Salesforce gibt seinen Agenten eine Laufzeitumgebung, die wochenlang läuft

Salesforce hat am 5. Oktober in Dubai und Riad ein neues Portfolio von Agentforce-Agenten vorgestellt, und der Großteil der Berichterstattung konzentrierte sich auf die Besetzung. Casey kümmert sich um den Kundenservice über Sprache, SMS, WhatsApp und Webchat. Paige bearbeitet IT- und HR-Anfragen. Carter hilft Käufern, Produkte zu vergleichen und im Chat zu bezahlen. Piper qualifiziert eingehende Leads. Marshall orchestriert Backoffice-Prozesse und führt ein Prüfprotokoll. Fin führt komplexe Customer-Experience-Workflows aus. Hunter übernimmt den Outbound-Vertrieb von der Recherche bis zur Ansprache.

Die Besetzung ist der am wenigsten interessante Teil. Darunter liegt eine neue Langzeit-Laufzeitumgebung, die es einem Agenten erlaubt, ein Ziel über Tage und Wochen zu verfolgen, statt am Ende einer einzelnen Interaktion zu stoppen.

Das ist eine andere Produktkategorie als die, die Enterprise-KI bisher verkauft hat.

Der Unterschied zwischen Antworten und Erledigen

Ein konversationeller Assistent beantwortet eine Frage und beendet seinen Turn. Ein Agent auf einer Langzeit-Laufzeitumgebung nimmt eine Anweisung entgegen, macht daraus ein messbares Ziel, baut einen Plan und arbeitet dann darauf hin, während er entscheidet, welche Aufgaben zu erledigen sind, welche Tools er braucht und wo er für einen Menschen pausieren muss.

Salesforces Beispiel ist ein Vertriebler, der Hunter anweist, gefährdete Deals vor Ende des Quartals zu retten. Hunter macht daraus einen Plan und beginnt ihn auszuführen, wobei er an definierten Punkten für die Freigabe durch den Vertriebler pausiert.

Drei Mechanismen machen das möglich. Memory bewahrt Kontext und Fortschritt über Sitzungen hinweg, sodass ein Agent, der am Montag die Arbeit wieder aufnimmt, weiß, was er am Freitag getan hat. Durable Execution hält einen Plan am Laufen und erlaubt es einem Agenten, fortzufahren oder anzupassen, wenn sich die Umstände ändern. Dynamic Steering passt das Verhalten auf Basis des Feedbacks eines einzelnen Nutzers an.

Der dritte Punkt ist der, an dem das Design interessant wird. Ein Agent, der wochenlang läuft, sammelt viele Entscheidungen an, und die meisten davon werden auf kleine Weise falsch sein. Wenn der einzige Feedback-Kanal eine Korrektur ist, die den Plan zurücksetzt, ist der Agent nicht robust. Steering bedeutet, dass der Agent sein Verhalten im Flug anpasst, statt neu zu starten.

Das Governance-Problem rückt in den Vordergrund

Je länger ein Agent unbeaufsichtigt läuft, desto wichtiger wird die Frage der Verantwortlichkeit.

Salesforces Antwort ist zweischichtig. Menschen bleiben überall dort eingebunden, wo Freigabe oder Urteilsvermögen gefragt sind – das ist die konventionelle Leitplanke. Darunter erlaubt Agent Script, eine Open-Source-Sprache für Agentenverhalten, einem Unternehmen, KI-Reasoning mit deterministischen Regeln zu kombinieren. Es geht um granulare Kontrolle darüber, wie ein Agent zu einer Entscheidung gelangt, sodass die Teile, die Richtlinien folgen müssen, als Richtlinie geschrieben und nicht gelernt werden können.

Alles läuft innerhalb der bestehenden Berechtigungen und Geschäftsregeln des Kunden, und jeder Agent trägt den Namen, den das Unternehmen ihm gibt. Die Rahmung ist, dass der Agent zu einer Erweiterung der Marke wird – ein Marketing-Argument, das Compliance-Arbeit leistet.

Das Prüfprotokoll ist hier ebenfalls wichtig. Marshall soll für jede Aktion eines bereitstellen. Für einen Prozess, der sich über Wochen erstreckt und mehrere Systeme berührt, ist ein Audit-Trail die einzige Möglichkeit für einen menschlichen Aufseher zu prüfen, was passiert ist, ohne den gesamten Lauf nachzuspielen.

Die Belege, auf die Salesforce zeigt

Das Unternehmen meldet mehr als 7 Milliarden agentische Arbeitseinheiten über Agentforce und Slack, darunter 3,2 Milliarden im jüngsten Quartal. Konkrete Kunden werden genannt: Perk, wo 60 Prozent der Sales-Pipeline inzwischen vom Outbound-Agenten aufgebaut werden; Autism Queensland, wo 70 Prozent der Verwaltungsanfragen von Paige gelöst werden; Hibbett AI, das in sechs Wochen live ging und heute 90 Prozent der zentralen Shopper-Journeys abwickelt.

Hibbett ist die Zahl, bei der es sich zu verweilen lohnt. Ein Einzelhandels-Deployment, das in sechs Wochen 90 Prozent Abdeckung der Shopper-Journeys erreicht, ist eine Aussage über Konfigurationsgeschwindigkeit, und genau dort sind Enterprise-Agent-Projekte historisch gescheitert. Die meisten bleiben in der Integration stecken, nicht in der Fähigkeit.

Die genannten Kunden sind auch ausgewählt, um einen Punkt über den Käufer zu machen. Eine Pipeline-Metrik spricht einen Vertriebsleiter an. Eine Verwaltungsanfragen-Metrik spricht einen Käufer aus dem öffentlichen Sektor oder dem Gesundheitswesen an. Die Fallstudien sind die Segmentierung.

Angebunden an das System of Record – der eigentliche Burggraben

Die Agenten laufen gegen Customer 360, was bedeutet, dass sie mit dem Kundenkontext, den Daten und den Geschäftsprozessen arbeiten, die ein Unternehmen bereits in Salesforce hat.

Das ist ein Distributionsvorteil, der als technisches Detail getarnt ist. Ein Wettbewerber kann einen Agenten bauen, der Outbound-Recherche betreibt. Einen zu bauen, der die Account-Historie, die offenen Opportunities und die Support-Tickets bereits kennt, ist eine andere Sache, und sie steht einem Anbieter ohne die zugrunde liegenden Datensätze nicht zur Verfügung.

Der Trade-off ist der bekannte. Welche Gewinne auch daraus entstehen, nahe am System of Record zu sein, sie gehen mit einer Abhängigkeit davon einher, und ein Unternehmen, das seine Vertriebsagenten auf Agentforce laufen lässt, hat seine CRM-Entscheidung teurer gemacht, rückgängig zu machen.

Wie sich das von den anderen Always-on-Agenten unterscheidet

Salesforce ist nicht das einzige Unternehmen, das Agenten ausliefert, die ohne Prompt laufen.

OpenAIs Dots arbeiten kontinuierlich im Hintergrund auf benutzerdefinierte Ziele hin, verbunden mit Tausenden von Anwendungen, wobei jeder Agent auf seinem eigenen privaten Cloud-Computer läuft. Metas Muse-Agent nimmt eine ähnliche Position ein. Die gemeinsame Idee ist, dass der Agent ein Ziel hält, statt eine Frage zu beantworten.

Der Unterschied bei Salesforces Version ist die Startfläche. Dots beginnt mit einem Ziel und einer Reihe verbundener Anwendungen. Agentforce beginnt mit einem Kundendatensatz, einem Case, einer Opportunity oder einer Bestellung, weil es an Customer 360 gebunden ist. Das verengt, woran der Agent arbeiten kann, und vertieft, was er darüber weiß.

Für Unternehmen ist die enge Version oft die nützlichere. Ein allgemeiner Agent, der alles berühren kann, ist schwerer zu autorisieren als ein spezifischer Agent, der innerhalb eines Systems arbeitet, das das Unternehmen bereits steuert. Das Berechtigungsmodell wird geerbt statt erfunden.

Die Preisfrage unter der Persistenz

Ein Agent, der einen Plan einen Monat lang offen hält, kostet auf Weisen Geld, die ein Request-Response-Modell nicht kennt.

Speicher für den Planstatus, Memory über Sitzungen hinweg, Monitoring für einen Agenten, der melden soll, wenn er eine Freigabe braucht, und die Modellaufrufe selbst summieren sich gegen einen Workflow, der ein Ergebnis liefern mag oder nicht. Die Kosten eines konversationellen Assistenten werden pro Austausch gemessen. Die Kosten eines Always-on-Agenten werden pro Zeiteinheit und pro Arbeitseinheit gemessen. Diese beiden Größen passen nicht zusammen, weshalb die genannten Kunden wichtiger sind als die Feature-Liste. Perk, Autism Queensland und Hibbett beschreiben allesamt Ergebnisse, die ein Finanzteam bereits bepreisen kann: generierte Pipeline, gelöste Verwaltungsanfragen, abgewickelte Shopper-Journeys. Ein Agent, der einen bekannten Kostenblock ersetzt, lässt sich leicht rechtfertigen. Ein Agent, der eine neue Kostenkategorie schafft, nicht.

Worauf man achten sollte

Drei Dinge werden entscheiden, ob die Langzeit-Laufzeitumgebung ein Produkt oder eine Demo ist.

Das erste ist das Fehlerverhalten in der Länge. Ein Plan, der über zwei Monate driftet, ist schwerer zu diagnostizieren als einer, der in einer Sitzung scheitert, und Salesforce hat nicht beschrieben, was passiert, wenn ein Agent ein Ziel verfolgt, das er schon Wochen zuvor hätte aufgeben sollen.

Das zweite ist, ob Agent Script außerhalb von Salesforce übernommen wird. Eine Open-Source-Sprache für Agentenverhalten nützt nur einem Kunden, der auf der Plattform bleibt. Ist sie portabel, wird sie ein Standard. Ist sie es nicht, ist sie ein Konfigurationsformat.

Das dritte ist der Preis der Persistenz. Ein Agent, der einen Plan einen Monat lang offen hält, verbraucht Speicher, Memory und Monitoring, und nichts davon taucht in einem Vergleich pro Token auf. Die Unit Economics eines Always-on-Agenten sind nicht die Unit Economics eines Request-Response-Modells, und Salesforce hat nicht veröffentlicht, für welches es abrechnet.

Die Rahmung, die das Unternehmen verwendet – dass diese Agenten an der Arbeit gemessen werden, die sie erledigen, statt an den Fragen, die sie beantworten –, setzt eine höhere Messlatte, als die Branche bisher angelegt bekam. Sie macht die Messung zugleich einfach: Entweder wurden die gefährdeten Deals abgeschlossen oder nicht.