Lange Zeit bedeutete die Konzeption einer Website vor allem, Informationen über eine Benutzeroberfläche zugänglich zu machen: Navigation, Seiten, Nutzerführung und Interaktionen. Für menschliche Besucher bleibt diese Oberfläche wichtig. Sie ist aber nicht mehr der einzige Zugang zu den Inhalten und Leistungen eines Unternehmens. Ein KI-Assistent kann mehrere Websites auswerten, Angebote vergleichen und die Ergebnisse zusammenfassen, ohne dass die Nutzer die Seiten selbst öffnen.
Diese Entwicklung geht über die Sichtbarkeit in ChatGPT hinaus. Sie betrifft die Struktur unserer Informationen, die Entwicklung von Funktionen und die Wahl der Systeme, mit denen Inhalte verwaltet werden. Vier Unterscheidungen helfen dabei, digitale Projekte unter diesen Voraussetzungen zu planen.
1. Für Agenten lesbar heisst nicht automatisch durch Agenten nutzbar
Damit automatisierte Systeme ein Unternehmen verstehen können, bleiben grundlegende Webstandards wichtig: zugängliches HTML, klare Texte, konsistente Links und strukturierte Daten dort, wo sie sinnvoll sind. Informationen über Leistungen und Referenzen sollten nicht ausschliesslich in Animationen oder visuellen Interaktionen stecken.
Ein Beispiel: Ein Agent soll nicht nur drei Anbieter vergleichen, sondern auch eine Offertanfrage vorbereiten. Eine Dienstleistung auf einer Seite zu erkennen und ein Projektbriefing korrekt zu übermitteln, sind zwei unterschiedliche Aufgaben. Für die zweite muss klar sein, welche Felder erwartet werden, welche Validierungen gelten, welche Berechtigungen erforderlich sind und wie das Ergebnis bestätigt wird.
Eine dokumentierte API kann für bestimmte Aktionen einen zuverlässigen Weg bieten. Sie ist aber nicht die einzige Möglichkeit: Agenten können auch bestehende Formulare und Weboberflächen bedienen. Entscheidend ist die Trennung zwischen dem Lesen öffentlicher Informationen und dem Ausführen von Aktionen, besonders wenn dabei Daten verändert oder verbindliche Schritte ausgelöst werden.
Lesbare Inhalte sind die Grundlage. Zuverlässige Aktionen erfordern zusätzliche Konzeption.
2. Wenn ein Agent Code schreibt, bleiben Qualitätskriterien entscheidend
Entwicklungsagenten können heute ganze Funktionen umsetzen. Das Ergebnis sieht überzeugend aus, funktioniert in einer Demo und besteht womöglich sogar die vorgesehenen Tests. Das garantiert aber weder eine langfristig tragfähige Architektur noch das richtige Verständnis der fachlichen Anforderungen.
Nehmen wir eine Integration, die Zahlungen mit Nutzerkonten verbindet. Die Zuordnung über die E-Mail-Adresse kann bei ersten Tests problemlos funktionieren. Ändert sich die Adresse oder stimmen Datensätze nicht mehr überein, wird diese Verbindung fragil. Eine stabile Kennung und klar definierte Zuordnungsregeln sind in der Regel die bessere Wahl. Das ist kein Syntaxfehler, sondern eine Architekturentscheidung.
Agentic Engineering bedeutet deshalb auch, vor dem Delegieren die Leitplanken zu definieren: fachliche Regeln, Sicherheitsanforderungen, Akzeptanzkriterien und Grenzfälle. Anschliessend wird das Ergebnis mit automatisierten Tests, Code-Reviews und einer risikogerechten menschlichen Freigabe geprüft. Agenten können in allen Schritten unterstützen, sollten aber nicht allein entscheiden, was akzeptabel ist.
Je schneller die Umsetzung wird, desto wichtiger wird es, Anforderungen präzise zu formulieren und fragwürdige Entscheidungen zu erkennen.
3. Vor der Entwicklung einer KI-Anwendung prüfen, was bestehende Modelle bereits leisten
Andrej Karpathy berichtete von MenuGen, einer Anwendung, die Gerichte auf fotografierten Restaurantmenüs illustrieren konnte. Später stellte er fest, dass ein allgemeines KI-Modell mit demselben Foto und einer einfachen Anweisung ein ähnliches Resultat lieferte. Das bedeutet nicht, dass Anwendungen verschwinden. Es stellt vielmehr die Frage nach ihrem tatsächlichen Mehrwert.
Wenn ein Produkt im Wesentlichen nur einen Prompt mit einer Oberfläche versieht, kann es schnell überflüssig werden. Eine eigene Anwendung kann dagegen sinnvoll sein, wenn sie Geschäftssysteme integriert, differenzierte Zugriffsrechte bietet, eine spezifische Nutzererfahrung ermöglicht oder Wiederholbarkeit, Nachvollziehbarkeit und Freigabeprozesse sicherstellt.
Vor dem Entwickeln lohnt sich deshalb ein Prototyp mit vorhandenen Werkzeugen. Danach lässt sich konkreter festhalten, was fehlt: Welche Daten müssen angebunden werden? Welche Aktionen müssen zuverlässig sein? Wer gibt welche Schritte frei? Welchen Wartungsaufwand kann und will die Organisation tragen?
Die Frage lautet nicht nur «Können wir das entwickeln?», sondern «Was kann eine eigene Lösung gewährleisten, das bestehende Werkzeuge nicht bieten?»
4. Ein CMS mit API ist nicht automatisch bereit für KI-Agenten
Bei der Content-Pflege wird das besonders greifbar. Ein Marketingteam möchte hundert Produktdatensätze in drei Sprachen aktualisieren. Ein Agent könnte die Inhalte abrufen, Änderungen vorbereiten, Übersetzungen vorschlagen und Unstimmigkeiten markieren. Ihm deshalb uneingeschränkte Publikationsrechte zu geben, wäre jedoch selten ein guter erster Schritt.
Ein robuster Ablauf trennt Lese- und Schreibrechte, Entwürfe und Publikation. Hinzu kommen ein Änderungsverlauf, menschliche Freigaben und bei Bedarf die Möglichkeit, Anpassungen rückgängig zu machen. Was genau möglich ist, hängt vom CMS, seiner API und den eingesetzten Integrationen ab.
Damit entsteht ein zusätzliches Kriterium bei der Plattformwahl. Eine gute Redaktionserfahrung bleibt wichtig. Gleichzeitig zählen die Struktur der Inhalte, fein abgestufte Berechtigungen und kontrollierbare Abläufe. Ein Headless CMS kann Integrationen erleichtern, löst aber die Fragen der Governance nicht von selbst.
Was sich für unsere Konzeption verändert
Bei ultraperfekt stellen wir uns dadurch einige Fragen früher im Projekt: Wer soll diese Inhalte lesen können, Mensch oder Agent? Welche Aktionen lassen sich sinnvoll automatisieren? Wie prüfen wir das Ergebnis? Und braucht es überhaupt eine neue Anwendung?
Die Grundlagen bleiben gleich: den Bedarf verstehen, Informationen strukturieren, eine passende Architektur wählen und das Ergebnis testen. KI macht diese Schritte nicht überflüssig. Sie erweitert die Situationen, in denen wir über die grafische Oberfläche hinausdenken müssen.
