Der DAM-Librarian stirbt nicht.
Er übernimmt die Regie.

Agentic DAM bezeichnet Architekturen, in denen spezialisierte KI-Agenten – etwa Librarian Agents, Compliance Agents oder Enrichment Agents – Content-Operationen zunehmend selbstständig übernehmen sollen: Bilder verschlagworten, Markenkonformität prüfen, Metadaten aus externen Quellen anreichern, nachgelagerte Workflows auslösen. Wie wir in unserem Beitrag «KI-Agenten im Digital Asset Management» dargelegt haben, ist diese Autonomie dabei ein Ziel, kein Startpunkt – sie entsteht erst dort, wo Governance, Datenqualität und klare Rollen bereits stehen. Erste Bausteine dafür liefern DAM-Anbieter schon heute: Bynder hat mit dem Q3.1-Release Enrichment-Agenten eingeführt, die sich per API triggern lassen, bis zu 19 Knowledge Files gleichzeitig verarbeiten und Taxonomieinformationen über Metadaten integrieren. Auch CELUM baut mit den Agents in WORKS in eine ähnliche Richtung aus, wie unser Recap zum CELUM Summit 2026 zeigt.

Der Trend ist real. Gemäss dem Bynder-Report «State of DAM 2026» berichten 97 % der befragten Unternehmen, dass KI-Entwicklungen ihre Content-Abläufe bereits verändert haben. Ob dieser Wandel tatsächlich Wirkung entfaltet, hängt aber nicht primär von der Technologie ab. Das bestätigt auch die unabhängige Huddart-Studie 2026, die wir an anderer Stelle ausführlich vorgestellt haben: Erfolg mit KI im DAM korreliert stärker mit der operativen Reife einer Organisation – also mit Mensch, Prozess, Daten und Technologie (People, Process, Data, Technology) – als mit der gewählten Plattform. Was sich ändert, ist nicht das Ob, sondern das Was: Die Maschine übernimmt die Ausführung. Die Verantwortung bleibt beim Menschen.

Klassische DAM-Implementierungen scheiterten selten an der Technologie. Sie scheiterten an schlechten Metadaten – unvollständig, inkonsistent, ungenutzt. Die Einführung von KI-gestütztem Auto-Tagging löst das Kapazitätsproblem, nicht das Qualitätsproblem. Denn ein Enrichment-Agent taggt nur so gut wie die Taxonomie, die ihm zugrunde liegt – und die Bilderkennungs-Engine, mit der er arbeitet, ob Imagga, Azure Vision oder eine andere. Ist diese lückenhaft, kulturell einseitig oder schlicht nicht mit den Suchgewohnheiten der tatsächlichen Nutzerinnen und Nutzer abgeglichen, produziert der Agent schneller schlechte Ergebnisse als jeder menschliche Tagger zuvor.

Die Verschiebung ist entscheidend: Wer früher Dutzende Stunden mit manuellem Verschlagworten verbracht hat, muss diese Kapazität jetzt in die Steuerungsarbeit investieren – in die Definition, Pflege und Qualitätskontrolle jener Systeme, die die Maschine leiten.

Die folgende Aufstellung konkretisiert vor allem die Säulen People und Process aus unserem Foundations-Modell – die Aufgaben, die auch mit leistungsfähigen KI-Agenten nicht automatisiert werden können und die den eigentlichen strategischen Wert einer DAM-Governance-Funktion ausmachen:

• Taxonomie-Design und -Pflege: Welche Begriffe, Hierarchien und Kontrollvokabulare bilden die Grundlage für das Tagging? Diese Entscheidungen sind keine technischen – sie sind organisatorische. Wer definiert, ob ein Asset unter «Produkt» oder «Anwendung» fällt, beeinflusst, ob Vertrieb, Marketing und Produktentwicklung dasselbe Asset jemals finden.
• Qualitätssicherung und Feedback-Loops: KI-Agenten produzieren mit hoher Geschwindigkeit – und mit systematischen Fehlern, wenn niemand die Resultate stichprobenartig prüft und das Modell korrigiert. Qualitätssicherung bedeutet in diesem Kontext nicht manuelles Nachtaggen, sondern das Erkennen von Mustern, die auf Modellschwächen hinweisen, und das Schliessen von Lücken in der Wissensbasis des Agenten.
• Rechte-, Lizenz- und Compliance-Governance: Enrichment-Agenten können Metadaten anreichern, aber sie können nicht eigenständig entscheiden, ob ein Asset in einem bestimmten Markt, für eine bestimmte Kampagne oder über einen bestimmten Kanal verwendet werden darf. Digital Rights Management bleibt eine Fachaufgabe – mit juristischer und geschäftlicher Verantwortung.

Diese drei Rollen zusammenzudenken, zu organisieren und in die DAM-Einführung zu integrieren, ist der Kern dessen, was eine professionelle Governance-Begleitung von einem reinen Software-Rollout unterscheidet.

Die Branchendebatte – DAM News titelt «The Invisible Workforce – What Happens to DAM Librarians in an Automated World?» und fragt, was KI mit der Rolle des DAM-Librarians macht – läuft Gefahr, die falsche Frage zu stellen. Es geht nicht darum, ob menschliche Arbeit ersetzt wird. Es geht darum, welche Arbeit an Bedeutung gewinnt. Unternehmen, die ihre DAM-Einführung mit einer soliden Taxonomie und klaren Governance-Verantwortlichkeiten starten, werden von Agentic-KI-Funktionen profitieren. Unternehmen, die KI-Agenten auf ein unstrukturiertes Asset-Chaos loslassen, erhalten lediglich schneller mehr davon.

Forrester formuliert das in seinem Blog-Beitrag «Thinking About DAM in 2026? Start Here» präzise: Bevor Unternehmen KI-Funktionen evaluieren, müssen sie sicherstellen, dass ihre Lösung zuverlässig skaliert, Inhalte konsistent liefert und auch unter realer Last stabil bleibt (im Original: «reliably scale, consistently deliver content, and perform under real-world load»). Wir würden ergänzen: und dass die organisatorische Grundlage – Taxonomie, Governance-Rollen, Feedback-Prozesse – steht, bevor der erste Agent aktiviert wird. Genau davor haben wir bereits zu Jahresbeginn gewarnt, als wir von End-to-End-Autonomie ohne menschliche Kontrolle abgeraten haben: Governance zuerst, Automatisierung danach.

Die praktische Konsequenz ist überschaubar, wenn man sie früh angeht. Folgende Schritte haben sich in unserer Beratungspraxis bewährt:

1. Taxonomy-Audit vor dem Rollout: Bevor ein Enrichment-Agent aktiviert wird, sollte die bestehende oder geplante Taxonomie auf Vollständigkeit, Konsistenz und Nutzbarkeit geprüft werden – aus der Perspektive aller relevanten Nutzergruppen, nicht nur der Content-Teams.
2. Governance-Rollen definieren und benennen: Wer ist Taxonomie-Owner? Wer führt Qualitätsstichproben durch? Wer entscheidet bei Grenzfällen in der Rechtevergabe? Diese Fragen brauchen personelle Antworten – nicht nur Prozessdiagramme.
3. Feedback-Mechanismus einrichten: KI-Agenten verbessern sich, wenn sie korrigiert werden. Ein einfacher, niedrigschwelliger Kanal, über den Nutzerinnen und Nutzer Tagging-Fehler melden können, ist kein Nice-to-have, sondern Bestandteil des Betriebs.
4. Governance in die Plattformkonfiguration einbetten: Systeme wie Bynder, CELUM oder Sharedien bieten umfangreiche Konfigurationsmöglichkeiten für Metadaten, Pflichtfelder und Freigabeprozesse. Diese Möglichkeiten werden erst dann vollständig genutzt, wenn die Governance-Entscheidungen vor der technischen Konfiguration getroffen wurden.

Wer diese vier Schritte konsequent durchgeht, legt die Grundlage dafür, dass Agentic-DAM-Funktionen nicht nur technisch, sondern auch organisatorisch Wirkung entfalten.

Agentic DAM ist kein Selbstläufer. Die Technologie liefert Geschwindigkeit und Skalierbarkeit – die Verantwortung für Qualität, Konsistenz und Compliance bleibt organisatorisch verankert. Unternehmen, die Taxonomie-Design und Governance-Rollen als Teil ihrer operativen Reife verstehen, gewinnen mit KI-Agenten einen echten Produktivitätshebel. Wer diese Grundlagen überspringt, verlagert den Aufwand nur – von der Erstellung der Metadaten zur nachträglichen Korrektur.