Eigene KI im Unternehmen

Mit Claude Code die eigene KI im Unternehmen aufbauen

Claude Code ist Anthropics agentisches Coding-Werkzeug: ein KI-System, das nicht nur Code-Vorschläge liefert, sondern selbstständig Dateien liest, Änderungen vornimmt, Befehle ausführt und sich mit den eigenen Unternehmenswerkzeugen verbindet. Für Unternehmer ist der entscheidende Unterschied zu klassischen Autocomplete-Helfern, dass Claude Code wie ein digitaler Mitarbeiter agiert, der ein Projekt versteht, einen Plan entwickelt und diesen über mehrere Schritte hinweg umsetzt, statt nur die nächste Zeile Code zu vervollständigen. Genau diese Eigenschaft macht das Werkzeug zum natürlichen Ausgangspunkt, wenn ein Unternehmen eine eigene, maßgeschneiderte KI-Lösung aufbauen möchte, statt sich vollständig auf fertige Drittanbieter-Plattformen zu verlassen.

Der Aufbau einer eigenen KI ist dabei kein einzelnes Werkzeug, sondern ein Zusammenspiel mehrerer Bausteine: Claude Code als ausführender Motor, eine Anbindung an die eigenen Datenquellen, eine Speicherschicht für Wissen und Kontext sowie ein Rahmen für Sicherheit und Kontrolle. Dieser Beitrag zeigt, welche Kategorien dabei eine Rolle spielen und welche etablierten Produkte sich in der Praxis bewährt haben, bevor es im hinteren Teil technischer wird.

Aufgabe
z. B. „Baue mir ein
internes Tool“

Claude Code
liest Code, plant Schritte,
schreibt & testet, verbindet
sich mit Unternehmenstools

Ergebnis
fertige Funktion,
getestet & einsatzbereit

Claude Code übernimmt die Rolle des Bauteams zwischen Aufgabe und fertigem Ergebnis

Warum Claude Code der richtige Ausgangspunkt ist

Für Entscheider zählt vor allem der praktische Nutzen: Claude Code lässt sich im Terminal, in gängigen Entwicklungsumgebungen, als Desktop-Anwendung und sogar im Browser einsetzen und liest dabei die gesamte Codebasis eines Projekts, statt nur einzelne Dateien isoliert zu betrachten. Dadurch kann es Aufgaben übernehmen, die bislang Entwicklerzeit gebunden haben, etwa das Einarbeiten in unbekannte Systeme, das Beheben von Fehlern oder das automatisierte Erstellen von Pull Requests inklusive aussagekräftiger Beschreibung. Für ein Unternehmen, das eine eigene KI-gestützte Anwendung, einen internen Assistenten oder eine automatisierte Datenverarbeitung aufbauen will, bedeutet das: Claude Code übernimmt die Rolle des Bauteams, das die einzelnen Komponenten zusammensetzt, testet und in Betrieb nimmt.

Wichtig für die Erwartungshaltung ist, dass Claude Code bewusst auf kontrollierte Autonomie setzt. Vor kritischen Änderungen kann ein Planungsmodus aktiviert werden, in dem die KI ihr Vorgehen erläutert, bevor sie tatsächlich Dateien verändert oder Befehle ausführt. Das senkt das Risiko bei produktiven Systemen erheblich und erlaubt es, das Werkzeug schrittweise mit wachsendem Vertrauen einzusetzen, anstatt von Anfang an vollständige Autonomie zu gewähren.

Die Bausteine einer eigenen KI im Überblick

Eine eigene KI-Lösung besteht in der Praxis aus mehreren Schichten, die jeweils eine eigene Werkzeugkategorie abdecken. Claude Code orchestriert und implementiert, doch für eine vollständige Lösung kommen üblicherweise noch Komponenten für Datenanbindung, Wissensspeicherung, Automatisierung und Bereitstellung hinzu. Die folgende Tabelle gibt einen Überblick über die wichtigsten Kategorien und etablierte Produkte, die sich in Unternehmensprojekten bewährt haben.

Claude Code
orchestriert & implementiert

Werkzeuganbindung
MCP, GitHub, Jira, Slack

Wissensspeicher
Pinecone, Weaviate

Automatisierung
n8n, LangChain, LlamaIndex

Versionsverwaltung
GitHub, GitHub Actions

Entwicklungsumgebung
VS Code, Cursor, Windsurf

Claude Code im Zentrum, umgebende Bausteine je nach Bedarf schrittweise ergänzt

Für die meisten Unternehmen ist der pragmatische Einstieg, mit Claude Code und einer einzigen Anbindung über das Model Context Protocol zu starten, etwa an das eigene Ticketsystem oder die Code-Verwaltung, und die übrigen Bausteine erst bei wachsendem Bedarf hinzuzufügen. Das hält den Aufwand am Anfang gering und macht den Nutzen schnell sichtbar, bevor in komplexere Architektur investiert wird.

Technische Vertiefung: Die Architektur unter der Haube

Wer tiefer einsteigen möchte, sollte verstehen, dass Claude Code intern in klar getrennte Schichten gegliedert ist: Speicher, Hooks, Skills, Subagenten, Plugins und MCP-Anbindungen greifen jeweils an unterschiedlichen Punkten in den Arbeitsablauf ein. Insgesamt arbeitet das System mit einem Berechtigungssystem mit sieben Modi und einem ML-basierten Klassifikator, einer fünfstufigen Pipeline zur Kontextkomprimierung, vier Erweiterungsmechanismen für MCP, Plugins, Skills und Hooks sowie einem Mechanismus zur Delegation und Orchestrierung von Subagenten. Diese Architektur erlaubt es, Aufgaben so zu strukturieren, dass nicht jede Information im selben Kontextfenster gehalten werden muss, was insbesondere bei größeren Codebasen die Zuverlässigkeit deutlich verbessert.

Für die persistente Steuerung nutzt Claude Code eine projektspezifische Konfigurationsdatei mit dem Namen CLAUDE.md, die zu Beginn jeder Sitzung eingelesen wird und Vorgaben zu Programmierstandards, Architekturentscheidungen oder bevorzugten Bibliotheken enthält. Darüber hinaus baut Claude Code automatisch ein Gedächtnis auf, indem es während der Arbeit Erkenntnisse wie Build-Befehle und Debugging-Hinweise sitzungsübergreifend speichert, ohne dass der Nutzer dafür etwas eingeben muss. Wiederkehrende Arbeitsabläufe lassen sich zudem als sogenannte Skills verpacken, etwa für Code-Reviews oder Deployments, sodass Teams diese als wiederverwendbare Bausteine teilen können.

Bei umfangreicheren Vorhaben lohnt sich der Einsatz mehrerer paralleler Agenten: Ein Leitagent koordiniert dabei die Arbeit, verteilt Teilaufgaben und führt die Ergebnisse anschließend wieder zusammen. Für noch individuellere Anforderungen steht ein Agent SDK zur Verfügung, mit dem sich eigene Agenten auf Basis der Werkzeuge und Fähigkeiten von Claude Code entwickeln lassen, inklusive vollständiger Kontrolle über Orchestrierung, Werkzeugzugriff und Berechtigungen. Die Anbindung externer Systeme erfolgt über das Model Context Protocol, einen offenen Standard, über den sich Datenbanken, interne APIs, Dokumentationssysteme und Monitoring-Werkzeuge anbinden lassen, sodass die KI ihre Arbeit nicht auf die reine Codebasis beschränken muss, sondern produktionsnahe Entscheidungen mit echtem Unternehmenskontext trifft.

In der Praxis empfiehlt es sich, mit einer schlanken CLAUDE.md-Datei zu beginnen, frühzeitig mindestens eine MCP-Anbindung an ein zentrales internes System einzurichten und erst danach Subagenten oder Skills für spezialisierte Teilaufgaben wie Sicherheitsprüfungen oder Testautomatisierung zu ergänzen. Dieser stufenweise Ausbau spiegelt genau die Reihenfolge wider, in der auch etablierte Teams ihre Claude-Code-Umgebung im Unternehmenseinsatz skalieren.

Überblick: Die wichtigsten Produkte und ihre Rolle

In der Künstlichen Intelligenz (KI) sind Gehirn, Gedächtnis und Werkzeuge treffende Metaphern für die technische Architektur, die der Funktionsweise unseres menschlichen Denkens nachempfunden ist. Diese Bausteine ermöglichen es modernen KI-Modellen, nicht nur Texte zu generieren, sondern aktiv Probleme in der realen Welt zu lösen.

Technische Vertiefung: Worauf es bei der Umsetzung ankommt

Für die technische Praxis lohnt sich ein genauerer Blick auf die Schwachstellen, die in der Metapher leicht untergehen. Eine reine Vektordatenbank ist, ähnlich wie ein Aktenschrank ohne Ordnungssystem, zunächst nur ein Speicherort für mathematische Repräsentationen von Text, der selbst keine Bedeutung kennt. Sie kann nicht unterscheiden, ob eine Information eine wichtige Nutzerpräferenz oder ein beliebiger Nebensatz war, und sie hat kein Gefühl für Zeit oder Widerspruch. Wird jede einzelne Gesprächs-Interaktion ungefiltert abgespeichert, wächst der Speicher zwar an, aber die Qualität der Treffer bei der Suche sinkt mit der Zeit, weil sich redundante und sich überschneidende Einträge ansammeln. Aus diesem Grund setzen reife Architekturen zusätzlich eine Extraktions- und Konsolidierungsschicht ein, die entscheidet, welche Inhalte tatsächlich dauerhaft gespeichert werden, redundante Einträge zusammenführt und veraltete Informationen erkennt. Bei der Wahl der konkreten Vektordatenbank spielt neben der reinen Suchgeschwindigkeit auch die Frage der Skalierung eine Rolle: Lösungen, die in der Entwicklung exzellent funktionieren, können bei wachsendem Datenvolumen und gleichzeitigen Zugriffen unerwartet an ihre Grenzen stoßen, wenn die Architektur nicht von Anfang an auf den tatsächlich erwarteten Lastfall ausgelegt wurde.

Auf der Werkzeugseite liegt die technische Herausforderung weniger in der Anbindung einzelner Systeme als in der Orchestrierung: Ein Agent muss zuverlässig entscheiden können, welches Werkzeug für eine Aufgabe das richtige ist, mit welchen Parametern es aufgerufen wird und wie mit Fehlern oder unerwarteten Rückgabewerten umzugehen ist. Das Model Context Protocol reduziert hier die Integrationsarbeit erheblich, weil Werkzeuge nach einem einheitlichen Schema beschrieben und vom Modell selbstständig ausgewählt werden können, ersetzt aber nicht die Notwendigkeit, kritische Aktionen wie Zahlungen oder das Löschen von Daten mit zusätzlichen Sicherheitsmechanismen und Freigabeschritten abzusichern. Wer eine produktive Agenten-Architektur plant, sollte Gedächtnis und Werkzeuge deshalb nicht als nachträgliche Ergänzung, sondern von Beginn an als gleichrangige Bausteine neben dem Sprachmodell selbst behandeln.