Viele Unternehmen haben SaaS-Tools jahrelang als natuerlichen Ort fuer ihre Operations behandelt.
Projekte leben in einem Produkt. Chat lebt in einem anderen. Roadmaps liegen wieder woanders. Dokumente, Kundennotizen, Meeting-Entscheidungen, Aufgaben und Reporting verteilen sich ueber verschiedene Vendor-Systeme mit unterschiedlichen Berechtigungen, Exporten, APIs und Datenmodellen.
Das funktionierte ausreichend gut, solange der Hauptnutzer ein Mensch war, der durch eine Browser-Oberflaeche klickt. Es funktioniert schlechter, wenn der naechste Nutzer ein AI Agent ist, der den aktuellen Zustand des Unternehmens verstehen, Datensaetze aktualisieren, Prioritaeten vergleichen, einen Bericht vorbereiten oder einen Workflow unter Review voranbringen soll.
Agentisches Entsiloing bedeutet, wichtige operative Daten aus geschlossenen SaaS-Silos in offene, strukturierte und reviewbare Systeme zu verschieben, mit denen Agents direkt arbeiten koennen.
SaaS bleibt nuetzlich. Abhaengigkeit ist das Problem. Wenn das operative Gedaechtnis eines Unternehmens in Tools liegt, die schwer zu inspizieren, schwer zu versionieren, schwer abzufragen und schwer mit zu verbinden sind, hat das Unternehmen weniger Kontrolle ueber seine eigene Arbeit.
Bei FORMATION haben wir diesen Tradeoff kuerzlich konkret gemacht. Wir haben Slack durch Matrix ersetzt. Wir haben Asana durch einen Codex-zentrierten Roadmap-Workflow ersetzt. Das groessere Muster ist einfach: Kommunikations- und Roadmap-Daten naeher an Open Source und source-kontrollierte Systeme bringen, dann Agents mit klaren Regeln, Audit Trails und menschlichen Freigaben auf diesen Daten arbeiten lassen.
Warum SaaS-Silos zu einem groesseren Problem werden
Das alte SaaS-Modell geht davon aus, dass die Anwendung den Workflow besitzt.
Das Tool gibt die Oberflaeche, das Datenmodell, die Benachrichtigungslogik, die Berechtigungen, die Exportoptionen und die Automatisierungsflaeche vor. Das Unternehmen passt sich dem Produkt an. Wenn das Produkt gut passt, kann das effizient sein. Wenn es nur teilweise passt, beginnt das Team mit Workarounds.
Diese Workarounds sind vertraut. Menschen fuegen Custom Fields hinzu, die nur eine Person versteht. Sie kopieren langen Kontext in Kommentare, weil das Datenmodell nicht ausdruecken kann, was sie brauchen. Sie erstellen Boards, die veralten, weil die Pflege zu viel manuelle Arbeit braucht. Sie exportieren CSV-Dateien fuer Analysen und verlieren dann die Verbindung zwischen Analyse und Quelle. Die eigentliche Entscheidung landet im Chat, weil das Projekt-Tool zu starr wirkt.
AI macht die Kosten dieser Fragmentierung sichtbar.
Ein Agent kann nur zuverlaessig helfen, wenn er den richtigen Kontext sieht, die Struktur versteht, kontrollierte Aenderungen machen kann und ein reviewbares Ergebnis hinterlaesst. Ein geschlossenes oder sperriges SaaS-System erzeugt an jedem Schritt Reibung. Der Agent braucht vielleicht eine fragile API-Integration. Er sieht vielleicht nur Teildaten. Er versteht die Konventionen des Teams vielleicht nicht. Er kann eine Aenderung vielleicht nicht versionieren, pruefen oder in einer Form erklaeren, die das Team sauber reviewen kann.
Workflow-Automatisierung innerhalb bestehender Operations braucht eine bessere Grundlage. Die Daten sollten lesbar sein. Die Struktur sollte explizit sein. Aenderungen sollten nachvollziehbar sein. Sensible Aktionen sollten menschliche Freigaben brauchen. Das System sollte Audit Logs und Observability unterstuetzen, ohne ein grosses Plattformprogramm zu verlangen. Hier muss AI Consulting and Implementation ueber Beratung hinausgehen und in Operating Design uebergehen.
Was wir geaendert haben
Die erste sichtbare Aenderung war Chat.
Wir sind von Slack zu Matrix gewechselt, weil Teamkommunikation in einem offenen Protokoll leben sollte, das sich leichter mit Agents integrieren laesst. Matrix gibt uns eine selbst hostbare Open-Source-Kommunikationsschicht mit echter Raumstruktur, Bot-Usern und einer besseren Grundlage fuer agentische Automatisierung. Wir koennen Agents mit Unterhaltungen verbinden, Raeume erstellen, Bot-Identitaeten verwalten und mehr Kontrolle ueber die operative Oberflaeche behalten.
Die zweite Aenderung war Roadmap-Arbeit.
Wir hatten Asana jahrelang genutzt. Dort lag viel Projekt- und Roadmap-Gedaechtnis, aber die Daten lebten in einer Produktoberflaeche, die fuer die Art von AI Operations, die wir jetzt wollen, nicht ideal war. Wir haben die Daten exportiert, mit unserer YAML-Methode angereichert, in Git gespeichert und fuer Codex verfuegbar gemacht.
Damit wurde die Roadmap von einem SaaS-Board zu einem strukturierten operativen Asset. Praktisch haben wir Asana durch Codex als Ort ersetzt, an dem Roadmap-Arbeit abgefragt, organisiert, reviewed und verbessert wird.
Die YAML-Schicht gibt jedem Item eine klarere Form. Ein Roadmap-Item kann Felder wie Owner, Status, Bereich, Prioritaet, Abhaengigkeiten, Kundenrelevanz, Entscheidungsnotizen, Risiken und naechste Aktion tragen. Git gibt uns Versionshistorie, Diffs, Branches, Reviews und Rollback. Codex kann die Dateien inspizieren, neu organisieren, abfragen, Zusammenfassungen vorbereiten, Strukturen aktualisieren und Aenderungen vorschlagen.
Wir koennen jetzt Fragen stellen, die vorher umstaendlich waren:
- Welche Roadmap-Items sind durch dieselbe Abhaengigkeit blockiert?
- Was hat sich seit letzter Woche geaendert?
- Welche Ideen sind noch vage und brauchen Produkturteil?
- Welche Aufgaben haben keinen Owner?
- Welche Items verbinden sich mit aktuellen Sales-Gespraechen oder Kundenbedarfen?
- Welche Roadmap-Themen wachsen, ohne dass es eine klare Entscheidung gibt?
Wir koennen die Roadmap auch neu organisieren, ohne auf ein Vendor-Feature zu warten. Wenn wir eine Sicht nach Kundenwirkung, strategischem Thema, technischem Risiko, verantwortlicher Person, Umsatzrelevanz oder Umsetzungsphase wollen, liegen die Daten bereits in einer Form vor, mit der Agents arbeiten koennen.
Warum Git das veraendert
Git ist hier nuetzlich, weil es operative Aenderungen reviewbar macht.
In einem SaaS-Produkt wird eine Aufgabenveraenderung oft zu einer stillen Mutation in einer Datenbank. Jemand aendert ein Feld, zieht eine Karte, editiert eine Beschreibung oder loescht einen Kommentar. Die Historie existiert vielleicht irgendwo, aber sie ist selten die zentrale operative Oberflaeche.
In einem Git-basierten Workflow wird Aenderung explizit. Eine vorgeschlagene Roadmap-Bereinigung kann als Diff gezeigt werden. Eine groessere Neuklassifizierung kann auf einem Branch passieren. Ein woechentliches Planungsupdate kann vor dem Merge reviewed werden. Eine falsche Aenderung kann zurueckgenommen werden. Die Struktur der Arbeit kann sich weiterentwickeln, ohne die Spur zu verlieren, wie sie sich veraendert hat.
Das ist wichtig fuer AI Implementation.
Agents sind gut darin, strukturierte Dateien zu lesen, Versionen zu vergleichen, konsistente Formate zu bearbeiten und Repository-Instructions zu befolgen. Sie koennen in einer kontrollierten Umgebung mit klaren Berechtigungen und Review-Schritten arbeiten. Sie koennen einen Pull Request erstellen, statt die Source of Truth still zu veraendern. Sie koennen die Aenderung in klarer Sprache erklaeren und die genauen betroffenen Zeilen zeigen.
Deshalb werden AI Workflows ueber Softwareentwicklung hinaus relevant. Niemand muss jede operative Person zur Entwicklerin oder zum Entwickler machen. Mehr Business-Arbeit sollte in Systemen leben, die inspizierbar, skriptbar, versioniert und sicher fuer Agents zu bearbeiten sind.
Daten und LLM-Verarbeitung naeher zusammenbringen
Viele AI-Integrationen behandeln das LLM noch als aeussere Schicht.
Das Modell sitzt neben dem SaaS-Stack. Es bekommt kopierten Text, einen Teilauszug oder eine ueber Connectoren vermittelte Sicht auf die Daten. Es schreibt eine Zusammenfassung oder entwirft eine Antwort. Dann muss ein Mensch das Ergebnis wieder in das System of Record kopieren.
Agentisches Entsiloing veraendert die Architektur. Die Daten und die LLM-Verarbeitung ruecken naeher zusammen. Das Modell kann die Quelldateien inspizieren, jedes Mal dieselbe Struktur nutzen, lokale Regeln anwenden, enge Checks ausfuehren und Aenderungen dort vorbereiten, wo die Daten bereits liegen.
Das reduziert manuelle Arbeit und verbessert Teamhebel, weil der Agent den operativen Kontext nicht jedes Mal neu rekonstruieren muss. Der Kontext ist bereits im Datenmodell, in der Dateistruktur, in den Instructions und im Review-Prozess codiert.
Dasselbe Muster kann ueber Roadmap-Arbeit hinaus gelten:
- Meeting Notes koennen zu strukturierten Entscheidungen und Follow-ups werden.
- Sales-Gespraeche koennen zu reviewten naechsten Aktionen und Account-Updates werden.
- Website-Arbeit kann zu Content und SEO Operations werden.
- Investor Updates koennen zu wiederkehrenden Reporting-Daten werden.
- Support-Themen koennen zu Produktsignalen werden.
- Security Reviews koennen zu nachverfolgten Risiko-Items mit Ownern werden.
Jeder Workflow braucht eigene Kontrollen. Manche Aenderungen koennen frei vorgeschlagen werden. Manche brauchen Freigabe. Manche sollten nie automatisiert werden. Gute AI Workflow Automation haengt von Freigaben und Eskalationsregeln, Audit Logs und operativer Zuverlaessigkeit ab.
Die praktische Lektion
Kleine Teams sollten nicht versuchen, jedes SaaS-Tool auf einmal zu ersetzen.
Beginnen Sie mit einem Workflow, bei dem die Daten wertvoll, wiederkehrend und gefangen sind. Suchen Sie nach einer Stelle, an der Menschen immer wieder exportieren, kopieren, zusammenfassen, umformatieren oder dieselben Statusfragen stellen. Mappen Sie den Prozess. Definieren Sie die Felder. Verschieben Sie eine erste Version in ein strukturiertes Format. Fuegen Sie Human-in-the-Loop-Review hinzu. Lassen Sie einen Agent bei Organisation, Bereinigung, Reporting und kontrollierten Updates helfen.
Der erste Gewinn ist meist Klarheit. Das Team kann die Arbeit wieder sehen.
Der zweite Gewinn ist Flexibilitaet. Dieselben Daten koennen verschiedene Sichten unterstuetzen, ohne in der Oberflaeche eines Vendors gefangen zu sein.
Der dritte Gewinn ist Kumulation. Jede Verbesserung an Struktur, Instructions und Review-Prozess macht den naechsten agentischen Workflow leichter.
Fuer uns ist der Wechsel von Slack zu Matrix und von Asana zu Codex Teil eines groesseren Betriebsmodells. Wir wollen praktische AI-Systeme, die Tools, Daten und Teams mit weniger manueller Koordination verbinden. Wir wollen Working Software, keine Slide Decks. Wir wollen Automatisierungssysteme mit genug Kontrolle, damit Menschen ihnen in der taeglichen Arbeit vertrauen.
Das ist das praktische Versprechen von agentischem Entsiloing. Es gibt dem Unternehmen mehr Besitz ueber seine operativen Daten und gibt Agents einen besseren Ort zum Arbeiten.
Wenn Ihr Team auf Jahren von Roadmap-, Projekt-, Kunden- oder Operations-Daten in getrennten Tools sitzt, kann ein Workflow Audit der naechste sinnvolle Schritt sein. Klaeren Sie, welche Daten in SaaS bleiben sollten, welche Daten in ein offenes Modell gehoeren und welche agentischen Workflows moeglich werden, wenn die Source of Truth leichter zu inspizieren, abzufragen und zu verbessern ist. Das ist ein praktischer Einstieg in AI Consulting in Berlin, besonders fuer kleine Teams, die AI-Systeme in bestehende Tools und Daten integrieren wollen, ohne ein weiteres Silo zu schaffen.