Unser Unternehmen mit KI auf das nächste Level heben

1968 fand eine bahnbrechende Studie heraus, was das Silicon Valley jahrzehntelang prägen sollte: Die besten Softwareentwickler waren ihren Kollegen deutlich überlegen. Seitdem ist jedes Technologieunternehmen auf der Jagd nach diesen seltenen Talenten, die außergewöhnliche Ergebnisse erzielen.

Als unser Engineering-Team im Januar aus den Ferien zurückkam – befeuert von den KI-Fortschritten der neuesten Modelle – begannen wir, Agents parallel mit Git Worktrees, Claude Code und Codex laufen zu lassen. Bei einigen Aufgaben erzielten sie eine 5-fache Produktivitätssteigerung.

Das warf eine größere Frage auf: Wenn Agents Ingenieure in einem Monat so viel produktiver machen können, was würde es brauchen, um alle bei Sierra auf dieses Niveau zu bringen? Wir stellten ein sechsköpfiges KI-Beschleunigungsteam zusammen, um das herauszufinden. In diesem Blogbeitrag erklären wir, was wir aufgebaut haben und was wir dabei gelernt haben.

1. Agent, Singular

Wir begannen mit einer Gruppe von rollenspezifischen Agents: einem Support-Agent (PINE), einem Datenanalysten (Pinewood), einem Ingenieur (Pinecone) und einem Vertriebsagenten (Reggie Jr). Ein Agent pro Rolle mag intuitiv erscheinen, scheiterte aber in der Praxis.

Oberflächlich betrachtet lag das Problem in der Belastung der Mitarbeiter, die sich merken mussten, welcher Agent wofür zuständig war. Unsere Vorliebe für Kiefernthemen half nicht gerade. Aber das tiefere Problem war struktureller Natur – die wichtigste Arbeit findet teamübergreifend statt, nicht innerhalb eines Teams.

Im Kern sind Unternehmen eine Sammlung von Aufgaben, die erledigt werden müssen. Nehmen wir den Versand eines Produkts. Daran sind neben technischen Teams auch Vertrieb, Marketing, Recht und Betrieb beteiligt. Abteilungen existieren, weil ein Team oder eine Person nicht jeden Teil der Arbeit erledigen kann. KI ändert das, da sie zunehmend in der Lage ist, Arbeit durchgängig zu erledigen.

Also legten wir all diese rollenspezifischen Agents zu Pinecone zusammen: einem einzigen Agent mit einem Slack-Handle, einer URL und einem durchgehenden Thread von der Frage bis zum fertigen Ergebnis. Pinecone findet heraus, welche Systeme anzuzapfen sind und was mit einer Anfrage zu tun ist, damit Mitarbeiter sich nicht darum kümmern müssen. Das ist technisch anspruchsvoll, aber genau darum geht es bei KI: Die Technologie absorbiert die Komplexität, nicht der Mitarbeiter.

Es ist eine Lektion, die wir bereits mit unserer Plattform gelernt hatten. Auf Sierra aufgebaute Agents sind Full-Service: Ein Agent kann alles von der Produktfindung über die Kontoeinrichtung, Fehlerbehebung, Abrechnung und mehr erledigen. Nicht "Drücken Sie 1 für Vertrieb, drücken Sie 2 für Support" wie bei einer alten IVR.

Alles in einem Agent zu bündeln, bringt dich viel näher an den Wert eines Unternehmens – die zu erledigenden Aufgaben. Jede Verbesserung kommt dem gesamten Unternehmen zugute, sodass alle besser und schneller werden.

2. Proaktiv, nicht reaktiv

Die meisten Arbeiten werden nicht in einer einzigen Sitzung erledigt. Sie entfalten sich über Tage, Wochen oder sogar Monate, während Teams lernen, Prioritäten sich verschieben und neue Informationen auftauchen. Ein Agent, der nur auf Abruf erscheint und verschwindet, wenn die Sitzung endet, ist nur begrenzt nützlich. Pinecone bleibt über den gesamten Prozess hinweg bestehen – trägt Kontext vorwärts und nimmt den Faden wieder auf, bis die Aufgabe, nicht nur die einzelne Anfrage, erledigt ist.

Persistence macht Pinecone auch proaktiv. Anstatt darauf zu warten, gefragt zu werden, kann es handeln, wenn der nächste Schritt bereit ist – ein Webhook feuert auf ein Artefakt, eine Aufgabe landet in Linear, eine Überprüfung kommt herein. Es sammelt Kontext und macht einen ersten Durchlauf, und holt Menschen hinzu, wenn ihr Urteilsvermögen gefragt ist. Vorbereitungsnotizen warten vor einem Meeting. Interview-Zusammenfassungen werden entworfen, bevor Sie sich hinsetzen, um Ihre Bewertungen abzugeben. Überprüfungen kommen mit Zusammenfassungen, wichtigen Risiken und vorgeschlagenen Kommentaren. Das Ziel sind nicht mehr Benachrichtigungen. Es ist weniger Arbeit, die unfertig ankommt.

Wir haben das noch nicht vollständig gemeistert – die meisten Sitzungen beginnen immer noch mit einer menschlichen Eingabeaufforderung – aber diese Beziehung umzukehren, sodass Agents Menschen bei Bedarf anstoßen, ist das Ziel, auf das uns die Persistence zusteuert.

3. Geschäftskontext ist der Engpass, nicht die Intelligenz

Der Engpass bei KI war die rohe Intelligenz – ob ein Modell intelligent genug war. Heute sind die Spitzenmodelle für die meisten geschäftlichen Anforderungen leistungsfähig genug. Also hat sich der Engpass auf den Kontext verlagert: Was ist spezifisch für Ihr Unternehmen, Ihre Arbeitsabläufe, Ihre Geschichte, die Ermessensentscheidungen, die in keinem Trainingssatz auftauchen.

Im Januar haben zwei Leute in unserem Team einen Datenanalyse-Agenten mit Claude Code und Opus 4.6 zusammengebaut, der über Model Context Protocol (MCP) und Befehlszeilentools mit unseren Systemen verbunden war. Ohne viel zusätzliche Anleitung konnte er in Minuten ein Kundenproblem über Slack, GitHub, ClickHouse, Salesforce und PagerDuty hinweg untersuchen. Arbeit, die einst einen ganzen Nachmittag in Anspruch nahm, wurde zum ersten Schritt im Debugging und Incident Response.

Das gleiche Muster geht weit über das Debugging hinaus. Ein Agent mit vollständigem Kontext kann ein Kundengespräch vorbereiten, ein Konto recherchieren, einen Vertrag oder eine Ausschreibung prüfen, eine Produktentscheidung nachvollziehen und verstreute Arbeit in ein fertiges Artefakt verwandeln. Natürlich bringt der Zugriff eines Agents auf all diesen Kontext ein neues Problem mit sich. Ein uneingeschränkter Agent ist ein massives Sicherheits- und Datenschutzrisiko. Unser MCP Gateway löst das: Pinecone erbt den Zugriff jedes Mitarbeiters, setzt Richtlinien bei jedem Tool-Aufruf durch, isoliert Kundendaten und hinterlässt eine Prüfspur.

Bildbeschreibung lesen

ALT

Sierra MCP Gateway verbindet Agents mit 37 Systemen

Pinecone basiert auf Claude Code und Codex. Deren häufige Verbesserungen sind ein Rückenwind, aber der Stand der Technik verschiebt sich ständig – ein Modell mag am besten bei der Planung sein, ein anderes beim Programmieren, ein drittes bei der Prosa. Die Kontrolle über die Schicht oberhalb der Modelle zu haben, ermöglicht es uns, jede Aufgabe an das richtige Modell zu leiten, bei Ausfällen auf andere umzuschalten und die Kosten zu verwalten, während wir vermeiden, von einem einzelnen Anbieter abhängig zu sein. Aber der dauerhafte Vorteil liegt nicht im Besitz des zugrunde liegenden Modells. Es liegt in der Kontrolle über den Kontext, die Arbeitsabläufe und die Routing-Schicht, die jedes Modell nützlicher macht.

Wir experimentieren auch damit, Pinecone träumen zu lassen: über die Arbeit des Tages nachzudenken und Verbesserungen für seine eigenen Fähigkeiten vorzuschlagen. Im Laufe der Zeit ist das der Unterschied zwischen einem Agent, der nur für Sierra arbeitet, und einem, der von Sierra lernt.

4. Der Agent ist die Benutzeroberfläche, das System of Record das Backend

Jedes Arbeitsergebnis produziert etwas Konkretes, ein Artefakt. Programmier-Agents fanden ihres zuerst: den Pull-Request. Jede andere Abteilung hat ihr eigenes Äquivalent – eine Kundengeschichte, einen Vertrag, einen Ausschreibungsfragebogen, eine Pitch-Deck, eine Leistungsbeurteilung.

Artefakte sind sowohl Input als auch Output. Sie geben den Agents den Kontext, den sie für die Arbeit benötigen – und sie sind der Ort, an den die fertige Arbeit gehört. Bitten Sie Pinecone, eine Pitch-Deck zu straffen, und die Deck selbst kommt aktualisiert zurück, nicht eine Chat-Nachricht, die Ihnen sagt, was Sie ändern sollen.

Wir haben festgestellt, dass es am besten ist, mit Ihren Systemen of Record zu arbeiten, sie nicht zu ersetzen. GitHub behält den PR, Salesforce das Konto und Linear das Issue – der Agent ist die Schicht, die sie verbindet.

Diese Systeme zu ersetzen bedeutet, jahrzehntelange, ausgereifte Software neu zu erstellen. Schlimmer noch, es spaltet das Unternehmen in zwei Teile – Mitarbeiter, die über den Agent arbeiten, und Mitarbeiter, die direkt in den ursprünglichen Tools arbeiten, jeder mit seiner eigenen Version der Wahrheit. Unsere Wette ist, dass diese Produkte im Laufe der Zeit eher wie Backends werden, mit dem Agent als primärer Schnittstelle.

5. Ergebnisse, nicht nur Aktivität

Seit Pinecones erstem Commit im März wurden mehr als 75.000 Sitzungen für über 600 Personen durchgeführt. Heute werden 70 % unserer PRs darüber eröffnet, während Hunderte von Automatisierungen leise Arbeiten erledigen, die niemand explizit angefragt hat.

Es ist verlockend, mit solchen Zahlen anzufangen, und am Anfang sind sie auch das Richtige, um sie zu verfolgen – sie sind ein Beweis dafür, dass etwas tatsächlich genutzt wird und nicht nur auf einer Roadmap-Folie verstaubt. Aber durchgeführte Sitzungen und getätigte Tool-Aufrufe sind Aktivität, nicht Ergebnis. Ein Team kann sich seinen Weg zu einer beeindruckend aussehenden Akzeptanzkurve metern, ohne dass sich downstream irgendetwas tatsächlich verbessert – die gleiche Anzahl von Fehlern, die gleichen Zykluszeiten, nur mit mehr KI, die an ihrer Entstehung beteiligt ist.

Also ist Token-Nutzung ein guter Anfang. Teams müssen sich die Gewohnheit aneignen, das Tool zu nutzen, bevor man messen kann, ob es funktioniert. Aber das ist nicht der Ort, an dem der Wert liegt, und wir wollen nicht, dass es der Ort ist, an dem die Geschichte endet. Die Frage, die wir besser stellen lernen wollen, ist nicht, wie viel ein Agent getan hat – sondern was sich tatsächlich dadurch geändert hat: ob ein Geschäft schneller abgeschlossen wurde, ob ein Kundenproblem beim ersten Mal gelöst wurde, ob jemand seinen Abend zurückbekam, anstatt spät in die Nacht eine Überprüfung zu beenden.

Wir haben noch keine gute Möglichkeit, das zu messen. Sitzungen und Tool-Aufrufe sind einfach einfacher zu zählen. Aber diese Lücke – zwischen dem, was wir heute messen können, und dem, was uns wirklich wichtig ist – ist das Nächste, worauf wir hinarbeiten.

Diese Studie von 1968 fand eine 10-fache Lücke zwischen den Besten und dem Rest – und fünfzig Jahre lang war die einzige Antwort, nach diesen seltenen Menschen zu suchen. Jetzt gibt es eine bessere: Geben Sie jedem einen Agent, damit sie die Vorteile der Wenigen haben. Das Ziel ist nicht nur, mehr zu schaffen. Es ist, den Menschen mehr Zeit für die Arbeit zu geben, die nur Menschen leisten können: Urteilsvermögen, Geschmack, Kreativität und den Aufbau von Beziehungen.

Als Nächstes

Wir werden tiefer in die Systeme eintauchen, die wir gebaut haben:

• Allen Chen über Pinecone, seine vielen Iterationen und die technische Architektur dahinter
• Mihai Parparita über MCP Gateway und das sichere Sammeln vollständigen Kontextes
• Rohith Ravi über Agency, die Infrastruktur, die alles darunter liegt