News
Stripes Knowledge AI Platform: Wie 83 Prozent der Firma zum eigenen Agenten kamen
Coding-Agents haben das Engineering bei Stripe verändert - aber Nicht-Entwickler wie Sales-Reps, Finance-Analysten und Technical Account Manager blieben von der Welle aus Claude Code und Codex weitgehend ausgeschlossen. Kein existierendes Tool erfüllte Stripes Anforderungen an Datensicherheit und die spezifischen Workflows: Data-Warehouse-Abfragen, Account-Recherche vor Sales-Calls, Incident-Triage, Revenue-Modellierung oder Compliance-Reviews. Das änderte sich mit dem Launch der hauseigenen “Knowledge AI Platform” - kurz Kai.
Zwei Wochen bis zur Selbstverständlichkeit
Binnen zwei Wochen nach dem April-Launch nutzte der Großteil von Stripe Kai; heute sind 83 Prozent wöchentlich aktiv, darunter nahezu das gesamte GTM-Team. Die meisten Sitzungen laufen über viele Turns: Nutzer recherchieren, erstellen Artefakte und verfeinern sie, bevor sie intern oder extern geteilt werden.
Warum kein Standard-Agent reichte
Coding-Work ist uniform: Dateien editieren, Tests laufen lassen, committen - deshalb funktioniert eine einzige Agenten-Architektur. Wissensarbeit ist das Gegenteil: Account-Recherche und Compliance-Review brauchen andere Tools, andere Daten, andere Outputs und andere Definitionen von “fertig”. Vor Kai gab es zwei Optionen - einen NoCode-Agent-Builder, aus dem über 4.000 Mikro-Agenten mit fragwürdiger Wartbarkeit entstanden, und Coding-Agents, die neue Sicherheitsrisiken und Support-Belastung für nicht-technische Nutzer brachten. Die Platform-Engineers zogen drei Lehren: Expertise skalieren, ohne sie zu zentralisieren; Nutzer dort abholen, wo sie arbeiten; Guardrails etablieren, die es im Code nicht gibt.