AI Architecture · 12 Min.
AI-Agenten fuer Consulting: Research, Analyse und Delivery ohne PowerPoint-Fabrik
Consulting-Agenten sollten nicht mehr Folien produzieren. Sie sollten Research, Quellen, Analyse und Delivery-Qualitaet besser kontrollieren.
SYSTEMS Grafik zu AI Agenten Consulting: Data -> Agent -> Outcome. Fokus: Wie Beratungen AI-Agenten fuer Research und Delivery einsetzen, ohne Qualitaet zu verlieren.
Kurzfassung
Consulting-Agenten sollten Quellen, Analyse und Delivery-Qualitaet verbessern. Der Agent darf nicht nur schneller Folien erzeugen. Gute Systeme pruefen Belege, strukturieren Hypothesen und markieren Unsicherheit.
Strategischer Lesepfad
Baue das Thema im passenden Cluster weiter aus und verknüpfe es mit den nächsten Architekturentscheidungen.
Warum Output-Geschwindigkeit allein gefaehrlich ist Beratung lebt von Urteil, Kontext und Vertrauen. Wenn KI nur mehr Folien erzeugt, steigt die Menge, aber nicht zwingend die Qualitaet.
Ein Consulting-Agent muss daher zuerst Research und Analyse stabilisieren.
Stand Mai 2026: Research-Agenten muessen belegbar arbeiten OpenAI beschreibt Deep Research mit sichtbaren, klickbaren Zitaten, Quellenlisten und Activity History als Review-Artefakte. Anthropic dokumentiert Citations als strukturierte Verweise auf bereitgestellte Dokumente. Google Vertex AI gibt beim Grounding mit Google Search GroundingMetadata zurueck, also maschinenlesbare Hinweise auf Quellen und Belege.
Das ist die neue Mindestlatte fuer Consulting-AI: Ein Agent darf nicht nur "eine Antwort" liefern. Er muss zeigen, worauf die Antwort basiert, welche Quellen aktuell sind, welche Aussagen Interpretation sind und welche Unsicherheit offen bleibt.
Der Research-Record Ein Consulting-Agent sollte pro Fund einen Research-Record schreiben. Das klingt trocken, ist aber der Unterschied zwischen brauchbarer Analyse und glatter Halluzination.
Ein guter Research-Record enthaelt:
Diese Trennung verhindert, dass plausible Aussagen wie Fakten wirken.
Frage: Welche konkrete Client-Frage wird beantwortet? Quelle: URL, Titel, Herausgeber, Datum, Zugriffskontext. Aussage: Was steht wirklich in der Quelle? Einordnung: Was leitet der Agent daraus ab? Unsicherheit: Was ist unklar, alt, widerspruechlich oder marketinglastig? Implikation: Was bedeutet der Fund fuer Strategie, Prozess, Kosten oder Risiko? Review: Welche Person muss die Aussage vor Client-Nutzung freigeben? Hypothesen sind keine Belege Gute Beratung baut Hypothesen. Schlechte Consulting-AI versteckt Hypothesen in selbstsicheren Saetzen. Ein Agent muss daher sichtbar zwischen Beleg, Muster, Annahme und Empfehlung unterscheiden.
Praktisch heisst das:
So entsteht ein System, das Analysten schneller macht, ohne Senior Judgment zu simulieren.
"Quelle sagt" bleibt bei der Quelle. "Wir vermuten" bleibt als Hypothese markiert. "Das bedeutet fuer den Kunden" wird als Beratungsurteil gekennzeichnet. "Wir empfehlen" wird nur nach QA und Kontextcheck in die Delivery gegeben. Delivery-QA statt PowerPoint-Fabrik Ein zweiter Hebel ist Qualitaetssicherung: Passt die Empfehlung zur Fragestellung? Sind Quellen aktuell? Sind Annahmen sichtbar? Gibt es Widersprueche? Ist die Storyline nur elegant oder wirklich belastbar?
Der Agent wird dadurch zum Review-Partner, nicht zur Folienmaschine.
OpenAI Agent Evals , Google Gen AI Evaluation und klassische Rubrics passen hier zusammen. Ein Delivery-Agent kann jede Ausgabe gegen Kriterien pruefen:
Quellen: Jede kritische Aussage hat eine belastbare Quelle oder ist als Hypothese markiert. Aktualitaet: News-sensitive Aussagen haben Datum, Version und Review-Hinweis. Relevanz: Empfehlungen beantworten die urspruengliche Client-Frage. Widerspruch: Gegenbelege und abweichende Datenpunkte sind sichtbar. Risiko: Datenschutz, IP, Compliance und Vertraulichkeit sind nicht wegoptimiert. Executive Fit: Die Zusammenfassung ist entscheidungsfaehig, nicht nur lang. Vertraulichkeit ist Architektur, nicht Disclaimer Consulting arbeitet mit sensiblen Kundendaten. Deshalb reicht ein Satz wie "wir nutzen Enterprise-AI" nicht. Die Architektur muss klaeren, welche Daten in welches Modell, welche Region, welche Retention, welche Rollenrechte und welche Audit-Logs laufen.
OpenAI dokumentiert, dass API-Daten standardmaessig nicht zum Training genutzt werden, sofern kein Opt-in vorliegt. Fuer Business- und Enterprise-Setups gibt es zusaetzliche Kontrollen wie Retention Controls, Zero Data Retention fuer qualifizierte API-Organisationen, RBAC, Audit Logs und regionale Datenverarbeitung. Das ersetzt keine Client-Governance, aber es macht die Diskussion konkret.
Architektur fuer Consulting-Agenten Ein belastbarer Consulting-Agent besteht aus sieben Schichten:
1. Briefing: Ziel, Scope, Zielgruppe, verbotene Daten, Entscheidungskontext. 2. Source Intake: Web, Kundenmaterial, Interviews, interne Wissensbasis, Datenraum. 3. Grounding: Zitate, Dokumentanker, Suchdatum, Quellenklassifikation. 4. Hypothesen: Annahmen, Signale, Widersprueche, Confidence, offene Fragen. 5. Analyse: Framework, Vergleich, Kosten-/Risiko-/Impact-Logik. 6. Delivery: Memo, Workshop-Agenda, Entscheidungsvorlage, Board-Slide. 7. QA und Evals: Rubrics, Reviewer, Trace, Quellencheck, Client-Freigabe.
Wer nur Schritt 6 automatisiert, baut eine schnellere Folienfabrik. Wer alle sieben Schichten baut, baut ein Delivery-System.
Evals fuer Consulting-Agenten Vor produktiver Nutzung sollte ein Consulting-Agent an echten, aber bereinigten Faellen getestet werden:
BCG bringt den Punkt fuer Human Oversight richtig auf den Boden: Aufsicht muss designt werden, nicht einfach delegiert. Fuer Consulting-AI heisst das: Review ist ein Produktfeature.
stimmen Quellen und Zitate? erkennt der Agent veraltete oder marketinglastige Quellen? trennt er Fakt, Hypothese und Empfehlung? findet er Widersprueche statt sie zu glaetten? gibt er vertrauliche Client-Informationen nur im erlaubten Kontext aus? schreibt er brauchbare Executive Summaries? eskaliert er unsichere Aussagen an menschliche Reviewer? Der SYSTEMS-Blick Wir bauen Consulting-AI als Research- und Delivery-System. Es hilft Teams schneller zu denken, nicht nur schneller zu produzieren.
Das ist der Unterschied zwischen KI-Ausgabe und belastbarer Beratung: Quellenarbeit, Hypothesenlogik, QA, Governance und ein Delivery-Prozess, der vor Kundenkontakt standhaelt.
