Jenseits von Prompt Engineering: Warum Enterprise AI Architekten braucht

Von Mirko Peters · 2026-08-27

Willkommen zum offiziellen Begleitblog des M365 FM Podcasts. Im heutigen Beitrag tauchen wir tief in die technischen Grundlagen moderner künstlicher Intelligenz im Unternehmen ein …

Automatisch mit KI aus dem Originalbeitrag übersetzt. Englisches Original lesen

Willkommen zum offiziellen Begleitblog des M365 FM Podcasts. Im heutigen Beitrag tauchen wir tief in die technischen Grundlagen moderner Enterprise AI ein. Während Prompt Engineering die Fantasie gelegentlicher Nutzer und Geschäftsführer gleichermaßen beflügelt hat, erfordert der Schritt von einfachen Prompts zu einer wirklich produktionsreifen KI dedizierte menschliche Architekten und Ingenieure. Unternehmen können sich nicht länger auf oberflächliche Implementierungen verlassen. Stattdessen müssen sie Geschäftslogik, Sicherheitsanforderungen und Systemintegrationen sorgfältig prüfen, damit ihre Investitionen einen echten Mehrwert liefern.

Um dieses Thema genauer zu beleuchten, haben wir im Podcast kürzlich mit dem Microsoft MVP und AI Tech Lead Yves Habersaat gesprochen. Wenn Sie das vollständige Gespräch über Erweiterbarkeit von Microsoft 365 Copilot, Multi-Agenten-Architekturen und das Model Context Protocol hören möchten, schauen Sie sich unbedingt die Folge Extending Microsoft 365 Copilot: Agents, MCP & Production-Grade AI with Yves Habersaat [MVP] an.

Einleitung: Über Prompt Engineering hinausgehen

Prompt Engineering ist zweifellos eine nützliche Fähigkeit. Sie hilft Mitarbeitenden im Alltag, aus generativen KI-Werkzeugen bessere Ergebnisse, sauberere Formatierungen und aufschlussreichere Zusammenfassungen herauszuholen. Wenn Unternehmen diese Fähigkeiten jedoch auf Tausende Nutzer und tief verankerte interne Systeme ausweiten wollen, reicht Prompt Engineering allein nicht aus.

Enterprise AI verlangt weit mehr als geschickte Formulierungen. Unternehmen brauchen Fachleute, die die zugrunde liegenden Technologien, komplexe Kundenanforderungen, übergreifende Sicherheitsmodelle und konkrete Implementierungsentscheidungen verstehen. Künstliche Intelligenz kann zwar technische Inhalte erzeugen und hilfreiche Hinweise geben, doch menschliche Architekten bleiben grundlegend unersetzlich. Nur menschliche Ingenieure können wirklich prüfen, ob eine automatisierte Lösung die eigentliche geschäftliche Anforderung erfüllt, ohne untragbare Risiken einzuführen.

Warum Enterprise AI menschliche Architekten braucht

Die Komplexität moderner Unternehmensumgebungen bedeutet, dass der Einsatz von KI nie ein einfaches „Plug-and-Play“ ist. Systeme sind mit Legacy-Datenbanken, individuellen internen Anwendungen, strengen Compliance-Vorgaben und dynamischen Benutzerberechtigungen verflochten. Ohne erfahrene Architekten, die den Entwurf überwachen, stoßen Unternehmen häufig auf Engpässe, Halluzinationen, Sicherheitslücken und Integrationsfehler.

Ein Architekt behält das Gesamtbild im Blick. Er bewertet, wie Daten durch das Unternehmen fließen, wo potenzielle Engpässe liegen und wie sich der Technologie-Stack zukunftssicher gestalten lässt. Da sich KI-Plattformen in atemberaubendem Tempo weiterentwickeln, sorgt ein strategischer Denker an der Spitze dafür, dass das Unternehmen skalierbare, wartbare und sichere Lösungen aufbaut, statt fragiler Machbarkeitsnachweise, die unter Produktionslast zusammenbrechen.

Die Weiterentwicklung von Microsoft 365 Copilot und Erweiterbarkeit

Microsoft 365 Copilot hat sich seit seinen Anfängen erheblich weiterentwickelt. Viele Funktionen, für die früher aufwendige individuelle Erweiterungen nötig waren, sind inzwischen direkt in die Plattform integriert. Diese native Funktionalität deckt ein breites Spektrum gängiger Anforderungen an Produktivität und Zusammenarbeit ab.

Erweiterbarkeit wird jedoch entscheidend, wenn ein Unternehmen mehr Kontrolle benötigt. Dazu kann gehören, die Orchestrierungsschicht anzupassen, spezialisierte agentenbasierte Erlebnisse zu schaffen, einen KI-Agenten in eine extern öffentlich zugängliche Website einzubetten, statt ihn auf Microsoft 365 Copilot Chat zu beschränken, oder völlig maßgeschneiderte Funktionen zu entwickeln. Je spezifischer die Anforderungen eines Unternehmens sind, desto wichtiger werden Erweiterbarkeit und individuelle Entwicklung.

Warum ein einziger riesiger Copilot scheitert: Multi-Agenten-Architekturen

Eine häufige Falle für Unternehmen am Anfang ihrer KI-Reise ist der Versuch, einen einzigen, massiven, monolithischen Copilot zu bauen. Stellen Sie sich einen einzelnen KI-Assistenten vor, der mit jeder denkbaren Anweisung, jedem Werkzeug, jeder Wissensquelle und jeder Unternehmensaufgabe beladen ist. Naturgemäß bricht dieser Ansatz schnell unter seinem eigenen Gewicht zusammen und führt zu erschöpften Kontextfenstern, schlechten Entscheidungen und unvorhersehbarem Verhalten.

Stattdessen empfehlen Experten wie Yves Habersaat den Einsatz von Multi-Agent-Architekturen. In diesem Modell haben einzelne Agenten klar definierte Zuständigkeiten und Verantwortungsbereiche. Ein Enterprise-IT-Support-Framework könnte beispielsweise einen vorgelagerten Triage-Agenten enthalten, dessen einzige Aufgabe darin besteht, Benutzeranfragen zu verstehen und sie gezielt an spezialisierte Agenten weiterzuleiten. Diese sind jeweils für Microsoft 365, Salesforce, HR-Portale oder interne Infrastrukturplattformen zuständig. Jeder spezialisierte Agent verfügt über eigene, auf seinen Bereich zugeschnittene Anweisungen, gezielte Wissensquellen und spezifische Werkzeuge.

Aufbau eines Enterprise-KI-Agenten

Um zu verstehen, wie diese Systeme funktionieren, hilft ein Blick auf den Aufbau eines typischen Enterprise-KI-Agenten. Jeder belastbare Agent beginnt mit einem klar definierten Ziel. Darauf aufbauend stützt er sich auf mehrere zentrale Komponenten:

• Anweisungen: Explizite Vorgaben, die die genauen Zuständigkeiten, operativen Grenzen und Verhaltensregeln des Agenten festlegen.
• Wissensquellen: Kuratierte Sammlungen relevanter Informationen und Dokumentationen der Organisation.
• Werkzeuge: Funktionen, mit denen der Agent Aktionen ausführen, Datenbanken abfragen oder externe Dienste aufrufen kann.
• Orchestrierungsebene: Die Entscheidungslogik, die festlegt, wie eingehende Anfragen verarbeitet, analysiert und delegiert werden.

In einem Multi-Agent-Setup übernimmt ein primärer Agent die erste Triage und delegiert Aufgaben anschließend an spezialisierte untergeordnete Agenten. Diese greifen wiederum auf interne Wissensquellen, externe Systeme, APIs und Model-Context-Protocol-Server zu, um den Workflow abzuschließen.

Copilot Studio versus individuelle Entwicklung

Bei der Entwicklung dieser Agenten steht Unternehmen eine grundlegende Plattformentscheidung bevor: Low-Code oder Individualentwicklung. Copilot Studio bietet einen zugänglichen Low-Code-Ansatz, mit dem sich Agenten schnell erstellen und bereitstellen lassen. Teams können Anweisungen definieren, vorgefertigte Werkzeuge anbinden, Wissensquellen integrieren und moderne Protokolle nutzen, ohne jede Zeile Code selbst schreiben zu müssen.

Individuelle Entwicklung bietet dagegen deutlich mehr Kontrolle über die Architektur. Diese Kontrolle hat jedoch ihren Preis: Mehr Verantwortung. Entwickler müssen Authentifizierungsabläufe, Sicherheitsgrenzen, Hosting-Umgebungen, Orchestrierungslogik und Dienstintegrationen selbst verwalten. Letztlich hängt die Wahl zwischen Copilot Studio und individueller Entwicklung vollständig vom Maß an Kontrolle ab, das die jeweilige Unternehmenslösung erfordert.

Das Model Context Protocol (MCP) verstehen

Eine der spannendsten Neuerungen in der agentenbasierten Architektur ist das Model Context Protocol, kurz MCP. Bisher bedeutete die Anbindung externer Werkzeuge und Dienste an ein KI-Modell, für jedes einzelne System eigene API-Wrapper zu schreiben, jeweils mit eigenem Authentifizierungsverfahren, protokollspezifischen Eigenheiten und eigenen Dokumentationsstandards.

MCP begegnet dieser Fragmentierung, indem es einen standardisierten Weg schafft, über den KI-Systeme externe Werkzeuge und Dienste finden und mit ihnen interagieren können. Über MCP kann ein Agent dynamisch erkennen, welche Werkzeuge verfügbar sind, wie sie funktionieren und wie sie kombiniert werden können, um eine komplexe Benutzeranfrage zu bearbeiten. Es fungiert als universeller Übersetzer zwischen intelligenten Sprachmodellen und dem weitläufigen Ökosystem an Unternehmenssoftware.

Systemintegration: MCP versus klassische APIs

Wichtig ist: Das Model Context Protocol ersetzt keine klassischen APIs. Stattdessen liegt ein MCP-Server vor bestehenden APIs, Datenbanken und internen Microservices und stellt deren Funktionen in einem Format bereit, das KI-Agenten leicht erfassen und nutzen können.

Nehmen wir ein Unternehmen, das bereits auf etablierte APIs für Finanzen, Personalwesen und Kundenbeziehungsmanagement setzt. Anstatt diese APIs neu zu schreiben, kann die Organisation einen MCP-Server bereitstellen, der passende Werkzeuge über die vorhandenen Endpunkte bereitstellt. Die darunterliegenden APIs erledigen weiterhin die eigentliche Arbeit, während MCP die semantische Schicht liefert, die autonome KI-Agenten benötigen, um effektiv mit ihnen zu interagieren.

Sicherheit, Governance und Organisationswissen

Microsoft-365-Umgebungen enthalten enorme Mengen wertvollen Unternehmenskontexts, darunter Dokumente, Besprechungsprotokolle, E-Mails, Organigramme, Teams-Chatverläufe, OneDrive-Dateien und SharePoint-Bibliotheken. Wer leistungsstarke KI-Agenten ohne belastbare Governance an diesen Datenschatz anbindet, riskiert erhebliche Sicherheitsprobleme.

Unternehmen müssen zunächst eine umfassende Bestandsaufnahme ihrer Datenlandschaft vornehmen. Sie müssen genau wissen, wo vertrauliche Informationen liegen, wer derzeit Zugriffsrechte besitzt und welche Werte einen erhöhten Schutz benötigen. Governance-Werkzeuge wie Microsoft Purview, einschließlich Vertraulichkeitsbezeichnungen und Richtlinien zur Data Loss Prevention (DLP), müssen von Anfang an direkt in die KI-Architektur integriert werden.

Die Bedeutung von Datenqualität und KI-Bereitschaft

KI-Governance geht weit über die bloße Verhinderung unautorisierten Zugriffs hinaus. Sie umfasst auch die ganz praktische Frage der Datenhygiene. Schlecht organisierte SharePoint-Websites, stark doppelte Dateien, veraltete Richtliniendokumente, uneinheitliche Teams-Arbeitsbereiche und unklare Informationsverantwortlichkeiten können die Qualität KI-generierter Antworten erheblich beeinträchtigen.

Die Anbindung eines intelligenten Agenten an unstrukturiertes, unübersichtliches Organisationswissen macht diese Daten nicht auf magische Weise zu einer sauberen, nutzbaren Ressource. Unternehmen müssen Datenbereinigung, eine moderne Informationsarchitektur, strenge Berechtigungsprüfungen und eine gründliche Klassifizierung als grundlegende Voraussetzungen für die KI-Bereitschaft priorisieren.

Delegierte und Anwendungsberechtigungen verwalten

Die Berechtigungsverwaltung wird entscheidend, sobald einem KI-Agenten die Möglichkeit eingeräumt wird, im Namen von Benutzern autonome Aktionen auszuführen. Als grobe Faustregel sollten Architekten standardmäßig delegierte Benutzerberechtigungen verwenden.

Bei einem delegierten Modell bewegt sich ein Agent strikt innerhalb der Berechtigungsgrenzen des jeweiligen Benutzers, der mit ihm interagiert. Hat die Person keinen Zugriff auf einen sensiblen Finanzordner, darf der Agent diese Einschränkung nicht einfach umgehen. Wenn Anwendungsberechtigungen für Hintergrundautomatisierungen tatsächlich erforderlich sind, sollten diese Fähigkeiten streng kontrolliert hinter einer Dienst- oder MCP-Schicht eng isoliert werden, anstatt umfassende administrative Berechtigungen direkt benutzerorientierten Agenten zugänglich zu machen.

Retrieval-Augmented Generation (RAG) im Unternehmen

Retrieval-Augmented Generation, kurz RAG, ist ein Eckpfeiler moderner Unternehmens-KI. Anstatt sich ausschließlich auf die statischen internen Parameter eines Sprachmodells zu verlassen, die unmöglich unternehmenseigene Richtlinien oder aktuelle Projektupdates enthalten können, ruft ein RAG-System vor der Antwortgenerierung dynamisch relevante Dokumentation ab.

Diese abgerufenen Inhalte können aus internen Wissensdatenbanken, SharePoint-Websites, speziellen Dokumentenspeichern oder externen Datenbanken stammen. Bei vielen modernen Plattformen, etwa Copilot Studio, laufen die zugrunde liegenden Abrufmechanismen vollständig im Hintergrund ab. Dadurch bleibt die Komplexität dem Endbenutzer verborgen, und dennoch liefert das System präzise, kontextbezogene Antworten, die auf verifizierten Unternehmensdaten beruhen.

Fazit: Produktionsreife KI-Lösungen entwickeln

Der Schritt von spielerischem Prompt Engineering hin zu robuster Unternehmens-KI erfordert einen grundlegenden Mentalitätswechsel. Unternehmen können künstliche Intelligenz nicht länger als einfaches Softwaremerkmal behandeln, das man in letzter Minute nachrüstet. Stattdessen erfordert der Aufbau produktionsreifer KI-Lösungen eine sorgfältige Auseinandersetzung mit Multi-Agenten-Architekturen, skalierbaren Integrationsschichten wie dem Model Context Protocol, konsequenter Daten-Governance und durchdachten Berechtigungsmodellen.

Menschliche Architekten und Ingenieure bleiben das Herzstück dieser technologischen Revolution. Indem sie technisches Grundlagenwissen mit einem tiefen Verständnis der Geschäftsanforderungen verbinden, stellen Architekten sicher, dass Unternehmens-KI einen sicheren, skalierbaren und wirklich transformativen Mehrwert liefert.

Um diese Architekturstrategien weiter zu vertiefen und Expertenmeinungen direkt aus der Praxis zu hören, sollten Sie unbedingt das vollständige Podcast-Gespräch anhören. Besuchen Sie Extending Microsoft 365 Copilot: Agents, MCP & Production-Grade AI with Yves Habersaat [MVP] und beteiligen Sie sich an der Diskussion zu modernem Arbeiten, Sicherheit und Produktivität!