AI sind noch nicht bereit für den Kundenkontakt – aber bei internen Prozessen können sie hervorragende Leistungen erbringen.

Auch die Akzeptanz bei den Verbrauchern ist nach wie vor relativ gering. Trotz der Verwendung von Begriffen wie „Revolution“data , dass die meisten Nutzer diese Technologien eher wöchentlich als täglich nutzen, im Gegensatz zur häufigeren Nutzung von sozialen Netzwerken oder Plattformen wie Google. Dies deutet darauf hin, dass AI allgemeine AI noch AI zu einer echten Gewohnheit der Verbraucher geworden AI . Die Menschen nutzen sie gelegentlich – manchmal intensiv –, aber sie ist noch nicht zu einem festen Bestandteil des Alltags geworden. Mit anderen Worten: Der Hype ist der Realität noch einen Schritt voraus.

Trotz dieser reports sind wir der Ansicht, dass AI allgemeine AI einen grundlegenden Wandel in derselben Größenordnung AI wie das Internet oder das Smartphone. Das Internet bescherte uns rund zwei Jahrzehnte voller Innovationen und Unternehmensgründungen. Die Smartphone-Revolution führte zu 15 Jahren Wachstum, das durch mobile Apps vorangetrieben wurde. Wir glauben, dass AI allgemeine AI eine ähnliche Ära des Wandels einläuten AI – vielleicht ein Jahrzehnt oder mehr, in dem neue Werte geschaffen werden.

Ein solches Muster ist bei neuen Technologien üblich (übertriebener Optimismus, gefolgt von Ernüchterung und schließlich echter Wertschöpfung, was oft amGartner-Hype-Zyklus verdeutlicht wird). Unserer Ansicht nach übertreiben viele der führenden AI , wenn sie kühne Aussagen treffen, dass ganze Wirtschaftszweige in Kürze durch AI ersetzt werden. Das liegt daran, dass echte, funktionsfähige AI etablierten Unternehmen harte Arbeit ist: Sie erfordert relativ saubere data, Prozessabbildung und intensive Experimente – und selbst dann oft noch die Einbindung eines Menschen. Wir beobachten jedoch echte Fortschritte hinter den Kulissen, deren Beispiele darauf hindeuten, dass der Einsatz von Multi-Agenten-Systemen zur Automatisierung und zum Ersatz repetitiver Aufgaben zu einem längerfristigen, grundlegenderen Produktivitätsanstieg führen könnte.

Wir sind der Ansicht, dass Führungskräfte nicht versuchen sollten, vorherzusagen, was in zehn Jahren passieren wird. Stattdessen sollten sie sich fragen, was sie in den nächsten zwei Jahren realistisch erreichen können. Ausgehend von den Projekten, die wir seit Ende 2024 durchgeführt haben, AI agentische AI (zumindest kurzfristig) als echter Game-Changer, der Unternehmen einen echten Mehrwert bietet. Tatsächlich sind die finanziellen Gewinne pro Projekt zwar gut, aber keiner davon ist atemberaubend. Diese schrittweisen Gewinne ähneln dem Lean-Ansatz – ein Vergleich, denauch Microsoft-CEOSatya Nadella gezogen hat.

Aufgrund unserer Arbeit an einer Reihe von Projekten, in denen agentische AI erfolgreich implementiert werden, haben wir festgestellt, dass der Erfolg mit dieser Technologie erfordert, den Hype zu durchschauen, zu verstehen, wozu die Technologie fähig ist, und diese Fähigkeiten mit konkreten Möglichkeiten zur Wertschöpfung abzugleichen. Außerdem ist ein praxisorientierter Ansatz bei der experimentellen und lernorientierten Implementierung von Multi-Agenten-Systemen erforderlich.

Der Aufstieg des Paradigmas des agentenbasierten Workflows

In den letzten Jahren hat sich die Reife der AI rasch weiterentwickelt und dabei mindestens drei verschiedene Phasen durchlaufen:

• Prompting (2022):Die anfängliche Begeisterung konzentrierte sich auf „Power Prompts“. In Proof-of-Concept-Studien (POCs) schienen die Prompts zu funktionieren. In der Praxis sank die Zuverlässigkeit jedoch schnell. Geschäftsprozesse erfordern in der Regel eine Genauigkeit von 95–99 %. Aufgrund unserer Erfahrungen aus mehr als 50 Fällen schätzen wir, dass das Prompting allein selten eine Genauigkeit von 70 % überschritt.
• Retrieval-Augmented Generation (RAG, 2023):RAG verbesserte die Stabilität, indem AI generativer AI an Wissensdatenbanken gekoppelt wurden. Auch hier sahen die Machbarkeitsstudien vielversprechend aus, doch die Komplexität in der Produktion deckte oft Schwachstellen auf, die zu einer inakzeptabel geringen Genauigkeit führten.
• Agentenbasierte Systeme (seit 2024):Die neuesten Fortschritte betreffen Netzwerke aus kleinen, spezialisierten Agenten. Einige leiten Fragen weiter. Andere führen eng definierte Aufgaben aus. Wieder andere überprüfen und korrigieren die Ergebnisse. Entscheidend ist, dass sinkende Token-Kosten kaskadierende Multi-Agenten-Systeme nun wirtschaftlich rentabel machen. Dieser mehrschichtige Aufbau verbessert die Zuverlässigkeit erheblich.

In diesem Herbst kam es zu einer explosionsartigen Zunahme agentischer kommerzieller Initiativen. OpenAI gingPartnerschaften mit Stripe und Shopify ein.Google kündigte sein „Agent Payment Protocol“ an, das den Kauf- und Transaktionsprozess automatisiert. Auch wenn Unternehmen versucht sein mögen, dem Beispiel der Technologiegiganten zu folgen, wird die erste Welle nachhaltigen Mehrwerts möglicherweise nicht in diesem Bereich entstehen. In eineraktuellen Bain-Umfrage unter Verbrauchern gaben 76 % an, dass sie sich beim Einkaufen mit agentischen Systemen nicht wohlfühlen würden – die meisten nannten Bedenken hinsichtlich Sicherheit und Datenschutz als Grund für ihre Zurückhaltung.

Kundenorientierte Kontexte sind für die derzeitigen Fähigkeiten von AI schlecht geeignet. Sie sind chaotisch und unvorhersehbar; die Eingaben sind unstrukturiert, Tonfall und Kontext ändern sich ständig, und Aufsichtsbehörden sowie Verbraucher zeigen wenig Toleranz gegenüber Fehleinschätzungen oder Fehlern. Multi-Agenten-Systemekönnenein hohes Maß an Genauigkeit erreichen, doch dazu muss jeder einzelne Agent eher wie ein Kleinkind behandelt werden. Man würde ein Kleinkind nicht bitten, den Tisch zu decken. Aber wenn man die Aufgabe aufteilt und es Schritt für Schritt anleitet – „zuerst stell einen Teller hin“, „jetzt leg die Gabeln dazu“, „als Nächstes die Gläser“ –, kann das Kleinkind einen sinnvollen Beitrag leisten. Entscheidend ist, dass auch die Umgebung kontrolliert wird: keine lärmenden Geschwister, keine ablenkenden Haustiere und nur ein Elternteil, der Anweisungen gibt. Doch durch die Entwicklung von Multi-Agenten-Systemen, die so strukturiert sind, wie man einem Kleinkind Anweisungen gibt – die Aufgabe aufteilen, Aufgaben nacheinander geben, die Aufgaben auf ihre Richtigkeit überprüfen –, bauen wir bemerkenswert genaue Systeme auf.

Insbesondere sind diese Systeme oft für Backend-Prozesse gedacht, bei denen Perfektion nicht unbedingt erforderlich ist, da ein Mensch in den Prozess eingebunden ist. Im Gegensatz dazu können Frontend-Experimente zwar inspirierend sein, sind jedoch kaum der erste Bereich, in dem ein echter Unternehmenswert geschaffen wird. Backend- und operative Prozesse sind ein fruchtbarer Boden, da sie strukturiert und repetitiv sind – und sich somit viel besser für die automatisierte Workflow-Steuerung eignen. Klar abgegrenzte Aufgaben, genau definierte Umgebungen und strukturierte Eingaben können zu Projekten führen, die einen bedeutenden Beitrag leisten.

Entwicklung agentenbasierter Systeme auf Unternehmensebene

Auf Unternehmensebene ist die Konzeption dieser Systeme zwar konzeptionell einfach, operativ jedoch anspruchsvoll. Als allgemeiner Rahmen für die Entwicklung von Multi-Agenten-Systemen gilt: 1) Eine Aufgabe wird an einen Router-Agenten wie Google ADK gesendet, der – ähnlich wie ein Elternteil, das einem Kleinkind Anweisungen gibt – die Aufgabe in Teilaufgaben unterteilt; 2) Die Teilaufgaben werden dann von einzelnen Aufgabenagenten erledigt, die jeweils einen kleineren Teil der Aufgabe übernehmen, so wie ein Elternteil einem Kleinkind sagt, es solle die Gläser auf den Tisch stellen, und einem anderen, es solle die Gabeln auflegen; danach 3) werden die Ergebnisse dieser Teilaufgaben von einem Validierungsagenten überprüft; und 4) wenn ein Fehler entdeckt wird, empfiehlt ein Verbesserungsagent eine Anpassung.

Ein schnell wachsendes Ökosystem aus Tools, Methoden und Diensten unterstützt diesen Ansatz, und diese eignen sich hervorragend für Nicht-Kernprozesse. Wenn man jedoch in den Kernbetrieb übergeht – wo data und die Kontrolle über Fehlinterpretationen unerlässlich sind –, benötigt man maßgeschneiderte Agenten, eine tiefere Integration in Unternehmenssysteme sowie bessere Kontrollmechanismen und Sicherheitsvorkehrungen.

Ein Fallbeispiel: Die Neugestaltung des Außendienstes

Zur Veranschaulichung sei hier ein Projekt genannt, das wir mit einem großen europäischen Internetanbieter durchgeführt haben. Unser Ziel war es, sowohl die Lösungszeit als auch die Kosten für die Bearbeitung von Serviceanfragen zu senken. Die meisten Menschen haben schon einmal die Erfahrung gemacht, wegen einer gestörten Verbindung beim Helpdesk anzurufen, Informationen mehrfach wiederholen zu müssen und schließlich auf einen Techniker zu warten. Was hinter den Kulissen geschieht (oder nicht geschieht), ist aufschlussreich: Techniker treffen oft mit unvollständigen Informationen ein und sind gezwungen, die Fehlerbehebung von Grund auf neu anzugehen. Dies führt zu langen Ausfallzeiten – manchmal über einen Monat – und Tausenden von verschwendeten Arbeitsstunden.

Wir beschlossen, klein anzufangen. Wir konzentrierten uns darauf, ein System zu entwickeln, das Technikern dabei helfen sollte, ihre Aufgaben schneller und besser zu erledigen – also eine Unterstützung im Arbeitsablauf und kein eigenständiges Tool. Im Rahmen dieser Bemühungen haben wir data mehr als 15 Informationssystemen integriert und den Technikern eine Zusammenfassung der gemeldeten Störungen sowie eine Historie der bereits erprobten Lösungen zur Verfügung gestellt. Dies verschaffte ihnen einen Überblick über die Aufgabe – beispielsweise die Fehlerbehebung bei der Verbindung eines Kunden –, den sie auf dem Weg zum Einsatzort lesen oder anhören konnten. Auf diese Weise konnten sie sofort nach ihrer Ankunft mit der Behebung des Problems beginnen und so Zeit sparen, die sonst oft damit verschwendet wurde, sich erst in die Problematik einzuarbeiten.

Als Nächstes entwickelten wir eine Funktion, die Empfehlungen für die nächstbeste Maßnahme zur Fehlerbehebung generierte. Eine weitere Funktion war eine dialogorientierte Schnittstelle, über die der Techniker die zugrunde liegenden IT-Systeme des Internetunternehmens in natürlicher Sprache abfragen konnte, um die Ursachen zu ermitteln. Schließlich automatisierten wir viele einfache und sich wiederholende Aktionen: z. B. die Korrektur von CRM-Datensätzen, wenn der falsche Haushalt verknüpft war, oder das Auslösen von Netzwerk-Resets, wenn ein Switch in der zentralen Anschlussbox des Stadtteils ausfiel. Dies sparte den Technikern enorm viel Zeit, da sie nicht mehr das interne Callcenter anrufen mussten, um Hilfe bei kleinen Änderungen zur Fehlerbehebung zu erhalten.

Über einen Zeitraum von acht Monaten arbeiteten wir iterativ – wir erfassten Prozesse, beseitigten Schwachstellen und erweiterten die Funktionalität Schritt für Schritt, wobei wir wöchentliches Feedback von Außendiensttechnikern erhielten, die die tabletbasierte Lösung testeten.

Die Ergebnisse:

• 60 % kürzere Bearbeitungszeit
• Jährlich werden wiederkehrend mehr als eine Million Euro eingespart
• Deutliche Verbesserung des CustomerNet Promoter Score

Aufgrund dieser Ergebnisse wünschte sich der Kunde eine Ausweitung auf sieben weitere Regionen. Dies erforderte einen erheblichen Mehraufwand: Die Methodik und einige Komponenten der Agenten waren zwar wiederverwendbar, doch jede Region verfügte über unterschiedliche IT-Systeme. Jede Einführung erforderte neue Integrationen und data . Die Ausweitung auf jede der sieben Regionen erforderte die Hälfte des ursprünglichen Aufwands, der pro hinzugefügter Region anfiel.

Die Herausforderungen bei der Implementierung von Multi-Agenten-Systemen

Wie oben dargestellt, können Multi-Agenten-Systeme tatsächlich einen echten Mehrwert schaffen, doch nur wenige sprechen über die tatsächliche Arbeit, die mit ihrer Umsetzung verbunden ist. Mit welchen Herausforderungen und Hindernissen waren wir konfrontiert?

Schnelle Tests vs. Ausweitung.

Haben wir es von Anfang an in einer gut skalierbaren Architektur aufgebaut? So gerne wir das auch behaupten würden, es wäre unmöglich gewesen. Genauso wie Innovatoren schrittweise die Produkt-Markt-Passung finden, entwickelten sich auch die Anwendungsfälle für das Multi-Agenten-System und die Lösung schrittweise, während wir uns in einem Zyklus schneller Experimente befanden. Daneben entwickelten sich auch die Technologie, die Methodik und die Dienstleistungen zum Aufbau dieser Systeme rasant weiter.

Wir haben nicht mit dem kompletten System begonnen. Stattdessen starteten wir mit einem LLM in Verbindung mit RAG als zentralem Baustein, um im Wesentlichen den ersten Anwendungsfall zu lösen. Im Laufe der Tests stellten wir fest, dass wir das System in kleinere Agenten aufteilen mussten, die spezialisiertere Aufgaben übernehmen, um die Zuverlässigkeit zu erhöhen; langsam entwickelte sich daraus ein vollständig agentenbasiertes System. Schließlich entwickelten wir ein äußerst zuverlässiges, funktionierendes System, das einen Mehrwert liefert. Mit diesem Wissen und den Ergebnissen, die wir nun haben, bauen wir es zu einer Architektur um, die wesentlich robuster gegenüber der Skalierung anderer Unternehmensbereiche ist und sich leichter warten lässt.

Problembereiche vs. Ursachen.

Als Faustregel haben wir festgestellt, dass Führungskräfte und mittlere Führungskräfte zwar ungefähr wissen, welche Prozesse viel Zeit oder Aufwand erfordern, aber nur unzureichend fundierte Vorstellungen davon haben, wo die Komplexität und die Chancen liegen. Nur die Mitarbeiter vor Ort wissen das. Daraus folgt, dass Sie zwei Dinge tun müssen, bevor Sie wirklich mit dem Aufbau beginnen können: 1) sich ausreichend Zeit nehmen, um die Probleme aus der Perspektive der Führungskräfte zu verstehen, aber auch 2) mit den Mitarbeitern vor Ort darüber sprechen, was ihrer Meinung nach die eigentliche Ursache eines bestimmten Problems ist.

Beispielsweise wiesen uns die Führungskräfte auf Prozessabschnitte hin, in denen Zeit oder Ressourcen verschwendet wurden (z. B. im Shared Service Center), und baten uns, nach den richtigen „Wissenselementen“ zu suchen, damit die Mitarbeiter Probleme schneller lösen können. Als wir jedoch begannen, direkt mit den Mitarbeitern zusammenzuarbeiten, stellten wir fest, dass die Hälfte der Mitarbeiter die „Wissensartikel“ innerhalb von 10 Sekunden fand, während die andere Hälfte Minuten brauchte, um dieselben Informationen zu finden, da sie nicht gut darin waren, das System zu durchsuchen. Dies ist kein Problem, das agentische AI gut lösen AI – es ist ein Schulungsproblem. Wir haben aber auch festgestellt, dass Führungskräfte und Manager völlig übersehen hatten, dass die Mitarbeiter etwa 50 % ihrer Zeit damit verbringen, nach Kundengesprächen das CRM auszufüllen. Dies ist eine Aufgabe, die sich gut für einen Agenten eignet, der das Gespräch transkribieren und alle Informationen in die richtigen Felder eintragen kann, was den Prozess erheblich beschleunigt und data verbessert. Der Mitarbeiter muss nur noch überprüfen und auf „OK“ klicken.

Es sind nicht die IT-Systeme, die Sie ausbremsen – sondern die Menschen.

Die aufwendigsten und komplexesten Aspekte unserer Arbeit bestanden darin, in die richtigen Managementgespräche zu gelangen, die Stakeholder für uns zu gewinnen sowie Abhängigkeiten zu identifizieren und zu lösen, die sich aus unserer Arbeit ergaben. Die Integration in ein Dutzend IT-Systeme, damit die Lösung funktioniert, ist aus technologischer Sicht komplex, doch die eigentliche Herausforderung besteht darin, dass all diese Systeme ihre eigenen Entwicklungsteams mit unterschiedlichen Zeitplänen, Prioritäten und Roadmaps haben. Die Bereitstellung von API-Endpunkten und deren umfassende Prüfung kann etwa zwei Wochen Arbeit in Anspruch nehmen. Die Einbindung in die jeweiligen Roadmaps dieser Systeme dauerte viel, viel länger. Die meisten Teams, mit denen wir koordinierten, stuften diese Arbeit für mehrere Monate als weniger wichtig ein und argumentierten (aus ihrer Sicht wahrscheinlich zu Recht), dass sie wichtigere Aufgaben hätten, die Vorrang hätten.

Models können Halluzinationen haben und werden sie auch haben.

Agenten sind nach wie vor recht instabil und neigen zu Fehlinterpretationen, was strenge Sicherheitsvorkehrungen und Kontrollen in Form eines „LLM-as-a-Judge“ (des Validierungsagenten) erforderlich macht. Die Systemaufforderung des Agenten muss streng genug und dennoch leicht genug sein, damit der Agent Aufgaben ordnungsgemäß ausführen kann. Dies erfordert Fingerspitzengefühl, Zeit sowie Kenntnisse data und data , damit diese agentenbasierten Systeme mit einer ausreichend hohen Zuverlässigkeit funktionieren, um sie in Ihrem Unternehmen einzusetzen. Mit anderen Worten: Gute Entwickler und Geschäftserfahrung sind nach wie vor von großer Bedeutung.

Die neue Disziplin der agentischen Transformation

Welche allgemeineren Erkenntnisse lassen sich aus diesem Fall gewinnen? In vielerlei Hinsicht fühlt es sich an, als würde man Lean neu entdecken – die Arbeit von Grund auf neu gestalten. Der Unterschied besteht darin, dass die heutigen Werkzeuge weitaus leistungsfähiger sind und nicht nur schrittweise Optimierungen, sondern eine vollständige Neugestaltung der Prozesse ermöglichen, sogar abteilungsübergreifend.

Über data AI hinaus hängt der Erfolg von einer fundierten Prozesskompetenz ab – dem Verständnis des aktuellen Zustands, der Vorstellung vom zukünftigen Zustand und der Umsetzung dieser Vision in kleine, umsetzbare Schritte. In diesem Sinne erleben wir derzeit ein Comeback der„Lean Black Belts“, doch diesmal werden sie durch generative AI unterstützt.

Die Arbeit ist detailliert und methodisch, aber nicht glamourös. Man muss Schritt für Schritt vorgehen. Der Ansatz lässt sich methodisch skalieren, nicht durch Zauberei. Jeder neue Geschäftsbereich erfordert eine neue Analyse und eine maßgeschneiderte Anpassung.

Vollständig autonome Systeme sind noch in weiter Ferne. Derzeit ist es am effektivsten, den Menschen in den Prozess einzubeziehen – so wird der Bediener intelligenter, schneller und besser gerüstet.

Anfangs sind die Fortschritte eher schrittweise. Erst wenn die Kernsysteme miteinander vernetzt sind und der Informationsfluss reibungslos funktioniert, stellen sich deutliche Effizienzsteigerungen ein.

Die Technologie entwickelt sich zudem schneller weiter als Projekte. Die Tools, die wir vor acht Monaten noch genutzt haben, sind bereits veraltet. Deshalb konzentrieren wir uns auf Anwendungsfälle, die sich innerhalb eines Jahres amortisieren – bevor sich die zugrunde liegende Technologie verändert.

Noch wichtiger ist, dass Unternehmen interne Kompetenzen aufbauen müssen –data , data , AI generative AI und das, was manche heute als „Context Engineers“ oder AI bezeichnen: Menschen, die Prozesse tiefgreifend verstehen und die Transformation in umsetzbare Schritte unterteilen können. Der Aufbau dieser Kompetenzen als Unternehmen ermöglicht es Ihnen, neue agentische Arbeitsabläufe schneller zu entwickeln (im Zuge der technologischen Weiterentwicklung), was ein echter Wettbewerbsvorteil sein kann.

Auch wenn sich diese Initiativen letztendlich in den normalen Geschäftsbetrieb integrieren werden, ist es doch unerlässlich, sie mit einer soliden Steuerung zu beginnen – einer Steuerung, die technische und geschäftliche Perspektiven miteinander verbindet. Dieses Gleichgewicht ist es, das aus Experimenten eine echte Transformation macht.

Das kommende Jahrzehnt

Der Hype AIgenerative AImag zwar die tatsächliche Verbreitung überholt haben, doch ihr Potenzial ist real. Wie schon die Revolutionen durch das Internet und das Smartphone zuvor wird dieser Plattformwechsel ganze Branchen neu gestalten – nicht durch eine plötzliche Umwälzung, sondern durch jahrelange, konsequente Neugestaltung.

Die erfolgreichen Unternehmen werden nicht nur neue Instrumente einführen, sondern auch die Fähigkeit entwickeln, sich mithilfe dieser Instrumente kontinuierlich neu zu erfinden.