Einen Claude-Agenten im Unternehmen industrialisieren

Claude ist ein leistungsfähiges Sprachmodell. Ein Claude-Chatbot in einer Chat-Oberfläche ist nützlich, aber begrenzt. Ein in der Produktion industrialisierter Claude-Agent ist etwas anderes: ein Geschäftssystem, das Ihre Daten liest, Aktionen in Ihrem SI ausführt, Ihre Regeln anwendet, seine Entscheidungen nachverfolgt und durch eine menschliche Überwachung läuft. Dieser Artikel beschreibt, wie man von einem zum anderen kommt.

Ein Claude-Agent ist kein Claude-Chatbot

Der Unterschied lässt sich in einem Satz zusammenfassen: Claude ist ein Modell, der Agent ist ein System.

Ein Claude-Chatbot empfängt eine Frage, Claude antwortet. Das ist eine praktische Schnittstelle, aber vom SI getrennt, ohne automatische Anwendung von Geschäftsregeln, ohne für Audits verwertbare Logs, ohne fallweise Überwachung.

Ein industrialisierter Claude-Agent fügt rund um das Modell hinzu:

• einen Orchestrator, der die Aufgabe in Schritte aufteilt und entscheidet, wann Claude aufzurufen ist;
• Connectoren, die in Ihr ERP, CRM oder Ihre Branchensoftware lesen/schreiben;
• einen Knowledge Graph, der Ihre Geschäftsregeln, Codes, Kundenvarianten, Sonderfälle kodiert;
• Leitplanken am Eingang (was man an das Modell sendet) und am Ausgang (was man als Rückgabe akzeptiert);
• Audit-Logs zur Nachverfolgung jeder Entscheidung;
• eine konfigurierbare menschliche Überwachung nach Falltyp.

Das Modell bleibt eine externe Abhängigkeit. Der Agent ist alles, was darum herum ist.

Warum industrialisieren statt ein SaaS-Tool deployen?

Ein öffentliches Claude-SaaS-Tool löst einen individuellen Anwendungsfall. Ein Unternehmen braucht etwas anderes: SI-Integration, eigene Geschäftsregeln, Vertraulichkeit, Audit, Überwachung, Eigentum an der Konfiguration. Ein generisches Tool tut das nicht.

Industrialisieren bedeutet nicht, Claude neu zu erfinden. Es geht darum, die fehlende Unternehmensschicht aufzubauen: den Connector zu Ihrem Kontenplan, die Leitplanke, die die Übermittlung roher Steuerdaten an das Modell verweigert, den Knowledge Graph, der Ihre Kundenvarianten enthält, das Log, das jede Entscheidung für eine AI-Act-Kontrolle dokumentiert.

Das ICPC-Framework auf einen Claude-Agenten angewendet

Bei GenieFactory strukturiert die ICPC-Methode die Inbetriebnahme eines Claude-Agenten.

Identifizieren. Welcher Geschäftsprozess? Welcher Wert? Warum jetzt? Der gute Kandidat ist ein volumenstarker Prozess mit dokumentierbaren Regeln und einer möglichen menschlichen Variante am Ausgang. Bankabstimmung, Dokumentenextraktion, E-Mail-Qualifizierung: alles gute Einstiegspunkte. Ein Prozess ohne klare Regeln oder ohne Volumen ist kein guter Kandidat.

Strukturieren. Das erwartete Autonomieniveau definieren (alles validieren, in Batches validieren, autonom bei Standardfällen), notwendige Leitplanken, Qualitätsindikatoren, Eskalationsfälle. Auch das Hosting strukturieren: direkte Anthropic-API oder via AWS Bedrock/Google Vertex in Europa? Beide sind möglich; die Wahl hängt von der Datensensibilität ab.

Produzieren. Orchestrator, Connectoren, Knowledge Graph, Leitplanken, Überwachungsschnittstelle aufbauen. Qualität auf einem repräsentativen Datensatz evaluieren. Mit anderen Modellen vergleichen (GPT, Mistral) wenn relevant. Schrittweise mit systematischer menschlicher Validierung bei den ersten Fällen deployen.

Kapitalisieren. Knowledge Graph für Folgeprojekte dokumentieren, AI-Act-Systemdokumentation liefern, interne Teams schulen. Anwendungscode, Konfiguration und Daten verbleiben beim Kunden.

Die aufzubauenden Leitplanken

Ein Claude-Agent in der Produktion ist nie „direktes Claude". Es gibt immer eine Leitplanken-Schicht zwischen den Unternehmensdaten und dem Modell, dann zwischen dem Modell und der ausgeführten Aktion.

Eingangs-Leitplanken. Minimieren, was an Claude gesendet wird. Schwärzung persönlicher oder sensibler Informationen, die für die Aufgabe nicht erforderlich sind. Reduzierte Kontexte statt Datenbank-Dumps. Längen- und Formatfilter.

Ausgangs-Leitplanken. Das Format der Antwort validieren (erwartetes Schema), semantische Konsistenz prüfen, wahrscheinliche Halluzinationen durch Kreuzabgleich mit dem Knowledge Graph erkennen. Bei niedrigem Vertrauen an den Menschen eskalieren.

Rechte-Leitplanken. RBAC nach Nutzer und Akte. Ein Agent, der an einer Kundenakte arbeitet, sieht nur die Daten dieser Akte. Zugriffe werden nachverfolgt.

Protokollierungs-Leitplanken. Jeder Claude-Aufruf wird protokolliert: Eingang (bei Bedarf anonymisiert), Ausgang, getroffene Entscheidung, eventuelle menschliche Validierung. Logs sind für AI-Act-Audits exportierbar.

Vertraulichkeit und Compliance

Prompts und Antworten passieren während der Verarbeitung die Claude-API. Anthropic nutzt API-Kundendaten standardmäßig nicht zum Training seiner Modelle, ein Punkt, der in den Verträgen je nach genutzter API-Version zu validieren ist.

Für sensible Fälle ist Claude über AWS Bedrock und Google Vertex verfügbar, was eine Verarbeitung in der Europa-Region unter den bestehenden Cloud-Verträgen des Kunden ermöglicht. Das entspricht den häufigen Souveränitätsanforderungen in regulierten Sektoren (Gesundheit, Finanzen, Notariat, öffentlicher Sektor).

Auf der AI-Act-Seite umfasst die mit einem industrialisierten Claude-Agenten gelieferte Dokumentation: Systemdokumentation, Eingangs-Ausgangs-Entscheidungs-Register, menschliche Überwachungsrichtlinie, Sicherheitsmaßnahmen, Vorfallmanagementverfahren. Siehe die AI-Act-Checkliste für Unternehmen.

Multi-LLM-Architektur: Nicht auf Claude festlegen

Eine gut konzipierte Architektur behandelt Claude als externe Abhängigkeit, nicht als Kern des Agenten. Das Modell wird hinter einer Abstraktion aufgerufen, die das Testen anderer Modelle (GPT, Mistral, selbstgehostete Open-Source) auf denselben Evaluierungsdatensätzen ermöglicht.

Das hindert nicht daran, Claude zu wählen, wenn er der beste Kandidat ist. Es schützt das Unternehmen vor einer Preisänderung, einer API-Entwicklung oder einer besseren zukünftigen Option. Für den modellweisen Vergleich siehe Claude vs. GPT für Entscheider.

Eigentum und Übergabe

Der Anwendungscode des Agenten (Orchestrator, Connectoren, Leitplanken, Schnittstellen), die konfigurierten Prompts, der Geschäfts-Knowledge-Graph und die Logs gehören dem Kunden. Alles wird im Repository des Kunden geliefert und auf seiner Infrastruktur deploybar.

Was extern bleibt, ist das über API konsumierte Modell. Aber das Wesentliche des geschaffenen Wertes, die kodierten Geschäftsregeln, die SI-Integration, die Governance, ist das Eigentum des Kunden, nicht des Dienstleisters.

Wie lange dauert es, wie viel kostet es?

Ein erster Claude-Agent für einen strukturierten Prozess wird in 6 bis 12 Wochen industrialisiert, vom Bedarfsausdruck bis zur überwachten Inbetriebnahme. Die Dauer variiert je nach Komplexität der SI-Integrationen, der Anzahl der Geschäftsvarianten und dem erforderlichen Überwachungsniveau.

Was die Kosten betrifft: Die Claude-API ist in der Regel ein Minderheitsanteil der Gesamtkosten. Das Wesentliche liegt im Engineering: Strukturierung, Knowledge Graph, Connectoren, Leitplanken, Monitoring, AI-Act-Dokumentation, Schulung. GenieFactory berechnet einen Claude-Agenten als Pauschalpreis pro Prozess, nicht pro API-Aufruf.

Wo anfangen?

Einen volumenstarken Prozess mit dokumentierbaren Regeln identifizieren. Den ROI in einem Satz schreiben. Vertraulichkeitsbeschränkungen auflisten, die zwischen direkter Anthropic-API und Bedrock/Vertex-Hosting entscheiden. Einen ersten engen Umfang strukturieren, ein Agent, ein Prozess, ein Deliverable.

Der Rest ist eine Frage methodischer Ausführung, keine Magie. Weiterführend: die Claude-Unternehmensseite oder das Team kontaktieren, um ein Projekt zu strukturieren.