Agentic AI als Effizienz-Turbo für Unternehmen

Wo Fachkräfte fehlen, hohe Prozesskosten ein Unternehmen in seiner Handlungsfreiheit einschränken oder lange Bearbeitungszeiten die Geduld der Kundschaft strapazieren, gewinnt die Automatisierung von Abläufen an Bedeutung. Bislang waren Unternehmen dabei aber Grenzen gesetzt, denn die Automatisierung war nur regel- oder wahrscheinlichkeitsbasiert möglich und eignete sich primär für klar strukturierte Aufgaben – also eher einzelne Arbeitsschritte als einen gesamten Prozess. Mit Agentic AI ändert sich das, setzt sie doch auf ein ganzes Heer aus spezialisierten KI-Agenten, die verschiedenen Technologien und Werkzeuge nutzen, um komplexe Probleme im Team zu bewältigen.

Die Agenten stimmen sich untereinander ab, planen und treffen Entscheidungen und handeln weitgehend autonom. Auf diese Weise sind sie in der Lage, eigenständig Lösungswege zu finden und dynamisch auf neue Anforderungen und Gegebenheiten zu reagieren – ja, mehr noch: Eine kontinuierliche Analyse der Abläufe und möglichen Fehler erlaubt es ihnen, Prozesse jederzeit neu zu planen und schrittweise zu verbessern. Damit sind sie ein entscheidender Baustein des Autonomous Enterprise, das in vielen Bereichen ohne oder mit nur wenigen menschlichen Eingriffen funktioniert und sich selbst optimieren kann. Noch befindet sich diese Entwicklung ganz am Anfang – aufgrund der enormen Effizienzgewinne, die sie verspricht, wird sie jedoch kaum aufzuhalten sein.

Einen leichten Einstieg finden

Zwar lassen sich mit Agentic AI sehr viele Prozesse in einem Unternehmen intelligent automatisieren, allerdings ist es sinnvoll, nicht mit allzu komplexen Use Cases zu starten. Für den Einstieg eignen sich vor allem Abläufe, deren Automatisierung mit überschaubarem Aufwand möglich ist und einen großen Nutzen bringt, also viele Mitarbeitende entlastet oder Bearbeitungszeiten deutlich reduziert. Unternehmen können so das Risiko von teuren Endlosprojekten minimieren und rasch Erfahrungen für weitere Projekte sammeln. Zudem helfen die frühen Erfolge, die Motivation hochzuhalten und die Akzeptanz von Agentic AI zu steigern.

Die einzelnen Use Cases sollten iterativ validiert werden, damit Unternehmen immer wieder Feedback erhalten und die Agenten bei Bedarf anpassen können. Zugleich sorgen solche Realitätschecks dafür, dass die Erwartungshaltung realistisch bleibt.

Gut für den Einstieg eignen sich beispielsweise agentenbasierte Systeme, die eingehende Anfragen verarbeiten. Ein Agent würde E-Mails, Dateianhänge und Dokumente aus Upload-Ordnern zusammentragen, ein anderer die enthaltenen Informationen inhaltlich einordnen und Textteile wie Namen und Adressen extrahieren. Ein weiterer Agent würde die Daten dann mit internen und externen Quellen abgleichen, um Betrugsversuche und Fehleingaben zu erkennen, während ein vierter Agent Compliance-Checks vornimmt, um Verstöße gegen regulatorische oder betriebliche Vorgaben zu verhindern. Anschließend würde ein Entscheidungsagent die Anfrage auswerten und basierend auf den Ergebnissen der anderen Agenten entscheiden, ob weitere Prüfungen notwendig sind beziehungsweise weitere Informationen angefordert werden müssen. Gegebenenfalls könnte ein Agent dann noch neue oder geänderte Daten in die jeweiligen Backend-Systeme eintragen oder Aktionen auslösen.

Viele Agenten sind besser als einer

An dem Beispiel wird deutlich, dass die einzelnen Agenten über ganz unterschiedliche spezifische Fähigkeiten verfügen müssen. Hierzu zählen unter anderem natürliche Sprachverarbeitung (NLP) für die Kommunikation mit Menschen, optische Zeichenerkennung (OCR) für die Verarbeitung eingescannter Dokumente, große und kleine Sprachmodelle (LLMs/SLMs) für die Auswertungen von Texten und die Generierung von Ausgaben, Machine Learning für die Erkennung von Mustern und Anomalien sowie Knowledge Graphs, Symbolic AI und klassische regelbasierte Systeme für die Anwendung und Einhaltung von geschäftlichen Regeln.

Darüber hinaus müssen die Agenten miteinander kommunizieren können und benötigen einen Zugang zu einer Reihe von Datenquellen und Tools, um ihre Aufgaben zu erledigen. Hierfür existieren bereits zahlreiche standardisierte Protokolle und Schnittstellen wie A2A (Agent2Agent), ACP (Agent Communication Protocol) und MCP (Model Context Protocol).

Sehr viele Fähigkeiten und Funktionen in einen einzigen Agenten zu pressen, ist zwar grundsätzlich möglich, aber nicht unbedingt ratsam. Wie bei der klassischen Arbeitsteilung im Büro, bei der es auch nicht den einen Mitarbeitenden gibt, der alle Themen abdeckt und zugleich der Beste in all diesen Themen ist, ist es auch mit den Agenten. Zudem gehen mit einer Fülle an Fähigkeiten und Funktionen auch erhebliche Sicherheits- und Compliance-Risiken einher, weil ein solcher Agent weitreichende Berechtigungen bräuchte und ein enormes Missbrauchspotenzial bieten würde. Mehrere spezialisierte Agenten lassen sich hingegen viel leichter entwickeln, pflegen und kontrollieren – vor allem, wenn Unternehmen die agentenbasierten Workflows modular aufbauen, sodass sie einzelne Bestandteile wiederverwenden können und nicht bei jedem Use Case bei null anfangen müssen. Agentic AI ist letztlich nicht eine Ansammlung von Tools, sondern ein architektureller Ansatz.

Natürlich brauchen die Agenten einen Orchestrierungslayer, damit sie optimal zusammenarbeiten und Prozesse von Ende zu Ende automatisieren können. Auf diesem Layer könnten im Prinzip weitere Agenten alles koordinieren und überwachen, doch in der Praxis haben sich sogenannte BOAT-Plattformen (Business Orchestration and Automation Technologies) bewährt. Sie ermöglichen eine durchgängige Automatisierung und Orchestrierung und sorgen dafür, dass die gesamte Prozessarchitektur transparent, kontrollier- und nachvollziehbar bleibt.

GenAI als Unterstützung nutzen

Da für die Umsetzung agentenbasierter KI komplexe Ideen in kollaborative Prozesse überführt werden müssen, können die Vorbereitungen recht lange dauern. Schließlich sind neben fachlichen Anforderungen auch die verfügbaren Ressourcen, die existierenden Abläufe und die bestehenden Legacy-Systeme zu berücksichtigen. Beschleunigen lassen sich die ersten Schritte allerdings mit generativer KI und modernen Designplattformen, denn diese können Herausforderungen analysieren, Lösungen vorschlagen und Prozesse visuell und leicht verständlich modellieren. Damit haben Unternehmen einen guten Ausgangspunkt für die Gestaltung der Agenten.

Bereits in den frühen Entwicklungsphasen sollten sich Unternehmen zudem um die Governance kümmern. Denn aufgrund ihrer weitreichenden Fähigkeiten und Berechtigungen und ihrer autonomen Arbeitsweise bestehen beim Einsatz von Agentic AI nicht unerhebliche Risiken. Unternehmen müssen diese im Vorfeld ermitteln, bewerten und eindämmen. Hier geht es nicht nur um das Verhindern von Datenschutz- und Sicherheitsverletzungen, sondern auch um faire und diskriminierungsfreie Entscheidungen sowie eine transparente und nachvollziehbare Arbeitsweise der KI. Insbesondere in stark regulierten Branchen ist es unerlässlich, dass die Agenten in jedem Schritt erklärbar handeln und reproduzierbare Entscheidungen treffen. Agiert die KI als Black Box, untergräbt das das Vertrauen in sie und kann teure Folgen wie Schadensersatz- oder Strafzahlungen nach sich ziehen.

Im Rahmen der Governance wird auch festgelegt, wann agentenbasierte KI einen Menschen in den Prozess involviert – etwa, wenn Entscheidungen mit großer Tragweite oder hohem Fehlerpotenzial anstehen. Als sogenannter „Human in the Loop“ kann ein Mitarbeitender dann die Entscheidung der KI überprüfen beziehungsweise selbst eine Entscheidung fällen.

Auf keinen Fall die Mitarbeitenden vergessen

Agentic AI ist für Unternehmen geradezu ein Paradigmenwechsel, weil sie Aufgaben, Rollen und Arbeitsweisen für die Belegschaft grundlegend verändert. Deshalb müssen Unternehmen ihre Mitarbeitenden unbedingt mit Schulungen und Demos auf diese neue Arbeitswelt vorbereiten, ihnen also zur Seite stehen, die neuen KI-Kollegen zu verstehen, zu akzeptieren und mit ihnen zusammenzuarbeiten. Letztlich ist das Enablement der Teams der entscheidende Erfolgsfaktor für Agentic AI – wobei Unternehmen die Erfolge mithilfe von Zielvorgaben und KPIs auch messbar machen sollten, um sicherzustellen, dass die Agenten einen klaren Return on Investment bringen und der gewünschte Effizienz-Turbo sind.