Einführung
Victor Coimbra ist CTO und Managing Partner bei Artefact, wo er die Bereiche KI, datawissenschaft sowie die technischen Aktivitäten in ganz Amerika leitet. Seine berufliche Laufbahn verbindet Erfahrungen in der Unternehmensstrategie bei Bain und Accenture mit praktischer Führungserfahrung bei der Umsetzung von KI- und Machine-Learning-Systemen in komplexen Unternehmensumgebungen. Sein Schwerpunkt liegt darauf, Unternehmen dabei zu unterstützen, technische Fähigkeiten mit messbaren Geschäftsergebnissen zu verknüpfen, einschließlich der Architektur, Governance und Betriebsmodelle, die für die Skalierung von KI erforderlich sind.
Artefact ist ein weltweit tätiges data- und KI-Beratungsunternehmen, das Unternehmen dabei unterstützt, Strategien zu entwickeln, data platforms aufzubauen, KI-Lösungen einzuführen und organisatorische Veränderungen zu bewältigen. Seine Tätigkeit erstreckt sich auf verschiedene Branchen, darunter Finanzdienstleistungen, Gesundheitswesen, Fertigung und Einzelhandel. Im Vorfeld seiner Adopt AI Gipfel… Im Rahmen der Veranstaltung, die vom 3. bis 4. Dezember 2026 im Grand Palais in Paris stattfindet, erörtert Coimbra, wie Unternehmen über Pilotprojekte hinausgehen, Teams aufbauen können, in denen Menschen und KI-Agenten zusammenarbeiten, und den Nutzen von KI im Produktionsbetrieb messen können.
Ihre berufliche Laufbahn führte Sie von der Unternehmensstrategie bei Accenture zur Leitung von Teams in den Bereichen KI, datawissenschaft und Technik bei Artefact in ganz Amerika.
Inwiefern hat diese Kombination aus strategischer Beratung und praxisorientierter technischer Führung Ihren Ansatz geprägt, wenn es darum geht, Unternehmen dabei zu unterstützen, ihre Investitionen in KI in messbare Geschäftsergebnisse umzusetzen?
Das hat mich gelehrt, die KI-Strategie stets mit der Umsetzung zu verknüpfen. Meine Strategiearbeit bei Bain und Accenture hat mir gezeigt, dass Führungskräfte Veränderungen anhand einer Position in der Gewinn- und Verlustrechnung bewerten. Die Arbeit im technischen Bereich hat mir verdeutlicht, dass ein Großteil dieses Mehrwerts zwischen der Präsentation und der Umsetzung verloren gehen kann.
Bei der KI geht es heute weniger um Technologie als vielmehr darum, einen Schutzwall um Ihre Kerngeschäftsprozesse zu errichten. Die entscheidende Frage lautet: Wie lässt sich individuelle Produktivität in kollektiven Unternehmenswert umwandeln, und zwar mithilfe einer echten, unternehmensweit geteilten kognitiven Kapazität?
Dazu bedarf es einer Kombination aus Strategie und Umsetzung, und ich habe aus der Ausübung beider Bereiche viel gelernt.
Trotz erheblicher Investitionen in artificial intelligence haben viele Unternehmen nach wie vor Schwierigkeiten, über erfolgreiche Pilotprojekte hinauszukommen.
Welche Hindernisse verhindern Ihrer Erfahrung nach am häufigsten, dass KI-Initiativen in Unternehmen die Produktionsreife erreichen, und was zeichnet Unternehmen aus, denen es gelingt, ihre Implementierungen erfolgreich zu skalieren?
Meiner Erfahrung nach scheitern viele Projekte daran, dass KI in eine Organisation integriert wird, die ursprünglich ausschließlich für Menschen konzipiert war. Die Technologie funktioniert in der Regel. Was jedoch häufig noch ungeklärt ist, ist die Arbeitsaufteilung: Welche Aufgaben obliegen den Agenten, welche verbleiben beim Menschen, wer überprüft die Ergebnisse und wer trägt die Verantwortung für das Ergebnis?
Hinzu kommt, dass drei Faktoren die Skalierung tendenziell verlangsamen: die Token-Kosten, die bei einer nutzungsabhängigen Preisgestaltung explodieren, Sicherheits- und Governance-Aspekte sowie eine Akzeptanz, bei der der Zugang nie zu einer tatsächlichen Nutzung führt.
Die Unternehmen, die meiner Beobachtung nach gut skalieren, betrachten KI als eine Neugestaltung der Organisationsstruktur. Sie unterteilen den Entwicklungszyklus in zwei Schleifen. In der inneren Schleife führen die Mitarbeiter den gesamten Prozess durch: Programmieren, Erstellen, Testen, Ausrollen, Überprüfen. In der äußeren Schleife legen Menschen die Zielsetzung fest, überprüfen das Ergebnis und überwachen Kosten und Qualität. Anschließend entwickeln sie eine gemeinsame Plattform und nutzen diese für jeden Anwendungsfall wieder.
Sie haben darüber geschrieben, wie wichtig es ist, ein von Grund auf KI-orientiertes Unternehmen aufzubauen, anstatt lediglich Chatbots und Copiloten in bestehende Systeme zu integrieren. Welche grundlegenden Veränderungen an der Technologiearchitektur von Unternehmen sind erforderlich, um diesen Wandel zu unterstützen, und in welchen Bereichen investieren Unternehmen derzeit zu wenig?
Ein KI-natives Unternehmen basiert auf einer Plattform, und diese Plattform setzt sich aus vier Schichten zusammen: Harness, Context, Model und Infra. Im Harness treffen Menschen und Agenten aufeinander und arbeiten zusammen – es handelt sich um die gesamte Anwendung rund um das Modell. „Context“ definiert, was Agenten wissen und über welche Befugnisse sie verfügen. „Model“ beschreibt, wie auf Modelle zugegriffen wird, wie sie weitergeleitet und zu angemessenen Kosten verwaltet werden. „Infra“ bezeichnet den Ort, an dem sie tatsächlich ausgeführt werden, und wer die Kontrolle darüber hat.
Natürlich richtet sich die Aufmerksamkeit größtenteils auf die sichtbaren 20 %: Copiloten und Chat-Tools. In den verborgenen 80 % liegt der Schwerpunkt der technischen Arbeit, und dort werden Entscheidungen hinsichtlich Kosten, Sicherheit und Kontrolle getroffen.
Mein Vorschlag ist einfach: Kaufen Sie universell einsetzbare Frameworks und entwickeln Sie die branchenspezifischen selbst. Mieten Sie Modelle und Infrastruktur und experimentieren Sie damit, da sich diese vierteljährlich ändern. Und machen Sie sich Ihren Kontext vollständig zu eigen. Dies ist die Ebene, die wirklich Ihnen gehört, und in der ich die größte Chance für weitere Investitionen sehe.
Da sich die KI zunehmend von der Unterstützung der Mitarbeiter hin zur autonomen Ausführung komplexer Arbeitsabläufe entwickelt, stellt sich die Frage: Wie sollten Unternehmen feststellen, welche Prozesse für eine agentenbasierte Automatisierung geeignet sind? Welche technischen und betrieblichen Sicherheitsvorkehrungen müssen getroffen werden, bevor KI-Agenten mehr Entscheidungsbefugnisse übertragen werden?
Meiner Ansicht nach sind Agenten sehr gut in Aufgaben, die auf die Vergangenheit ausgerichtet sind, während Menschen sich besser für Aufgaben eignen, die in die Zukunft blicken. Agenten zeichnen sich bei allem aus, was auf vorhandenen Informationen aufbaut, wie beispielsweise Analysen, Programmierung, Tests, Dokumentation und Abgleich. Menschen sind für alles zuständig, was Kreativität erfordert, und Kreativität ist per Definition zukunftsorientiert: Geschmack, Weitblick, Planung, Entscheidungsfindung und die Beurteilung, ob ein Ergebnis tatsächlich gut ist.
In der Praxis entspricht dies den beiden Schleifen. Die Agenten führen die innere Schleife aus und setzen die Aufgaben um. Die Menschen übernehmen die äußere Schleife: Zielsetzung, Überprüfung und Überwachung.
Die Sicherheitsvorkehrungen sind technisch integriert und nicht nur auf Anforderung aktiviert. Wir nutzen sechs Schutzebenen: Aufgabenerfassung, Speicher, eine sichere Arbeitsumgebung mit Sandbox-Laufzeitumgebung und Berechtigungen, eine Schleife mit Kontrollpunkten und Abklärungen, Modellweiterleitung sowie Schutzmechanismen, die festlegen, was ein Agent nicht eigenständig tun darf – wie beispielsweise menschliche Genehmigungen, Richtlinienprüfungen und Kontrollen zum Schutz personenbezogener Daten. Die Autonomie wächst dann mit der Erfolgsbilanz, genau wie bei einem neuen Mitarbeiter.
Sie haben KI-Agenten eher als Teamkollegen denn als herkömmliche Software-Tools beschrieben. Inwiefern verändert diese Sichtweise die Art und Weise, wie Unternehmen ihre Teams strukturieren, Verantwortlichkeiten zuweisen und ihre Mitarbeiter schulen sollten, um mit zunehmend autonomen KI-Systemen zusammenzuarbeiten?
Wir befinden uns bereits in einer hybriden Organisationsform. Die Frage, die ich derzeit für am wichtigsten halte, ist, wie die Belegschaft zwischen Menschen und Agenten aufgeteilt werden soll. Ich glaube, dass dies der Schlüssel zur Skalierung ist.
In einem hybriden Team werden im Organigramm kognitive Kapazitäten zugewiesen, nicht die Anzahl der Mitarbeiter. Eine typische Aufteilung, die ich in einem etablierten Tech-Team beobachte, besteht aus 15 % rein manueller Arbeit, 25 % unterstützter Arbeit und 60 % Arbeit, die von Agenten erledigt wird. Der IT-Leiter legt die Ziele fest, verteilt die Kapazitäten und trägt die Verantwortung für Ergebnisse und Kosten. Ein leitender Entwickler überprüft die von den Agenten gelieferten Ergebnisse und entscheidet über die Architektur. Ein Koordinationsagent leitet Aufgaben weiter und reports die Kosten, während ein Prüfagent jede Lieferung überprüft.
Die Gewinne summieren sich in drei Schritten. Erweiterte Mitarbeiter erzielen etwa das Fünffache. Agenten als synthetische Mitarbeiter, die End-to-End-Aufgaben übernehmen, erzielen etwa das Zehnfache. In der Koordinierung beider Gruppen als eine einheitliche Belegschaft liegt meiner Meinung nach das 1000-fache Potenzial.
Die Schulung folgt derselben Logik. Die Teilnehmer lernen, einen Mitarbeiter wie einen Nachwuchsingenieur zu instruieren – mit strukturierten Rahmenbedingungen und klaren Zielen – und ihre Zeit auf die Gestaltung, die Planung und das Treffen von Entscheidungen zu verwenden.
KI-Systeme in Unternehmen sind in hohem Maße auf eine zuverlässige data-Infrastruktur angewiesen, doch viele Organisationen haben nach wie vor mit fragmentierten data, uneinheitlicher Governance und veralteter Technologie zu kämpfen. Welche grundlegenden Funktionen sollten Unternehmen bei der Vorbereitung ihrer data platforms auf agentische KI priorisieren, und wie können sie diese modernisieren, ohne den laufenden Betrieb zu stören?
Gestalten Sie Ihre data platform für eine neue Art von Nutzern: Mitarbeiter. Ein Dashboard mit einer falschen Zahl wird von einem Mitarbeiter überprüft. Ein Mitarbeiter, der eine falsche Zahl feststellt, ergreift entsprechend Maßnahmen – und zwar in großem Maßstab.
Priorisieren Sie vier Funktionen: Gemeinsame Geschäftsdefinitionen, damit jeder Mitarbeiter und jedes Team unter dem Begriff “aktiver Kunde” dasselbe versteht. Ein Integrations-Gateway mit Authentifizierung und Standardprotokollen wie MCP, damit Mitarbeiter auf data mit den Berechtigungen der Rolle zugreifen können, in der sie tätig sind. Nachverfolgbare Qualität und Herkunft. Und unstrukturierte data, die als erstklassiges Kapital behandelt werden, da Verträge, Tickets und Besprechungsnotizen den Großteil des tatsächlichen Wissens enthalten.
Um eine Modernisierung ohne Betriebsunterbrechungen zu erreichen, sollten Sie zunächst die Altsysteme einbinden und die Migration Anwendungsfall für Anwendungsfall durchführen. Auch hier verändern Agenten die wirtschaftlichen Rahmenbedingungen. Multi-Agent-Migrationspipelines modernisieren mittlerweile Hunderttausende Zeilen von Altcode innerhalb weniger Monate, wobei Menschen über die Architektur entscheiden.
Über den Zugriff auf strukturierte data hinaus benötigen KI-Agenten zunehmend ein Verständnis für institutionelles Wissen, Geschäftsprozesse und den organisatorischen Kontext. Wie können Unternehmen dieses Wissen effektiv erfassen und in ihre KI-Systeme integrieren, und welche Risiken entstehen, wenn Agenten ohne ausreichenden geschäftlichen Kontext agieren?
Der Kontext ist es, der ein Modell zu einem Kollegen macht. Werkzeuge verstehen Aufgaben, Agenten verstehen den Kontext. Sie würden einen Nachwuchsingenieur nicht bitten, zu arbeiten, ohne ihm das Ziel, die Rahmenbedingungen und die gewünschten Ergebnisse zu erklären – und bei einem Agenten verhält es sich nicht anders.
Erfassen Sie Wissen direkt aus der Arbeit selbst und nicht aus umfangreichen Dokumentationsprojekten, die nur schwer auf dem neuesten Stand zu halten sind. Jedes Meeting, jedes Ticket, jede Entscheidung und jede Korrektur fließt in eine Kontextebene ein, die Dateien, Tabellen, Vektoren und ein Beziehungsdiagramm miteinander verbindet. Jede abgeschlossene Aufgabe wird in den Speicher zurückgeschrieben, sodass das Unternehmen mit jeder Fertigstellung dazulernt. Und der Kontext benötigt seine eigene Steuerung: Bewertungen, Berechtigungen und Kostenkontrolle.
Ohne Kontext neigen Agenten dazu, auf einige vorhersehbare Weisen Schwierigkeiten zu haben. Sie halten sich an die schriftlichen Regeln und übersehen dabei die ungeschriebenen Regeln, die jeder kennt. Sie rufen die falschen Informationen ab und antworten mit absoluter Überzeugung. Sie stützen sich auf Fakten aus dem letzten Quartal. Und eine Kontextebene ohne strenge Zugriffsberechtigungen kann sensible data gefährden.
Viele Unternehmen messen den Erfolg von KI anhand von Produktivitätssteigerungen, Akzeptanzraten oder der Anzahl der gestarteten Pilotprojekte. Welche Kennzahlen sollten CIOs und Führungskräfte heranziehen, um den tatsächlichen ROI von KI zu bewerten, insbesondere unter Berücksichtigung der Infrastrukturkosten, der laufenden Wartung und der betrieblichen Komplexität autonomer Agenten?
Bewerten Sie die hybride Belegschaft, nicht das Tool. Die Akzeptanz ist nur die erste von vier Stufen, stets im Vergleich zu einer vor der Einführung ermittelten Basislinie. Bei der Akzeptanz geht es darum, ob die Mitarbeiter das Tool nutzen. Bei der Produktivität geht es darum, ob wir schneller liefern: Durchlaufzeit, Durchsatz, Lösungszeit. Bei der Qualität geht es darum, ob das Ergebnis besser ist: übersehene Fehler, Fehlerquote bei Änderungen, Nacharbeit. Bei Wert und Kosten geht es darum, ob es sich lohnt: eingesparter Aufwand, Markteinführungszeit, Gesamtkosten pro Aufgabe.
Ein Aspekt, der leicht übersehen wird, ist die Frage, wie sich die kognitiven Kapazitäten zwischen Menschen und Agenten von Team zu Team verlagern. Die frei gewordenen personellen Kapazitäten müssen gezielt für zukunftsorientierte Aufgaben eingesetzt werden. Andernfalls geht ein Teil des Gewinns verloren.
Was die Kosten betrifft, so vollzieht sich ein Wandel bei der Preisgestaltung von Pauschalgebühren hin zu nutzungsabhängigen Gebühren, was die Vorhersagbarkeit der Rechnungen erschweren kann; daher sollten Modell-Routing und FinOps von Anfang an in die Plattform integriert sein. Behandeln Sie KI-Ausgaben wie cloud-Ausgaben: transparent, einem Team zugeordnet und an den Mehrwert geknüpft.
Artefact arbeitet mit Unternehmen aus den Bereichen Finanzdienstleistungen, Gesundheitswesen, Fertigung, Einzelhandel und anderen Branchen zusammen, in denen die Einführung von KI unterschiedliche Herausforderungen mit sich bringt. Welche Erkenntnisse lassen sich aus den praktischen Einsätzen in diesen Sektoren gewinnen, und wie sollten Unternehmen Innovation mit der Einhaltung gesetzlicher Vorschriften, Zuverlässigkeit und menschlicher Aufsicht in Einklang bringen?
Jede Branche steht vor derselben Frage: Wie lässt sich die Arbeit zwischen Menschen und Systemen aufteilen? Was sich unterscheidet, ist der Umfang, in dem der äußere Regelkreis in menschlicher Hand bleiben muss. Im Einzelhandel und bei Konsumgütern sind Fehler kostengünstig, sodass Systeme einen größeren Teil der Arbeit schneller übernehmen. In der Fertigung geben Zuverlässigkeit und die Integration in betriebliche Systeme das Tempo vor. Im Finanzdienstleistungssektor und im Gesundheitswesen muss jede Entscheidung nachvollziehbar sein, weshalb Menschen länger einen größeren Teil der Überprüfung und Entscheidungsfindung übernehmen.
Die Erkenntnis, die ich überall gewinne, ist, dass Compliance am besten als eine von Anfang an integrierte Eigenschaft der Plattform funktioniert. Wenn Sicherheitsvorkehrungen, Prüfprotokolle und manuelle Genehmigungen fest in die Plattform eingebunden sind, werden sie automatisch auf jeden neuen Anwendungsfall übertragen. Wenn Compliance erst am Ende berücksichtigt wird, muss bei jedem neuen Projekt diese Diskussion von Neuem geführt werden.
Die Aufsicht sollte stufenweise erfolgen. Die Mitarbeiter führen Aufgaben mit geringem Risiko eigenständig aus, werden bei Aufgaben mit mittlerem Risiko im Ausnahmefall überprüft und treffen bei Aufgaben mit hohem Risiko lediglich die Entscheidung. Die Stufen verschieben sich entsprechend dem erworbenen Vertrauen.
Angesichts des Artefact-Gipfels „Adopt AI“, der im Dezember dieses Jahres in Paris stattfindet, gewinnen Diskussionen rund um KI-Souveränität, Governance und industrielle Wettbewerbsfähigkeit zunehmend an Bedeutung. Wie wird sich Ihrer Meinung nach der europäische Ansatz zur Einführung von KI auf globale Unternehmensstrategien auswirken, und welche Entwicklungen werden Ihrer Ansicht nach die nächste Phase der KI in Unternehmen in den kommenden Jahren prägen?
Europa hat die Frage nach der Souveränität schon früh aufgeworfen, und ich glaube, dass sie sich zu einem globalen Gestaltungsprinzip entwickelt. Multinationale Unternehmen wollen nicht für jede Vorschrift eine eigene Architektur, daher orientieren sie sich an den strengsten Vorgaben: Sie bestimmen ihren Kontext selbst, mieten ihre Modelle und behalten die Kontrolle darüber, wo diese ausgeführt werden und wer die Zugriffsrechte besitzt. Die nächste Chance für Europa besteht darin, dieselbe Energie in die Umsetzung zu stecken, denn Wettbewerbsfähigkeit entsteht erst durch den Einsatz in großem Maßstab.
Die nächste Phase ist die hybride Organisation, und ich bin davon überzeugt, dass sie die Zukunft der Arbeit darstellt. Unternehmen werden davon abkommen, lediglich die Mitarbeiterzahl zu zählen, und stattdessen eine gemeinsame kognitive Kapazität von Menschen und Agenten verwalten. Agenten werden den Großteil der Arbeit übernehmen, die sich auf die Vergangenheit bezieht: Analyse, Programmierung, Berichterstellung. Menschen werden sich den Aufgaben zuwenden, die in die Zukunft blicken: Geschmack, Vision, Planung und Entscheidungen.
Ich bin davon überzeugt, dass jene Unternehmen, denen es als Erste gelingt, die Arbeitsteilung zu lösen, eine Vorreiterrolle einnehmen werden. Genau darüber möchte ich in Paris sprechen, um die Weichen für die kommenden Jahre zu stellen.
Vielen Dank Antoine Tardif, Geschäftsführer und Gründer von Unite.AI Nach diesem ausführlichen Interview können Sie hier mehr über Unite.AI erfahren: https://www.unite.ai/victor-coimbra-cto-and-managing-partner-at-artefact-interview-series/

BLOG




