Ein KI-Assistent kann eine Frage gut verstehen und trotzdem an einem Unternehmensablauf scheitern. Er muss wissen, welche Daten gemeint sind, wie sie zusammenhängen und welche Schritte zulässig sind. Oracles neuer Fallbericht macht diese Ebene sichtbar: Geschäftsobjekte, Beziehungen und Regeln werden beschrieben, damit natürlichsprachige Fragen in passende Abfragen und Arbeitsschritte übersetzt werden können.
Die daraus abgeleitete These lautet: Für wiederholbare KI-Arbeit im Unternehmen wird der organisierte Fachkontext zu einem Teil des Produkts. Ein leistungsfähiges Modell bleibt wichtig. Der praktische Nutzen entsteht aber erst im Zusammenspiel mit Daten, Werkzeugen und einer klaren Verantwortung für das Ergebnis. Diese Einordnung wird durch zeitlich getrennte Studien zur KI-Arbeit gestützt, ohne dass sie eine allgemeine Erfolgsquote beweisen.
Oracles Beispiel beginnt bei der Bedeutung der Daten
Im am 8. Oktober veröffentlichten Fallbericht beschreibt Oracle eine Ontologie für Geschäftsobjekte, ihre Beziehungen und Regeln. Sie soll natürliche Sprache mit Abfragen und Systemkontext verbinden. Der Bericht nennt außerdem einen Recruiting-Ablauf, dessen Vorbereitung laut Unternehmen von zwei bis vier Tagen auf 15 bis 20 Minuten verkürzt wurde. Das ist eine zugeschriebene Aussage zu einem bestimmten Prozess, keine unabhängige Messung der gesamten Oracle-Produktivität.
Eine Ontologie lässt sich hier zunächst als geordnete Beschreibung dessen verstehen, was Begriffe im Unternehmen bedeuten und wie sie zusammenhängen. Die entscheidende Frage ist beispielsweise, ob zwei Systeme mit Kunde dasselbe meinen. Vielleicht bezeichnet eines einen Vertragspartner, das andere einen Rechnungsempfänger. Ein Modell kann den Satz gut formulieren und trotzdem die falschen Datensätze verbinden, wenn diese Bedeutung nicht geklärt ist.
Ein eigenes Beispiel zeigt den Unterschied
Stellen wir uns ein Unternehmen mit einem Vertriebssystem und einem Bestellsystem vor. Eine Mitarbeiterin fragt nach den offenen Bestellungen wichtiger Kunden. Im Vertrieb ist wichtig eine definierte Kundengruppe. Im Bestellsystem bedeutet offen, dass ein Auftrag noch nicht vollständig ausgeliefert ist. Außerdem verwenden die Systeme unterschiedliche interne Kennungen.
Ohne diesen Kontext könnte ein Assistent mehrere plausible Antworten produzieren. Er könnte offene Rechnungen statt offener Lieferungen betrachten oder die Kundengruppe anhand eines Umsatzwerts selbst definieren. Jede Antwort könnte sprachlich überzeugend wirken. Die Frage wäre dennoch anders beantwortet worden, als die Mitarbeiterin beabsichtigte.
Mit einem beschriebenen Geschäftsmodell stehen dagegen die benötigten Definitionen bereit. Eine Zuordnung verbindet die Kennungen, und die zulässige Abfrage kann sich auf die richtigen Daten beziehen. Das Beispiel ist frei erfunden. Es erklärt, weshalb eine fachlich richtige Antwort mehr benötigt als eine gelungene Formulierung des ursprünglichen Satzes.
Wiederholbarkeit verändert die technische Aufgabe
Ein einmaliger guter Versuch ist etwas anderes als ein Ablauf, der regelmäßig von verschiedenen Menschen genutzt wird. Beim wiederholten Einsatz müssen Begriffe stabil bleiben, Datenzugriffe funktionieren und Änderungen nachvollziehbar sein. Wird im Bestellsystem eine Statusdefinition geändert, kann eine bisher passende Abfrage ihre Bedeutung verlieren. Der Fachkontext ist deshalb kein Dokument, das nach der ersten Einrichtung für immer abgeschlossen wäre.
Auch der gewünschte Umfang muss klar sein. Soll der Assistent nur Informationen zusammentragen, einen Vorschlag erstellen oder etwas im System ändern? Diese Aufgaben haben verschiedene Folgen. Ein Bericht über offene Bestellungen kann geprüft werden, bevor jemand handelt. Eine automatische Änderung an Bestellungen benötigt eine andere Zuständigkeit. Die Verknüpfung mit Werkzeugen erweitert die Fähigkeiten und damit die Bedeutung eines klaren Auftrags.
Die daraus folgende technische Arbeit besteht in der Abstimmung mehrerer Ebenen. Die Nutzerfrage muss mit einer fachlichen Definition verbunden werden. Diese Definition muss zu den verfügbaren Daten passen. Das Werkzeug muss den vorgesehenen Zugriff ausführen können. Schließlich muss das Ergebnis so zurückkommen, dass ein Mensch oder ein nachfolgender Schritt es sinnvoll prüfen kann.
Frühere Studien zeigen unterschiedlich großen Nutzen
Eine unabhängige Untersuchung von Brynjolfsson, Li und Raymond betrachtet KI-Unterstützung im Kundensupport. Die 2024 revidierte Fassung von „Generative AI at Work“ berichtet im Durchschnitt 15 Prozent mehr gelöste Fälle pro Stunde. Der Nutzen unterschied sich deutlich nach Erfahrung und Qualifikation. Diese Beobachtung betrifft einen konkreten Supportkontext, nicht die neuen Oracle-Abläufe.
Für die Einordnung ist vor allem die Unterschiedlichkeit interessant. Eine Hilfestellung kann dort viel bewirken, wo Beschäftigte bei einer Frage noch wenig Routine haben. Bei sehr erfahrenen Personen kann die Ausgangslage anders sein. Die Verbindung zwischen Werkzeug und Aufgabe erklärt daher mehr als eine pauschale Aussage, alle Beschäftigten würden im gleichen Verhältnis schneller.
Ein weiterer Gegenbefund stammt von METRs Entwicklerexperiment von 2025, in dem die damaligen KI-Werkzeuge die Arbeit erfahrener Open-Source-Entwickler im untersuchten Setting verlängerten. Im Update vom Februar 2026 beschrieb METR Verbesserungsanzeichen, aber auch erhebliche Auswahl- und Messprobleme. Die beiden Berichte liefern keine verlässliche allgemeine Produktivitätszahl für heute.
Die Grenze liegt auch im Aufwand für die Integration
Die These vom wichtigen Fachkontext hat ein Gegenargument: Ein sauber beschriebenes Datenmodell verursacht selbst Arbeit. Wenn ein Ablauf selten vorkommt oder sich ständig verändert, kann diese Vorbereitung aufwendiger sein als die einzelne manuelle Bearbeitung. Mehr Integration ist deshalb nicht automatisch die wirtschaftlich beste Lösung.
Ein Team kann diese Frage am tatsächlichen Bedarf prüfen. Wie oft wird derselbe Ablauf benötigt? Welche Fehler entstehen heute durch unterschiedliche Begriffe? Wie viel Zeit beansprucht das Zusammensuchen der Daten? Und welcher Teil des Ergebnisses lässt sich unabhängig überprüfen? Diese Fragen helfen, geeignete wiederkehrende Aufgaben von aufwendigen Einzelentscheidungen zu unterscheiden.
Für eine erstmalige, unklare Fragestellung kann eine flexible Unterstützung ohne tief ausgebaute Integration wertvoll sein. Für einen häufigen Ablauf kann dagegen die konsequente Beschreibung von Daten und Regeln den größeren Hebel bieten. Das ist eine abgeleitete Entscheidungshilfe, kein in den genannten Studien direkt geprüfter Vergleich dieser beiden Unternehmensstrategien.
Die Antwort muss ihren Bezug zu den Daten behalten
Im erfundenen Bestellbeispiel wäre ein weiterer Schritt sinnvoll: Die Antwort könnte die verwendete Definition und den Stand der abgefragten Daten nennen. Dann erkennt die Mitarbeiterin, ob sie über offene Lieferungen oder offene Rechnungen spricht und auf welchen Zeitraum sich das Ergebnis bezieht. Ein gut formulierter Satz allein würde diese Einordnung nicht leisten.
Auch eine fehlende Verbindung sollte erkennbar bleiben. Wenn einige Kundenkennungen nicht zugeordnet werden können, darf eine Zusammenstellung nicht stillschweigend vollständig aussehen. Das Beispiel verdeutlicht, wie der Fachkontext bis in die Ausgabe hineinwirkt. Die Bedeutung der Begriffe muss nicht nur bei der Abfrage, sondern auch beim Lesen des Ergebnisses verständlich bleiben.
Damit wird die Prüfung für Menschen konkreter. Statt jeden sprachlichen Eindruck zu bewerten, können sie Definition, Datenstand und einzelne Ergebnisse nachvollziehen. Solche Angaben schaffen noch keine Fehlerfreiheit. Sie machen mögliche Abweichungen jedoch leichter auffindbar und geben der Verantwortung für die Entscheidung einen klareren Bezug.
Die Arbeit an einem Unternehmensassistenten umfasst folglich auch die Gestaltung seiner Ausgabe. Welche Informationen braucht jemand, um mit dieser Antwort weiterzuarbeiten? Diese Frage verbindet die technische Integration mit dem tatsächlichen Leser- oder Nutzerbedarf.
Was ein guter Einstieg konkret beschreibt
Ein nachvollziehbarer Einstieg könnte eine einzige wiederkehrende Frage mit eindeutigem Ergebnis sein. Im erfundenen Bestellbeispiel wären das die gewünschte Kundengruppe, die Definition offener Lieferungen und die benötigten Datenquellen. Der Erfolg wäre daran zu prüfen, ob die Antwort diese Frage korrekt und mit weniger Gesamtaufwand beantwortet.
Erst danach ließe sich der Ablauf erweitern. Dadurch bleibt sichtbar, ob eine Verbesserung aus dem Modell, dem besseren Datenzugriff oder einer veränderten Aufgabenbeschreibung stammt. Oracles Fallbericht liefert einen aktuellen Anlass für diese Betrachtung. Die älteren unabhängigen Befunde begrenzen die Schlussfolgerung: KI-Nutzen hängt von Aufgaben und Menschen ab. Ein fachlich beschriebenes, überprüfbares Verfahren macht diese Abhängigkeiten leichter bearbeitbar.
Quellen
- OpenAI / Oracle: Oracle enterprise AI workflows (2026-10-08)
- Brynjolfsson, Li, Raymond: Generative AI at Work, revidierte Fassung (2024-11-06)
- METR: Developer productivity RCT (2025-07-10)
- METR: Developer study update (2026-02-24)
Für diesen Artikel wurden KI-gestützte Recherche- und Editierwerkzeuge verwendet. Der Inhalt wurde redaktionell geprüft.
