Das Vokabularproblem

Jede Woche launcht ein neues KI-Produkt, das sich selbst als Agenten bezeichnet. Planungstools, Chatbots, E-Mail-Assistenten, Tabellenkalkulationsplugins. Das Label hat jede Bedeutung verloren.

Das ist relevant, wenn Sie KI für Ihr Rohstoffvertriebsteam evaluieren. Diese Begriffe beschreiben sehr unterschiedliche Fähigkeiten. Ein System, das E-Mails automatisch sortiert, und ein System, das Ihnen proaktiv sagt, welche Kundenbeziehungen in dieser Woche Aufmerksamkeit brauchen, liegen Welten auseinander. Sie erfordern unterschiedliche Bausteine, liefern unterschiedlichen Mehrwert und kosten unterschiedlich viel im Aufbau und Betrieb.

Ich habe kürzlich meine eigenen KI-Entwicklungstools herausgefordert, Corial zu klassifizieren. Die Diskussion zwang mich, präzise zu formulieren, was jede Ebene tatsächlich bedeutet. Hier ist das Ergebnis.

Die Bausteine

Bevor wir zu den vier Ebenen kommen, hilft es, die Bausteine zu verstehen, die sie voneinander unterscheiden. Stellen Sie sich diese als Fähigkeiten vor, die einem System hinzugefügt werden können. Jede neue schaltet eine höhere Intelligenzebene frei.

Werkzeuge sind spezifische Fähigkeiten, die das System nutzen kann: eine Datenbank durchsuchen, eine E-Mail entwerfen, einen Lieferstatus prüfen, die Historie eines Kontakts abrufen. Für sich allein sind Werkzeuge nur Funktionen. Sie brauchen etwas, das entscheidet, wann und wie sie eingesetzt werden.

Ein Orchestrator ist das Gehirn, das entscheidet, welche Werkzeuge in welcher Reihenfolge eingesetzt werden. Er empfängt eine Anfrage, ermittelt, was getan werden muss, und koordiniert die Werkzeuge zur Ausführung. Der Orchestrator ist das, was ein System, das einem festen Skript folgt, von einem System trennt, das über das Vorgehen nachdenkt.

Gedächtnis ist die Fähigkeit des Systems, Informationen aus vergangenen Interaktionen zu behalten und zu nutzen. Aber nicht jedes Gedächtnis ist gleich. Einfaches Gedächtnis speichert nur. Intelligentes Gedächtnis hat einen Lebenszyklus: Es lernt neue Fakten, bestätigt oder widerlegt bereits Bekanntes, konsolidiert verwandte Informationen und lässt irrelevantes Wissen verblassen. Der Unterschied zwischen einem Aktenschrank und einem Kollegen, der sich Ihre Kunden wirklich merkt.

Ziele sind das Verständnis des Systems, was als nächstes geschehen sollte. Nicht nur die Beantwortung der aktuellen Frage, sondern das kontinuierliche Bewusstsein über Ziele in allen aktiven Beziehungen. Das Ziel für diesen Kunden lautet: Feedback zum Muster innerhalb von drei Wochen einholen. Das Ziel für jenen: einen Kontakt reaktivieren, der sich abgemeldet hat.

Eine Feedbackschleife ist das, womit das System aus Ihrem Verhalten lernt. Wenn Sie einen Vorschlag akzeptieren, wird dieses Muster verstärkt. Wenn Sie einen Vorschlag dreimal für dieselbe Person ablehnen, legt das System eine Erinnerung an: 'Proaktivität für diesen Kontakt reduzieren.' Wenn Sie es korrigieren, wird diese Korrektur zur Anweisung mit höchster Konfidenz. Ohne Feedbackschleife macht das System dieselben Fehler für immer. Mit ihr kalibriert es sich über Zeit auf Ihr Geschäft ein.

Jede Intelligenzebene nutzt eine andere Kombination dieser Bausteine.

Ebene 1: KI-Automatisierung

Genutzte Bausteine: nur Werkzeuge, fest verdrahtet.

Sie haben einen Prozess. Sie setzen KI in bestimmten Schritten ein, um diese schneller oder intelligenter zu gestalten. Der Prozess selbst ändert sich nicht. Ein Mensch hat den Ablauf Schritt für Schritt entworfen, und die KI führt ihn innerhalb dieser Schritte aus.

Beispiel aus dem Rohstoffvertrieb: Eine E-Mail mit einer Bemusterungsanfrage geht ein. Die Automatisierung liest die E-Mail, extrahiert den Kundennamen und das erwähnte Produkt und erstellt eine Zeile in einer Tabellenkalkulation. Nützlich. Aber wenn die E-Mail auch eine Wettbewerbsevaluierung oder einen Zeitdruck erwähnt, weiß die Automatisierung nicht, was sie damit anfangen soll. Das war nicht Teil des Skripts.

Das System hat Werkzeuge (E-Mail-Lesen, Datenextraktion), aber keinen Orchestrator, der entscheidet, was zu tun ist. Der Ablauf ist fest codiert. Passt eine Anfrage nicht in das vordefinierte Muster, bleibt sie stecken.

Für den Rohstoffvertrieb bedeutet das: Das System kann Routineaufgaben übernehmen. E-Mails sortieren, Dokumente zusammenfassen, Daten aus Rechnungen extrahieren. Aber es kann nicht mit der Komplexität echter Kundeninteraktionen umgehen, bei denen jedes Gespräch leicht anders ist und Kontext aus vor sechs Monaten bestimmt, was heute zu tun ist.

Die meisten KI-Funktionen in traditionellen CRMs befinden sich auf dieser Ebene. Sie beschleunigen bestimmte Aufgaben, ändern aber nicht, wie das System grundsätzlich funktioniert.

Ebene 2: Agentische KI

Genutzte Bausteine: Werkzeuge + Orchestrator + einfaches Gedächtnis.

Hier wird es interessant. Anstatt einem festen Skript zu folgen, verfügt das System über einen Orchestrator, der jede Anfrage bewertet und entscheidet, welche Werkzeuge in welcher Reihenfolge eingesetzt werden.

Sie senden eine Nachricht: 'Prüfen Sie, ob die Henkel-Muster versandt wurden, und entwerfen Sie ein Follow-up an deren Einkaufsteam.' Der Orchestrator zerlegt dies. Zunächst durchsucht er die Versanddatensätze. Dann schlägt er den Einkaufskontakt nach und ruft die Kommunikationspräferenzen aus vergangenen Interaktionen ab. Dann entwirft er eine E-Mail im richtigen Ton für genau diese Person. Niemand hat diese genaue Abfolge programmiert. Die KI hat sie selbst ermittelt.

Beispiel aus dem Rohstoffvertrieb: Sie fragen: 'Geben Sie mir einen Überblick über die L'Oréal-Beziehung.' Das System durchsucht Kontakte, ruft die Interaktionen der letzten sechs Monate ab, prüft offene Aufgaben, sichtet Wettbewerbsinformationen und erstellt ein kohärentes Briefing. Es hat selbst entschieden, welche Werkzeuge es einsetzt und welche Informationen es priorisiert. Aber es hat das nur getan, weil Sie gefragt haben.

Der Orchestrator ist das entscheidende Upgrade. Das System kann Anfragen bearbeiten, die es noch nie gesehen hat. Solange es die richtigen Werkzeuge hat. Es denkt über die Anfrage nach, plant eine Abfolge von Schritten und führt sie aus. Das ist intelligentes Verhalten.

Aber es ist immer noch reaktiv. Das System wartet auf Ihre Aufforderung. Es setzt keine eigenen Ziele. Es bemerkt nicht, dass ein Kunde seit zwei Wochen nicht geantwortet hat und entscheidet von sich aus, dass etwas passieren muss. Und obwohl es ein einfaches Gedächtnis hat, pflegt es dieses nicht aktiv. Die Beobachtung vom letzten Monat, die dem aktuellen Wochenstand widerspricht? Beide liegen im Speicher, ohne dass Widersprüche aufgelöst werden.

Hier befinden sich die meisten Produkte, die sich 'KI-Agenten' nennen. Sie haben Werkzeuge, sie haben einen Orchestrator, sie haben vielleicht etwas Gedächtnis. Sie sind beeindruckend und nützlich. Aber sie denken nicht voraus und lernen nicht aus Ihrem Verhalten.

Für den Rohstoffvertrieb ist agentische KI eine große Verbesserung gegenüber reiner Automatisierung. Sie kann die variablen, kontextabhängigen Kundenanfragen bewältigen. Aber sie hängt immer noch davon ab, dass Sie jede Interaktion anstoßen. Sie müssen daran denken, ein stockendes Projekt zu prüfen. Sie müssen daran denken, beim Einkauf nachzuhaken. Das System wird Sie nicht erinnern.

Ebene 3: KI-Agent

Genutzte Bausteine: Werkzeuge + Orchestrator + Gedächtnis mit Lebenszyklus + Ziele + Feedbackschleife.

Auf dieser Ebene verändert sich die Beziehung zum System grundlegend. Es hört auf, ein Werkzeug zu sein, das Sie nutzen, und beginnt sich wie ein Kollege zu verhalten, der vorausdenkt.

Die drei Ergänzungen, die einen Agenten ausmachen, im Vergleich zur agentischen KI:

Erstens wird das Gedächtnis aktiv statt passiv. Anstatt nur Fakten zu speichern, betreibt das System einen kontinuierlichen Lebenszyklus. Nach jeder Interaktion fragt es: Welche dauerhaften Fakten haben wir gelernt? Ist das neu, oder bestätigt es etwas, das wir bereits wissen? Widerspricht es einer früheren Beobachtung? Wöchentlich analysiert es Muster über alle Interaktionen hinweg und sucht nach Trends, die kein einzelnes Gespräch offenbart. Monatlich löst es Widersprüche auf, konsolidiert verwandtes Wissen und lässt veraltete Informationen verblassen. Das Ergebnis: Nach sechs Monaten hat das System nicht einfach mehr Erinnerungen. Es hat bessere. Höhere Konfidenz, weniger Widersprüche, konsolidiertes Wissen, das den tatsächlichen Stand Ihrer Geschäftsbeziehungen widerspiegelt.

Zweitens setzt das System Ziele. Für jedes aktive Projekt in Ihrer Pipeline leitet es ab, was als nächstes geschehen sollte. Basierend auf der Phase, der Interaktionshistorie und dem Wissen darüber, wie B2B-Rohstoffvertrieb typischerweise abläuft. Muster wurden vor drei Wochen versandt? Das Ziel lautet: Feedback einholen. Der Einkauf meldete sich nach Erhalt des Preisangebots nicht mehr? Ziel: Follow-up. Ein wichtiger Kontakt hat über die Expansion in eine neue Kategorie gepostet? Ziel: Chance erkunden. Diese Ziele sind keine Ratespiele. Sie werden von allem informiert, was das System weiß, und auf die spezifischen Muster jedes Kunden abgestimmt.

Drittens lernt das System aus dem, was Sie tun, wenn es Vorschläge macht. Das ist die Feedbackschleife. Und sie ist es, die einem KI-Agenten ermöglicht, über Zeit Vertrauen zu gewinnen. Wenn Sie einen E-Mail-Entwurf ohne Änderung genehmigen, lernt das System Ihren Kommunikationsstil für diesen Kontakt. Wenn Sie einen Follow-up-Vorschlag dreimal für dieselbe Person ablehnen, legt es eine Erinnerung an: 'Proaktivität für diesen Kontakt reduzieren.' Wenn Sie ihm sagen: 'Kelly bestellt Muster regelmäßig, sie braucht keine Follow-ups,' wird das zur Anweisung mit höchster Konfidenz im System.

Der messbare Unterschied: Im ersten Monat sind vielleicht die Hälfte der Vorschläge des Systems nützlich. Nach drei Monaten hat es Ihre Muster gelernt. Die Trefferquote steigt. Diese Verbesserungskurve ist das, was einen KI-Agenten von agentischer KI unterscheidet. Sie können sie messen, über Zeit verfolgen und damit nachweisen, dass das System echten Mehrwert liefert.

Für den Rohstoffvertrieb liegt hier der echte Mehrwert. Sie kommen Montagmorgen ins Büro und anstatt Dashboards zu prüfen, sagt das System Ihnen: 'Drei Dinge brauchen diese Woche Ihre Aufmerksamkeit. Das Henkel-Einkaufsteam hat seit zwei Wochen nicht auf Ihr Preisangebot reagiert. Das L'Oréal-Projekt nähert sich einem Formulierungstermin. Und Beiersdorf hat eine Stelle für einen Nachhaltigkeitsformulator ausgeschrieben, was darauf hindeutet, dass sie ihre Naturals-Linie ausbauen.' Es nennt nicht nur diese Beobachtungen. Es hat einen Vorschlag für jede, auf Ihre Präferenzen und die spezifischen Dynamiken jeder Beziehung abgestimmt.

Und wenn dasselbe Konto drei Projekte hat, die alle ein Follow-up mit demselben Kontakt erfordern, konsolidiert das System diese zu einer Empfehlung: 'Herome kontaktieren und alle drei Projekte in einem Touchpoint besprechen.' Weil das echter Vertrieb ist. Sie schicken nicht drei separate E-Mails an dieselbe Person.

Ebene 4: AGI

Bausteine: alles oben Genannte, domänenübergreifend angewendet, auf oder über menschlichem Niveau.

AGI steht für Artificial General Intelligence. Allgemeine Künstliche Intelligenz. Ein System, das Intelligenz in jeder Domäne verstehen, erlernen und anwenden kann, ohne speziell dafür entwickelt worden zu sein. Ein Mensch kann Schach spielen, dann einen Businessplan schreiben, dann diagnostizieren, warum die Fertigungslinie langsam ist. AGI würde dasselbe tun.

AGI existiert noch nicht. Nichts, das heute in Produktion ist, erfüllt die Kriterien. Nicht ChatGPT, kein Produkt, das Sie kaufen können. Die Zeitpläne sind unbekannt.

Die Unterscheidung ist wichtig, weil sie Erwartungen korrekt setzt. Ein KI-Agent wie Corial ist hochspezialisiert. Er kennt die Rohstoffkommerzialisierung: INCI-Namen, Formulierungsphasen, Beschaffungszyklen, die Dynamiken des Vertriebs an F&E-Teams. Diese fokussierte Expertise ist für Ihr Vertriebsteam weit nützlicher als ein allgemeines System, das von allem ein bisschen weiß. Sie brauchen keine AGI, um das Problem des verlorenen Kontexts in 18-monatigen Vertriebszyklen zu lösen. Sie brauchen einen spezialisierten Agenten, der Ihr spezifisches Geschäft erlernt.

Wenn ein Anbieter Ihnen sagt, sein Produkt 'nähert sich AGI', seien Sie skeptisch. Die Messlatte, die heute zählt, ist: Lernt das System aus Ihren Daten, antizipiert es Ihre Bedürfnisse und wird es über Zeit messbar besser? Das ist erreichbar, lieferbar. Und das ist es, was Corial tut.

Corals Weg: von agentischer KI zum KI-Agenten

Corial startete nicht als KI-Agent. Die erste Version war agentische KI: ein Orchestrator mit Werkzeugen, Gedächtnis und der Fähigkeit, unterschiedliche Anfragen intelligent zu bearbeiten. Das allein war ein echter Schritt über traditionelle CRMs hinaus. Sprachnotizen und E-Mails gingen ein, strukturierte Pipeline-Daten kamen heraus. Der Orchestrator konnte Fragen wie 'Was läuft gerade bei L'Oréal?' beantworten und kohärente Antworten aus mehreren Quellen zusammensetzen.

Aber wir stießen immer wieder an dieselbe Grenze. Das System war intelligent, aber es wartete auf Anweisungen. Es bemerkte nicht, dass ein Follow-up überfällig war. Es erkannte nicht, dass ein Wettbewerber in mehreren Accounts immer häufiger auftauchte. Es lernte nicht, dass bestimmte Kontakte in Ruhe gelassen werden möchten, während andere aktive Betreuung brauchen.

Wir haben diese Schwelle kürzlich überschritten. Das System führt jetzt vier Lernschleifen aus, die sein Wissen automatisch pflegen: Extraktion in Echtzeit nach jeder Interaktion, wöchentliche Mustererkennung über alle Gespräche, monatliche Wartung zur Auflösung von Widersprüchen und Konsolidierung von Wissen, sowie kontinuierliches Verhaltens-Feedback, das daraus lernt, wie Benutzer auf die Vorschläge des Systems reagieren.

Dazu kommt eine Zielsetzungsschicht, die für jedes aktive Projekt und jeden Lead ableitet, was als nächstes geschehen sollte. Sie bewertet den Fortschritt täglich, gibt Empfehlungen basierend auf Konfidenzwerten aus und passt ihr Verhalten an, wenn Benutzer Vorschläge überstimmen oder ablehnen. Wenn mehrere Projekte beim selben Kunden Aufmerksamkeit brauchen, konsolidiert sie diese zu einer einzigen Touchpoint-Empfehlung.

Das Ergebnis ist ein System, das sich tatsächlich so verhält, wie der Name vermuten lässt: ein KI-Vertriebsagent. Kein Werkzeug, das auf Fragen wartet, sondern ein Kollege, der alles verfolgt, vorausdenkt und darin immer besser wird, Ihren Vertriebsprozess zu unterstützen.

Was jede Ebene für den Rohstoffvertrieb bedeutet

KI-Automatisierung erledigt Routinearbeit: E-Mails sortieren, Dokumente zusammenfassen, Daten aus Rechnungen extrahieren. Gut zur Reduzierung manueller Stunden, aber ohne Verständnis für Kontext oder Beziehungen.

Agentische KI bewältigt die Komplexität. Sie kann Briefings zusammenstellen, E-Mails im richtigen Ton entwerfen, unterschiedliche Fragen zu Ihrer Pipeline beantworten. Ein echter Produktivitätsgewinn für Vertriebsteams. Aber sie hängt davon ab, dass das Team jede Interaktion antreibt, jedes Follow-up im Kopf behält und jedes Dashboard prüft.

Ein KI-Agent bewältigt den kognitiven Aufwand. Er erinnert sich an das, was Ihr Team vergisst. Er verfolgt die Dutzenden Beziehungen, Zeitpläne und Verpflichtungen, die sich über 18-monatige Vertriebszyklen ansammeln. Er erkennt Muster, die kein Einzelner über ein gesamtes Portfolio verfolgen könnte. Und er lernt, seine Unterstützung darauf abzustimmen, wie jeder Vertriebsmitarbeiter tatsächlich arbeitet, anstatt einen Einheitsansatz durchzusetzen.

Diese letzte Ebene ist dort, wo Rohstoffvertriebsteams sein müssen. Nicht weil KI-Agenten im Trend liegen, sondern weil die Natur der Arbeit es erfordert. Lange Zyklen, komplexe Beziehungen, technische Tiefe, Wettbewerbsdynamiken, die sich über Monate verschieben. Ein reaktives Werkzeug. Egal wie intelligent. Wird immer davon abhängen, dass sich jemand daran erinnert, es zu nutzen. Ein Agent, der vorausdenkt, schließt die Lücke zwischen dem, was Ihr Team weiß, und dem, was tatsächlich gehandelt wird.