Vom Pilotprojekt zu 6.000 Nutzer:innen: Wie Sie Enterprise-KI-Agenten erfolgreich skalieren

Mitte 2025 haben wir den Snowflake GTM AI Assistant für rund 6.000 Nutzer:innen in unserer gesamten Vertriebs- und Marketingorganisation eingeführt – unsere erste vollständige Enterprise-Bereitstellung von Snowflake Intelligence. Bis zum Jahresende hatte der Assistent bereits mehr als 330.000 Fragen beantwortet und den Nutzer:innen geholfen, schneller zu arbeiten und bessere Entscheidungen zu treffen.

In den vergangenen Monaten haben wir mehrere entwicklerorientierte Beiträge über die technischen Grundlagen für die Entwicklung eines Enterprise-KI-Assistenten veröffentlicht – wie man Vertriebsdaten strukturiert, den Wissensabruf für unstrukturierte Inhalte ermöglicht, das Verhalten von Agenten testet und Anweisungen verfeinert. Diese Beiträge waren nützlich, aber die Fragen, die wir immer wieder erhielten, waren nicht rein technischer Natur:

• Wie haben Sie das Projekt personell besetzt?

• Wie sah der Zeitplan für die Entwicklung aus?

• Wie haben Sie den Rollout durchgeführt, ohne das Vertrauen zu beeinträchtigen?

• Welche Change-Management-Taktiken haben tatsächlich funktioniert?

• Welche Ergebnisse haben Sie nach der Einführung gesehen?

Dieser Beitrag konzentriert sich auf diese nicht-technischen Aspekte: Teamstruktur, Einführungsphasen, Scope-Strategie und wie wir von einem MVP zu einer vertrauenswürdigen Enterprise-Funktion skaliert haben.

Entwicklungsteam und Einführungsphasen

Wir begannen Ende Februar 2025 mit einem eng gefassten Ziel: einen RAG-basierten Wissensassistenten zu entwickeln, damit GTM-Teams die richtigen Dokumente über fragmentierte Tools, Webseiten und Laufwerke hinweg finden können. Zu diesem Zeitpunkt hatte das Projekt einen dedizierten Data Scientist.

Ende Mai 2025 trafen wir die Entscheidung, einen vollständigen GTM-KI-Assistenten mit Snowflake Intelligence zu entwickeln – der nicht nur Wissensinhalte indiziert, sondern auch strukturierte Vertriebs- und Marketingdaten integriert. Diese Umstellung veränderte die Anforderungen an Qualität und Zuverlässigkeit, sodass wir das Team auf drei bis vier Data Scientists aufstockten und eine:n dedizierte:n Product Manager:in hinzufügten.

Vom ersten Tag an behandelten wir Qualität und das Vertrauen der Nutzer:innen als P(-1). Nutzerinterviews und frühere Erfahrungen mit KI-Projekten machten eines klar: Der erste Eindruck entscheidet über die Akzeptanz. Wenn frühe Erfahrungen unzuverlässig sind, erfordert der Wiederaufbau von Vertrauen dramatisch mehr Aufwand, als es von Anfang an richtig zu machen.

Deshalb haben wir uns für eine phasenweise Rollout-Strategie entschieden: Klein anfangen, Qualität und Workflows validieren und dann expandieren.

Hier ist ein Überblick über unsere Einführungsphasen:

Tipp: Ein häufiger Fehler, den wir beobachten, ist die übereilte breite Nutzung eines Agenten, bevor er die Qualitätsanforderungen konstant erfüllt. Das Prototyping von KI-Agenten ist einfach; die Einführung zuverlässiger Agenten für Tausende von Nutzer:innen ist der schwierige Teil. Geben Sie den Teams die Zeit und den Raum, sich frühzeitig Vertrauen zu verdienen – das zahlt sich später aus.

Von einem schmalen MVP zu erweiterten Funktionen

Enterprise-Umgebungen sind komplex. Allein in unserer Vertriebs- und Marketingorganisation unterstützen wir mehr als 15 verschiedene Personas, jede mit unterschiedlichen Workflows und Anforderungen:

• Account Executives (AEs)

• Solution Engineers (SEs)

• SDRs

• Product Marketing Manager:innen

• Partner-/Alliance-Manager:innen

• Professional Services Specialists

• Führungskräfte im Vertrieb und Marketing

• Campaign Manager:innen

• … und mehr

Wie bei jedem Produkt haben wir die Falle „Alles verbinden und hoffen, dass die Nutzer:innen es herausfinden“ vermieden. Stattdessen begannen wir bewusst mit einem enger gefassten MVP, das auf die Personas abzielte, bei denen wir am schnellsten den höchsten Mehrwert liefern konnten.

Basierend auf der Zielgruppengröße und dem Entwicklungsaufwand pro Persona konzentrierten wir unseren GA-Launch auf AEs, SEs und SDRs. Diese drei Gruppen machten etwa 50 % unserer Zielgruppe von 6.000 Nutzer:innen aus, was es uns ermöglichte, die frühe Wirkung zu maximieren und gleichzeitig den Umfang machbar zu halten.

Nach der GA haben wir gezielt expandiert: Wir haben Schritt für Schritt zusätzliche Personas und Funktionen freigeschaltet – ohne die Zuverlässigkeit für die Kernzielgruppe zu beeinträchtigen.

Hier ist ein anschauliches Beispiel dafür, wie sich die Funktionen unseres Agenten im Laufe der Zeit erweitert haben:

• GA-Umfang: Wissensassistent + zentrale Salesforce-, Produktnutzungs- und Finanzdaten.
  

• Erster Monat nach GA: Fehlerbehebungen sowie erweiterte Abdeckung und Tiefe über dieselben Quellen hinweg.
  

• Spätere Phasen: Neue Datenquellen, wie Marketingdaten, Anrufprotokolle und E-Mails, Partnerschaftsdaten, Websuche-Unterstützung und mehr.

Als wir den KI-Assistenten Mitte September 2025 einführten, wurde er von sechs semantischen Ansichten mit 48 Tabellen und ca. 1.400 Spalten angetrieben. Nach der GA haben wir mehr als 40 neue Features/Datenquellen eingeführt und die Datenschicht auf zehn semantische Ansichten mit 64 Tabellen und mehr als 1.750 Spalten erweitert.

Tipp: Ein zu weit gefasster Umfang ist einer der häufigsten Gründe, warum Enterprise-KI-Initiativen ins Stocken geraten. Beginnen Sie mit einem Umfang, bei dem der Agent weniger Fragen beantwortet – diese aber richtig beantwortet. Es ist einfacher, die Funktionen zu erweitern, nachdem Vertrauen aufgebaut wurde, als die Akzeptanz nach frühen Fehlschlägen wiederherzustellen.

Nutzeraktivierung und Change Management

Die erfolgreiche Bereitstellung von Enterprise-Lösungen braucht Zeit – oft ein ganzes Quartal oder mehr. Wie bei jedem Produkt-Rollout verteilen sich die Nutzer:innen natürlich entlang der Adoptionskurve: Innovatoren, Early Adopters, frühe und späte Mehrheit sowie Nachzügler.

Everett Rogers' Theorie der Diffusion von Innovationen.

Während der Pilot- und Beta-Phasen kommt das Engagement tendenziell von Nutzer:innen, die weiter oben in dieser Kurve stehen – denjenigen, die gerne mit neuen Tools experimentieren. Sobald Sie die GA erreichen und auf Tausende von Nutzer:innen skalieren, ändert sich die Realität. Späte Anwender:innen kommen ins Spiel, die Erwartungen steigen, und Frustration kann aufkommen, wenn die Nutzerakzeptanz nicht schnell genug erfolgt.

An diesem Punkt geraten viele ansonsten solide KI-Initiativen ins Stocken – nicht weil die Technologie nicht funktioniert, sondern weil die Nutzer:innen sie nie vollständig annehmen.

Sicherstellen, dass die Nutzer:innen es tatsächlich ausprobieren!

Die Nutzung eines KI-Assistenten als Teil eines täglichen Workflows stellt eine große Gewohnheitsänderung dar. Die meisten Nutzer:innen werden nicht wechseln, es sei denn, Ihre Lösung ist dramatisch besser – zehnmal schneller, zehnmal einfacher – oder ermöglicht etwas, das sie vorher einfach nicht tun konnten. Feature-Parität mit bestehenden Tools reicht selten aus, insbesondere für späte Anwender:innen.

Dennoch kann selbst das beste Produkt keine Nutzer:innen gewinnen, wenn sie es gar nicht erst ausprobieren.

Wie stellen Sie also sicher, dass die Nutzer:innen Ihren KI-Assistenten sowohl ausprobieren als auch immer wieder zurückkommen?

Zuerst Qualität validieren und auf Kundenbindung optimieren

Unser Ansatz war bewusst und sequenziell, synchron mit unseren Einführungsphasen:

Während der Pilotphase konzentrierten wir uns ausschließlich auf Qualität und Vertrauen. Unser primäres Ziel war es, Korrektheit, Zuverlässigkeit und grundlegende Nützlichkeit zu validieren – denken Sie daran, Qualität ist P(-1).

In der Beta-Phase, nachdem die Qualität bewiesen war, verlagerten wir den Fokus auf Feature-Vollständigkeit und Kundenbindung. Die Frage lautete nun: Löst dieser Agent genug echte Probleme, sodass die Nutzer:innen Woche für Woche zurückkommen wollen?

Die Ergebnisse gaben uns Zuversicht:

• > 92 % NPS unter Beta-Nutzer:innen
  

• > 70 % Bindungsrate bei wöchentlich aktiven Nutzer:innen (WAU)

Diese Kennzahlen zeigten uns, dass wir ein Produkt hatten, das es wert war, skaliert zu werden.

Momentum und Begeisterung im Unternehmen schaffen

In der GA-Phase wurde unsere primäre Frage einfach: Sind sich die Nutzer:innen des GTM-KI-Assistenten bewusst – und probieren sie ihn tatsächlich aus?

Um die Akzeptanz zu fördern, arbeiteten wir eng mit unserem Sales-Enablement-Team zusammen und stellten sicher, dass die Grundlagen vorhanden waren:

• Eine dedizierte interne Produktseite
  

• Klare Benutzerhandbücher und How-to-Dokumentationen
  

• Kurze Videos von Top-Nutzer:innen, die Best Practices teilen
  

• Ein dedizierter Slack-Kanal für Feedback und Feature-Anfragen
  
  

Von da an bauten wir aktiv Momentum auf:

• Launch-E-Mails und Live-Demos mit einzelnen Teams
  

• Regelmäßige Erwähnungen durch Vertriebsleiter:innen – und sogar unseren CEO – in All-Hands- und Team-Meetings
  

• Wöchentliche Adoptionsberichte, die mit der Vertriebsleitung geteilt wurden, damit diese die Teilnahme in ihren Teams fördern konnte
  

Diese Kombination aus Enablement, Sichtbarkeit und Unterstützung durch die Führungsebene erwies sich als entscheidend.

Das Ergebnis: Nachhaltige Akzeptanz in großem Maßstab

Durch disziplinierte Aktivierung und Change Management haben wir in den drei Monaten nach der allgemeinen Verfügbarkeit (GA) eine signifikante Akzeptanz des GTM-KI-Assistenten erreicht.

All diese Bemühungen haben sich ausgezahlt. Innerhalb der ersten zwei Wochen nach GA hatten rund 25 % der eingeführten Nutzer:innen den Agenten mindestens einmal ausprobiert. Bis zum Ende des Jahres war diese Zahl auf fast 77 % insgesamt und über 90 % bei unseren primären Personas (AEs, SEs und SDRs) gestiegen.

Für uns hat dies eine wichtige Lektion bestätigt: Die Skalierung von Enterprise-KI ist nicht nur eine technische Herausforderung – sie ist auch ein Problem der Produktaktivierung und des Change Managements.

Produktdenken nach der Markteinführung

Veränderung beruht auf Gegenseitigkeit.

Die Transformation von Go-to-Market-Workflows mit Enterprise-KI-Agenten ist ein großer Wandel – nicht nur für die Nutzer:innen, sondern auch für die Datenteams, die diese Agenten entwickeln.

Traditionell sind Datenteams daran gewöhnt, an relativ in sich geschlossenen Projekten zu arbeiten: Aufbau von Datenpipelines, Training von Modellen oder Einführung von Dashboards, oft mit begrenzter Weiterentwicklung nach der Markteinführung. Nach der Bereitstellung erfordern diese Assets in der Regel nur eine inkrementelle Wartung.

KI-Agenten sind grundlegend anders.

Ein Enterprise-KI-Assistent ist ein lebendiges Produkt. Er interagiert kontinuierlich mit Nutzer:innen, passt sich an neue Daten an, entwickelt sich mit veränderten Workflows weiter und muss mit der rasanten Plattform- und Modellinnovation Schritt halten. Dies erfordert einen Wandel hin zu Produktdenken, Systemdesign und nachhaltiger Team-Collaboration im Laufe der Zeit.

Anpassung des Teams nach GA

Nach einer erfolgreichen GA-Einführung mussten wir unsere Arbeitsweise als Team weiterentwickeln.

Fast sofort sahen wir:

• Einen Anstieg der eingehenden Feature-Anfragen von Nutzer:innen
  

• Gestiegene Erwartungen an Reaktionsfähigkeit und Zuverlässigkeit
  

• Einen wachsenden Bedarf, schnelle Iteration mit der Aufrechterhaltung von Vertrauen in Einklang zu bringen
  

• Laufende Änderungen an der zugrunde liegenden KI-Plattform, die ein Überdenken früherer Designentscheidungen erforderten
  

Gleichzeitig durfte die Qualität nicht leiden. Bugs mussten schnell behoben, Regressionen verhindert und Verbesserungen ausgeliefert werden, ohne die Erfahrung zu destabilisieren, auf die die Nutzer:innen vertrauten.

Die Skalierung des Produkts bedeutete die Skalierung unseres Betriebsmodells.

Worin wir nach der Markteinführung investiert haben

Um nicht überfordert zu werden – und um die Dynamik aufrechtzuerhalten – haben wir frühzeitig in folgende Bereiche investiert:

• Eine agile Arbeitsweise: Wir sind zu einer Sprint-basierten Entwicklung mit einem klaren Framework für Aufnahme, Triage und Priorisierung übergegangen, um Bugs, Feature-Anfragen und längerfristige Verbesserungen in Einklang zu bringen.
  

• Erweiterung des Teams mit komplementären Fähigkeiten: Über Data Science hinaus haben wir Analytics-Engineering- und Backend-Engineering-Kapazitäten hinzugefügt, die auf die Anforderungen der Roadmap und die Systemkomplexität abgestimmt sind.
  

• Automatisierte Tests und CI/CD: Kurz nach GA haben wir in automatisierte Test-Frameworks und CI/CD-Pipelines investiert, um die Bereitstellungsgeschwindigkeit zu erhöhen und gleichzeitig einen hohen Qualitätsstandard aufrechtzuerhalten.
  

• Dedizierte Zeit für Plattformintegrität und -entwicklung: Jeder Sprint beinhaltete explizite Kapazitäten für Refactoring, Architekturentwicklung und Plattform-Upgrades, um langfristige technische Schulden zu vermeiden.
  

Die wichtigste Erkenntnis

Die Einführung eines Enterprise-KI-Agenten ist nicht die Ziellinie – sie ist der Startpunkt.

Langfristiger Erfolg erfordert, KI-Agenten als Produkte und nicht als Projekte zu behandeln: mit Ownership, Iteration, operativer Strenge und kontinuierlichen Investitionen. Teams, die diesen Wandel annehmen, sind weitaus besser positioniert, um verantwortungsvoll zu skalieren, sich an Veränderungen anzupassen und weiterhin Mehrwert zu liefern, während sich sowohl die Erwartungen der Nutzer:innen als auch die KI-Funktionen weiterentwickeln.

Die Auswirkungen und der ROI

An diesem Punkt fragen Sie sich vielleicht: Was waren die tatsächlichen Ergebnisse – und hat sich die Investition gelohnt?

Lassen Sie uns das aufschlüsseln.

Bis Ende 2025 beantwortete der GTM-KI-Assistent über 35.000 Fragen pro Woche für mehr als 2.500 wöchentlich aktive Nutzer:innen, verglichen mit rund 10.000 wöchentlichen Fragen bei der anfänglichen Einführung.

Dieses Wachstum wurde nicht allein durch die Akzeptanz getrieben.

In den drei Monaten nach GA, als wir die Funktionen des Assistenten erweiterten und die Nutzer:innen begannen, ihn in ihre täglichen Workflows zu integrieren, stieg die Nutzungsintensität deutlich an. Die durchschnittliche Anzahl der Fragen pro wöchentlich aktiver Nutzer:in stieg von 8,5 auf 14, was sowohl ein höheres Vertrauen als auch eine tiefere Integration in die reale Arbeit widerspiegelt.

Produktivitätssteigerungen auf Unternehmensebene

Die Zeitersparnis variierte je nach Anwendungsfall:

• Minuten für einfachen Wissens- oder Datenabruf
  

• Stunden für komplexere Analysen, die andernfalls benutzerdefiniertes SQL oder die Unterstützung durch eine:n Analyst:in erfordern würden
  

Selbst bei einer konservativen Annahme von 5 Minuten Zeitersparnis pro Frage summiert sich die Auswirkung schnell. In unserer Größenordnung entsprach dies der jährlichen Produktivität von mehr als 65 Vollzeitmitarbeiter:innen in einem Unternehmen mit 6.000 Beschäftigten.

Und das ist eine Schätzung an der unteren Grenze. 

Nachweis des ROI in großem Maßstab

Ende 2025 führten wir eine detaillierte Analyse durch, um sowohl die Kostenstruktur als auch den ROI des GTM-KI-Assistenten zu verstehen.

Die Analyse zeigte, dass die Kosten pro aktiver Nutzer:in auf Pro-Nutzer-Basis mit denen von Standard-Produktivitätstools für Unternehmen vergleichbar waren. Gemessen an den erschlossenen Produktivitätssteigerungen lieferte der Assistent einen mehr als 5-fachen ROI – noch vor jeglichen dedizierten Kostenoptimierungsmaßnahmen.

Wichtig ist, dass diese Schätzung nur direkte Produktivitätseinsparungen widerspiegelt. Sekundäre Vorteile wie eine geringere Belastung der Analyst:innen, schnellere Geschäftszyklen und eine verbesserte Entscheidungsqualität in den Vertriebs- und Marketingteams sind darin nicht enthalten. Mit anderen Worten: Die Wirtschaftlichkeit war bereits überzeugend, lange bevor die Lösung ihre volle Reife oder operative Effizienz erreichte.

Schlussgedanken

KI verändert Unternehmen und Go-to-Market-Teams grundlegend.

Die Ära isolierter Demos und kleiner Experimente geht zu Ende. Enterprise-KI liefert jetzt echte, messbare Auswirkungen in großem Maßstab. Aber um diese Auswirkungen zu erzielen, braucht es mehr als starke Modelle oder clevere Prompts – es erfordert die richtige Denkweise, disziplinierte Ausführung und einen starken Fokus auf Change Management.

Wie wir in diesem Beitrag dargelegt haben, bedeutet die erfolgreiche Skalierung von Enterprise-KI-Agenten:

• Qualität und Vertrauen als nicht verhandelbar zu behandeln
  

• Bewusst einzuführen und den Umfang gezielt zu erweitern
  

• In Aktivierung und Akzeptanz zu investieren – nicht nur in Technologie
  

• Datenteams in Richtung langfristiger Produktverantwortung weiterzuentwickeln
  

Unternehmen, die dies in den kommenden Monaten richtig machen, werden nicht nur die Produktivität verbessern – sie werden die Arbeitsweise ihrer Teams grundlegend verändern und sich einen bedeutenden Wettbewerbsvorteil verschaffen.

Der Wandel findet bereits statt. Unternehmen, die jetzt handeln, werden die nächste Generation der Go-to-Market-Ausführung definieren.