Die Evolution von SaaS im Zeitalter der Agentic AI

Ich lese dieser Tage viel über fallende Märkte bei klassischen SaaS-Anbietern und die täglichen Fortschritte bei KI, Agenten, Bots, Modellen und mehr. Dabei versuche ich, für mich zu ordnen und zu destillieren, was für agentische B2B-Lösungen wirklich wichtig ist und was nur Hype und Rauschen.

Hier einige der Punkte, die ich gesammelt habe:

Was für B2B strategisch wichtig ist

Um zu überleben, müssen Entwickler „Oberfläche“ und „Workflow“ als primäres Wertversprechen aufgeben und sich auf Assets konzentrieren, die KI nicht leicht nachbauen kann.

Den Oberflächen-Burggraben aufgeben: Klassische Vertikalsoftware band Kunden über komplexe Oberflächen und geschulte Anwender an sich. KI-Agenten brechen das auf, weil Nutzer in natürlicher Sprache interagieren – proprietäre Oberflächen werden überflüssig. Software sollte „headless“ konzipiert sein und vor allem als API oder Zulieferer für einen KI-Agenten funktionieren, nicht als Ziel-Website.

Proprietäre Daten sichern: Wenn sich Ihre Daten scrapen, lizenzieren oder synthetisieren lassen, droht Ihrem Geschäft die Commoditisierung. Die stärkste Strategie: Daten besitzen, die es sonst nirgends gibt, etwa eigene Preisdaten, Bonitätsbewertungen oder einzigartige redaktionelle Inhalte.

Regulatorische und transaktionale Bindung nutzen: Setzen Sie auf Branchen mit hohen Compliance-Anforderungen oder binden Sie die Software direkt in Geldflüsse ein. Diese „Festungen“ bleiben gegen KI-Disruption resistent, weil LLMs weder rechtliche Zertifizierung noch Finanzinfrastruktur ersetzen können.

Produktarchitektur: „Skills“ und agentisches Design

Wie Geschäftslogik und Informationsabruf gebaut werden, muss sich von starrem Code zu flexiblen, agentenfreundlichen Strukturen verschieben.

Logik als KI-„Skills“ kodieren, nicht als Code: Statt Geschäftslogik fest in Python oder JavaScript zu verdrahten, können Entwickler Workflows in Markdown-Dateien beschreiben (skills.md usw.). So können Fachexperten Software ohne Entwickler schreiben, und das System passt sich an, wenn die Modelle besser werden.

Agentische Protokolle übernehmen (MCP, A2A, UCP, A2P usw.): Statt maßgeschneiderter APIs mit starrer Dokumentation bauen Sie Endpunkte, die Agenten verstehen. So können KI-Agenten die Fähigkeiten Ihrer Software dynamisch entdecken und nutzen, ohne individuellen Integrationsaufwand. Ihre neuen Nutzer könnten überwiegend KI-Agenten sein.

Sandboxing ist Pflicht: Wenn Ihre Software Agenten Code oder mehrstufige Workflows ausführen lässt, brauchen Sie isolierte Ausführungsumgebungen (Sandboxes), um Schäden am System zu verhindern (etwa wenn ein Agent versehentlich Dateien löscht).

Timing am Markt: KI-Tools richtig einschätzen

Bevor Sie eine Lösung entwickeln, müssen Sie klären, ob die zugrunde liegenden KI-Tools die jeweilige Aufgabe überhaupt leisten können.

Die Eignung prüfen, bevor Sie bauen: Prüfen Sie, ob aktuelle Modelle und Tools die Kernaufgabe ohne nennenswerte menschliche Korrektur erledigen können – für Ihr konkretes Wissensgebiet und die Funktion, die Sie bauen wollen.

Der „Human-in-the-Loop“-Test: Scheitert das Produkt vollständig, sobald Sie den Menschen aus dem Workflow nehmen, ist es noch kein Produkt. In vielen Bereichen ist Genauigkeit entscheidend, und wenn Ihre LLM- und Agenten-Verarbeitung nur 80 % Genauigkeit liefert, taugt sie womöglich nicht als Produkt.

Auf dauerhafte „agentische“ Workflows vorbereiten: Künftiger Wert liegt in Agenten, die tagelang autonom arbeiten können, nicht nur minutenlang. Entwickler sollten Systeme entwerfen, die Persistenz, Fehlerbehebung und lang laufende Aufgaben unterstützen.

Technische Optimierung: die „Token-Steuer“ im Griff

Weil das Senden von Daten an LLMs teuer ist und Latenz verursacht, wird effizientes Kontextmanagement zum entscheidenden Wettbewerbsvorteil.

Kontextnutzung optimieren: Setzen Sie Strategien um, die Token-Kosten senken. Dazu gehört, statische Anweisungen an den Anfang von Prompts zu stellen, um Cache-Treffer zu maximieren, nur anhängenden Kontext zu verwenden und Daten zu bereinigen, bevor sie ins Modell gehen.

Subagenten und Caching nutzen: Delegieren Sie einfachere Aufgaben an günstigere Modelle und cachen Sie Antworten auf Anwendungsebene, um redundante API-Aufrufe zu vermeiden.

Die richtige Wahl der Kontextspeicherung: Speichern Sie Nutzerkontext als Dateien (YAML/Markdown) in S3-ähnlichem Speicher statt in komplexen Datenbankschemata. So sind die Daten für KI-Agenten leicht les- und schreibbar.

Was halten Sie für wichtig? Teilen Sie Ihre Ideen.