Graph Engineering: Warum KMU jetzt nicht mehr nur Prompts, sondern Arbeitssysteme gestalten sollten

Transparenzhinweis: Dieser Beitrag wurde automatisiert mithilfe generativer KI auf Grundlage eines Podcast-Transkripts erstellt.

Viele KMU haben inzwischen erste Erfahrungen mit KI gesammelt. Ein Prompt hier, ein Chatbot dort, vielleicht ein Copilot für Texte oder Code. Der Engpass ist aber immer seltener die reine Modellfähigkeit. Der Engpass ist die Frage, wie aus einzelnen KI-Antworten ein verlässlicher Arbeitsablauf wird.

Genau an dieser Stelle wird der Begriff Graph Engineering interessant. Er klingt zunächst nach neuem AI-Twitter-Buzzword. In der Sache beschreibt er aber ein reales Problem: Wie organisiert man mehrere KI-Agenten, Tools, Datenquellen und menschliche Freigaben so, dass daraus ein belastbares System entsteht?

Die Kernidee in drei Sätzen

Graph Engineering bedeutet vereinfacht: Nicht nur einen einzelnen KI-Agenten verbessern, sondern die Zusammenarbeit mehrerer spezialisierter Einheiten gestalten. Während ein „Loop“ beschreibt, wie ein Agent eine Aufgabe wiederholt bearbeitet, beschreibt ein „Graph“, wie mehrere Agenten und Menschen Arbeit untereinander aufteilen. Für KMU ist das relevant, weil viele Geschäftsprozesse nicht an einer einzelnen Antwort scheitern, sondern an Übergaben, Kontextverlust und unklaren Zuständigkeiten.

Von Prompt zu Graph: Was sich gerade verändert

Der Podcast ordnet den Begriff in eine Entwicklung ein:

• Prompt Engineering: Wie formuliere ich eine gute Anweisung?
• Context Engineering: Welche Informationen braucht das Modell?
• Harness Engineering: In welcher Umgebung arbeitet der Agent?
• Loop Engineering: Wie arbeitet ein Agent iterativ bis zu einem Ziel?
• Graph Engineering: Wie arbeiten mehrere Agenten, Tools und Menschen zusammen?

Der entscheidende Punkt ist: Diese Stufen ersetzen sich nicht gegenseitig. Sie bauen aufeinander auf. Ein schlechter Prompt bleibt schlecht. Fehlender Kontext bleibt ein Problem. Aber sobald ein Unternehmen mehr als nur Einzelabfragen automatisieren will, reicht die Optimierung auf Prompt-Ebene nicht mehr aus.

Was heißt das praktisch für KMU?

1. Ein einzelner Agent ist oft nicht das eigentliche Ziel

Viele Unternehmen starten mit der Idee: „Wir brauchen einen KI-Agenten für Marketing / Vertrieb / Service.“ In der Praxis ist das meist zu grob. Sinnvoller ist die Frage: Welche Teilaufgaben gibt es eigentlich?

Beispiel Angebotsprozess:

• Ein Agent sammelt Kundenanforderungen.
• Ein zweiter prüft interne Vorlagen und Preislogik.
• Ein dritter erstellt den Entwurf.
• Ein Mensch gibt kritische Punkte frei.
• Ein weiterer Agent überführt Inhalte ins CRM oder DMS.

Das ist bereits ein einfaches Graph-Denken: spezialisierte Knoten statt ein Alleskönner.

2. Übergaben sind wichtiger als Einzelintelligenz

In vielen KMU scheitert Automatisierung nicht daran, dass die KI „zu dumm“ ist. Sie scheitert daran, dass unklar ist:

• Wer darf was auslösen?
• Welche Daten dürfen weitergegeben werden?
• Wann muss ein Mensch eingreifen?
• Was passiert bei Fehlern?

Graph Engineering zwingt dazu, diese Übergaben explizit zu machen. Das ist kein akademischer Luxus, sondern oft der Unterschied zwischen Demo und produktivem Betrieb.

3. Nicht jeder Prozess braucht einen Graphen

Das ist wichtig, damit aus dem Begriff kein Selbstzweck wird. Wenn eine Aufgabe klar, sequenziell und in einem Kontextfenster lösbar ist, reicht oft ein einzelner Agent mit sauberem Loop.

Ein Graph wird erst dann sinnvoll, wenn mindestens eines davon zutrifft:

• verschiedene Fachdomänen sind beteiligt
• parallele Bearbeitung spart Zeit
• unterschiedliche Tools oder Modelle werden gebraucht
• Freigaben müssen an definierten Stellen erfolgen
• ein Fehler in einem Teilprozess darf nicht alles stoppen

4. Menschen bleiben Teil des Systems

Ein guter Graph ersetzt nicht automatisch Menschen. Er setzt sie gezielter ein. Statt überall manuell zu prüfen, greifen Menschen nur an den Stellen ein, an denen Risiko, Interpretation oder Verantwortung hoch sind.

Das ist gerade für KMU wichtig. Dort sind Ressourcen knapp. Niemand will einen Prozess bauen, der am Ende mehr Kontrollaufwand erzeugt als vorher.

Eine passende Metapher

Man kann sich Graph Engineering wie eine kleine Werkstatt vorstellen, nicht wie einen Universalroboter. Ein Universalroboter klingt beeindruckend, stolpert aber schnell über Spezialfälle. Eine gut organisierte Werkstatt hat dagegen klare Stationen: Annahme, Diagnose, Bearbeitung, Qualitätsprüfung, Übergabe. Nicht jede Person macht alles, aber zusammen entsteht ein verlässlicher Ablauf. Genau das ist der Unterschied zwischen „eine KI kann etwas“ und „ein Unternehmen kann damit arbeiten“.

Umsetzung im KMU: sinnvoller erster Schritt

Der beste Einstieg ist nicht der Bau eines komplexen Multi-Agent-Systems. Der bessere erste Schritt ist die Auswahl eines wiederkehrenden Prozesses mit klaren Übergaben.

Geeignete Kandidaten sind oft:

• Content-Produktion mit Freigabe
• Lead-Qualifizierung und Nachverfolgung
• Angebots- und Dokumentenerstellung
• Support-Triage
• interne Wissensaufbereitung

Dann sollte der Prozess in vier Ebenen zerlegt werden:

1. Ziel und Endbedingung

Woran erkennt man, dass die Aufgabe wirklich erledigt ist?

2. Teilaufgaben

Welche Schritte lassen sich sinnvoll trennen?

3. Übergaben

Welche Informationen müssen von Schritt zu Schritt mitgegeben werden?

4. Eskalation

Wann muss ein Mensch übernehmen oder freigeben?

Typische Stolperfallen

Einige Fehler sehe ich in KMU besonders häufig:

Zu früh zu komplex werden

Mehrere Agenten klingen modern, erhöhen aber auch Komplexität. Erst den Prozess klären, dann die Architektur.

Schlechte Daten mit KI überdecken wollen

Wenn Vorlagen, Zuständigkeiten oder Freigaberegeln unklar sind, wird der Graph nur chaotischer.

Keine Erfolgskriterien definieren

Ohne Kennzahlen wie Bearbeitungszeit, Fehlerquote oder Freigabeaufwand bleibt der Nutzen unsichtbar.

Mein Beratungsbeitrag: drei konkrete Unterstützungsangebote

1. Agentic Process Mapping Workshop

Wir identifizieren einen geeigneten KMU-Prozess und zerlegen ihn in Aufgaben, Übergaben, Freigaben und Risiken.

2. Loop-vs-Graph Pilotdesign

Ich helfe zu entscheiden, ob ein einzelner Agent genügt oder ob ein Multi-Agent-Ansatz sinnvoll ist – inklusive Pilotarchitektur.

3. Governance- und Betriebsrahmen

Wir definieren, welche Aktionen automatisiert laufen dürfen, wo menschliche Freigaben nötig sind und wie Monitoring und Logging aussehen.

Fazit

Graph Engineering ist vor allem dann nützlich, wenn man es nicht als Modewort, sondern als Denkwerkzeug versteht. Für KMU bedeutet das: weg von isolierten KI-Experimenten, hin zu klar gestalteten Arbeitssystemen. Nicht jeder Prozess braucht einen Graphen. Aber jedes Unternehmen, das KI produktiv einsetzen will, sollte lernen, in Aufgaben, Übergaben und Verantwortlichkeiten zu denken.

Wenn Sie bereits erste KI-Use-Cases haben, aber noch nicht zuverlässig von Pilot zu produktivem Ablauf kommen, ist genau das meist der nächste sinnvolle Schritt.

---

Quelle: The AI Daily Brief, Folge „What the Heck is Graph Engineering?“, Host: Nathaniel Whittemore, veröffentlicht am 2026-08-10. Die Zusammenfassung, Einordnung und KMU-Ableitungen sind eine eigenständige KI-gestützte Bearbeitung und keine offizielle Veröffentlichung des Podcasts.