Der Enterprise-AI-Vorstoß von Anthropic und Salesforce legt die Adoptionslücke offen
Führungskräfte von Anthropic und Salesforce übermittelten auf der Dreamforce eine deutliche Botschaft: Unternehmen nutzen nur 5% bis 10% des aktuellen Potenzials von AI. Der Enterprise-AI-Vorstoß von Anthropic und Salesforce konzentriert sich nun darauf, diese Lücke zu schließen, statt auf den nächsten großen Modellsprung zu warten.
Anthropic-CEO Dario Amodei und Salesforce-CEO Marc Benioff beschrieben die Einführung bei ihrem Auftritt am 15. September in San Francisco als uneinheitlich. Ihre Argumentation kehrt die gewohnte Perspektive um. AI-Unternehmen entwickeln immer leistungsfähigere Systeme, doch die meisten Unternehmen haben weiterhin Schwierigkeiten, bestehende Fähigkeiten in verlässliche Arbeitsabläufe zu überführen.
Diese Lücke bringt Salesforce in eine ungewöhnliche Position. Anbieter von Frontier-Modellen können traditionelle Softwareplattformen bedrohen, benötigen diese Plattformen jedoch zugleich, um Zugang zu Unternehmensdaten und Workflows zu erhalten. Salesforce wiederum braucht Modelle wie Claude und muss gleichzeitig seine Rolle als operative Ebene für Kundeninformationen und Geschäftsprozesse verteidigen.
Anthropic Salesforce Enterprise AI verlagert sich von Modellen zu Workflows
Die zentrale Botschaft lautete nicht, dass Unternehmen intelligentere AI brauchen. Sie brauchen mehr Unterstützung dabei, die bereits verfügbare Intelligenz zu nutzen.
Amodei sagte, dass sich nur 5% bis 10% des aktuellen Werts von AI in der Wirtschaft verbreitet hätten. Seine Schätzung zur wirtschaftlichen Verbreitung war eine Einschätzung und keine unabhängig gemessene volkswirtschaftliche Kennzahl. Dennoch umrahmte sie das zentrale Problem für Anbieter von Enterprise AI.
Unternehmen können innerhalb weniger Minuten einen Chatbot öffnen und nützliche Texte erstellen. AI in einem regulierten Vertrieb, Service, Finanzbereich oder Supportbetrieb einzusetzen, ist eine andere Herausforderung.
Ein Produktivsystem benötigt präzisen Geschäftskontext, kontrollierte Zugriffe, vorhersehbare Aktionen und menschliche Prüfung. Außerdem braucht es einen Verantwortlichen, der beurteilen kann, ob das System ein wertvolles Ergebnis geliefert hat.
Benioff sprach von erheblicher „Uneinheitlichkeit“ bei der Einführung in Unternehmen. Einige Teams hätten AI in tägliche Abläufe eingebettet, während andere in Pilotprojekten feststeckten. Er sagte Dreamforce-Kunden, Salesforce müsse mehr tun, um ihre Transformation zu beschleunigen.
Die Unternehmen verbanden diese Botschaft mit einer konkreten Produktveröffentlichung. Anthropic stellte Salesforce in Claude vor, ein Beta-Plugin, das Claude mit Accounts, Opportunities und Pipeline-Informationen verbindet.
Das Plugin Salesforce in Claude umfasst 37 Skills für gängige Vertriebsaufgaben. Diese Skills decken Account-Recherche, Meeting-Vorbereitung, Pipeline-Reviews und CRM-Aktualisierungen ab.
Zwei Connectors unterstützen das Plugin. Einer bringt Salesforce-Daten unter den bestehenden Berechtigungen in Claude ein. Der andere verbindet laut Anthropic Agentforce Sales mit Claude.
Claude kann einen morgendlichen Überblick mit Meetings, kurz vor dem Abschluss stehenden Deals, gefährdeten Opportunities und unbeantworteten Nachrichten erstellen. Es kann auch CRM-Änderungen entwerfen, doch ein Vertriebsmitarbeiter muss diese Aktualisierungen genehmigen, bevor sie Salesforce erreichen.
Dieser Genehmigungsschritt ist wichtig. Er zeigt, wie die Unternehmen AI als operativen Assistenten und nicht als uneingeschränkten Entscheider positionieren.
Anthropic nannte GitLab, Siemens und Legora als Kunden, die die Integration einsetzen. Benioff sagte zudem, dass bereits 7.000 Salesforce-Mitarbeitende Tools nutzen, die mit Claude integriert sind.
Diese Einsätze liefern konkrete Beispiele, belegen jedoch keine breit angelegten Produktivitätsgewinne bei Kunden. Anthropic hat keine Vergleichsergebnisse veröffentlicht, die zeigen, wie das Plugin Umsatz, Vertriebszyklen oder Datenqualität verändert.
Die Veröffentlichung verändert dennoch die Diskussion über Enterprise AI. Sie lenkt die Aufmerksamkeit weg von isolierten Prompts und hin zu vollständigen Aufgaben innerhalb von Systemen, in denen Mitarbeitende bereits arbeiten.
Ein Vertriebsmitarbeiter braucht keine weitere allgemeine Demonstration der Textgenerierung. Er benötigt zuverlässigen Zugriff auf den richtigen Account, die aktuellste Kommunikation und die Genehmigungsregeln des Unternehmens.
Die Partnerschaft versucht, diese Elemente zusammenzuführen. Claude liefert allgemeine Fähigkeiten für Schlussfolgern und Sprache. Salesforce liefert Kundendatensätze, Workflow-Logik, Berechtigungen und Aktionen.
Diese Kombination definiert die Enterprise-AI-Strategie von Anthropic und Salesforce. Das Modell bleibt wichtig, doch das umgebende operative System entscheidet darüber, ob Mitarbeitende ihm echte Arbeit anvertrauen können.
Warum die Einführung von Enterprise AI weiterhin hinter den Fähigkeiten zurückbleibt
Die Einführung in Unternehmen verlangsamt sich, wenn eine überzeugende Demonstration auf fragmentierte Daten, unklare Verantwortlichkeiten und Workflows trifft, die keine Improvisation zulassen.
AI-Modelle haben sich schneller verbessert, als die meisten Unternehmen ihre Abläufe neu gestalten können. Unternehmen müssen mehrere Systeme verbinden, sensible Informationen klassifizieren, zulässige Aktionen definieren und Mitarbeitende schulen, bevor ein Agent sicher handeln kann.
Selbst eine einfache Frage kann Informationen aus mehreren Quellen erfordern. Ein Kunde könnte fragen, ob eine Bestellung heute versendet werden kann. Die korrekte Antwort könnte CRM-Datensätze, Bestände, Verträge, Richtlinien und frühere Kommunikation einbeziehen.
Ein Modell versteht die Frage möglicherweise sofort. Ohne aktuellen, autorisierten Zugang zu jeder relevanten Quelle kann es dennoch keine verlässliche operative Antwort geben.
Diese Unterscheidung erklärt, warum Pilotprojekte häufig schneller vorankommen als Produktiveinsätze. Ein Pilot kann einen begrenzten Datensatz verwenden und manuelle Korrekturen tolerieren. Ein Produktivsystem muss Ausnahmen, Berechtigungen, Audits und sich ändernde Geschäftsregeln bewältigen.
Die eigene CIO-Forschung von Salesforce veranschaulicht den Widerspruch. Die CIO-Adoptionsumfrage ergab, dass die vollständige AI-Implementierung von 11% im Jahr 2024 auf 42% im Jahr 2026 gestiegen ist.
Dieselbe Umfrage ergab, dass 93% der CIOs die Workflow-Integration als wesentlich für eine erfolgreiche Einführung von Agents betrachteten. Dennoch berichtete weniger als die Hälfte von der funktionsübergreifenden Zusammenarbeit, die ein breiterer Einsatz erfordert.
Auch Datenbedenken bleiben ungelöst. Sicherheit und Datenschutz waren unter den Befragten die größte Sorge, dicht gefolgt vom Fehlen vertrauenswürdiger Daten.
Nur 23% der befragten CIOs waren vollständig davon überzeugt, dass ihre AI-Investitionen integrierte Data Governance umfassten. Salesforce führte die Doppelblindumfrage mit 200 CIOs in 24 Ländern durch.
Die Umfrage stammt von einem Unternehmen, das Lösungen für diese Probleme verkauft, weshalb ihre Ergebnisse in diesem Kontext betrachtet werden sollten. Die Implementierungsbarrieren entsprechen jedoch einem vertrauten Muster in der Unternehmenstechnologie.
Organisationen kaufen häufig eine technische Fähigkeit, bevor sie die zugehörigen Prozesse geklärt haben. AI verstärkt diesen Fehler, weil ihre Ergebnisse plausibel wirken können, selbst wenn ihr Kontext unvollständig ist.
Eine ungenaue Berechnung in einem Dashboard kann eine offensichtliche Untersuchung auslösen. Eine flüssig formulierte AI-Antwort kann hingegen eine fehlende Quelle, einen veralteten Datensatz oder eine missverstandene Anweisung verbergen.
Unternehmen benötigen daher Evaluierungssysteme, nicht nur Zugang zu Modellen. Sie müssen prüfen, ob ein Agent die richtigen Daten auswählt, Richtlinien befolgt und unsichere Fälle an Menschen übergibt.
Sie brauchen außerdem klare Erfolgskennzahlen. Eingesparte Zeit kann relevant sein, führt aber nicht automatisch zu Umsatz oder besserem Service.
Ein Vertriebsagent, der E-Mails schneller entwirft, kann wenig Nutzen schaffen, wenn Mitarbeitende genauso viel Zeit für die Kontrolle seiner Arbeit aufwenden. Eine automatisierte Serviceinteraktion kann die Bearbeitungszeit verkürzen und gleichzeitig die Kundenzufriedenheit beeinträchtigen.
Die nützlichsten Messgrößen verbinden die AI-Aufgabe mit einem Geschäftsergebnis. Beispiele sind weniger abgebrochene Fälle, kürzere Vertriebsvorbereitung, vollständigere CRM-Daten und niedrigere Eskalationsraten.
Hier wird die Wissensarchitektur im Unternehmen zentral. Teams benötigen eine durchsuchbare Wissensbasis, die Kontext bewahrt und autorisierten Nutzern Quellmaterial zugänglich macht.
Ohne diese Grundlage bleibt ein leistungsfähiges Modell von den Fakten getrennt, die Mitarbeitende benötigen. Die Adoptionslücke ist daher teilweise ein Daten- und Organisationsproblem.
Sie ist auch ein Change-Management-Problem. Mitarbeitende müssen verstehen, wann sie einem Agent vertrauen, wann sie dessen Quellen prüfen und wann sie seine Empfehlung überstimmen sollten.
Manager müssen entscheiden, wer für Fehler verantwortlich ist, die mehrere Abteilungen betreffen. Sicherheitsteams benötigen Transparenz, während operative Teams genügend Freiraum brauchen, um ihre Workflows zu verbessern.
Diese Anforderungen benötigen Zeit. Sie erklären auch, warum eine weitere Modellveröffentlichung allein ein vielversprechendes Pilotprojekt nicht in ein Unternehmenssystem verwandeln kann.
Die Partnerschaft macht aus einem möglichen Rivalen Infrastruktur
Anthropic und Salesforce konkurrieren um die Kontrolle über die Nutzererfahrung, doch jedes Unternehmen benötigt Ressourcen, die das andere bereits besitzt.
AI-Assistenten dienen zunehmend als Schnittstellen für Unternehmenssoftware. Ein Nutzer kann Claude bitten, eine Pipeline zu prüfen, anstatt sich durch eine Abfolge von CRM-Bildschirmen zu bewegen.
Dieser Wandel bedroht die traditionelle Position von Anwendungsanbietern. Wenn Mitarbeitende ihre Arbeit in einem allgemeinen AI-Assistenten beginnen, kann dieser Assistent zur primären Schnittstelle werden.
Salesforce kontrolliert unterhalb dieser Schnittstelle weiterhin wichtige Ressourcen. Das Unternehmen speichert Kundenbeziehungen, Berechtigungen, Prozessdefinitionen und Aufzeichnungen über Geschäftsaktivitäten.
Anthropic kontrolliert ein Modell und einen Assistenten, die viele Nutzer bereits als Ort zum Denken, Schreiben und Analysieren nutzen. Salesforce in Claude verbindet diese Schnittstelle mit operativen Daten.
Die Vereinbarung ähnelt einer ausgehandelten Arbeitsteilung. Claude übernimmt Konversation und breites Schlussfolgern, während Salesforce das System bleibt, das Datensätze und Aktionen steuert.
Diese Aufteilung wird nicht zwangsläufig stabil bleiben. Anthropic könnte seine Connectors und Anwendungsfunktionen ausbauen. Salesforce könnte seine eigenen Modelle hervorheben oder konkurrierende Assistenten anbieten.
Salesforce kündigte im selben Dreamforce-Zeitraum Koa an, sein erstes CRM-Reasoning-Modell. Das Unternehmen sagt, Koa sei mit synthetischen Enterprise-Szenarien trainiert worden und arbeite innerhalb seiner Vertrauensgrenze.
Laut Salesforce zeigte ein interner Benchmark, dass Koa bei CRM-Aktionen mit dreimal weniger Fehlern mit führenden Modellen gleichzog oder diese übertraf. Dabei handelt es sich um einen Unternehmensbenchmark und nicht um eine unabhängige Bewertung.
Das Koa-Modellkonzept zeigt dennoch die Strategie von Salesforce. Das Unternehmen will spezialisierte Intelligenz für CRM-Aufgaben bereitstellen und gleichzeitig externe Modelle unterstützen.
Koa nutzt Nvidia Nemotron Open Models als Grundlage. Salesforce sagt, es kontrolliere die Gewichte und führe Post-Training und Inferenz innerhalb seiner Infrastruktur durch.
Dieser Ansatz eröffnet Kunden einen weiteren Weg. Sie können Claude für allgemeines Schlussfolgern, ein von Salesforce gehostetes Modell für spezialisierte CRM-Arbeit oder unterschiedliche Modelle für separate Aufgaben nutzen.
Salesforce bezeichnet diese Modellwahl als Teil einer offenen Architektur. Das Geschäftsinteresse des Unternehmens ist klar. Es möchte, dass die Anwendungs- und Governance-Ebene wertvoll bleibt, selbst wenn sich die Führungsrolle bei Modellen verändert.
Anthropic hat ein entsprechendes Interesse. Die direkte Integration mit Salesforce bringt Claude näher an wertvolle Unternehmensworkflows, ohne dass Anthropic eine vollständige CRM-Plattform neu aufbauen muss.
Dadurch entsteht ein praktischer Waffenstillstand und keine dauerhafte Einigung. Beide Unternehmen profitieren, solange Unternehmen eine Brücke zwischen Modellen und bestehenden Anwendungen benötigen.
Laut dem Bloomberg-Bericht hielt Salesforce Anfang Juni zudem eine Anthropic-Beteiligung im Wert von etwa 5 Milliarden US-Dollar. Diese finanzielle Beziehung fügt ihrer technischen Abstimmung eine weitere Ebene hinzu.
Kunden sollten die Integration jedoch als Produktentscheidung bewerten, nicht als Beleg dafür, dass die Anreize der Unternehmen vollständig mit ihren eigenen übereinstimmen.
Ein Unternehmen kann den Komfort eines einheitlichen Workflows schätzen. Es könnte sich jedoch auch Sorgen über Anbieterabhängigkeit, sich verändernde Produktgrenzen und die Kosten eines späteren Agentenwechsels machen.
Modellportabilität kann dieses Risiko verringern. Gemeinsame Evaluierungsmethoden, stabile Schnittstellen und klar definierte Berechtigungen können den Wechsel von Anbietern erleichtern.
Datenportabilität ist noch wichtiger. Ein Unternehmen, das seinen proprietären Kontext nicht von einem Modell oder einer Plattform trennen kann, könnte einen bekannten Software-Lock-in reproduzieren.
Die Wettbewerbsfrage geht daher über Claude gegenüber Agentforce hinaus. Es geht darum, welche Schicht den dauerhaften Wert aus Enterprise-KI abschöpft.
Modellanbieter argumentieren, dass überlegene Schlussfolgerungsfähigkeiten Nutzer und Workloads anziehen werden. Anwendungsanbieter argumentieren, dass kontrollierte Daten und eingebettete Workflows eine nachhaltige Differenzierung schaffen.
Die Enterprise-KI-Partnerschaft von Anthropic und Salesforce verbindet diese Behauptungen. Ihr Erfolg hängt davon ab, ob Kunden das kombinierte System als nützlicher ansehen als jede einzelne Schicht für sich.
Salesforce setzt darauf, dass die fehlende Schicht Kontrolle ist
Salesforce glaubt, dass Unternehmen für die Systeme rund um KI zahlen werden, weil Schlussfolgerungsfähigkeiten mit Regeln, Identität, Daten und verantwortbarer Ausführung verbunden werden müssen.
Das Unternehmen nennt seine vorgeschlagene Grundlage einen Enterprise AI Harness. Ein Harness ist eine Architekturschicht, die gemeinsamen Kontext, Sicherheit, Governance, Modelle und Aktionen bereitstellt.
Salesforces Enterprise AI Harness umfasst sechs genannte Fähigkeiten. Sie betreffen Kontext, Handlungsfähigkeit, Aktion, Governance, Sicherheit und Modellauswahl.
Das Unternehmen kündigte zudem eine AI Control Plane an. Salesforce zufolge soll sie Administratoren ermöglichen, Agenten zu registrieren, Identitätsrichtlinien anzuwenden, Verhalten zu beobachten, Leistung zu bewerten und Kosten zu verwalten.
Diese Architektur adressiert ein reales Problem. Unternehmen beginnen häufig mit getrennten KI-Projekten, die unterschiedliche Konnektoren, Berechtigungen und Evaluierungsprozesse nutzen.
Fragmentierung schafft operative Risiken. Ein Agent kann auf veraltete Dokumente zugreifen, während ein anderer für dieselbe Geschäftsaktion einer anderen Genehmigungsregel folgt.
Eine gemeinsame Kontrollschicht kann Richtlinien wiederverwendbar machen. Sie kann Sicherheits- und Datenteams zudem einen klareren Überblick darüber geben, was Agenten tun.
Salesforce möchte, dass diese Schicht die eigenen Tools und Systeme von Drittanbietern unterstützt. Das Unternehmen sagt, Unternehmen könnten über APIs, Model Context Protocol, Skills und Plugins auf Fähigkeiten zugreifen.
Model Context Protocol, oder MCP, ist eine Standardschnittstelle, über die KI-Anwendungen mit externen Tools und Daten verbunden werden können. Sie kann den Bedarf an einer individuellen Integration für jede Kombination verringern.
Die Architektur unterstützt außerdem Claude, Slack, Microsoft Teams und andere Schnittstellen. Diese Breite spiegelt Salesforces Entscheidung wider, Mitarbeitende dort zu erreichen, wo sie bereits arbeiten.
Das Konzept klingt plausibel, doch Architekturdiagramme belegen keine betriebliche Zuverlässigkeit. Unternehmen benötigen Belege aus komplexen Implementierungen über Abteilungen und Systeme hinweg.
Sie sollten fragen, ob Administratoren jede Agentenaktion nachvollziehen können. Außerdem sollten sie prüfen, wie schnell sie Zugriffe widerrufen, Richtlinien aktualisieren und Fehler untersuchen können.
Auch die Evaluierung erfordert gleiche Aufmerksamkeit. Eine Control Plane sollte mehr messen als die Qualität von Modellantworten.
Sie sollte zeigen, ob ein Agent die richtigen Quellen verwendet, dem vorgesehenen Workflow gefolgt und ein genehmigtes Geschäftsergebnis erzielt hat. Zudem sollte sie Fehlermuster bei wiederholten Aufgaben offenlegen.
Kostenkontrollen sind wichtig, weil Agenten-Workflows mehrere Modellaufrufe und Tool-Aktionen umfassen können. Ein Prozess, der während eines kleinen Pilotprojekts erschwinglich wirkt, kann sich bei Enterprise-Volumen anders verhalten.
Salesforce nennt Modell-Routing als eine Kontrollmöglichkeit. Sein System kann Arbeit anhand von Genauigkeit, Leistung, Kosten und geschäftlichen Anforderungen weiterleiten.
Das wirft eine weitere Frage auf. Kunden müssen wissen, wer diese Routing-Prioritäten festlegt und wie unabhängig sie die Ergebnisse überprüfen können.
Ein Anbieter könnte für eine Kombination optimieren, die seine Geschäftsbeziehungen unterstützt. Ein Kunde könnte den Datenstandort, Latenz oder einen bestimmten Genauigkeitsschwellenwert priorisieren.
Transparenz bei Routing und Evaluierung wird darüber entscheiden, ob eine offene Architektur sinnvolle Wahlmöglichkeiten bietet. Ein Menü aus Modellen bietet nur begrenzte Freiheit, wenn der Wechsel eines Modells eine umfangreiche Rekonstruktion des Workflows erfordert.
Die stärkere Interpretation von Salesforces Strategie lautet nicht, dass Modelle unwichtig geworden sind. Sie lautet, dass Modelle zunehmend zu austauschbaren Komponenten innerhalb kontrollierter Systeme werden.
Die schwächere Interpretation ist, dass ein etabliertes Softwareunternehmen seine Position schützt, indem es eine weitere Managementschicht hinzufügt. Beide Erklärungen können gleichzeitig zutreffen.
Kunden sollten die Strategie anhand der Implementierungsergebnisse beurteilen. Wenn der Harness die Einführung verkürzt, Audits verbessert und doppelte Integrationen reduziert, löst er ein messbares Problem.
Wenn er hauptsächlich bestehende Plattformkomponenten neu verpackt, könnten Käufer Schwierigkeiten haben, sein weitreichendes Versprechen mit Geschäftsergebnissen zu verbinden.
Die nächste Phase der Enterprise-KI-Initiative von Anthropic und Salesforce muss daher Kontrolle demonstrieren, ohne unnötige Komplexität hinzuzufügen.
Der Einführungsbericht lässt weiterhin unabhängige Belege vermissen
Die Unternehmen haben Integrationen und interne Implementierungen gezeigt, doch weitreichende Behauptungen zum wirtschaftlichen Wert liegen weiterhin vor unabhängig überprüften Ergebnissen.
Amodeis Schätzung von 5 % bis 10 % zeichnet ein überzeugendes Bild unerschlossenen Werts. Sie zeigt jedoch nicht, wie dieser Wert berechnet wurde oder wie er sich zwischen Branchen unterscheidet.
Die Schätzung könnte eher nicht realisierte technische Fähigkeiten als erschließbaren wirtschaftlichen Nutzen beschreiben. Diese Kategorien sind nicht dasselbe.
Ein Modell kann eine Aufgabe in einer kontrollierten Umgebung ausführen, ohne dass diese Aufgabe für eine zuverlässige Automatisierung geeignet ist. Der Produktiveinsatz bringt Sonderfälle, Richtlinien und Verantwortlichkeit mit sich.
Dieselbe Vorsicht gilt für Statistiken zur Anbieterakzeptanz. Die Zahl der Mitarbeitenden, die ein Tool nutzen, verrät nichts über Nutzungstiefe, Bindung, Ergebnisqualität oder finanzielle Rendite.
Die 7.000 internen Nutzer von Salesforce bieten eine aussagekräftige Testumgebung. Kunden müssen jedoch wissen, welche Workflows diese Nutzer abschließen und was sich nach der Implementierung verändert hat.
Anthropic sagt, das Plugin könne manuelle Vorbereitung und Nachverfolgung reduzieren. Kontrollierte Vergleiche für diese Behauptungen hat das Unternehmen nicht veröffentlicht.
Auch Kundenbeispiele erfordern eine sorgfältige Interpretation. Namentlich genannte Implementierungen bestätigen, dass Organisationen die Technologie erproben. Sie beweisen nicht, dass ein Implementierungsmuster in jedem Unternehmen funktioniert.
Große Unternehmen unterscheiden sich in Datenqualität, Zugriffsstrukturen, regulatorischer Exponierung und technischer Schuld. Diese Unterschiede helfen, die von Benioff beschriebene ungleichmäßige Einführung zu erklären.
Zudem besteht eine Spannung zwischen der Einführungsbotschaft und Amodeis jüngsten Sicherheitswarnungen. Er hat argumentiert, dass das Tempo der Entwicklung führender Modelle mehr Vorsicht erfordert.
Salesforce-Präsident Patrick Stokes stellte diese mögliche Verlangsamung als nützlich für Anwendungsentwickler dar. Er sagte, Entwickler hätten bei Modellen „viel aufzuholen“.
Sein Kommentar legt die zentrale Umkehrung des Artikels offen. Langsamere Veröffentlichungen führender Modelle könnten Unternehmen Zeit geben, bereits vorhandene Fähigkeiten aufzunehmen.
Dies könnte auch etablierten Anwendungsanbietern zugutekommen. Ein langsamerer Modellzyklus gibt ihnen mehr Zeit, Integrationen, Governance und spezialisierte Produkte aufzubauen.
Die breitere Wirtschaft könnte weiter investieren, selbst wenn der Fortschritt bei führenden Modellen nachlässt. Bestehende Modelle erfordern weiterhin Datenaufbereitung, organisatorische Neugestaltung und Infrastruktur.
Eine aktuelle Analyse hob Investitionen auf Unternehmensebene in Strategie und Daten als unterschätzten Teil der KI-Ausgaben hervor. Diese Sicht stützt Salesforces Fokus auf Implementierung.
Eine Verlangsamung würde jedoch nicht automatisch zu einer erfolgreichen Einführung führen. Unternehmen können viel für Integration ausgeben, ohne Nutzerbedürfnisse oder Prozessdesign zu lösen.
Es gibt auch eine Frage der Arbeitswelt. KI-Anbieter stellen administrative Automatisierung oft als Vorteil dar, doch Mitarbeitende könnten sie als stärkere Überwachung oder Arbeitsplatzverdrängung erleben.
Ein Agent, der CRM-Datensätze aktualisiert, kann repetitive Arbeit beseitigen. Er kann jedoch auch die Managementaufsicht standardisieren und verändern, wie Leistung gemessen wird.
Unternehmen benötigen Governance für diese menschlichen Auswirkungen, nicht nur für technischen Zugriff. Beschäftigte sollten verstehen, was Agenten erfassen, empfehlen und eskalieren.
Unternehmen müssen außerdem die Grenze zwischen Unterstützung und autonomer Aktion definieren. Diese Grenze sollte mit den Folgen eines Fehlers variieren.
Das Verfassen von Besprechungsnotizen birgt ein geringeres Risiko als die Änderung eines Kundenvertrags. Die Aktualisierung eines Vertriebsdatensatzes unterscheidet sich von der Genehmigung eines Rabatts oder der Bindung von Lagerbestand.
Menschliche Genehmigung kann Risiken verringern, wie der CRM-Aktualisierungsablauf des Claude-Plugins nahelegt. Doch Genehmigung wird oberflächlich, wenn Mitarbeitende mit zu vielen generierten Aktionen konfrontiert werden.
Ein wirksames System muss die Aufmerksamkeit auf unsichere oder folgenreiche Fälle lenken. Die manuelle Prüfung jedes routinemäßigen Schritts zu verlangen, kann den versprochenen Produktivitätsgewinn zunichtemachen.
Unabhängige Belege sollten daher den vollständigen Workflow untersuchen. Nützliche Studien würden Genauigkeit, Prüfzeit, Geschäftsergebnisse und Fehlerbehebung vergleichen.
Bis diese Belege vorliegen, ist die sicherste Schlussfolgerung eng gefasst. Anthropic und Salesforce haben eine echte Implementierungslücke identifiziert und Produkte entwickelt, die darauf abzielen.
Sie haben noch nicht gezeigt, dass ihr kombinierter Ansatz diese Lücke in großen Organisationen konsistent schließt.
Drei Signale werden die Enterprise-KI-These prüfen
Der nächste Test besteht darin, ob vernetzte Agenten messbare betriebliche Verbesserungen erzielen, ohne Governance zu schwächen oder Kunden in einem einzelnen Stack festzusetzen.
Das erste Signal ist die nachhaltige Nutzung von Salesforce in Claude nach der Beta-Phase. Erste Aktivierungszahlen werden weniger zählen als wiederkehrendes Engagement auf Aufgabenebene.
Anthropic sollte berichten, wie häufig Vertriebsmitarbeitende Kontorecherchen, Besprechungsvorbereitung, Pipeline-Überprüfungen und genehmigte CRM-Aktualisierungen abschließen. Bindung über mehrere Monate würde die Einführungsthese stärken.
Kundenergebnisse würden die Belege nützlicher machen. Kürzere Vorbereitungszeiten, vollständigere Datensätze und weniger versäumte Nachfassaktionen würden Produktaktivität mit Geschäftswert verbinden.
Ein Rückgang der Nutzung nach frühen Tests würde das Argument schwächen. Er würde nahelegen, dass der Zugang über Konversation allein Workflow-Reibung nicht löst.
Das zweite Signal ist, wie Salesforces Kontrollarchitektur bei Kundenimplementierungen funktioniert. Unternehmen sollten auf unabhängige Berichte über Richtliniendurchsetzung, Auditierbarkeit und Reaktion auf Vorfälle achten.
Ein starkes Ergebnis würde zeigen, dass Unternehmen mehrere Modelle und Agenten über gemeinsame Kontrollen steuern können. Es sollte außerdem zeigen, dass Teams Anbieter wechseln können, ohne ihre Abläufe neu aufzubauen.
Ein schwächeres Ergebnis würde umfangreiche Anpassungen, doppelte Evaluierungsarbeit oder eingeschränkte Transparenz beim Modell-Routing offenlegen. Diese Probleme würden die Kontrollschicht zu einer weiteren Quelle von Komplexität machen.
Das dritte Signal ist die Beziehung zwischen KI-Ausgaben und offengelegten Betriebsergebnissen. Salesforce und seine Kunden sollten über die Anzahl von Agenten, Gesprächen oder aktivierten Nutzern hinausgehen.
Käufer benötigen Kennzahlen, die mit Vertrieb, Service und der Arbeit von Mitarbeitenden verbunden sind. Beispiele sind Lösungsqualität, Durchlaufzeiten, Datensatzgenauigkeit, Bindung und Eskalationsraten.
Diese Kennzahlen sollten die Kosten menschlicher Prüfung und Systemwartung einbeziehen. Brutto eingesparte Zeit kann irreführend sein, wenn Mitarbeitende an anderer Stelle Fehler korrigieren müssen.
Die nächsten mehreren Quartale mit Ergebnisberichten werden nützliche Belege liefern. Salesforce kann berichten, ob KI-Produkte die Kundenausgaben erhöhen und ob Implementierungen über isolierte Teams hinausgehen.
Anthropic kann diese Argumentation stärken, indem das Unternehmen detaillierte Enterprise-Evaluierungen veröffentlicht. Diese sollten die Modellleistung klar von den Integrations- und Workflow-Ebenen trennen.
Kunden sollten diese Partnerschaft zudem mit Alternativen von Microsoft, Google, OpenAI und spezialisierten Enterprise-Anbietern vergleichen. Wettbewerbsdruck kann verdeutlichen, welche Architekturentscheidungen tatsächlich relevant sind.
Der zentrale Wettbewerb ist keine einfache Modellrangliste. Es geht um das Spannungsverhältnis zwischen schnellem Fähigkeitszuwachs und der Fähigkeit einer Organisation, diese Fähigkeiten verantwortungsvoll zu integrieren.
Für Entwickler liegt die Chance in Integrations-, Evaluierungs-, Observability- und berechtigungsbewussten Tools. Diese Bereiche gewinnen an Wert, wenn Modelle bereits umfassende Denkaufgaben bewältigen.
Für Enterprise-Einkäufer lautet die Lehre, mit einem klar abgegrenzten Workflow und einem messbaren Ergebnis zu beginnen. Ein umfassendes KI-Mandat erzeugt zwar Aktivität, führt jedoch selten zu Rechenschaftspflicht.
Für Wissensarbeiter ist entscheidend, ob KI auf den richtigen Kontext zugreifen kann, ohne dabei sinnvolle Kontrolle zu entziehen. Bequemlichkeit allein reicht für folgenschwere Arbeit nicht aus.
Die Enterprise-KI-Strategie von Anthropic und Salesforce vertritt die Auffassung, dass die nächste Phase Systemen gehört, die Intelligenz mit vertrauenswürdigem Handeln verbinden. Diese These benötigt nun operative Belege.
Es wird darauf ankommen, ob Mitarbeitende die integrierten Workflows weiterhin nutzen, ob Administratoren sie modellübergreifend steuern können und ob Kunden nachhaltige geschäftliche Vorteile berichten. Diese Signale werden zeigen, ob Enterprise-KI endlich in die Breite diffundiert oder lediglich eine stärker polierte Oberfläche erhält.
