Ist Agentische KI einfach eine Erweiterung des generative KI Projekte, die bis jetzt durchgeführt wurden? Die Antwort lautet nein. Der Schwerpunkt liegt nicht mehr auf der lokalen Optimierung durch einen einzelnen Anwendungsfall, sondern auf der vollständigen Neuerfindung von Kerngeschäftsprozessen, um einen greifbaren und messbaren Wert zu erzielen.

Ein Agent ist kein umbenannter Assistent. Ein Assistent antwortet oder generiert Inhalte. Ein Agent hingegen verfolgt ein bestimmtes Geschäftsziel, trifft Entscheidungen, interagiert mit Systemen und führt Aktionen aus. Er unterhält einen Status, verwaltet Ausnahmen und eskaliert, wenn er an seine Grenzen stößt. Dieser Unterschied ist nicht nur kosmetisch: Ein Agent ist nicht dazu da, zu “antworten”, sondern um in einem Prozess handeln.

Von GenAI zu Agentischer KI: Ein Paradigmenwechsel

Der Ansatz von Agentische KI markiert einen klaren Bruch mit dem bisherigen GenAI Welle, die oft nur bruchstückhaft und von Fall zu Fall angegangen wurde.

Die Debatte bewegt sich von den “konzeptionellen Sphären zu den die betriebliche Realität von Großkonzernen,Das haben Unternehmen wie Orange, SNCF Voyageurs und die Beaumanoir-Gruppe kürzlich bewiesen. Heute wird das Thema ”von oben“ behandelt, direkt von Exekutivausschüssen (Comex), die von der Generaldirektion oder dem Chief Transformation Officer geleitet werden. Die Debatte bewegt sich von ”konzeptionellen Sphären in die operative Realität großer Unternehmen“, wie Unternehmen wie Orange, SNCF Voyageurs und die Beaumanoir-Gruppe kürzlich bewiesen haben. Heute wird das Thema ”von oben“ behandelt, direkt von den Exekutivausschüssen (Comex), die von der Generaldirektion oder dem Chief Transformation Officer geleitet werden.

Diese Veränderung der Größenordnung ist signifikant. Er stellt einen echten Paradigmenwechsel dar, so Hanan Ouazan, Partner & Generative AI Lead bei Artefact. Das Ziel besteht nicht mehr darin, einen Algorithmus schrittweise zu verbessern, sondern Prozesse von Grund auf zu überdenken und zu automatisieren, um einen direkten, messbaren Nutzen zu erzielen. Investitionsrendite (ROI).

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 Konzentration auf den gesamten Prozess verspricht Agentic AI, die “enttäuschenden Effekte” isolierter Optimierungen zu überwinden.

Agentische KI bricht auch mit der klassischen Automatisierung. Automatisierung führt eine festgelegte Abfolge von Aufgaben aus. Die Agentisierung führt Arbitrierung, Kontrolle und die Fähigkeit ein, einen Kontext zu interpretieren und den Weg zur Erreichung eines Ziels anzupassen. Wir sprechen nicht mehr von einem festen Arbeitsablauf, sondern von einem System, das navigiert einen Geschäftsprozess.

Den Kurs bestimmen: 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: die “Triptychon ”Warum, Wo, Wie". Der Ansatz besteht darin, nacheinander drei grundlegende Fragen zu beantworten, um das gesamte Unternehmen auszurichten.

  1. Das “Warum”: Die Definition des übergeordneten strategischen Ziels. Dieser Schritt legt das Ausmaß der Ambitionen fest und rechtfertigt die notwendigen Investitionen. Dieses “Warum” kann verschiedene Formen annehmen, wie der kundenorientierte ’Kompass“ von SNCF Voyageurs oder die Priorisierung der unmittelbaren ”professionelle Effizienz” für seine Teams.
  2. Das “Wo”: Die Definition des Spielfelds. Sobald das Ziel festgelegt ist, wählt das Unternehmen die vorrangigen Funktionen und Prozesse aus, in denen der Wert am effektivsten erfasst werden kann.
  3. Das “Wie”: Die Definition der konkreten Mittel. Dazu gehört die Einrichtung der technologischen Plattform, der Governance und der Organisationsstruktur, die die Umstellung unterstützen wird. Diese Governance ist entscheidend: Agentische KI muss geklärt werden, wer die Geschäftsregeln definiert, wer die Agenten überwacht und wer sensible Aktionen autorisiert.

Diese organisatorischen Entscheidungen, mehr noch als die Technologie, ermöglichen die Skalierung. Der Rahmen stellt sicher, dass die Initiative fest in der Strategie des Unternehmens verankert ist.

Auswahl der Schlachten: Identifizierung von Voraussetzungen und geeigneten Prozessen

Der Erfolg einer Agentische KI Projekt hängt von einer rigorosen Bewertung von drei wesentlichen Voraussetzungen ab:

  1. Prozesswissen: Es ist zwingend erforderlich, eine klare Abbildung der aktuellen Abläufe zu haben, da oft eine erhebliche Lücke “zwischen dem Prozess, wie er auf dem Papier steht, und dem Prozess, wie er im Unternehmen betrieben wird” besteht. Funktionen wie Finanzen oder Recht, wo “hoheitliche” Einsätze eine strenge Dokumentation erfordern, sind oft günstigere Ausgangspunkte.
  2. Data und Reifegrad von Informationssystemen: Die Automatisierung stößt oft auf Altsysteme, die nicht für die Interoperabilität konzipiert wurden. Ein Agent muss nicht nur in der Lage sein, Informationen zu lesen, sondern sie auch zu schreiben, um Aktionen auszuführen, was offene Systeme voraussetzt. Diese Fähigkeit erfordert eine präzise Architektur: einen Orchestrator, einen Kontextspeicher, Verbindungen zu Geschäftssystemen und eine Überwachungsschicht. Das Ziel ist es, ein transversales “Nervensystem” hinzuzufügen, das Prozesse und Informationssysteme (IS) miteinander verbindet, anstatt das, was bereits existiert, neu zu erfinden.
  3. Organisatorische Reife: Eine Struktur, die in der Lage ist, neue Prozesse zu beaufsichtigen und menschliche Eingriffe zu integrieren (“Mensch in der Schleife“), und die Bewältigung des Wandels ist unerlässlich.

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

Eine pragmatische Roadmap für die Implementierung

Sobald die in Frage kommenden Prozesse identifiziert sind, sollte die Einführungsmethodik entschieden pragmatisch sein.

Der erste Schritt besteht darin, Prozesse zu priorisieren, indem der potenzielle Wert (erwarteter Gewinn) gegen die Komplexität der Transformation (technisch, menschlich, organisatorisch) abgewogen wird. Ein entscheidender Schritt besteht dann darin, den Zielprozess “in einer idealen Welt” ohne Zwänge neu zu schreiben und anschließend die Abweichung von der Realität zu messen.

Hanan Ouazan warnt jedoch vor einer großen Falle: “zu versuchen, den Prozess von morgen sofort nachzubilden”. Dieser Ansatz ist zum Scheitern verurteilt. Am besten ist es, eine Roadmap in “Brocken” zu erstellen und dabei mit den am leichtesten zugänglichen Bereichen zu beginnen.

Oney liefert mit seinem Agentic Proof of Concept ein konkretes Beispiel: Die Tochtergesellschaft von BPCE konzentrierte sich auf das spezifische Ziel, “den Abschluss eines Privatkredits zu rationalisieren”. Anstatt alles neu zu erfinden, begann man mit der Automatisierung der Analyse der 42 erforderlichen Dokumente. Dieser einzige Schritt spart drei Tage im Gesamtprozess und bringt einen sofortigen Gewinn.

Dieser schrittweise Ansatz sichert das Projekt ab, beseitigt aber nicht alle Hindernisse. Zu den in der Praxis beobachteten Gegnern gehören: die Entwicklung eines Agenten, bevor der Prozess geklärt ist, die Gewährung von zu viel Spielraum für einen kritischen Agenten ohne Sicherheitsvorkehrungen oder die Annahme, dass ein Agent eine Rolle ohne Reorganisation “ersetzen” wird. Umgekehrt ist die Vorstellung, dass ein Agent ein fertiges Produkt ist, obwohl er ständig überwacht und angepasst werden muss, ein weiterer Fallstrick.

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

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

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

Ein zweites großes Hindernis ist organisatorischer Natur. Prozess-Transformation ist von Natur aus bereichsübergreifend und kollidiert direkt mit siloartigen Organisationen, in denen “jeder dem anderen auf die Füße tritt”. Wie das Beispiel von SNCF Voyageurs zeigt, sind diese Initiativen zum Scheitern verurteilt, wenn es kein klares Mandat auf höchster Ebene gibt.

Schließlich ist auch die Reife der aktuellen Tools ein Problem. Der Artefact-Experte sieht eine “riesige Lücke” zwischen Lösungen wie Unternehmens-Chatbots und komplexen Entwicklungsplattformen, die für Expertenprofile gedacht sind. Hanan Ouazan glaubt, dass es einen Bedarf gibt für “low-code” Tools um Geschäftsanwendern die Erstellung von Agenten zu ermöglichen, 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 der Anfangsphase, und der Markt ist noch nicht ausgereift. Der Experte stellt fest, dass ein CAC40-Anbieter, der verschiedene Modelle verwendet (Mistral, OpenAI, Google, Azure), derzeit nicht alle seine Systeme überwachen kann. Seiner Meinung nach wird von den Anbietern dringend erwartet, dass sie dieses Problem lösen Interoperabilität und groß angelegte Verwaltung. Sie müssen in der Lage sein, Lösungen anzubieten, die “den Aufbau von Agenten auf zuverlässige und robuste Weise skalieren” und den “zuverlässige Steuerung” dieser Mittel.

In Ermangelung einheitlicher Protokolle und Überwachungsplattformen sind Unternehmen derzeit gezwungen, entweder eine “große Wette” einzugehen (alles auf ein einziges Modell zu setzen) oder “Schnittstellen” zu verwalten, was ihre Fähigkeit zur Skalierung stark einschränkt. Die größte technologische Herausforderung liegt im Fehlen von Standards und ausgereiften Verwaltungslösungen für die Interoperabilität und Überwachung von Agenten verschiedener Anbieter.

Die Landschaft wird sich in den nächsten 12 bis 24 Monaten schnell verändern: Das Aufkommen von Low-Code-Plattformen für Geschäftsanwender, die Standardisierung von Transaktionskonnektoren, die Verstärkung der Beobachtungsfunktionen und das Auftauchen von spezialisierten Agenten, die direkt in die täglichen Tools integriert sind.

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

Sehen Sie sich die replay der Präsentation an: