe der Zeit. Je vertrauenswürdiger das System ist, desto höher ist die Akzeptanzrate.
Gestaltung von Vertrauensökosystemen
UX arbeitet heute an der Schnittstelle zwischen Menschen, KI-Agenten, Unternehmensdaten, Governance-Systemen und Automatisierungsrahmen. Es geht darum, Vertrauen in komplexe Ökosysteme zu schaffen. KI im Unternehmen wird nicht mehr nur über isolierte Schnittstellen erlebt, sondern über miteinander verbundene Dienste, Workflows, Governance-Strukturen, Eskalationspfade und operative Ökosysteme.
Die Bereitstellung dieser Erfahrung hängt von der Maschinerie hinter den Kulissen ab, die die Benutzer nie sehen:
- Konfidenzbewertung
- Entscheidungsprotokolle und Prüfpfade
- Genehmigungs- und Eskalationsrouting
- Rollback- und Überschreibungskontrollen
- Datenherkunft und -provenienz
- Wiederherstellung des Vertrauens, wenn etwas fehlschlägt
Im Zeitalter der agentenbasierten KI werden die erfolgreichsten Unternehmenssysteme nicht diejenigen sein, die die meisten Antworten mit der höchsten Geschwindigkeit generieren, sondern die Systeme, denen die Menschen genug vertrauen, um ihre agentenbasierten Möglichkeiten zu nutzen.
KI im Unternehmensmaßstab unterstreicht, dass der Aufbau von Benutzervertrauen niemals ein glücklicher Zufall ist, sondern durchdacht und zielgerichtet gestaltet werden muss.
