{"id":11732,"date":"2025-08-21T15:19:03","date_gmt":"2025-08-21T13:19:03","guid":{"rendered":"https:\/\/staging.artiquare.com\/manifesto\/"},"modified":"2026-03-21T14:12:27","modified_gmt":"2026-03-21T12:12:27","slug":"manifesto","status":"publish","type":"page","link":"https:\/\/staging.artiquare.com\/de\/manifesto\/","title":{"rendered":"Das IntakeOps Manifesto"},"content":{"rendered":"

Das IntakeOps Manifesto<\/h1><\/div><\/div><\/div>

Ihr Unternehmen hat einen Datenfriedhof. Jedes Unternehmen hat eines.<\/h2><\/div>

Acht Jahre Jira-Tickets. Tausende Confluence-Seiten. St\u00f6rungsberichte, Threads zu Problemumgehungen, geschlossene Tickets ohne L\u00f6sungshinweise. Die gesamte Historie aller Probleme, die Ihr Team je gel\u00f6st hat \u2013 vergraben, unauffindbar, praktisch verloren.<\/p>\n

Das ist operativer Wissensverfall. Und er verst\u00e4rkt sich jedes Quartal.<\/p>\n

Wenn erfahrene Ingenieure das Unternehmen verlassen, geht auch wertvolles Fachwissen verloren. Mit steigendem Ticketaufkommen sinkt das Verh\u00e4ltnis von relevanten zu irrelevanten Informationen. Mit der zunehmenden Verbreitung von KI-Tools in Ihrer Systemarchitektur wiederholt sich diese Fragmentierung in gr\u00f6\u00dferem Umfang \u2013 schneller und gleichzeitig auf mehr Systemen.<\/p>\n

Das Ergebnis sind drei sich gegenseitig verst\u00e4rkende Funktionsst\u00f6rungen:<\/p>\n

Expertenengp\u00e4sse.<\/strong> Ihre leitenden Ingenieure verbringen ihre Zeit damit, Probleme zu l\u00f6sen und Fragen zu beantworten, die bereits vor Jahren irgendwo von irgendjemandem beantwortet wurden. Sie k\u00f6nnen keine Innovationen entwickeln, weil sie den Betrieb aufrechterhalten m\u00fcssen.<\/p>\n

Institutionelle Amnesie.<\/strong> Ihr Team l\u00f6st immer wieder dieselben Probleme, weil die L\u00f6sungen versteckt und unzug\u00e4nglich sind. Jeder neue Mitarbeiter f\u00e4ngt bei null an. Jede Vorfallsuntersuchung rekonstruiert bereits vorhandene Zusammenh\u00e4nge.<\/p>\n

Gescheiterte KI-Initiativen.<\/strong> Ein Chatbot, der auf einem Datenfriedhof basiert, ist lediglich ein schnellerer Weg, falsche Antworten zu erhalten. Generische KI-Tools setzen saubere, strukturierte Daten voraus. Die Realit\u00e4t sieht jedoch anders aus: un\u00fcbersichtliche Tickets, informelle Workarounds und implizites Wissen, das nie dokumentiert wurde.<\/p>\n

In risikoreichen Industrieumgebungen ist dies kein Produktivit\u00e4tsproblem. Produktionsausf\u00e4lle in gro\u00dfem Umfang kosten Millionen pro Stunde. Die Unf\u00e4higkeit, jetzt die richtige L\u00f6sung zu finden, hat einen messbaren Preis.<\/p>\n<\/div><\/div><\/div>

\"unified<\/span><\/div><\/div><\/div><\/div><\/div>

Warum bestehende Ans\u00e4tze scheitern<\/h2><\/div><\/div><\/div>

Die erste Generation von KI-Systemen versuchte, dieses Problem mit verbesserter Suche und gr\u00f6\u00dferen Modellen zu l\u00f6sen. Es hat nicht funktioniert \u2013 nicht weil die Modelle schwach sind, sondern weil das Fundament mangelhaft ist.<\/p>\n<\/div>

Auf unstrukturiertem Chaos lassen sich keine verl\u00e4sslichen Erkenntnisse gewinnen. Die Suche nach Daten auf einem Datenfriedhof liefert nur unbrauchbare Inhalte. Das Problem ist nicht das dar\u00fcberliegende Modell, sondern die darunter liegende, jahrzehntelange Betriebshistorie \u2013 unstrukturiert, unbeschriftet und ohne jegliche Erkenntnisse.<\/p>\n

Die Tools, zu denen die meisten Teams greifen \u2013 Dokumentensuche, generische Chatbots, vorgefertigte Copiloten \u2013 sind f\u00fcr saubere Daten konzipiert. Sie funktionieren in Demos. Im Produktivbetrieb versagen sie, wo das wirklich relevante Wissen in alten Tickets, abgeschlossenen Vorg\u00e4ngen und im Ged\u00e4chtnis von Mitarbeitern gespeichert ist, die m\u00f6glicherweise nicht mehr im Unternehmen arbeiten.<\/p>\n

Die Architektur ist wichtiger als die Modellgr\u00f6\u00dfe. Auf dieser \u00dcberzeugung basiert unser gesamtes Werk. Auf dieser \u00dcberzeugung haben wir aufgebaut.<\/p>\n<\/div><\/div><\/div><\/div><\/div>

Was wir glauben<\/h2><\/div><\/div><\/div>

Operative Intelligenz sollte auf bereits vorhandenen Daten basieren<\/strong> \u2013 nicht auf Daten, die jemand erst nach einiger Zeit dokumentiert hat. Die 80 % des operativen Wissens, die in Tickets, Protokollen und informellen Kan\u00e4len verborgen sind, sind kein Rauschen. Sie stellen die pr\u00e4ziseste Aufzeichnung des tats\u00e4chlichen Verhaltens Ihrer Systeme dar.<\/p>\n<\/div>

KI-Systeme sollten ihre Funktionsweise offenlegen.<\/strong> Wenn eine Empfehlung eine Produktionsentscheidung, einen Wartungsauftrag oder ein Compliance-Ergebnis beeinflusst, ben\u00f6tigt Ihr Team mehr Informationen als die Systemergebnisse. Es muss wissen, wie diese zustande kamen \u2013 welche Quellen herangezogen wurden, welche Signale relevant waren und wo Unsicherheiten bestehen. Transparenz ist keine optionale Funktion, sondern eine Grundvoraussetzung f\u00fcr operatives Vertrauen.<\/p>\n

Systeme sollten aus dem lernen, was passiert, nicht aus dem, woran sich die Benutzer erinnern, es zu melden.<\/strong> Explizites Feedback verliert in jeder Betriebsumgebung schnell an Bedeutung. Echte Verbesserungen ergeben sich aus Verhaltenssignalen \u2013 welche Empfehlungen umgesetzt, welche ignoriert und wo die Ingenieure nach zus\u00e4tzlichen Informationen gesucht haben. Das System sollte sich durch Nutzung verbessern, nicht durch Disziplin.<\/p>\n

Ihre operativen Informationen sollten Ihr Eigentum bleiben.<\/strong> Es sollte auf Ihrer eigenen Infrastruktur laufen, mit von Ihnen freigegebenen Modellen und in jedem Entscheidungspunkt transparent sein. Keine obligatorische externe Daten\u00fcbertragung. Keine Abh\u00e4ngigkeit von einem einzelnen Anbieter. Keine Blackbox, die Sie nicht \u00fcberpr\u00fcfen oder austauschen k\u00f6nnen.<\/p>\n

Die Architektur ist genauso wichtig wie das Modell.<\/strong> Zuverl\u00e4ssige KI f\u00fcr den Produktiveinsatz erfordert eine strukturierte Datenerfassung, einen persistenten Speicher, eine deterministische Steuerung und kontinuierliches Lernen aus realen Abl\u00e4ufen. Dies sind technische Probleme, keine Modellierungsprobleme.<\/p>\n<\/div><\/div><\/div><\/div><\/div>

\"\"<\/span><\/div><\/div><\/div><\/div><\/div>

Die daf\u00fcr erforderliche Disziplin: IntakeOps<\/h2><\/div><\/div><\/div>

Jede ausgereifte Entwicklungsorganisation bew\u00e4ltigt Komplexit\u00e4t bereits durch disziplinierte Vorgehensweisen. DevOps steuert die Codebereitstellung. MLOps steuert den Modelllebenszyklus. Eine dritte Disziplin fehlte bisher \u2013 eine, die die chaotische Realit\u00e4t des tats\u00e4chlichen Einflie\u00dfens von Arbeit in KI-Systeme ber\u00fccksichtigt.<\/p>\n<\/div>

IntakeOps ist die Ingenieursdisziplin f\u00fcr KI-Eingaben.<\/strong><\/p>\n

W\u00e4hrend DevOps den Code verwaltet und MLOps die Modelle, k\u00fcmmert sich IntakeOps um die un\u00fcbersichtliche, mehrkanalige Realit\u00e4t menschlicher Anfragen \u2013 Tickets, Sprachnachrichten, Chat, E-Mails, Protokolle \u2013 und schafft die strukturelle Ebene, die operative St\u00f6rungen in eine saubere, agentenbereite Ausf\u00fchrung verwandelt.<\/p>\n

Ohne IntakeOps arbeitet jeder Agent und jede Automatisierung mit den jeweils verf\u00fcgbaren Daten. Mit IntakeOps hingegen verf\u00fcgen alle Agenten, Automatisierungen und Workflows \u00fcber eine gemeinsame Intelligenzebene: strukturierten Kontext, persistenten Speicher und validiertes Betriebswissen.<\/p>\n

Dies ist die Grundlage, die KI im Produktiveinsatz zuverl\u00e4ssig macht \u2013 nicht das Modell, nicht die Schnittstelle, sondern die Disziplin, die Eingaben zu verwalten.<\/p>\n<\/div><\/div><\/div><\/div><\/div>

So bauen wir: Compositional Agentic Architecture<\/h2><\/div><\/div><\/div>

Unsere Implementierung der IntakeOps-Prinzipien ist als Compositional Agentic Architecture<\/a> \u2014 CAA formalisiert. Es handelt sich um einen strukturierten Entwurf f\u00fcr den Aufbau zuverl\u00e4ssiger, produktionsreifer operativer KI-Systeme mit f\u00fcnf Schichten, die LLM-Schlussfolgerungen in zuverl\u00e4ssige Ausf\u00fchrung umsetzen.<\/p>\n<\/div>

CAA ist kein propriet\u00e4res Dogma. Sein Kern ist unter der Apache-2.0-Lizenz ver\u00f6ffentlicht. Wir tragen offen bei, weil sich das Fachgebiet schneller weiterentwickelt, wenn architektonisches Denken geteilt wird \u2013 und weil unser Vorteil darin besteht, diese Prinzipien in realen Betriebsumgebungen anzuwenden, nicht sie geheim zu halten.<\/p>\n

Die f\u00fcnf Schichten:<\/strong><\/p>\n

Kontext <\/strong>\u2013 Wandelt Rohdaten in strukturierte, typisierte und versionierte Informationen um. Die KI agiert kontextbezogen, nicht auf Basis von Vermutungen. Keine zusammengef\u00fcgten Rohdaten. Keine unstrukturierten Eingabeaufforderungen.<\/p>\n

Verhalten <\/strong>\u2013 Eine explizite, nachvollziehbare Planungsebene, die festlegt, was zu tun ist, bevor irgendetwas ausgef\u00fchrt wird. Die Begr\u00fcndung ist sichtbar und nicht in einer einzigen, monolithischen Eingabeaufforderung verborgen.<\/p>\n

Ausf\u00fchrung <\/strong>\u2013 Deterministische Arbeitsabl\u00e4ufe und Werkzeugaufrufe mit typisierten Schnittstellen, klarer Zielsetzung und vorhersehbaren Nebenwirkungen. Agenten, die handeln, nicht nur solche, die reagieren.<\/p>\n

Status \u2013 Ein persistenter, strukturierter Arbeitsspeicher, der den Fortschritt \u00fcber mehrstufige Arbeitsabl\u00e4ufe hinweg verfolgt. Das System merkt sich den Status. Der Kontext wird angesammelt, anstatt zur\u00fcckgesetzt zu werden.<\/p>\n

Zusammenarbeit <\/strong>\u2013 Mensch-Maschine-Interaktion ist von Anfang an in die Architektur integriert. Unterst\u00fctzung f\u00fcr Unterbrechung, \u00dcberwachung, \u00dcberpr\u00fcfung und Korrektur \u2013 nicht nachtr\u00e4glich hinzugef\u00fcgt.<\/p>\n

Zwei \u00fcbergreifende Aspekte durchdringen alle Ebenen: Observability <\/strong>\u2013 vollst\u00e4ndige Nachverfolgung, Metriken und Debugging an jedem Entscheidungspunkt \u2013 und Sicherheit <\/strong>\u2013 Authentifizierung, Isolation, Compliance und Governance. Hinzu kommt ein Aspekt des gesamten Lebenszyklus: Lernen und Anpassen<\/strong> \u2013 kontinuierliche Verbesserung anhand realer Betriebssignale, nicht synthetischer Benchmarks.<\/p>\n

Diese Architektur wurde vom BSFZ \u2013 der staatlichen Zertifizierungsstelle f\u00fcr Forschung und Entwicklung in Deutschland \u2013 validiert, was best\u00e4tigt, dass unsere Forschung und Entwicklung strenge Standards f\u00fcr Innovation, technisches Risiko und systematische Planung erf\u00fcllt.<\/p>\n<\/div><\/div><\/div><\/div><\/div>

\"Cognitive<\/span><\/div><\/div><\/div><\/div><\/div>

Warum der technische Support der richtige Ausgangspunkt ist<\/h2><\/div><\/div><\/div>

Operative Intelligenz muss sich in der Praxis bew\u00e4hren, bevor sie fl\u00e4chendeckend eingesetzt werden kann. Sie ben\u00f6tigt ein Umfeld, in dem Wissen schnell validiert, Fehler rasch aufgedeckt und die Diskrepanz zwischen dokumentierten Prozessen und der operativen Realit\u00e4t t\u00e4glich sichtbar wird.<\/p>\n<\/div>

Technischer Support ist diese Umgebung.<\/p>\n

Jedes Ticket stellt eine Frage dar, die die Organisation anhand der vorhandenen Dokumentation nicht beantworten konnte. Jede L\u00f6sung ist ein wertvoller Erkenntnisgewinn. Jeder wiederkehrende Vorfall offenbart ein Muster, das es aufzudecken gilt. Das Ticketaufkommen ist hoch, die R\u00fcckmeldungen erfolgen schnell, und die Folgen von Fehlern sind sofort sichtbar.<\/p>\n

Deshalb beginnt jede ArtiQuare-Implementierung hier \u2013 nicht nur, weil technischer Support der einzige Anwendungsfall ist, sondern weil dies der schnellste Weg zu validierten operativen Erkenntnissen ist. Die in dieser Umgebung entdeckten Muster, das strukturierte Wissen und die entwickelten Schlussfolgerungsketten bilden das Fundament f\u00fcr alles Folgende.<\/p>\n<\/div><\/div><\/div><\/div><\/div>

Buche einen 15-min\u00fctigen Termin, um dich f\u00fcr dein Friction Audit zu qualifizieren (Slots sind f\u00fcr Betreiber und Beschaffungsleiter reserviert).<\/h3><\/div>
Ein Audit ansetzen<\/span><\/a><\/div><\/div><\/div><\/div><\/div>

Ein System, das die L\u00fccke schlie\u00dft, die es eigentlich l\u00f6sen sollte<\/h2><\/div><\/div><\/div>

Die Dokumentation hinkt der praktischen Realit\u00e4t stets hinterher. Bis eine L\u00f6sung dokumentiert ist, tritt das Problem bereits in einer neuen Variante auf. Bis ein Workaround dokumentiert ist, hat der Entwickler, der ihn entdeckt hat, das Projekt l\u00e4ngst verlassen. Dies ist kein Disziplinproblem, sondern ein strukturelles. Menschliche Dokumentation erfasst immer nur einen Bruchteil des tats\u00e4chlichen Geschehens.<\/p>\n<\/div>

Arti wurde entwickelt, um diese L\u00fccke automatisch zu schlie\u00dfen.<\/p>\n

Das System lernt im laufenden Betrieb aus den t\u00e4glichen Entscheidungen der Ingenieure \u2013 welche Empfehlungen umgesetzt, welche angepasst, welche verworfen wurden und warum. Es erkennt Dokumentationsl\u00fccken, wenn Fragen nicht anhand vorhandener Quellen beantwortet werden k\u00f6nnen, und macht diese sichtbar, damit sie geschlossen werden k\u00f6nnen. Es erfasst das im t\u00e4glichen Betrieb gewonnene Wissen \u2013 L\u00f6sungen, Workarounds, Musterkorrekturen \u2013 und integriert es in die operative Intelligenzschicht.<\/p>\n

Dadurch entsteht ein positiver Kreislauf: Das System verbessert sich ohnehin durch die Arbeit Ihres Teams, ohne dass daf\u00fcr gezielter Aufwand f\u00fcr das Wissensmanagement n\u00f6tig ist. Die operative Realit\u00e4t flie\u00dft kontinuierlich in die Wissensebene zur\u00fcck. Die Diskrepanz zwischen Dokumentation und Wissen verringert sich mit der Zeit, anstatt sich zu vergr\u00f6\u00dfern.<\/p>\n

The 80% of dark data doesn’t have to stay dark. Sie werden zum Trainingssignal.<\/p>\n<\/div><\/div><\/div><\/div><\/div>

Das Gesamtbild<\/h2><\/div><\/div><\/div>

Das heutige operative Datenchaos ist die unternehmensweite Herausforderung von morgen. Mit der zunehmenden Verbreitung von KI-Assistenten auf verschiedenen Plattformen, Tools und in individuellen Implementierungen wiederholt sich dieselbe Fragmentierung in gro\u00dfem Umfang \u2013 schneller und mit weitreichenderen Folgen.<\/p>\n

Die Antwort liegt nicht in mehr KI-Werkzeugen. Sie besteht in einer gemeinsamen Intelligenzgrundlage.<\/p>\n

Die IntakeOps-Schicht von Arti skaliert von operativer Effizienz zu einer einheitlichen Interaktionsarchitektur: eine einzige, kontrollierte Quelle f\u00fcr operative Kontextinformationen, aus der jeder Agent, jede Automatisierung und jeder Workflow in der Organisation Schl\u00fcsse ziehen kann. Keine Ansammlung unverbundener KI-Piloten. Eine koh\u00e4rente operative Intelligenz, die mit jedem Einsatz dazulernt und sich weiterentwickelt.<\/p>\n

Wir beginnen mit operativer Effizienz. Wir entwickeln uns hin zu organisatorischer Intelligenz.<\/p>\n

Der Weg ist konsequent: strukturierte Datenaufnahme aus den bereits bestehenden Systemen, persistenter Speicher, der aus realen Betriebsdaten aufgebaut ist, deterministische Kontrolle, die an jedem Entscheidungspunkt sichtbar ist, und kontinuierliche Verbesserung durch die Arbeit, die Ihre Teams jeden Tag leisten.<\/p>\n

Dies ist kein mehrj\u00e4hriges Transformationsprogramm. Es beginnt mit einem zweiw\u00f6chigen Reibungsanalyse-Audit \u2013 einer Diagnose, die Ihre Betriebsdaten erfasst, die relevanten Muster aufdeckt und einen konkreten Plan daf\u00fcr erstellt, was zuerst automatisiert werden sollte und warum.<\/p>\n

Von der Pr\u00fcfung bis zur Produktion in weniger als 90 Tagen. Und von da an verst\u00e4rkt sich die Intelligenz.<\/p>\n<\/div><\/div><\/div><\/div><\/div>

\"set<\/span><\/div><\/div><\/div><\/div><\/div>

So sieht operational intelligence in der Realit\u00e4t aus<\/h3><\/div>

Kein Chatbot. Kein Suchtool. Nicht noch eine weitere Abrufschicht \u00fcber einem Datenfriedhof.<\/p>\n

Ein Denksystem, das mit Ihren operativen Daten so arbeitet, wie sie tats\u00e4chlich vorliegen \u2013 un\u00fcbersichtlich, unvollst\u00e4ndig, \u00fcber verschiedene Systeme verteilt \u2013 und die darin verborgenen Muster, Ursachen und institutionellen Kenntnisse sichtbar macht. Transparent. Nachvollziehbar. Auf einer Infrastruktur, die Sie kontrollieren.<\/p>\n

Die Intelligenz war immer vorhanden. Sie war nur unzug\u00e4nglich.<\/p>\n<\/div><\/div><\/div><\/div><\/div>

Bist du bereit, dich den erfolgreichen 5% anzuschlie\u00dfen?<\/strong> Beginne mit einem Friction Audit – der systematischen Diagnose, die dein betriebliches Chaos in einen Wettbewerbsvorteil verwandelt.<\/h2><\/div>
Audit anfordern<\/span><\/a><\/div><\/div><\/div><\/div><\/div>\n<\/p>\n","protected":false},"excerpt":{"rendered":"","protected":false},"author":1,"featured_media":5834,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"100-width.php","meta":{"content-type":"","footnotes":""},"class_list":["post-11732","page","type-page","status-publish","has-post-thumbnail","hentry"],"_links":{"self":[{"href":"https:\/\/staging.artiquare.com\/de\/wp-json\/wp\/v2\/pages\/11732","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/staging.artiquare.com\/de\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/staging.artiquare.com\/de\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/staging.artiquare.com\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/staging.artiquare.com\/de\/wp-json\/wp\/v2\/comments?post=11732"}],"version-history":[{"count":2,"href":"https:\/\/staging.artiquare.com\/de\/wp-json\/wp\/v2\/pages\/11732\/revisions"}],"predecessor-version":[{"id":14660,"href":"https:\/\/staging.artiquare.com\/de\/wp-json\/wp\/v2\/pages\/11732\/revisions\/14660"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/staging.artiquare.com\/de\/wp-json\/wp\/v2\/media\/5834"}],"wp:attachment":[{"href":"https:\/\/staging.artiquare.com\/de\/wp-json\/wp\/v2\/media?parent=11732"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}