Eine Fabrik braucht normalerweise Licht, weil Menschen sehen müssen, was sie tun. Maschinen, Bots und Softwaresysteme sind nicht in derselben Weise auf Licht angewiesen. Genau hier beginnt die Idee der „Dark Factory“: eine Umgebung, in der operative Arbeit im Hintergrund weiterlaufen kann, auch wenn Menschen nicht jeden Prozess manuell bedienen. In der heutigen Wirtschaft wird viel über autonome Unternehmen, AI-Agenten und intelligente Betriebssysteme gesprochen.
Wir wären vorsichtig mit der Aussage, dass das vollständig autonome Unternehmen heute schon wirklich bereit ist. Als langfristige Richtung wird es jedoch eindeutig wichtig. Im Rahmen unserer internen R&D, unterstützt durch FFG Project Start, untersuchen wir, wie Unternehmen private Knowledge Center aufbauen, operative Datenquellen verbinden, AI-Agenten definieren und validieren können, welche Prozesse vollständig automatisiert werden können, welche besser als Vorschläge mit Freigabe funktionieren und welche aktuell noch keinen sinnvollen Automatisierungsfall darstellen.
Eine Dark Factory im digitalen Kontext ist nicht einfach ein Set von Automationen. Es geht um eine neue operative Struktur. Daten aus verschiedenen Quellen werden gesammelt, gespeichert, miteinander verbunden und für AI-Agenten nutzbar gemacht. Dadurch entsteht nicht nur ein schnellerer Workflow, sondern ein wachsendes Unternehmensgedächtnis, das laufend verbessert werden kann.
Von AI-Tools zu eigener AI-Infrastruktur
Viele Unternehmen starten mit ChatGPT, Claude oder ähnlichen Tools. Das ist sinnvoll, aber es ist nicht dasselbe wie eine eigene AI-Infrastruktur. Einzelne AI-Projekte haben Grenzen: Kontextfenster, Token-Kosten, Paketlimits, fehlende Integrationen und verteilte Daten. Der strategische Schritt ist deshalb, das Unternehmenswissen nicht in einem einzelnen Tool zu speichern, sondern in einem privaten Knowledge Center.
Das Knowledge Center ist die zentrale Wissensschicht. Es kann Dokumente, Kampagnen, Produktdaten, Aufgaben, Kundenkommunikation, Supportfälle, technische Ereignisse und historische Entscheidungen zusammenführen. AI-Modelle werden dadurch austauschbar. Das Unternehmen bleibt unabhängig von einem einzelnen Anbieter und kann verschiedene Modelle je nach Aufgabe einsetzen.
Warum Kontext nicht dauerhaft in Chat-Projekten gelöst wird
Es ist ein Missverständnis zu glauben, dass ein Projekt in einem AI-Tool automatisch immer den vollständigen Unternehmenskontext enthält. Je größer die Datenmenge wird, desto stärker werden technische und wirtschaftliche Grenzen sichtbar. Kontext muss aktiv strukturiert, gespeichert, aktualisiert und abrufbar gemacht werden. Genau dafür braucht es eine eigene Wissensarchitektur.
AI-Modelle werden austauschbar, Daten bleiben im Unternehmen
Der langfristige Vorteil liegt in der Trennung zwischen Wissen und Modell. Das Wissen liegt im eigenen System. Die Modelle greifen darauf zu. Heute kann ein Prozess Claude nutzen, morgen ChatGPT, Gemini oder ein lokal gehostetes Open-Source-Modell. Dadurch entsteht weniger Abhängigkeit von einzelnen Plattformen und mehr Flexibilität für Kosten, Qualität, Datenschutz und Skalierung.
Ein Agent ist nicht einfach ein Chatbot mit einem Namen. Ein sinnvoll definierter Agent hat eine Rolle, Aufgabenbereiche, Zugriff auf bestimmte Wissensquellen, klare Grenzen und ein Feedback-System. Ein SEO-Agent arbeitet anders als ein Google-Ads-Agent, ein Customer-Service-Agent oder ein E-Commerce-Agent. Durch Interaktion, Feedback und neue Daten kann sich die Qualität der Agenten mit der Zeit verbessern.
Automatisieren, vorschlagen oder bewusst nicht anfassen
Ein wichtiger Teil unserer R&D ist die Validierung echter Prozesse. Nicht jede Aufgabe sollte automatisiert werden. Manche Prozesse können vollständig automatisiert werden, wenn Risiko und Komplexität niedrig sind. Andere sollten nur Vorschläge erzeugen, die ein Mensch prüft. Wieder andere sind aktuell zu sensibel, zu unklar oder zu wenig standardisiert, um sinnvoll automatisiert zu werden.
Lokale LLMs für Routine, API-Modelle für komplexe Arbeit
Nicht jede Aufgabe benötigt das stärkste externe Modell. Für wiederkehrende Prozesse wie Klassifizierung, Extraktion, Tagging, einfache Zusammenfassungen oder Datenvorbereitung können lokale LLMs sinnvoll sein. Für Strategie, komplexe Analyse, Kreativität und hochwertige Entscheidungsunterstützung können stärkere API-Modelle genutzt werden. Dadurch lassen sich Kosten, Datenschutz und Qualität besser steuern.
Eine autonome Business-Plattform entsteht nicht über Nacht. Sie wächst durch echte Use Cases, klare Datenmodelle, sichere Infrastruktur und wiederholtes Lernen. Der realistische Weg beginnt mit Beobachtung und Strukturierung, geht weiter zu Vorschlägen und Freigaben und kann bei geeigneten Prozessen später zu kontrollierter Automatisierung führen.
Warum E-Commerce-Unternehmen besonders spannend sind
E-Commerce-Unternehmen haben viele operative Datenquellen: Shopify, Produktdaten, Lagerstände, Google Ads, Search Console, Analytics, Newsletter, Support, Retouren, Lieferanten und Content. Genau hier entsteht ein hoher Wert, wenn Daten verbunden und laufend ausgewertet werden. Ein Knowledge Center kann Marketing, Produktmanagement, SEO, Support und Managemententscheidungen besser vorbereiten.
R&D mit FFG Project Start Unterstützung
Dieses Thema ist Teil unserer internen Forschungs- und Entwicklungsarbeit. Mit Unterstützung von FFG Project Start validieren wir, welche Architektur, Prozesse und Agentenmodelle für solche Systeme sinnvoll sind. Der Fokus liegt nicht darauf, vorschnell ein fertiges Produkt zu behaupten, sondern auf realer Erprobung: Welche Datenquellen bringen Wert? Welche Agentenrollen sind sinnvoll? Welche Aufgaben sind automatisierbar? Wo braucht es menschliche Kontrolle?
Bereich | Einzelnes AI-Tool | Private Knowledge Center |
Wissensspeicher | Wissen liegt in Chats oder Projekten eines Tools | Wissen liegt in eigener kontrollierter Infrastruktur |
Modellabhängigkeit | Abhängig von einem Anbieter und dessen Limits | Verschiedene Modelle per API oder lokal nutzbar |
Kontext | Begrenzt durch Token, Pakete und Projektlogik | Skalierbar durch Retrieval, Graph und Datenstruktur |
Datenquellen | Oft manuell eingefügt oder fragmentiert | Quellen können systematisch angebunden werden |
Agenten | Meist allgemeine Chat-Assistenten | Rollenbasierte Agenten mit Aufgaben und Grenzen |
Feedback | Feedback bleibt oft im Chatverlauf | Feedback kann Agenten und Prozesse verbessern |
Automatisierung | Einzelne Workflows oder Prompts | Prozesslogik mit Freigaben und Kontrollpunkten |
Sicherheit | Abhängig von externer SaaS-Konfiguration | Privat, lokal oder mandantengetrennt planbar |
Langfristiger Wert | Schnelle Produktivität | Operatives Unternehmensgedächtnis |
Welche Datenquellen bringen wirklich Wert?
Nicht jede Integration ist automatisch sinnvoll. Im R&D-Prozess prüfen wir, welche Quellen tatsächlich bessere Entscheidungen ermöglichen. Dazu können Shopify, Google Ads, Search Console, Analytics, CRM, E-Mail, Support, Dokumente, Projektmanagement und interne Datenbanken gehören. Entscheidend ist der konkrete operative Nutzen.
Welche Agentenrollen sind sinnvoll?
Ein guter Agent braucht eine klare Rolle. Ein SEO-Agent, Google-Ads-Agent, Customer-Service-Agent, E-Commerce-Agent oder Project-Manager-Agent hat jeweils andere Aufgaben, Datenquellen und Grenzen. Die Frage ist nicht nur, ob ein Agent technisch möglich ist, sondern ob er im Alltag echten Mehrwert liefert.
Welche Aufgaben lassen sich vollständig automatisieren?
Manche Aufgaben sind wiederkehrend, risikoarm und klar regelbasiert. Diese eignen sich eher für Automatisierung. Beispiele können Datenstrukturierung, einfache Klassifizierung, Monitoring, technische Checks oder interne Zusammenfassungen sein. Auch hier braucht es aber Logging, Kontrolle und saubere Fehlerbehandlung.
Wo sind Vorschläge besser als Autopilot?
Viele wertvolle Aufgaben sollten nicht sofort automatisch ausgeführt werden. AI kann Handlungsvorschläge, Reports, Entwürfe oder Warnungen vorbereiten. Menschen prüfen und geben frei. Das ist besonders relevant bei Marketingbudgets, Kundenkommunikation, strategischen Empfehlungen, Content-Freigaben und technischen Änderungen.
Welche Prozesse sollte man aktuell nicht automatisieren?
Ein ehrlicher R&D-Ansatz erkennt auch Grenzen. Manche Prozesse sind zu sensibel, zu komplex, zu unklar oder zu stark von menschlichem Kontext abhängig. In solchen Fällen kann es sinnvoller sein, erst Wissen zu sammeln, Prozesse zu beobachten und später neu zu bewerten, statt vorschnell Automatisierung zu erzwingen.
Wie verbessert Feedback die Agenten?
Wenn Menschen mit Agenten arbeiten, entstehen wertvolle Feedbacksignale. Wurde ein Vorschlag akzeptiert, geändert oder abgelehnt? Welche Informationen haben gefehlt? Welche Formulierungen waren hilfreich? Solches Feedback kann genutzt werden, um Prompts, Rollen, Datenmodelle und Abläufe mit der Zeit zu verbessern.
Wie bleibt das System unabhängig und sicher?
Das Ziel ist nicht, sich an ein einzelnes AI-Modell zu binden. Die Wissensschicht soll unabhängig bleiben und verschiedene Modelle nutzen können. Gleichzeitig braucht es Sicherheitskonzepte für API-Tokens, Datenzugriffe, Backups, Mandantentrennung und Freigabeprozesse. Ohne diese Grundlagen kann AI-Infrastruktur schnell riskant werden.
Wir wären vorsichtig mit dieser Aussage. Einzelne Prozesse können heute bereits sehr gut automatisiert oder durch AI unterstützt werden. Eine vollständig autonome Firma ist jedoch deutlich komplexer, weil Datenqualität, Verantwortlichkeit, Sicherheit, rechtliche Aspekte, Prozesslogik und menschliches Urteilsvermögen eine große Rolle spielen. Der realistische Weg ist schrittweise Validierung statt großer Versprechen.
Automatisierung löst oft einzelne Aufgaben. Eine Dark Factory beschreibt eine größere operative Struktur, in der Daten, Prozesse, AI-Agenten, Wissensspeicher und Kontrollpunkte zusammenarbeiten. Es geht nicht nur darum, Arbeit schneller zu erledigen, sondern ein System aufzubauen, das mitlernt, Zusammenhänge erkennt und Entscheidungen besser vorbereitet.
Ein Knowledge Center sorgt dafür, dass Unternehmenswissen nicht nur in Chats, Dokumenten oder einzelnen Tools verteilt bleibt. Es bündelt Daten, Beziehungen, Historie und Kontext in einer kontrollierten Struktur. Dadurch können verschiedene AI-Modelle auf dasselbe Wissen zugreifen, ohne dass das Unternehmen vollständig von einem bestimmten Anbieter abhängig wird.
AI-Agenten übernehmen spezialisierte Rollen. Sie können SEO-Daten prüfen, Kampagnen analysieren, Support-Entwürfe vorbereiten, Produktdaten strukturieren, Projektfortschritt beobachten oder Management-Reports erstellen. Entscheidend ist, dass jeder Agent klare Grenzen, passende Wissensquellen und einen definierten Freigabeprozess hat.
Teilweise, aber nicht vollständig. Lokale LLMs können für wiederkehrende und strukturierende Aufgaben sehr interessant sein, besonders wenn Datenschutz oder Kosten wichtig sind. Für komplexe Strategie, hochwertige Texte, kreative Bewertung oder anspruchsvolle Analyse können externe API-Modelle weiterhin sinnvoller sein. Die Kombination beider Ansätze ist oft am stärksten.
E-Commerce-Unternehmen haben viele Datenquellen und wiederkehrende Entscheidungen: Produkte, Lagerstände, Kampagnen, SEO, Analytics, Support, Retouren, Content und Kundenverhalten. Wenn diese Informationen verbunden werden, kann AI helfen, bessere Vorschläge zu machen, Auffälligkeiten schneller zu erkennen und operative Entscheidungen strukturierter vorzubereiten.
AI kann sehr stark bei Analyse, Strukturierung und Vorschlägen sein. Trotzdem können Fehler, falsche Prioritäten oder fehlender Kontext entstehen. Bei Budgets, Kundenkommunikation, rechtlich relevanten Themen, technischen Deployments oder sensiblen Daten sollte der Mensch weiterhin prüfen und entscheiden. Gute AI-Infrastruktur ersetzt Kontrolle nicht, sondern macht sie effizienter.
Die Zukunft von AI im Unternehmen liegt nicht darin, alles in einem einzigen Chatfenster zu lösen. Sie liegt darin, ein eigenes, sicheres und strukturiertes Wissenssystem aufzubauen, das mit verschiedenen AI-Modellen arbeiten kann. Im Rahmen unserer R&D, unterstützt durch FFG Project Start, untersuchen wir genau diese Entwicklung: Wie können Unternehmen ihre Daten, Prozesse und Entscheidungen langfristig besser strukturieren, ohne sich von einem einzelnen AI-Tool abhängig zu machen?
Die Antwort wird nicht über Nacht entstehen. Sie entsteht durch reale Use Cases, technische Validierung, sichere Infrastruktur und ehrliche Prozessanalyse. Manche Aufgaben werden automatisiert. Manche werden als Vorschläge vorbereitet. Manche bleiben bewusst beim Menschen. Genau diese Differenzierung ist der realistische Weg zur nächsten Generation von AI-gestützten Unternehmen.