Ist Agentic AI lediglich eine Weiterentwicklung der bisherigen Projekte im AI generativen AI? Die Antwort lautet: Nein. Der Fokus liegt nicht mehr auf der lokalen Optimierung anhand eines einzelnen Anwendungsfalls, sondern auf der vollständigen Neugestaltung zentraler Geschäftsprozesse, um greifbaren und messbaren Mehrwert zu schaffen.

Ein Agent ist kein umbenannter Assistent. Ein Assistent beantwortet Fragen oder erstellt Inhalte. Ein Agent hingegen verfolgt ein bestimmtes Geschäftsziel, trifft Entscheidungen, interagiert mit Systemen und führt Aktionen aus. Er verwaltet den aktuellen Status, behandelt Ausnahmen und eskaliert, wenn er an seine Grenzen stößt. Dieser Unterschied ist nicht nur rein kosmetischer Natur: Ein Agent ist nicht darauf ausgelegt, „zu antworten“, sondern innerhalb eines Prozesses zu handeln.

Von GenAI zur agentenbasierten AI: Ein Paradigmenwechsel

Der Ansatz der agentenbasierten AI stellt einen klaren Bruch mit der vorherigen GenAI-Welle dar, die oft fragmentiert und auf der Basis einzelner Anwendungsfälle angegangen wurde.

Die Debatte verlagert sich „von der theoretischen Ebene hin zur operativen Realität großer Konzerne“, wie Unternehmen wie Orange, SNCF Voyageurs und die Beaumanoir-Gruppe kürzlich gezeigt haben. Heute wird das Thema „von oben“ behandelt, direkt in den Vorstandsgremien (Comex), unter der Federführung der Geschäftsleitung oder des Chief Transformation Officers. Die Debatte verlagert sich von „konzeptionellen Sphären hin zur operativen Realität großer Unternehmen“, wie kürzlich von Unternehmen wie Orange, SNCF Voyageurs und der Beaumanoir-Gruppe deutlich wurde. Heute wird das Thema „von oben“ behandelt, direkt von den Vorstandsgremien (Comex), unter der Schirmherrschaft der Geschäftsleitung oder des Chief Transformation Officers.

Dieser Größenunterschied ist erheblich. Laut Hanan Ouazan, Partner und AI Generative AI bei Artefact, handelt es sich dabei um einen echten Paradigmenwechsel. Das Ziel besteht nicht mehr darin, einen Algorithmus schrittweise zu verbessern, sondern Prozesse von Anfang bis Ende neu zu konzipieren und zu automatisieren, um einen direkten, messbaren Return on Investment (ROI) zu erzielen.

Hanan Ouazan weist zudem auf die Grenzen des bisherigen Ansatzes hin: „Selbst wenn man seinen Algorithmus lokal stark optimiert hat, bleibt er doch lokal begrenzt. Man ist von vielen anderen Aspekten des Prozesses abhängig, die ebenfalls sehr wichtig sind, um den endgültigen ROI zu erzielen.“ Durch die Fokussierung auf den gesamten Prozess AI Agentic AI , die „enttäuschenden Auswirkungen“ isolierter Optimierungen zu überwinden.

Agentische AI bricht AI mit der klassischen Automatisierung. Automatisierung führt eine festgelegte Abfolge von Aufgaben aus. Die Agentisierung führt Entscheidungsfindung, Steuerung, die Fähigkeit zur Kontextinterpretation und die Anpassung des Weges zum Ziel ein. Es handelt sich nicht mehr um einen festgelegten Arbeitsablauf, sondern um ein System, das einen Geschäftsprozess steuert.

Den Kurs festlegen: Die „Warum, Wo, Wie“-Methode für die Unternehmensausrichtung

Um ein solches Ziel zu erreichen, ist ein klarer strategischer Rahmen unerlässlich. Um diesen Wandel zu strukturieren, schlägt der Experte einen einfachen, aber wirkungsvollen methodischen Rahmen vor: das „Warum, Wo, Wie“-Dreigespann. Der Ansatz sieht vor, nacheinander drei grundlegende Fragen zu beantworten, um die gesamte Organisation auf ein gemeinsames Ziel auszurichten.

  1. Das „Warum“: Festlegung des übergeordneten strategischen Ziels. Dieser Schritt legt das Ausmaß der Ambitionen fest und begründet die notwendigen Investitionen. Dieses „Warum“ kann verschiedene Formen annehmen, wie beispielsweise den kundenorientierten „Kompass“ von SNCF Voyageurs oder die Priorisierung der unmittelbaren„beruflichen Effizienz“der Teams bei Beaumanoir.
  2. Das „Wo“: Das Spielfeld definieren. Sobald das Ziel festgelegt ist, wählt das Unternehmen die vorrangigen Funktionen und Prozesse aus, in denen am effektivsten Mehrwert geschaffen werden kann.
  3. Das „Wie“: Festlegung der konkreten Maßnahmen. Dazu gehört die Schaffung der technologischen Plattform, der Steuerungsmechanismen und der Organisationsstruktur, die die Transformation unterstützen sollen. Diese Steuerung ist von entscheidender Bedeutung: Bei agentenbasierter AI muss klar sein, wer die Geschäftsregeln festlegt, wer die Agenten überwacht und wer sensible Aktionen genehmigt.

Diese organisatorischen Entscheidungen ermöglichen die Skalierung in weitaus größerem Maße als die Technologie. Das Rahmenwerk stellt sicher, dass die Initiative fest in der Unternehmensstrategie verankert ist.

Prioritäten setzen: Voraussetzungen und in Frage kommende Prozesse ermitteln

Der Erfolg eines Projekts im Bereich AI agentenbasierten AI hängt von einer gründlichen Prüfung dreier wesentlicher Voraussetzungen ab:

  1. Prozesskenntnisse: Es ist unerlässlich, sich einen klaren Überblick über die aktuellen Abläufe zu verschaffen, da oft eine erhebliche Diskrepanz „zwischen dem auf dem Papier festgehaltenen Prozess und dem tatsächlich im Unternehmen praktizierten Prozess“ besteht. Bereiche wie das Finanz- oder Rechtswesen, in denen „hoheitliche“ Belange eine strenge Dokumentation erfordern, sind oft günstigere Ansatzpunkte.
  2. Reifegrad vonData Informationssystemen: Bei der Automatisierung stößt man häufig auf Altsysteme, die nicht auf Interoperabilität ausgelegt sind. Ein Agent muss nicht nur Informationen lesen, sondern auch schreiben können, um Aktionen auszuführen, was offene Systeme erfordert. Diese Fähigkeit erfordert eine präzise Architektur: einen Orchestrator, einen Kontextspeicher, Konnektoren zu Geschäftssystemen und eine Überwachungsebene. Das Ziel ist es, ein übergreifendes „Nervensystem“ hinzuzufügen, das Prozesse und Informationssysteme (IS) miteinander verknüpft, anstatt bereits Bestehendes neu zu erfinden.
  3. Organisatorische Reife: Eine Struktur, die in der Lage ist, neue Prozesse zu überwachen, menschliches Eingreifen („Human in the Loop“) zu integrieren und Veränderungen zu steuern, ist unverzichtbar.

Die Berücksichtigung dieser drei Aspekte ist entscheidend für einen reibungslosen Ablauf der Einführungsphase.

Ein pragmatischer Plan für die Einführung

Sobald geeignete Prozesse ermittelt wurden, sollte die Implementierungsmethodik konsequent pragmatisch sein.

Der erste Schritt besteht darin, Prozesse zu priorisieren, indem man den potenziellen Nutzen (erwarteter Gewinn) gegen die Komplexität der Umstellung (technisch, personell, organisatorisch) abwägt. Ein entscheidender Schritt ist es dann, den Zielprozess „in einer idealen Welt“ ohne Einschränkungen neu zu formulieren und anschließend die Diskrepanz zur Realität zu messen.

Hanan Ouazan warnt jedoch vor einer großen Gefahr: „dem Versuch, den Prozess von morgen sofort nachzubilden“. Dieser Ansatz ist zum Scheitern verurteilt. Am besten ist es, eine Roadmap in „Schritten“ zu erstellen und dabei mit den am leichtesten zugänglichen Wertpotenzialen zu beginnen.

Oney liefert mit seinem „Agentic Proof of Concept“ ein konkretes Beispiel: Die BPCE-Tochtergesellschaft konzentrierte sich auf das konkrete Ziel, „den Prozess der Beantragung eines Privatkredits zu optimieren“. Anstatt alles neu zu erfinden, begannen sie damit, die Prüfung der 42 erforderlichen Dokumente zu automatisieren. Allein dieser Schritt spart drei Tage im Gesamtprozess ein und bringt sofortige Vorteile.

Dieser schrittweise Ansatz sichert zwar das Projekt ab, beseitigt jedoch nicht alle Hindernisse. Zu den in der Praxis beobachteten Anti-Patterns gehören: die Entwicklung eines Agenten, bevor der Prozess geklärt ist, die Gewährung zu großer Handlungsfreiheit für einen kritischen Agenten ohne Sicherheitsvorkehrungen oder die Annahme, dass ein Agent eine Rolle „ersetzen“ wird, ohne dass eine Umstrukturierung erfolgt. Umgekehrt ist es eine weitere Gefahr, einen Agenten als fertiges Produkt zu betrachten, obwohl er kontinuierliche Überwachung und Anpassung erfordert.

Herausforderungen jenseits der Technologie: Governance, Altlasten und Reife der Tools

Projekte im AI agentenbasierten AI stehen vor Herausforderungen, die weit über den rein technologischen Rahmen hinausgehen.

Ein Faktor ist die extrem rasante Entwicklung der Technologien, die Hanan Ouazan mit dem Versuch vergleicht, „ein Foto von einem mit 300 km/h vorbeirauschenden TGV zu machen“. Auf Technologien zu setzen, die sich noch in der Entwicklung befinden, ist riskant; daher ist es wichtig, seine „Schlachten“ mit Bedacht auszuwählen.

Ein zweites großes Hindernis ist organisatorischer Natur. Die Umgestaltung von Prozessen ist naturgemäß bereichsübergreifend und steht in direktem Widerspruch zu siloartigen Organisationsstrukturen, in denen „sich alle gegenseitig auf die Füße treten“. Wie die Herausforderung von SNCF Voyageurs, „die gesamte Organisation zu erreichen“, verdeutlicht, sind solche Initiativen ohne ein klares Mandat auf höchster Ebene zum Scheitern verurteilt.

Schließlich gibt die Reife der derzeitigen Tools Anlass zur Sorge. Der Artefact stellt eine „große Lücke“ zwischen Lösungen wie Chatbots für Unternehmen und komplexen Entwicklungsplattformen fest, die für Expertenprofile gedacht sind. Hanan Ouazan ist der Ansicht, dass „Low-Code“-Tools benötigt werden, die es Geschäftsanwendern ermöglichen, Agenten zu erstellen, sowie modellunabhängige „End-to-End“-Überwachungsplattformen.

Standards für die Interoperabilität und Überwachung von Agenten

Protokolle wie Agent-to-Agent (A2A) oder MCP befinden sich noch in einem frühen Stadium, und der Markt ist eindeutig noch nicht ausgereift. Der Experte merkt an, dass ein CAC40-Unternehmen, das verschiedene Modelle (Mistral, OpenAI, Google, Azure) einsetzt, derzeit nicht alle seine Systeme überwachen kann. Seiner Meinung nach wird von den Anbietern dringend erwartet, dieses Problem der Interoperabilität und der Verwaltung in großem Maßstab zu lösen. Sie müssen in der Lage sein, Lösungen anzubieten, die „den Aufbau von Agenten auf zuverlässige und robuste Weise skalieren“ und eine„zuverlässige Steuerung“dieser Agenten ermöglichen.

Da es keine einheitlichen Protokolle und Überwachungsplattformen gibt, sind Unternehmen derzeit gezwungen, entweder eine „große Wette“ einzugehen (alles auf ein einziges Modell zu setzen) oder „Schnittstellen“ zu verwalten, was ihre Skalierbarkeit erheblich einschränkt. Die größte technologische Herausforderung besteht im Fehlen von Standards und ausgereiften Managementlösungen für die Interoperabilität und Überwachung von Agenten verschiedener Anbieter.

In den nächsten 12 bis 24 Monaten wird sich die Landschaft rasant weiterentwickeln: das Aufkommen von Low-Code-Plattformen für Geschäftsanwender, die Standardisierung von Transaktions-Konnektoren, die Stärkung der Observability-Fähigkeiten und das Auftauchen spezialisierter Agenten, die direkt in die alltäglichen Tools integriert sind.

Die Frage wird nicht mehr lauten: „Ist das machbar?“, sondern: „Welche Abfolge von Prozessen sollte umgestaltet werden und wie können wir dies effektiv überwachen?“.

Sehen Sie sich die replay Präsentation an: