Welche KI solltest du wirklich nutzen? Ich habe eine KI dafür gebaut.

Das Problem

Ich habe MemodoAI gebaut, einen Fork von LibreChat, um dem ganzen Unternehmen einen KI-Chatbot und Agenten zu geben, ohne Abos pro Platz. Dann habe ich Claude ein 18-minütiges Onboarding-Tutorial erstellen lassen. Beides hat geholfen. Keins hat das eigentliche Problem gelöst, das ich schon lange vor MemodoAI gesehen hatte: Die meisten Leute nutzen KI-Tools nur für einen schmalen Ausschnitt dessen, was sie können. Eine E-Mail umschreiben, eine Zusammenfassung, und das war's.

Zugang ist nicht der Engpass. Anleitungen auch nicht. Was fehlt, ist die Verbindung zwischen dem, was ein Tool kann, und der konkreten Arbeit, die ein bestimmter Mensch jeden Tag macht. Ein Tutorial erklärt die Funktionen. Es sagt einem Controller nicht, welche dieser Funktionen für seinen Monatsabschluss relevant sind.

Was Sherpa macht

Sherpa befragt eine Person zu ihrer Arbeit: wiederkehrende Aufgaben, die Systeme, die sie nutzt, wo sie Zeit verliert, was sie von Hand neu eintippt. Es liefert drei bis fünf Empfehlungen. Jede benennt eine konkrete KI-Fähigkeit (in MemodoAI, Claude oder einem anderen freigegebenen Tool), erklärt, wie man sie auf den Arbeitsablauf dieser Person anwendet, und gibt eine konservative Schätzung der eingesparten Zeit, samt der zugrunde liegenden Annahme. Am Ende bittet es die Person, sich auf einen Vorschlag festzulegen.

Das Interview läuft, ohne dass der Tool-Katalog geladen ist. Das ist Absicht. Würde der Agent beim Fragen schon das Menü kennen, würde er die Antworten in die Richtung lenken, die er ohnehin bedienen kann. Blind zu arbeiten zwingt ihn, zuerst die Arbeit zu erfassen und erst danach, in einer getrennten Phase, mit dem Katalog abzugleichen. Das erlaubt ihm auch, Lücken zu melden: echte Bedürfnisse, hinter denen kein gutes Tool steht, die dir sagen, was du als Nächstes bauen oder kaufen solltest.

Ein persönlicher Berater, in großem Maßstab

Sherpa bietet die Art von Beratung, die normalerweise einen Berater braucht, jemanden, der sich zu jedem Mitarbeiter setzt und dessen Arbeit auf das abbildet, was verfügbar ist. Das skaliert nicht, also machen es die meisten Unternehmen nie. Sherpa ist Software, also kann dasselbe maßgeschneiderte Gespräch für alle gleichzeitig laufen, so oft sie wollen, auch jedes Mal, wenn ein neues Tool oder eine neue Fähigkeit auftaucht.

Vorgaben von oben und Schulungen für die ganze Belegschaft schaffen das nicht. Menschen fangen an, KI zu nutzen, wenn ihnen jemand zeigt, wie sie zu ihrer eigenen Arbeit passt, und Sherpa kann das für alle auf einmal tun.

Wie es gebaut ist

Sherpa ist eine LangGraph-Anwendung mit drei Knoten (diagnose, match, commit) und einem typisierten State-Objekt, das ein strukturiertes Needs-Profile zwischen ihnen weiterreicht. Sie läuft hinter einem dünnen FastAPI-Endpunkt, der die OpenAI-kompatible API spricht, sodass sie sich später ohne Umbau in MemodoAI einklinken lässt. Die Inferenz läuft auf Open Weights über Together AI. LangSmith übernimmt Tracing und Evals. Die Empfehlungen werden im Code aus einem strukturierten JSON-Objekt zusammengesetzt, statt vom Modell frei formuliert zu werden, was das Ausgabeformat stabil und die Qualität überprüfbar hält.

Status

Es ist ein Proof of Concept. Der Umfang ist bewusst eng: ein Fragenkatalog für den Finanzbereich, ein einzelner Nutzer, ein lokales Commitment-Log statt einer unternehmensweiten Mess-Ebene. Der Sinn des POC ist zu testen, ob die Empfehlungen konkret und wirklich nützlich herauskommen, bevor man irgendetwas drumherum baut. Bekannte Einschränkungen und die aufgeschobene Roadmap stehen im Repo.

Was es adressiert

Sherpa deckt die Teile der KI-Einführung ab, die Organisationen sonst als getrennte Probleme behandeln:

• Entdeckung: wo KI in einer konkreten Rolle helfen kann.
• Einführung: Leute dazu bringen, Tools zu nutzen, die es schon gibt.
• Messung: welche Vorschläge im Unternehmen tatsächlich angenommen werden, damit du siehst, wo KI sich wirklich auszahlt. Das ist keine Produktivitätsüberwachung. Sherpa zählt Vorschläge, nicht Menschen. Es verfolgt nicht, wer KI nutzt und wer nicht, und es bewertet niemandes individuelle Leistung. Es gibt kein Dashboard pro Person. Die Annahme zu messen statt der Einzelnen ist auch das, was es im Rahmen von Betriebsrat und DSGVO hält.
• Selbstverbesserung: Jedes Gespräch erzeugt Signal. Wozu sich Leute verpflichtet haben, was Zeit gespart hat, wo die Schätzungen danebenlagen, welche Bedürfnisse kein Tool hatten. Das Eval-Harness erfasst es; zurückgespielt justiert es den Fragenkatalog, das Matching und die Schätzungen. Diese Feinjustierung mache ich gerade noch von Hand. Mit genug echter Nutzung kann ein überwachender Agent sie übernehmen, nach neuen Tool-Fähigkeiten suchen und beides zurückspielen.

Probier es aus

Es ist Open Source. Das klarste Bild vom echten Stand gibt das SDD/-Verzeichnis: die Spezifikationen und kritischen Reviews hinter dem Bau, derselbe spezifikationsgetriebene Prozess, über den ich schon geschrieben habe.

Repo: github.com/pablooliva/sherpa