Executive Summary
Mit ZHAT haben wir bei ZILONIS Process Intelligence eine zentrale Plattform entwickelt, die mehrere KI-Agents an einem Ort verbindet. Statt isolierter Einzellösungen arbeiten Agents gemeinsam, teilen Kontext und lernen mit jeder Aktion direkt dazu. Dadurch konnten wir Entwicklungs- und Business-Development-Prozesse deutlich beschleunigen, manuelle Abstimmungen reduzieren und komplexe Workflows skalierbar machen. Das Ergebnis ist ein lernendes Multi-Agent-System, das nicht nur Aufgaben automatisiert, sondern Zusammenarbeit zwischen Agents strukturiert organisiert. ZHAT bildet damit die technologische Grundlage für zukünftige KI-gestützte Prozesslandschaften und hebt sich klar von einfachen Chat-Interfaces ab.
Herausforderung
Ausgangslage
Als Entwickler von ZILONIS AI standen wir vor einer klaren Herausforderung: Einzelne KI-Agents konnten bereits spezialisierte Aufgaben übernehmen, arbeiteten jedoch oft isoliert voneinander. Dadurch entstanden Medienbrüche zwischen Recherche, Analyse, Content-Erstellung, Prozesslogik und operativer Ausführung.
Die Herausforderung im Detail
Für Business-Development-Teams bedeutet das in der Praxis:
- hoher Koordinationsaufwand zwischen Tools und Workflows
- manuelle Übergaben zwischen einzelnen Agenten
- fehlende Lernschleifen über mehrere Aktionen hinweg
- begrenzte Skalierbarkeit bei komplexen, mehrstufigen Prozessen
Unser Ziel war es deshalb, mit ZHAT eine zentrale Arbeitsumgebung zu schaffen, in der mehrere Agents an einem Ort zusammenarbeiten, Kontext teilen und aus jeder Aktion kontinuierlich dazulernen. Entscheidend war dabei nicht nur die Orchestrierung, sondern ein Lernverhalten, das mit jedem Prozessdurchlauf präziser wird.
Lösung
Unsere Lösung
Mit ZHAT haben wir eine zentrale Agenten-Plattform entwickelt, die verschiedene spezialisierte KI-Agents in einer gemeinsamen Oberfläche bündelt. Statt isolierter Einzelanwendungen verbindet ZHAT Recherche-, Analyse-, Kommunikations- und Automatisierungs-Agents in einem durchgängigen Arbeitsmodell.
Technische Umsetzung
Die Lösung basiert auf drei Kernprinzipien:
- Zentrale Agenten-Orchestrierung: Mehrere Agents arbeiten in einer gemeinsamen Umgebung und übergeben Aufgaben strukturiert aneinander.
- Kontinuierliches Lernverhalten: Jeder Agent lernt direkt aus Nutzerinteraktionen, Entscheidungen und Prozessausgängen mit. Stichpunkt: "Toolprozessoptimierung"
- Kontextübergreifende Zusammenarbeit: Informationen, Ziele und Zwischenergebnisse bleiben erhalten und müssen nicht in jedem Schritt neu eingegeben werden.
Zusätzlich haben wir ZHAT so konzipiert, dass externe Agenten, Tools und Automationen nahtlos angebunden werden können. Damit ist die Plattform nicht nur ein Interface, sondern die Grundlage für skalierbare, lernende Multi-Agent-Systeme im Business Development.
Ergebnisse
Erzielte Wirkung
Durch die Einführung von ZHAT konnten wir unsere internen Entwicklungs- und Abstimmungsprozesse deutlich beschleunigen. Wiederkehrende Aufgaben wurden nicht mehr nur automatisiert, sondern intelligent zwischen Agents verteilt. Das reduzierte manuelle Koordination und erhöhte gleichzeitig die Qualität der Ergebnisse.
Effekte die spürbar sind
Die wichtigsten Effekte nach dem produktiven Einsatz:
- Ein Ansprechpartner anstatt zwischen den einzelnen Agenten zu wechseln, sprechen Sie mit ihrem Assistenten, der entscheidet wer das erledigt.
- Unternehmens-Wissen an einem Ort indem Agenten in die Lage versetzt werden, Unternehmens-Wissen zu speichern
- DSGVO Modelle können auf deutschen Servern verwendet werden, sowie auch lokal mit entsprechender Hardware
Strategischer Mehrwert
ZHAT schafft damit einen klaren Unterschied zu klassischen Chat-Lösungen: Es ist nicht nur eine Oberfläche für Prompts, sondern ein lernendes System für Zusammenarbeit zwischen Agents. Genau dieser Anspruch passt auch zu unserem Produktversprechen: Prozesse nicht nur digitalisieren, sondern intelligent weiterentwickeln.
Kennzahlen
Projekt-Tagebuch
Von E-Mail-Hilfe zur Prozessplattform
Die Story hat sich von einer reinen E-Mail-Effizienz-Erzählung zu einer belastbaren Prozessplattform-Story entwickelt. Im Vordergrund stehen jetzt Multi-Agent-Zusammenarbeit, Kontext-Memory, kontrollierte Automatisierung und Governance.
Damit funktioniert die Case Study nicht nur als Feature-Beispiel, sondern als glaubwürdiger Transformationsverlauf.
Human-in-the-Loop erhöhte Akzeptanz
Human-in-the-Loop, Rechtekonzept und Nachvollziehbarkeit wurden stärker in den Vordergrund gestellt. Damit wurde klarer, dass ZHAT unterstützt und absichert, statt unkontrolliert zu automatisieren.
Die Akzeptanz im Pilotteam stieg dadurch deutlich.
Vertrauen in Vorschläge musste wachsen
Der Vertrauensaufbau in automatisierte E-Mail-Vorschläge dauerte länger als erwartet. Fachbereiche wollten nachvollziehen können, warum eine Priorisierung oder ein Entwurf empfohlen wurde.
Der operative Rollout musste deshalb bewusster abgestuft werden.
Fachbereiche schätzen nutzbaren Kontext
> "Hilfreich ist nicht die schnelle Antwort, sondern dass wir weniger selbst zusammensuchen müssen."
Besonders positiv bewertet wurde, dass ZHAT nicht nur Text erzeugt, sondern konkrete Vorarbeit mit nutzbarem Kontext leistet.
Outlook-nahe Abläufe auf Verlaufskontext optimiert
Die Outlook-nahen Abläufe wurden stärker auf Thread-Kontext, Priorisierung und Verlaufskonsistenz ausgerichtet.
Antwortentwürfe wurden robuster und Zusammenfassungen lagen näher an der tatsächlichen Kommunikationslage.
Thread-Kontext war noch nicht robust genug
Längere E-Mail-Threads führten teilweise zu Kontextverlust, wenn nur Einzelmails oder unvollständige Verläufe betrachtet wurden.
Entwürfe waren in Einzelfällen formal brauchbar, aber inhaltlich nicht präzise genug.
Agentenrollen an reale Aufgaben gebunden
Die Rollen der Agenten wurden geschärft und enger an reale Aufgaben gebunden. Statt eines allgemeinen Assistenten kamen spezialisierte Rollen für Analyse, operative Unterstützung und Entscheidungsvorbereitung zum Einsatz.
Dadurch wurden die Ergebnisse für Fachbereiche nachvollziehbarer und besser an bestehende Abläufe anschlussfähig.
ZHAT wurde anfangs als Chatbot missverstanden
Im frühen Pilotbetrieb wurde ZHAT von einigen Stakeholdern zunächst wie ein generischer Chatbot bewertet. Dadurch wurden Antworten an Maßstäben gemessen, die für das Projekt zu kurz greifen: schnell und allgemein statt kontextreich und prozessnah.
Der wahrgenommene Nutzen blieb anfangs hinter dem tatsächlichen Potenzial zurück.
Pilot auf klaren Use Case fokussiert
Der Start wurde bewusst auf einen klar abgegrenzten Engpass reduziert: E-Mail-Sichtung, Priorisierung und Antwortvorbereitung für Teams mit hohem Kommunikationsvolumen.
Dieser Fokus hat verhindert, dass das Projekt in zu viele Parallelthemen zerfällt, und machte den Nutzen im Tagesgeschäft schneller sichtbar.