Von der Alpha-Phase zur Umsetzung: Wie AISDK5 uns beim Aufbau eines KI-nativen CRM geholfen hat

Jack und Nikita stellen Lightfield vor, ein KI-natives CRM-System, das auf dem AI SDK V4 und V5 aufgebaut wurde. Sie identifizieren das zentrale Problem traditioneller CRMs: Sie wurden mit der Annahme manueller Dateneingabe konzipiert und werden zu Reporting-Tools für VP-Vertreter statt echte Verkaufsunterstützung. Das konkrete Szenario zeigt, wie Vertriebsteams bei wachsenden Kundenbasen Schwierigkeiten haben, Informationen zu finden, die über E-Mails, Slack, Zoom-Aufzeichnungen und Notizen verteilt sind. Der traditionelle Ansatz von starren Feldern und vordefinierten Schemata erfasst nicht die Nuancen echter Kundengespräche, weshalb CRM-Daten oft veraltet bleiben.

Lightfield löst das Problem durch drei Kernkomponenten: automatische Erfassung (Gespräche, Meetings und E-Mails werden ohne manuelle Eingabe strukturiert), verlustfreies Gedächtnis mit anpassbaren Schemata und die Umwandlung von Gedächtnis in Handlung. Das System nutzt erfasste strukturierte und konversationale Daten, um Anschluss-E-Mails zu entwerfen, Erkenntnisse hervorzuheben und Workflows zu automatisieren. Im Gegensatz zu traditionellen CRMs, die nur auf Sales-Teams ausgerichtet sind, wird Lightfield wirklich leistungsstark für jeden, der Kundenkontexte merken und darauf reagieren muss, einschließlich Customer-Success-Teams. Die Lösung basiert auf einer einheitlichen Gedächtnisschicht, die verschiedene Fragen und Use Cases unterstützt und damit die Leistungsfähigkeit des Systems vervielfacht.

Jack zeigt eine Live-Demo, in der ein Lightfield-Agent fünf stalled Opportunities findet und personalisierte E-Mails für jeden schreibt, alles basierend auf AI SDK-Funktionen. Die Architektur nutzt drei verschiedene Schnittstellen (UI für Menschen, Agenten für natürliche Sprache und Workflow-Jobs für Automatisierung), die alle durch die gleiche einheitliche Schicht von Domain-Objekten interagieren. Das Kernprinzip ist, dass Agenten die exakt gleichen Berechtigungen, Geschäftslogik und Datenzugriffsmuster wie Nutzer haben, ohne separate Agent-APIs mit eingeschränktem Zugriff. Dies ermöglicht es Lightfield, von Anfang an KI-nativ zu sein, statt KI-Fähigkeiten nachträglich zu Legacy-Systemen hinzuzufügen.

Jack erläutert die Implementierungsphilosophie: Im Jahr 2025 hat niemand das komplette Playbook für KI-Produktentwicklung, daher optimiert Lightfield für Lerngeschwindigkeit statt Perfektion. Das Team begann im Januar mit AI SDK V4 und stieg schnell auf Alpha V5 um, als es im Juni veröffentlicht wurde, ohne dass grundlegende Umstrukturierungen notwendig waren. Das Schlüsselprinzip ist der zentralen These von Sandy Metz: 'Duplikation ist viel billiger als die falsche Abstraktion'. Das Team kam zu diesem Zitat immer wieder zurück bei der Entdeckung, dass schnelle Iteration und schnelle Lernfähigkeit wichtiger sind als frühes Überengineering, besonders in der schnelllebigen KI-Produktentwicklung. Das AI SDK gab Lightfield die notwendige Flexibilität, um zu iterieren, ohne alles umzuschreiben.

Jack erklärt die Adaptive Context Building-Funktion, die Lightfield mit dem AI SDK entwickelt hat: Ein Nutzer kann eine einfache Frage stellen wie 'Was ist nächstes für diesen Account?' ohne Account-Name oder Meeting-Details anzugeben, und das System versteht automatisch den Kontext. Die Data Parts API des SDK wird verwendet, um Signale vom Client an den Server zu senden, wo der Kontext dynamisch aufgebaut wird, indem verschiedene Entities und Signale kombiniert werden. Der Vorteil ist, dass Nutzer nicht explizit spezifizieren müssen, welche Daten relevant sind; intelligente Retrieval-Mechanismen kombiniert mit Nutzersignalen ermitteln automatisch, was zählt. Diese Funktion demonstriert, wie das AI SDK die technische Grundlage für intelligent kontextabhängige Agent-Interaktionen bietet.

Nikita präsentiert, wie Lightfield Nutzerdaten durch mehrschichtige Sicherheitsmaßnahmen schützt. Beim Injizieren von Dateien in Chat-Threads sendet der Client interne IDs statt direkter Dateien oder S3-URLs; das Backend ersetzt diese mit signierten S3-URLs mit Ablaufzeitlimits, was verhindert, dass externe LM-Provider unbegrenzten Zugriff erhalten. Die Konzept der kontextualen Tool-Sammlungen dynamisiert Tool-Sets je Nutzer: Nutzer-IDs werden direkt in Tools injiziert, sodass LLMs nie direkt Datenbankabfragen ausgeben, sondern immer durch die gleiche Datenschicht gehen, auf die der Nutzer über die UI zugreifen würde. Dies gewährleistet, dass Agent-Fähigkeiten nicht über Nutzer-Berechtigungen hinausgehen und dass alle Datenoperationen die gleichen Sicherheitsregeln befolgen.

Nikita erläutert, wie Lightfield Parität zwischen CRM-UI und Agent-Fähigkeiten bewahrt: Wenn Nutzer Entities wie Accounts durch die UI erstellen können, können Agenten das gleiche über Chat tun, mit menschlicher Genehmigung. Das Human-in-the-Loop-System funktioniert so, dass das LLM Tool-Calls ausführt, diese zum Frontend weitergeleitet werden, Nutzer sie bearbeiten können und Lightfield vor dem Senden an das LLM sowohl die Bearbeitungen als auch die Ausführungsergebnisse anhängt. Dies gibt dem LLM vollständige Sichtbarkeit und die Fähigkeit, angemessen nächste Schritte vorzuschlagen. Lightfield ermöglicht auch angepasste Datenmodelle: Jedes Business kann typisierten Felder für CRM-Entities definieren, und der Agent wird angewiesen, diese Felder in seinen Prozessen zu nutzen und durch Web-Recherche oder CRM-Daten zu füllen.

Nikita zeigt, wie Konfigurierbare Wissensbasen Lightfield mit zusätzlichem geschäftsspezifischen Kontext versorgen: Informationen über Unternehmensprodukte und Anweisungen für Hintergrund-Workflows wie Meeting-Vorbereitung. Vor jedem Meeting bereitet Lightfield ein Dokument vor, das die Teilnehmer, Account-Informationen und Diskussionspunkte auflistet, und nach dem Meeting schlägt es Folgeaktionen und Field-Aktualisierungen vor. Das System kann hochwertige Entwurf-E-Mails generieren, die auf vollständigem Kontext und hohem Grad von angepasstem Wissen basieren, mit Funktionen wie automatischem Vorschlag von Follow-up-Zeiten basierend auf Google Calendar-Verfügbarkeit. Diese Entwürfe stehen unter Nutzer-Genehmigung, sodass der LLM-Agent niemals ohne explizite Zustimmung handelt.

Jack fasst die vier Kernprinzipien zusammen, die bei der Entwicklung von Lightfield entdeckt wurden: (1) Agent-UI sichere Parität von Tag eins – Agenten brauchen vollen Zugriff durch die gleiche Datenschicht wie Menschen, nicht separate Agent-APIs; (2) Schnelle Iteration statt perfekter Abstraktion – Lerngeschwindigkeit früh ist wichtiger als frühe Perfektion; (3) Human-in-the-Loop-Workflows, denen Nutzer vertrauen – volle Transparenz mit Sichtbarkeit aller Vorschläge, Bearbeitungen und Ergebnisse; (4) Programmierbare Systeme von Nutzern und Agenten – echte Kunden brauchen angepasste Datenmodelle, die sich an ihre Strukturierung anpassen statt umgekehrt. Jack betont, dass dies der Unterschied zwischen einem Produkt ist, das Menschen ertragen, und einem, das sie nicht missen können, und lädt die Zuschauer ein, diese Prinzipien bei Lightfield in Aktion zu sehen.