Agentic AI: Was Entscheider jetzt verstehen müssen, bevor ihre Wettbewerber handeln
In vielen Unternehmen gilt generative KI inzwischen als gesetzt. Die Tools sind ausgerollt, Mitarbeitende nutzen sie im Arbeitsalltag, erste Produktivitätsgewinne sind sichtbar. Doch wer glaubt, damit auf dem aktuellen Stand zu sein, übersieht die nächste Entwicklungsstufe.
von Oliver Breucker
Agentic AI beschreibt KI-Systeme, die eigenständig Ziele verfolgen, Aufgaben in Teilschritte zerlegen und Entscheidungen innerhalb definierter Grenzen selbst treffen. Große Technologieanbieter wie Microsoft, Salesforce und SAP integrieren agentische Funktionen zunehmend in ihre Plattformen. Die Geschwindigkeit, mit der diese Technologie in Unternehmensanwendungen Einzug hält, erinnert an die frühe Phase des Cloud Computing. Die Frage für Führungskräfte lautet daher: Schafft die eigene Organisation rechtzeitig die Voraussetzungen, um diese Technologie strategisch zu nutzen? Oder läuft sie ihr hinterher?
Generative KI antwortet, aber Agentic AI handelt
Der Unterschied lässt sich an einem Alltagsbeispiel zeigen. Ein generatives KI-System kann auf Anfrage eine E-Mail formulieren oder einen Bericht zusammenfassen. Es wartet auf einen Impuls und liefert ein Ergebnis. Ein agentisches KI-System kann eigenständig Informationen aus internen Datenbanken zusammentragen, Termine koordinieren, Rückfragen an andere Systeme stellen und einen kompletten Prozess abarbeiten, ohne dass ein Mensch jeden Einzelschritt auslöst. Anders formuliert: Generative KI funktioniert wie ein sehr fähiger Assistent, der auf Anweisungen wartet. Agentic AI funktioniert wie ein Projektmanager, der Aufgaben selbstständig steuert, delegiert und nachverfolgt.
Auch gegenüber klassischer Prozessautomatisierung (RPA) gibt es einen wesentlichen Unterschied. RPA folgt fest programmierten Regeln: Wenn X, dann Y. KI-Agenten dagegen können mit unvorhergesehenen Situationen umgehen, Kontext berücksichtigen und innerhalb definierter Leitplanken eigenständig entscheiden. Das macht sie flexibler.
Es stellt aber auch neue Anforderungen an die Steuerung und Governance im Unternehmen.
Wo Agentic AI heute Wert schafft und wo noch nicht
Trotz des Hypes lohnt sich ein nüchterner Blick. In unseren Kundenprojekten sehen wir eine klare Zweiteilung: Auf der einen Seite task-spezifische KI-Agenten, die bereits heute messbare Ergebnisse liefern. Auf der anderen Seite ambitionierte Multi-Agent-Visionen, die an der organisatorischen Realität scheitern.
Was heute funktioniert, sind Agenten in hochvolumigen, klar definierten Workflows.
Kundenservice-Agenten, die Anfragen eigenständig klassifizieren und bearbeiten. Dokumentenverarbeitungs-Agenten, die Verträge analysieren und Abweichungen markieren. Reporting-Agenten, die Daten aus verschiedenen Quellen zusammenführen. Bei einem unserer Kunden konnte ein Reporting-Prozess, der zuvor mehrere Arbeitstage in Anspruch nahm, durch einen KI-Agenten auf wenige Stunden reduziert werden. Die Qualität der Ergebnisse war dabei vergleichbar, in Teilen sogar höher, weil der Agent konsistenter arbeitet als ein manueller Prozess mit wechselnden Bearbeitern.
Was hingegen noch Zukunft ist: vollautonome Multi-Agent-Systeme, in denen spezialisierte Agenten eigenständig miteinander kommunizieren und komplexe Entscheidungsketten ohne menschliche Aufsicht abarbeiten. Die Technologie existiert in Ansätzen, die Produktionsreife für unternehmenskritische Prozesse fehlt in den meisten Organisationen. Für Führungskräfte ergibt sich daraus eine klare Orientierung: Der Einstieg über task-spezifische Agenten in definierten Prozessen ist heute realistisch und wirtschaftlich sinnvoll. Wer damit wartet, bis Multi-Agent-Systeme ausgereift sind, verliert wertvolle Lernzeit.
Warum die meisten Unternehmen noch nicht bereit sind
Was wir in unseren Strategieprojekten immer wieder sehen: Die Ambition ist da, die Grundlage fehlt. Führungskräfte wollen agentische KI einsetzen, aber ihre Prozesse sind nicht darauf vorbereitet. Daten liegen in Silos, Schnittstellen zwischen Systemen fehlen, und es gibt keine Governance-Struktur, die regelt, welche Entscheidungen ein autonomes System treffen darf. Wer die Argumentation des ersten Beitrags dieser Reihe kennt, erkennt das Muster: Genau wie bei der Auswahl von KI-Use Cases liegt die Hürde in der organisatorischen Grundlage.
Ein KI-Agent, der eigenständig Bestellungen auslösen, Kundendaten verarbeiten oder Genehmigungsprozesse steuern soll, braucht klare Regeln, verlässliche Daten und definierte Eskalationswege. Ohne diese Basis führt Autonomie zu unkontrollierten Ergebnissen. Hinzu kommt eine Führungsfrage: Wer trägt die Verantwortung, wenn ein KI-Agent eine fehlerhafte Entscheidung trifft? Bei generativer KI war das handhabbar, weil ein Mensch den Output vor Verwendung geprüft hat. Bei agentischen Systemen, die eigenständig handeln, braucht es neue Verantwortungsmodelle.
KI-Agenten systematisch denken: Das Agenten-Framework
Um KI-Agenten im Unternehmen sinnvoll zu planen, hilft ein strukturierter Denkrahmen. Das Agenten-Framework stellt sieben Fragen, die vor jeder Implementierung beantwortet sein sollten:
1. Der Agent: Welche Rolle übernimmt der Agent? Ein beschreibender Name hilft, die Funktion für alle Beteiligten greifbar zu machen. Beispiel: „Vertrags-Prüfer”, „Recruiting-Assistent”, „Bestell-Koordinator”.
2. Ziel: Was soll der Agent konkret leisten und welchen Mehrwert bringt er? Diese Frage muss sich in einem Satz beantworten lassen. Wer das nicht kann, hat den Use Case noch nicht scharf genug definiert.
3. Fähigkeiten: Welche Tätigkeiten führt der Agent aus? Wie würde eine Stellenbeschreibung für diesen Agenten aussehen? Diese Perspektive zwingt dazu, die Aufgaben konkret zu benennen, statt vage von „Automatisierung” zu sprechen.
4. Wissen: Auf welche Datenquellen greift der Agent zu? Welches zusätzliche Fachwissen braucht er, um seine Aufgaben zuverlässig zu erfüllen? Hier zeigt sich schnell, ob die benötigten Daten überhaupt vorhanden und zugänglich sind.
5. Schnittstellen: Mit welchen Systemen, Tools und Plattformen muss der Agent verbunden sein? CRM, ERP, E-Mail, Dokumentenmanagement? Die Integrationsfähigkeit entscheidet häufig darüber, ob ein Agent in der Praxis funktioniert oder an Systemgrenzen scheitert.
6. Leitplanken: Welche Entscheidungen darf der Agent eigenständig treffen? Ab welchem Schwellenwert muss ein Mensch eingeschaltet werden? Wie werden die Handlungen protokolliert? Ohne klare Leitplanken entsteht kein Vertrauen in das System, weder bei den Mitarbeitenden noch beim Management.
7. Ergebnis: Wie muss der Output aussehen (Format, Umfang, Qualität), damit er tatsächlichen Mehrwert liefert? Ein Agent, der zwar arbeitet, aber Ergebnisse in unbrauchbarer Form liefert, spart am Ende keine Zeit.
Dieses Framework dient als Planungswerkzeug, bevor über Technologieauswahl oder Implementierung gesprochen wird. Es stellt sicher, dass die organisatorischen und fachlichen Grundlagen geklärt sind, bevor Budgets fließen.
Fünf strategische Schritte für Führungskräfte
Agentic AI lässt sich nicht von heute auf morgen einführen. Aber die Voraussetzungen müssen jetzt geschaffen werden. Fünf Schritte helfen, die Organisation vorzubereiten:
Erstens: Den eigenen Reifegrad ehrlich einschätzen. Wer generative KI noch nicht flächendeckend im Einsatz hat, sollte dort beginnen und operative Erfahrung aufbauen, bevor agentische Anwendungen in den Blick genommen werden.
Zweitens: Erste Agent-Use-Cases in klar definierten Workflows identifizieren. Die erfolgreichsten Einstiege sind task-spezifisch und hochvolumig. Wer bereits mit dem ARC-Framework arbeitet (siehe: Welche KI-Use Cases sich wirklich lohnen – und wie Führungskräfte die Richtigen auswählen – Handelsblatt Management Campus), findet in der Kategorie „Accelerate” die naheliegendsten Kandidaten.
Drittens: Einen Governance-Rahmen für autonome Systeme definieren. Ab welchem Schwellenwert muss ein Mensch eingeschaltet werden? Wie werden Agenten-Entscheidungen protokolliert? Diese Fragen werden bei der ersten produktiven Implementierung zu konkreten Blockern, wenn sie nicht vorab geklärt sind.
Viertens: Verantwortlichkeiten und Rollen klären. Agenten müssen konfiguriert, überwacht, evaluiert und weiterentwickelt werden. Die Rolle der Mitarbeitenden verschiebt sich von der operativen Bearbeitung hin zur Prüfung von Ergebnissen und Steuerung KI-gestützter Prozesse. Führungskräfte sollten frühzeitig definieren, wer diese Verantwortung übernimmt.
Fünftens: Die Dateninfrastruktur Agent-ready machen. KI-Agenten brauchen Zugang zu aktuellen, strukturierten und verknüpften Daten über Systemgrenzen hinweg. Wer heute noch mit Datensilos und manuellen Exporten arbeitet, wird Agentic AI nicht sinnvoll einsetzen können.
Wer diese Schritte nicht allein gehen will, ist gut beraten, sich frühzeitig strategische Unterstützung zu holen, bevor der Wettbewerb die nächste Welle bereits nutzt.
Ausblick
Agentic AI wird verändern, wie Unternehmen arbeiten, entscheiden und Wert schaffen. Die Technologie entwickelt sich schnell, aber der Engpass liegt selten in den Tools. Er liegt in der strategischen Vorbereitung: Prozesse verstehen, Use Cases richtig priorisieren, Governance aufbauen, Teams befähigen.