Ist Agentic AI lediglich eine Erweiterung der bisher durchgeführten generativen AI? Die Antwort lautet nein. Der Fokus liegt nicht mehr auf der lokalen Optimierung durch einen einzelnen Anwendungsfall, sondern auf der vollständigen Neugestaltung von Kerngeschäftsprozessen, um greifbaren und messbaren Mehrwert zu erzielen.

Ein Agent ist kein umbenannter Assistent. Ein Assistent beantwortet Fragen oder generiert Inhalte. Ein Agent hingegen verfolgt ein bestimmtes Geschäftsziel, trifft Entscheidungen, interagiert mit Systemen und führt Aktionen aus. Er hält einen Zustand aufrecht, verwaltet Ausnahmen und eskaliert, wenn er an seine Grenzen stößt. Dieser Unterschied ist nicht nur kosmetischer Natur: Ein Agent ist nicht dafür ausgelegt, „zu antworten”, sondern innerhalb eines Prozesses zu agieren.

Von GenAI zu Agentic AI: Ein Paradigmenwechsel

Der Ansatz der Agentic AI markiert einen klaren Bruch mit der vorherigen GenAI-Welle, die oft fragmentiert und auf der Grundlage einzelner Anwendungsfälle angegangen wurde.

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

Diese Veränderung im Umfang ist erheblich. Laut Hanan Ouazan, Partner & 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 zu überdenken und zu automatisieren, um einen direkten, messbaren Return on Investment (ROI) zu erzielen.

Hanan Ouazan weist auch auf die Grenzen des bisherigen Ansatzes hin: „Selbst wenn Sie Ihren Algorithmus lokal stark optimiert haben, bleibt er lokal. Sie sind von vielen anderen Aspekten des Prozesses abhängig, die ebenfalls sehr wichtig sind, um den endgültigen ROI zu erreichen.“ Durch die Fokussierung auf den gesamten Prozess AI Agentic AI , die „enttäuschenden Effekte“ isolierter Optimierungen zu überwinden.

Agentische AI bricht AI mit der klassischen Automatisierung. Bei der Automatisierung wird eine definierte Abfolge von Aufgaben ausgeführt. Die Agentisierung führt Arbitrierung, Kontrollen, die Fähigkeit zur Interpretation eines Kontexts und die Anpassung des Weges zur Erreichung eines Ziels ein. Wir sprechen hier nicht mehr von einem festen Arbeitsablauf, sondern von einem System, das einen Geschäftsprozess steuert.

Die Weichen stellen: Die „Warum, Wo, Wie“-Methode für die Unternehmensausrichtung

Um ein solch ehrgeiziges Ziel zu erreichen, ist ein klarer strategischer Rahmen unerlässlich. Um diese Transformation zu strukturieren, schlägt der Experte einen einfachen, aber wirkungsvollen methodischen Rahmen vor: das Triptychon „Warum, Wo, Wie“. Der Ansatz besteht darin, nacheinander drei grundlegende Fragen zu beantworten, um die gesamte Organisation aufeinander abzustimmen.

  1. Das „Warum“: Festlegung des übergeordneten strategischen Ziels. In diesem Schritt wird das Ausmaß der Ambitionen festgelegt und die Notwendigkeit der erforderlichen Investitionen begründet. Dieses „Warum“ kann verschiedene Formen annehmen, wie beispielsweise den kundenorientierten „Kompass“ von SNCF Voyageurs oder die Priorisierung der unmittelbaren„beruflichen Effizienz“für die Teams von Beaumanoir.
  2. Das „Wo“: Festlegung des Spielfelds. Sobald das Ziel festgelegt ist, wählt das Unternehmen die vorrangigen Funktionen und Prozesse aus, bei denen sich der größte Mehrwert erzielen lässt.
  3. Das „Wie“: Festlegung der konkreten Mittel. Dazu gehört die Einrichtung der technologischen Plattform, der Governance und der Organisationsstruktur, die die Transformation unterstützen werden. Diese Governance ist von entscheidender Bedeutung: Bei AI agentenbasierten AI muss klar definiert werden, wer die Geschäftsregeln festlegt, wer die Agenten beaufsichtigt und wer sensible Aktionen genehmigt.

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

Kämpfe auswählen: Voraussetzungen und geeignete Prozesse identifizieren

Der Erfolg eines AI hängt von einer strengen Bewertung dreier wesentlicher Voraussetzungen ab:

  1. Prozesswissen: Es ist unerlässlich, einen klaren Überblick über die aktuellen Abläufe zu haben, da oft eine erhebliche Diskrepanz zwischen „dem auf dem Papier festgehaltenen Prozess und dem im Unternehmen tatsächlich ablaufenden Prozess“ besteht. Funktionen wie Finanzen oder Recht, in denen „hoheitliche“ Aufgaben eine strenge Dokumentation erfordern, sind oft günstigere Ausgangspunkte.
  2. Reife desData Informationssystems: Die Automatisierung stößt 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 transversales „Nervensystem“ hinzuzufügen, das Prozesse und Informationssysteme (IS) miteinander verbindet, anstatt bereits Vorhandenes 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 managen, ist unverzichtbar.

Die Berücksichtigung dieser drei Dimensionen ist entscheidend für eine reibungslose Bereitstellungsphase.

Eine pragmatische Roadmap für die Bereitstellung

Sobald geeignete Prozesse identifiziert sind, sollte die Bereitstellungsmethodik konsequent pragmatisch sein.

Der erste Schritt besteht darin, Prozesse zu priorisieren, indem der potenzielle Wert (erwarteter Gewinn) gegen die Komplexität der Transformation (technisch, personell, organisatorisch) abgewogen wird. Ein entscheidender Schritt ist dann, den Zielprozess „in einer idealen Welt“ ohne Einschränkungen neu zu definieren und anschließend die Diskrepanz zur Realität zu messen.

Hanan Ouazan warnt jedoch vor einer großen Gefahr: „zu versuchen, den Prozess von morgen sofort nachzubilden“. Dieser Ansatz ist zum Scheitern verurteilt. Am besten ist es, einen Fahrplan in „Schritten“ zu erstellen und mit den am leichtesten zugänglichen Wertbereichen zu beginnen.

Oney liefert mit seinem Agentic Proof of Concept ein konkretes Beispiel: Die BPCE-Tochtergesellschaft konzentrierte sich auf das spezifische Ziel, „den Prozess der Beantragung eines Privatkredits zu optimieren”. Anstatt alles neu zu erfinden, begann man damit, die Analyse der 42 erforderlichen Dokumente zu automatisieren. Dieser einzelne Schritt spart drei Tage im Gesamtprozess und generiert einen unmittelbaren Gewinn.

Dieser schrittweise Ansatz sichert das Projekt, beseitigt jedoch nicht alle Hindernisse. Zu den in der Praxis beobachteten Anti-Mustern gehören: die Entwicklung eines Agenten vor der Klärung des Prozesses, die Gewährung zu großer Freiheiten für einen kritischen Agenten ohne Sicherheitsvorkehrungen oder die Annahme, dass ein Agent eine Rolle ohne Umstrukturierung „ersetzen” wird. Umgekehrt ist es ein weiterer Fallstrick, sich einen Agenten als fertiges Produkt vorzustellen, obwohl er einer kontinuierlichen Überwachung und Anpassung bedarf.

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

Agentische AI stehen vor Herausforderungen, die weit über den rein technologischen Rahmen hinausgehen.

Einer davon ist die extrem schnelle Weiterentwicklung der Tools, die Hanan Ouazan mit dem Versuch vergleicht, „ein Foto von einem TGV zu machen, der mit 300 km/h vorbeifährt“. Auf Technologien zu setzen, die sich noch in der Entwicklung befinden, ist riskant. Daher ist es wichtig, seine „Schlachten“ mit Bedacht zu wählen.

Ein zweites großes Hindernis ist organisatorischer Natur. Die Transformation von Prozessen ist von Natur aus bereichsübergreifend und steht in direktem Widerspruch zu siloartigen Organisationen, 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 auch die Ausgereiftheit der derzeitigen Tools Anlass zur Sorge. Der Artefact stellt eine „große Lücke“ zwischen Lösungen wie Chatbots für Unternehmen und komplexen Entwicklungsplattformen für Expertenprofile fest. Hanan Ouazan ist der Ansicht, dass „Low-Code“-Tools erforderlich sind, mit denen Geschäftsanwender Agenten erstellen können, 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-Akteur, der verschiedene Modelle (Mistral, OpenAI, Google, Azure) verwendet, derzeit nicht alle seine Systeme überwachen kann. Seiner Meinung nach wird von den Anbietern mit Spannung erwartet, dass sie dieses Problem der Interoperabilität und der Verwaltung in großem Maßstab 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 darin, dass es keine Standards und ausgereiften Verwaltungslösungen für die Interoperabilität und Überwachung von Agenten verschiedener Anbieter gibt.

Die Landschaft wird sich in den nächsten 12 bis 24 Monaten rasant weiterentwickeln: das Aufkommen von Low-Code-Plattformen für Geschäftsanwender, die Standardisierung von Transaktionskonnektoren, die Stärkung der Beobachtungsmöglichkeiten und das Aufkommen spezialisierter Agenten, die direkt in die täglichen Tools integriert sind.

Die Frage lautet nicht mehr „Ist das machbar?“, sondern „Welche Prozessabläufe sollten transformiert werden und wie können wir dies effektiv überwachen?“.

Sehen Sie sich die replay der Präsentation an: