Ist Ihre Dokumentation bereit für Agentic AI?

Hinweis: Dieser Blogbeitrag wurde mithilfe von KI aus der Originalversion übersetzt und kann daher geringfügige Abweichungen enthalten. Einige der Links in diesem Beitrag führen zu Inhalten, die nur auf Englisch verfügbar sind.

Hinweis der Redaktion: Dieser Artikel erschien ursprünglich im April 2026 im tcworld e-magazine.

Jahrzehntelang war die Grundannahme der technischen Dokumentation klar: Menschen schreiben sie, und Menschen lesen sie. Diese Annahme prägte jede Entscheidung, von der Architektur und Struktur der Inhalte bis zu ihrer Übersetzung. Sie bestimmte auch, wie Inhalte bereitgestellt wurden: über vorlagenbasierte Dokumente und Portale, die auf Nutzerreisen, Branding und UX-Design ausgerichtet sind.

Diese Grundannahme wird gerade neu geschrieben.

KI-Agenten entwickeln sich zu den wichtigsten Konsumenten technischer Inhalte. In manchen Unternehmen hat dieser Wandel bereits begonnen, in anderen liegt er nur wenige Monate entfernt. In jedem Fall ist die Zielgruppe, für die technische Redakteure bisher geschrieben und optimiert haben, künftig nicht mehr die primäre.

Dokumentationsteams müssen deshalb prüfen, ob ihre Dokumentation und ihre Infrastruktur auf KI-Agenten ausgelegt sind. Ist das nicht der Fall, müssen sie ihren Ansatz bei der Erstellung von Dokumentation, der Bereitstellung von Inhalten und dem Wissensmanagement überdenken.

Die neue Ära der KI, die planen, handeln und sich anpassen kann

Dieser Wandel begann 2025 mit dem Aufstieg von Agentic AI. Ende 2025 gaben 23 % der Befragten der McKinsey-Umfrage an, dass ihr Unternehmen agentische KI-Systeme bereits in mindestens einem Geschäftsbereich skaliert.

Diese Technologie hat ein hohes Renditepotenzial, weil sie Schlussfolgern, Planen und Handeln verbindet. Agentic AI bezeichnet Systeme der Künstlichen Intelligenz, die autonom agieren. Sie können planen, Entscheidungen treffen und komplexe Handlungsfolgen ausführen, ohne dass jemand sie zwingend anstoßen muss. Das Ergebnis ist ein System, das proaktiv Ziele über digitale Tools und Umgebungen hinweg erreicht und dabei nur wenig menschliches Eingreifen erfordert.

Agentische Workflows beginnen mit der Phase der „Wahrnehmung“. Hier wird ein Agent durch Informationen von Sensoren, Änderungen in Datenbanken oder einen anderen Impuls ausgelöst, etwa einen menschlichen Befehl. Es folgt das „Schlussfolgern“ durch Large Reasoning Models (LRMs). LRMs sind eine neue Art von LLMs, die speziell auf „Denken“ trainiert wurden. Beim Schlussfolgern entwickeln diese Modelle Pläne, wie sie ihre Ziele erreichen. Anschließend handelt der Agent, statt einem Menschen lediglich einen Vorgang vorzuschlagen. Zum Schluss prüfen Agenten die Ergebnisse, um künftige Resultate zu verbessern.

Fachanwendungen (Line-of-Business-Anwendungen, LOB) haben agentische Workflows bereits in ihre Lösungen integriert. CRM-Lösungen beispielsweise enthalten KI-gestützte Sales Development Representatives, die komplette Akquisezyklen steuern, und Helpdesk-Tools setzen KI-Agenten ein, um Nutzertickets zu lösen.

Agentic AI für bereichsübergreifende Anwendungsfälle

Das wirklich bahnbrechende Einsatzgebiet agentischer Technologie sind bereichsübergreifende Anwendungsfälle. Wenn Teams gemeinsam ein komplexes Problem lösen müssen, sind mehrere Beteiligte im Spiel, die mit vielen unabhängigen Systemen arbeiten. In einem typischen Serviceprozess wird selbst ein einfacher Ablauf mühsam und kompliziert, sobald Abstimmungsschleifen mit Spezialisten und deren unterschiedlichen Lösungen hinzukommen.

Diese Schritte sind unverzichtbar, doch ihr mechanischer Charakter macht sie zu guten Kandidaten für die Automatisierung.

Bisher ließ sich ein solcher Prozess nur automatisieren, indem man die Schritte und die Interaktionen mit jeder Anwendung per Skript abbildete. Prozesse mit hoher Variabilität lassen sich jedoch nur schwer programmieren. Teams müssen mit unerwarteten Ereignissen umgehen, die das Skript zum Absturz bringen und die Komplexität erhöhen können (z. B. ein Teil ist nicht lieferbar, der Versand verzögert sich, ein Techniker fällt am geplanten Einsatztag krank aus usw.). Das Ergebnis ist ein extrem wartungsintensives System, das die Pflege von Tausenden Zeilen individuellem Code erfordert. Für derart große Schwankungen bei Parametern und Bedingungen eignet sich diese Lösung nicht. Der manuelle Aufwand für das Schreiben des Codes und die Fehlerbehandlung würde die erwartete Zeit- und Aufwandsersparnis wieder aufzehren.

Mit Agentic AI gibt es nun endlich eine praktikable Lösung. Teams beschreiben ihren Prozess einfach in Klartext, und die KI-Agenten sprechen mit jedem System, um den gesamten Workflow zu steuern. Das ist schneller, einfacher und günstiger zu pflegen als ein System aus individuellem Code.

Typische Hürden für agentische Workflows

Wer diese Grundlagen versteht, kann die zentralen Herausforderungen beim Einsatz von Agentic AI erfolgreich angehen.

1. Fehlende MCP-Fähigkeit

Anwendungen müssen MCP-fähig sein, damit KI-Agenten auf ihre Informationen zugreifen können. Bei großen Fachanwendungen wie Helpdesks und CRMs ist das bereits der Fall, sodass sie sich gut für die KI-Integration eignen.

Die Herausforderung liegt bei informell organisierten Inhalten, die in Dateien und verschiedenen Repositories liegen. Von Netzlaufwerken über Enterprise-Content-Management-Systeme (ECM) und Wikis bis zu CCMS fehlt vielen Quellen die MCP-Anbindung, sodass ihre Informationen für agentische Systeme unzugänglich bleiben. Wenn Unternehmen agentische Systeme aufbauen, bleiben daher ganze Wissensbereiche außen vor, weil LLMs und LRMs Anwendungen ohne MCP-Anbindung und deren Inhalte ignorieren. Das schafft blinde Flecken für die KI, und Agenten tragen Fehler und unvollständige Informationen in die Workflows hinein.

2. Verstreutes Wissen

Selbst wenn diese verschiedenen Systeme und Repositories MCP-fähig wären, würden sie bei den Agenten für Verwirrung und Fehler sorgen. Wenn Informationen verstreut sind, wissen agentische Systeme nämlich nicht, mit welcher Anwendung sie kommunizieren sollen, um verlässliche Antworten zu erhalten.

So wie sich Menschen bei speziellen Fragen an Fachexperten wenden, brauchen Agenten für jedes Fach- oder Geschäftsgebiet ein Referenzsystem. Bei zentralen Unternehmenssystemen ist das meist vorhanden: Customer-Relationship-Management (CRM) für Kundendaten, Enterprise Resource Planning (ERP) für Personal und Finanzen. Sie dienen als eindeutige Leitsysteme für ihren Bereich. Fragmentierte Inhalte lassen sich dagegen nur schwer zu klaren, maßgeblichen Referenzen ordnen. Ohne einheitliches, domänenspezifisches Wissen können KI-Agenten ihre Antworten nicht verlässlich auf eine einzige Wissensquelle stützen. Wenn einem Agenten zum Beispiel zehn verschiedene Anwendungen mit Produktwissen angeboten werden, berücksichtigt er nur eine zufällige Auswahl davon und übersieht wichtige Informationen. Wissen muss daher zunächst nach Geschäftsbereichen zusammengeführt und in einem MCP-fähigen Referenzsystem bereitgestellt werden.

3. Inhalte sind nicht KI-tauglich

Redakteure bereiten Inhalte oft für menschliche Leser auf, in Formaten wie PDF und HTML, die für ein KI-Publikum nicht geeignet sind. Sie behalten weder die Granularität noch die Tags, die im ursprünglichen Quellinhalt vielleicht vorhanden waren, bevor die Formatierung für das menschliche Auge erfolgte. Die meisten Inhalte liegen daher als monolithische Dokumente vor, denen der Kontext fehlt und die visuelle Hinweise enthalten, die für KI-Agenten bestenfalls überflüssig und schlimmstenfalls irreführend sind. Zusammengenommen führt das dazu, dass die KI Inhalte beim Verarbeiten und Interpretieren halluziniert.

In drei Schritten zu KI-tauglichen Inhalten

Wenn Unternehmen Agentic AI einführen, müssen sich technische Redakteure darauf vorbereiten, indem sie

• neue Inhalte für KI aufbereiten,
• die Dokumentation zusammenführen
• und die Hoheit über die Inhalte behalten, während sie diese über MCP verfügbar machen.

Schritt 1: Mehr schreiben

Ja, Sie haben richtig gelesen. In den vergangenen Jahren fürchteten Dokumentationsteams, durch KI ersetzt zu werden. Tatsächlich brauchen Unternehmen das Gegenteil: mehr Ressourcen und mehr Redakteure in den Dokumentationsteams, um die folgenden drei inhaltlichen Anpassungen vorzunehmen:

1. Das Selbstverständliche ausformulieren. Das LLM im agentischen System kennt sich in Ihrer Domäne nicht so gut aus wie Ihre Kunden, Techniker und Servicemitarbeiter. Menschen verfügen über implizites Wissen aus Erfahrung und technischem Verständnis, deshalb enthält Dokumentation offensichtliche und kleinste Details nicht. Da Maschinen dieses implizite Verständnis fehlt, tun sie sich oft schwer, Kontext zu deuten. Fachspezifische und unternehmensspezifische Informationen sind LLMs besonders unbekannt und müssen daher ausformuliert werden.
2. Das „Warum“ dokumentieren, nicht nur das „Wie“. Die meiste Dokumentation erklärt, wie etwas funktioniert: wie Produkte aufgebaut sind, wie man Verfahren befolgt, wie man bestimmte Ziele erreicht und mehr. Wenn LLMs Inhalte abfragen, beginnen sie jedoch oft mit übergeordneten Fragen dazu, warum bestimmte Schritte und Verfahren erforderlich sind. Redakteure müssen diese inhaltlichen Lücken schließen und so eine Brücke von der Anfrageabsicht der KI zur Dokumentation schlagen.
3. Internes Expertenwissen nutzen, um Inhalte zu stärken. Jedes Unternehmen verfügt über einen riesigen Schatz an wertvollem Wissen, das in den Köpfen von Fachexperten, Entwicklern und Supportmitarbeitern steckt. Ob durch Experteninterviews oder von Experten verfasste Erstentwürfe: Technische Redakteure müssen diese Informationen herausholen und dokumentieren. Diese Erkenntnisse und der zusätzliche Kontext helfen KI-Systemen, bessere und fundiertere Entscheidungen zu treffen.

Mit diesen inhaltlichen Empfehlungen ergänzen Sie Ihre Dokumentation um neues, detailliertes Expertenwissen und Domänenwissen, das LLMs Kontext liefert. Da die Zielgruppe für diese zusätzlichen Inhalte KI-Systeme sind und keine Menschen, vereinfacht sich die Inhaltserstellung erheblich.

Dieses Wissen muss nicht wie klassische Dokumentation verwaltet werden. Für Menschen verfasste Inhalte entstehen in semantisch reichhaltigen Formaten wie DITA, doch viele dieser Formate dienen vor allem der Lesbarkeit und Auslieferung für Menschen. Zusätzliche Inhalte, die ausschließlich für KI geschrieben werden, können dagegen als einfacher Text vorliegen, solange sie granular sind und Metadaten besitzen. Entscheidend ist, dass die Informationen vorhanden sind und zusätzlichen Kontext liefern. KI braucht nicht dieselben semantischen oder XML-Auszeichnungen, die ein komplexes, optisch ansprechendes Dokument für Menschen erzeugen. Diese grundlegende Veränderung bei der Inhaltserstellung ist möglich, weil KI viele Seiten dichten Texts mühelos aufnehmen und verstehen kann, ohne die visuellen Anhaltspunkte, die Menschen zur Orientierung brauchen.

Stattdessen können Teams Inhalte für KI in Formaten wie Markdown aufbereiten, in jedem Abschnitt Metadaten-Tags ergänzen und separate, granulare Dateien anlegen.

Schritt 2: Inhalte zusammenführen und vorbereiten

Ihre Dokumentation mag umfassend und für das KI-Verständnis geeignet sein, doch das nützt nichts, wenn agentische Systeme sie nicht finden. In einer Landschaft aus Silos zu navigieren, ist für Menschen machbar, aber mühsam, für KI-Agenten jedoch verheerend. Dokumentationsteams müssen eine zentrale, maßgebliche Quelle für Produktwissen schaffen, die Agenten auf eine verlässliche Wissensbasis stützt. Das bedeutet, Produktinhalte aus allen Quellen (z. B. CCMS, LMS, Wikis, SharePoint usw.) in einem einzigen Wissensspeicher zu bündeln. Es bedeutet auch, unterschiedliche Formate zu vereinheitlichen und die Inhalte anschließend anzureichern, damit sie für KI optimiert sind.

Für die Skalierung von Agentic AI ist die Qualität der Produktdokumentation wichtiger als die Leistungsfähigkeit der Modelle. Technische Redakteure müssen sicherstellen, dass Wissen für KI-Workflows geordnet, gesteuert und zugänglich ist. Am einfachsten gelingt das mit einem einheitlichen, für KI optimierten Content-Repository, das als maßgebliche Referenz für Produktwissen dient.

Schritt 3: Die Hoheit behalten und Inhalte MCP-fähig machen

Ein solches Repository zur Zusammenführung der Inhalte aus allen Quellen aufzubauen, klingt vielleicht einfach, doch Teams sollten davon absehen, eine eigene Plattform zu entwickeln. Was nach einem spannenden Projekt aussieht, kann schnell zum Albtraum im Kaninchenbau und zum Risiko werden. Würden Sie Ihr eigenes CRM oder ERP entwickeln? Nein. Warum also eine Plattform für das Wissensmanagement? Die Zeit der Pilotprojekte und Eigenentwicklungen, mit denen man trendige, letztlich aber irrelevante Ansätze ausprobiert, ist vorbei. Erfolgreiche Agentic AI braucht Produkte in Enterprise-Qualität, die validierte, aktuelle Technologie (die sich in beispiellosem Tempo weiterentwickelt), Test- und Validierungsmethoden sowie Prozesse für Ausführung und Monitoring vereinen.

IT und Entwickler agentischer Systeme brauchen keinen vollständigen Zugriff auf Ihre Inhalte. Sie müssen sie nur nutzen können. Statt Ihre Inhalte irgendwo abzuladen oder der IT zur Verwaltung zu überlassen, brauchen Sie eine Lösung, über die jedes Team Ihre Dokumentation für KI-Workflows per MCP anbinden kann. Investieren Sie in eine spezialisierte Wissenslösung, die sich nahtlos in Ihre bestehenden Inhaltsquellen einfügt, Zugriffsrechte, Content-Governance und Qualitätskontrolle bietet und MCP-fähig ist. Entscheidend ist, dass Sie Ihre technische Dokumentation selbst in der Hand behalten.

Fazit

Mit der Verbreitung von Agentic AI müssen Dokumentationsteams ihre Sicht darauf ändern, warum und wie sie Inhalte schreiben. Dieser Wandel ist unausweichlich und hat bei Vorreitern bereits begonnen. Jedes Team muss prüfen, welche neuen KI-Anwendungsfälle sein Unternehmen umsetzen möchte. Darauf aufbauend lässt sich bestimmen, welche Informationen die Systeme benötigen, und die Inhalte lassen sich entsprechend für das KI-Verständnis anpassen.

Auf der Infrastrukturseite sollten Teams keine Zeit damit verlieren, eine eigene einheitliche Repository-Lösung zu bauen. Stattdessen sollten sie eine sofort einsetzbare, domänenspezifische und MCP-fähige Lösung einkaufen. Als maßgebliche Quelle für Produktwissen bieten Gateway-Lösungen wie Product Knowledge Platforms die KI-nativen Funktionen, die Ihr Team braucht, um agentische Workflows zu entwerfen.