KI wird
Multiplayer.

Die erste Welle generativer KI war zutiefst persönlich.

Eine Person öffnete ein Chatfenster. Eine Person lieferte den Kontext. Eine Person erhielt die Antwort. Selbst fortgeschrittenere Varianten dieses Musters, persönliche Research Agents, Coding Agents oder AI Chiefs of Staff, waren meistens für ein Publikum von einer Person gedacht.

Das hat einen bedeutenden individuellen Hebel geschaffen. Organisationen erzeugen Wert aber nicht als Ansammlung isolierter Einzelpersonen.

Die meiste folgenreiche Arbeit entsteht zwischen Menschen. Sie bewegt sich durch gemeinsamen Kontext, Entscheidungen, Übergaben, Reviews, Verhandlungen, Freigaben und Systeme. Mehrere Beteiligte tragen Verantwortung für ein gemeinsames Ergebnis.

Deshalb wird die nächste Phase von KI multiplayer.

Vom individuellen Hebel zur Teamfähigkeit

Der Wandel beginnt, sobald KI-generierte Arbeit nicht mehr in einem privaten Chatfenster endet. Ergebnisse fließen in gemeinsame Workflows. Kontext wird zum Gedächtnis der Organisation. Feedback wird zu Beteiligung und individueller Hebel wird zu Teamfähigkeit.

Multiplayer AI bedeutet aber nicht einfach, dass mehrere Menschen dieselbe Agent-Session beobachten.

Die eigentliche Veränderung reicht tiefer. Die Gestaltungseinheit verschiebt sich von einer Person und ihrem Assistenten zu einem Team und dem Ergebnis, für das dieses Team verantwortlich ist.

Die meisten KI-Tools optimieren Arbeit innerhalb einer Rolle. Agentic Business Engineering gestaltet die Arbeit zwischen Rollen neu.

Dafür müssen wir drei Formen von Multiplayer-Arbeit unterscheiden.

Multiplayer Delivery entsteht, wenn interne Expert:innen, externe Partner und Agents gemeinsam ein System entwickeln. Die Arbeit verbindet Fachwissen, Engineering, Betriebserfahrung, Prototypen, Review und Erkenntnisse aus dem realen Einsatz.

Multiplayer Workflows entstehen, wenn mehrere Rollen Kontext, Arbeitsstand, Entscheidungen, Freigaben und Verantwortung für ein Ergebnis teilen. Hier wird ein Agent von einem persönlichen Produktivitätswerkzeug zu organisatorischer Infrastruktur.

Multiplayer Interfaces ermöglichen mehreren Menschen, dieselbe Agent-Session zu prüfen, zu steuern, zu übernehmen oder gemeinsam weiterzuführen. Das kann wertvoll sein, ist aber nur eine mögliche Oberfläche eines Multiplayer-Systems.

Ein Projekt kann deshalb bereits multiplayer sein, bevor auch das Interface multiplayer ist.

Die Oberfläche kann einer Person gehören. Die Fähigkeit gehört der Organisation.

Singleplayer-Momente in Multiplayer-Systemen

Diese Unterscheidung zeigt sich immer deutlicher in unserer Arbeit.

Nehmen wir eine operative Anwendung, die Lieferanten findet, Dokumente sammelt, Optionen vergleicht, fehlende Nachweise erkennt und Ausnahmen priorisiert. Vielleicht arbeitet immer nur eine Person direkt mit der Anwendung. Das Ergebnis hängt jedoch von Fachexpert:innen, Administration, Lieferanten, Prüfer:innen, regulatorischen Anforderungen, Managementprioritäten und einem gemeinsamen Arbeitsstand ab.

Der Wert entsteht nicht dadurch, dass eine einzelne Einkäuferin schneller tippt. Er entsteht dadurch, dass das gesamte System ein Beschaffungsergebnis besser koordiniert.

Dasselbe Muster zeigt sich bei personalisierten Kundenerlebnissen. Ein Museumsbesucher kann ein individuelles Gespräch mit einem adaptiven Guide führen und selbst entscheiden, welche Geschichten er vertieft. Hinter diesem Erlebnis steht institutionelles Wissen, das von Kurator:innen, Betrieb, Service, kommerziellen Teams und Governance-Verantwortlichen gepflegt wird. Die Interaktion ist persönlich. Die Fähigkeit und die daraus entstehenden Kundenkenntnisse gehören jedoch der Organisation.

Das sind Singleplayer-Momente innerhalb von Multiplayer-Betriebsmodellen.

Die Arbeit zwischen Rollen

Die bisher dominierende Enterprise-AI-Frage lautet: Wie kann diese Person diese Aufgabe schneller erledigen?

Diese Frage führt fast zwangsläufig zu Assistenten für Schreiben, Recherche, Analyse, Präsentationen, Coding und Administration. Jeder davon kann Wert schaffen. Der Workflow rund um die Aufgabe bleibt jedoch häufig unverändert.

Die folgenreichere Frage lautet:

Wie sollte sich Arbeit zwischen Menschen, Systemen und Agents bewegen, sobald Teile der Ausführung delegiert werden können?

Damit wird eine größere Chance sichtbar. Verzögerungen entstehen häufig zwischen Funktionen und nicht innerhalb einzelner Aufgaben. Kontext wird immer wieder neu erklärt. Teams pflegen widersprüchliche Versionen. Freigaben treffen ein, obwohl die notwendige Entscheidungsgrundlage fehlt. Ausnahmen verlieren ihre Verantwortlichen. Bei einer Übergabe gehen genau jene Annahmen verloren, die den vorherigen Arbeitsschritt verständlich gemacht haben.

Was ein agentisches Multiplayer-System braucht

Gemeinsamer Kontext ist notwendig, aber nicht ausreichend.

Ein verlässliches Multiplayer-System benötigt einen persistenten Arbeitsstand. Berechtigte Beteiligte müssen sehen können, was der Agent getan hat, welche Quellen er verwendet hat, welche Annahmen er getroffen hat und welche Entscheidungen noch offen sind. Eine Person muss beginnen und eine andere später fortsetzen können, ohne ein Transkript zu kopieren oder von vorne anzufangen.

Berechtigungen werden wichtiger, nicht unwichtiger. Unterschiedliche Beteiligte dürfen unterschiedliche Teile des Workflows sehen, verändern, freigeben oder ausführen. Ein gemeinsamer Agent, der mit den Zugriffsrechten einer einzigen Person handelt, kann schnell zum Sicherheitsproblem für alle anderen werden.

Auch widersprüchliche Anweisungen werden zu einer Frage des Betriebsmodells. Wenn Vertrieb, Operations, Legal und Finance unterschiedliche Ziele verfolgen, kann der Agent den Konflikt nicht lösen, indem er ihre Prompts mittelt. Die Organisation braucht explizite Entscheidungsrechte, Eskalationswege und eine verantwortliche Person für das Ergebnis.

Multiplayer AI benötigt deshalb:

• Kontext, der einem Team, Projekt oder Prozess gehört;
• einen persistenten und beobachtbaren Arbeitsstand;
• rollenbasierte Zugriffs- und Freigaberechte;
• explizite Übergaben und Übernahmen;
• Evaluation, Review, Eskalation und Rollback;
• Nachvollziehbarkeit von der Aktion bis zur Quelle und Entscheidung;
• einen Application Owner, der für Leistung und Weiterentwicklung verantwortlich ist.

Ohne diese Elemente verteilt Multiplayer AI lediglich Verwirrung effizienter.

Ein Arbeitsstand. Unterschiedliche Rollen. Explizite Entscheidungen.

Wo sollten Unternehmen beginnen?

Sechs Kriterien helfen dabei, geeignete Chancen für gemeinsame Agentensysteme zu finden: gemeinsamer Bedarf, die Kosten veralteten Kontexts, sensible Berechtigungen, überprüfbare Ergebnisse, Übergabedichte und der Hebel eines gemeinsamen Ergebnisses.

Die ersten vier Kriterien zeigen, ob gemeinsame agentische Arbeit notwendig und steuerbar ist. Die letzten beiden machen sichtbar, wo eine bessere Koordination relevanten Wert schaffen kann.

Übergabedichte: Wie oft wechselt die Arbeit zwischen Rollen, Tools, Teams oder Organisationen? Wiederholte Erklärungen und Kontextverlust sind starke Hinweise darauf, dass die bestehende Koordinationsarchitektur teuer ist.

Hebel eines gemeinsamen Ergebnisses: Verbessert eine bessere Koordination etwas, das wirtschaftlich oder strategisch relevant ist? Zusammenarbeit ist nicht das Ziel. Das Ziel ist ein besseres Ergebnis für Kund:innen, Betrieb, Geschäft oder Gesellschaft.

Der stärkste Ausgangspunkt ist selten der Workflow mit den meisten Beteiligten. Es ist der Workflow, in dem gemeinsamer Kontext, häufige Übergaben, überprüfbare Ergebnisse und klare Verantwortung zu einer begrenzten, umsetzbaren Chance zusammenkommen.

Bauen Sie eine gemeinsame Fähigkeit rund um dieses Ergebnis. Lassen Sie mindestens zwei Rollen damit in echter Arbeit arbeiten. Beobachten Sie, wo Kontext verloren geht, wo Berechtigungen unklar werden, wo menschliches Urteil notwendig bleibt und wo der Agent tatsächlich Koordinationsaufwand reduziert.

Nutzen Sie diese Erkenntnisse, um die nächste Version zu gestalten.

Multiplayer AI und organisatorische Reife

Multiplayer AI bietet auch einen hilfreichen Blick auf organisatorische Reife. Die Frontira Agentic Maturity Scale fragt nicht, wie viel KI ein Unternehmen verwendet. Sie fragt, wie tief KI bereits in die Arbeitsweise und Wertschöpfung des Unternehmens eingreift.

Level 1: Individuelle KI-Nutzung. Menschen verwenden KI persönlich für Schreiben, Recherche, Analyse oder andere isolierte Aufgaben. Die individuelle Produktivität kann steigen, aber Organisation und Workflows bleiben unverändert. Das ist überwiegend Singleplayer AI.

Level 2: Unterstützte Workflows. Teams ergänzen bestehende Prozesse um Copilots, Suche, Zusammenfassungen, Service-Unterstützung oder Reporting. Mehrere Menschen können dieselben Tools verwenden, doch die Arbeit bewegt sich weiterhin durch die alten Rollen, Übergaben und Messgrößen. Gemeinsamer Zugriff allein macht noch kein Multiplayer-System.

Level 3: Neu gestaltete Workflows. Arbeit wird rund um die Zusammenarbeit von Menschen und Agents neu aufgebaut. Gemeinsamer Kontext, Entscheidungspunkte, Review Gates, Eskalationswege, Verantwortlichkeiten und Übergaben werden explizit. Hier beginnt Multiplayer AI, die Arbeitsweise eines Teams tatsächlich zu verändern.

Level 4: Agentisches Betriebsmodell. Die Organisation kann agentische Workflows wiederholt und funktionsübergreifend entwickeln, steuern, messen und verbessern. Teams verfügen über gepflegten Kontext, rollenbasierte Berechtigungen, verantwortliche Owner, Evals, Review, Eskalation und Lifecycle Management. Agentische Systeme werden Teil des Betriebs und bleiben keine Sammlung von Experimenten.

Level 5: Agentic Business Engineering. Agentische Fähigkeiten verändern das Geschäft selbst: Kundenerlebnis, Wertschöpfung, Rollen, Messgrößen, Produkte und den organisatorischen Rhythmus. Geschäftslogik, Fachwissen, Daten, Tools, Agents und menschliches Urteil werden zu adaptiven Systemen, mit denen sich die Organisation kontinuierlich neu gestalten kann.

Mit dieser Entwicklung verändert sich die Gestaltungseinheit. Auf Level 1 sind es die einzelne Person und ihr Copilot. Auf Level 3 werden es das Team und sein Workflow. Auf Level 4 und 5 werden es das Betriebsmodell und schließlich das Unternehmen selbst.

Das bedeutet nicht, dass jede Interaktion gemeinschaftlich werden muss. Menschen brauchen weiterhin privates Denken, persönliche Agents und individuelle Arbeitsräume. Auch sollte nicht jedes Meeting, jede Meinungsverschiedenheit und jedes Gespräch automatisiert werden. Manche Koordination schafft Vertrauen, Interpretation, Verhandlung und kollektives Urteil.

Das Ziel ist nicht, die Arbeit zwischen Menschen zu entfernen. Das Ziel ist, wertvolle Zusammenarbeit von vermeidbarer Koordination zu unterscheiden und das System entsprechend zu gestalten.

Die Arbeit zwischen uns

Im ersten Kapitel von Enterprise AI ging es darum, wer ein Tool erhalten sollte.

Im nächsten Kapitel geht es darum, für welche gemeinsamen Ergebnisse wir ein System bauen sollten.

Dieser Wandel verändert die Architektur von KI-Projekten. Kontext, Sichtbarkeit, Berechtigungen, Übergaben, Evaluation und Verantwortung rücken ins Zentrum. Gleichzeitig verändert sich, wie interne Teams, externe Partner, Kund:innen und Agents während der Entwicklung zusammenarbeiten.

Die Zukunft von KI in der Arbeit wird nicht nur aus besseren persönlichen Assistenten bestehen. Sie wird gemeinsame agentische Systeme umfassen, die Teams prüfen und steuern, denen sie vertrauen und die sie gemeinsam verbessern können.

Die wertvollste Arbeit ist schon immer zwischen uns entstanden.

Jetzt kommt KI dort endlich an.