VON DER ERKENNTNIS ZUM HANDELN:
DAS ZEITALTER DER AGENTENBASIERTEN KI
Die Rolle der KI in der Wirtschaft entwickelt sich rasant weiter. Was als Werkzeug zur Gewinnung von Erkenntnissen begann, bewegt sich in Richtung Ausführung, wobei die Systeme nun in der Lage sind, auf Entscheidungen zu reagieren, anstatt sie nur zu informieren. Dieser Wandel hin zu agentenbasierter KI markiert eine neue Stufe der operativen Reife.
Gartner sagt voraus, dass bis 2028 werden 33% der Unternehmenssoftwareanwendungen agentenbasierte KI enthalten, gegenüber weniger als 1% im Jahr 2024. Dies signalisiert eine rasche Verlagerung von Hilfsmitteln zu autonomen Systemen, die in die täglichen Arbeitsabläufe eingebettet sind.
In dieser Ausgabe gehen wir der Frage nach, wie dieser Wandel Gestalt annimmt, mit Artikeln über:
• KI-Agenten Neugestaltung von Engagement und Betrieb im Einzelhandel
• Data-Plattformen Skalierbare Autonomie ermöglichen
• Lieferkette und Finanzen Einsatz von KI für die Echtzeit-Orchestrierung
• Langfristige Agenten Neudefinition von Governance und Delegation
Agentische KI und die Zukunft des Einzelhandels:
Ein Interview mit Edouard de Mézerac, Group CEO von Artefact.
“Mit agentic ist jede Funktion betroffen.”
Wie werden KI-Agenten das Einkaufsverhalten beeinflussen?
1. Verbraucher werden persönliche KI-Agenten nutzen um Produkte zu suchen, zu vergleichen und zu kaufen. Das schafft neue Erwartungen an die Bereitschaft von Marken und Websites.
2. Einzelhändler werden in KI-Ökosysteme eingebettet. Edouard verweist auf die Partnerschaft zwischen OpenAI und Walmart, bei der Konversationsschnittstellen zu neuen Handelskanälen werden, die mehr Einblicke in die Verbraucher bieten, als dies bei herkömmlichen Transaktionssystemen der Fall ist data.
3. Der agentengestützte Handel wird die internen Abläufe im Einzelhandel verändern, Unterstützung von Verkaufsteams, Verhandlungen, Werbeaktionen und Lieferantenmanagement.
Was sind die wichtigsten Voraussetzungen für den Einsatz von KI-Agenten?
1. Data Bereitschaft, mit geregelten, standardisierten, semantisch abgestimmten data-Sets.
2. Prozess-Bereitschaft, mit definierten Arbeitsabläufen, in denen Agenten effektiv arbeiten können.
3. Technische Bereitschaft, von der Wahl der Plattform bis hin zur Entscheidung "bauen oder kaufen".
Wo wird der ROI im TCG-Sektor zuerst auftauchen?
1. Kundenbetreuung bietet unmittelbare Rendite durch KI-gesteuerte Selbstfürsorge.
2. Marketing und Inhaltsautomatisierung beschleunigen die Anpassung der Kampagne.
3. IT-Operationen, von der Code-Migration bis hin zur Überwachung von Anomalien, stellen große Möglichkeiten zur Kosteneinsparung dar.
Data und agentische Plattformen:
Die Ermöglicher der KI-Innovation.
Herkömmliche Berichtsarchitekturen können die heutigen KI-Anforderungen nur schwer erfüllen, während moderne Modelle wie data-Seehäuser, data-Gitter und data-Gewölbegerüste ermöglichen geregelte, geschäftsfähige Ökosysteme.
Durch die Vereinheitlichung von strukturierten und unstrukturierten data, ermöglichen diese Plattformen prädiktive Analytik, GenAI-Anwendungen, und Entscheidungsautomatisierung. Sie verändern bereits die Prognosen, die Kundenbindung und die betriebliche Optimierung. Doch Technologie allein ist nicht ausreichend. Der Erfolg hängt von der Überwindung Herausforderungen bei der Integration von Altlasten, Stärkung der Regierungsführung, und Verankerung einer starken data-Verwaltung durch schrittweise Umsetzung.
Agentic data platforms markiert die nächste Evolutionsstufe, die KI-Systeme in die Lage versetzt Entscheidungen und Arbeitsabläufe nahezu in Echtzeit auslösen. Unternehmen, die jetzt investieren, bauen die Intelligenz auf, die erforderlich ist, um in einer KI-gesteuerte Wirtschaft.
Von den Kosten zum Wert:
Die Revolution der Lieferkette mit KI.
Die Lieferketten haben sich von einem operativen Rückgrat zu einem umkämpftes Schlachtfeld. Trotz der zunehmenden Volatilität setzen viele Unternehmen KI in Planung, Logistik und Vertrieb noch immer zu wenig ein. Dieser praktische Leitfaden richtet sich an Führungskräfte, die ihre Lieferketten von Kostenstellen in strategische Werttreiber durch den gezielten Einsatz von KI.
Die Transformation beginnt mit der Planung: KI verbessert beides Vertriebs- und Produktionsplanung (S&OP) und -ausführung (S&OE), und ermöglicht Unternehmen den Übergang von reaktiven Prognosen zu dynamisch, data-driven-Inszenierung.
In einer Fallstudie zu Haushaltsgeräten automatisierte die KI funktionsübergreifende Analysen von Nachfrage, Bestand und Engpässen, was zu einem 40% Steigerung der betrieblichen Effizienz, verbesserte Transparenz auf SKU-Ebene und reduzierter Bestand.
Jenseits der Planung, KI ermöglicht die Optimierung der gesamten Wertschöpfungskette:
• Intelligente Inventarisierungsrichtlinien ein Gleichgewicht zwischen Servicequalität und Kostenkontrolle.
• Logistik-Anwendungen verbessern Sie die eingehenden Materialflüsse und die Auslieferungsleistung.
• Digitale Zwillinge und Simulationsmodelle die Szenarioplanung und das Risikomanagement weiter verbessern.
GenAI und agentenbasierte KI bei der Transformation des Finanzdienstleistungssektors.
Artefact zeigt, wie die Konvergenz von generativer und agentenbasierter KI Umgestaltung von Betrieb und Wertschöpfung für Banken, Versicherer und Fintechs.
Zu den Anwendungsfällen mit hohem ROI gehören Handels- und Portfolio-Optimierung, Kundenengagement, Dokumentenverarbeitung und automatisierte Berichterstattung. Frühe Anwender berichten von spürbaren Gewinnen: von 25% Verkürzung der F&E-Zykluszeiten zu 40% Produktivitätssteigerungen im IT-Bereich, sowie erhebliche Kosteneinsparungen bei KI-gesteuerten
Kundenservice.
Die wirkliche Veränderung kommt mit agentenbasierten KI-Systemen, die Transaktionen in Echtzeit überwachen, Betrug proaktiv erkennen, Risikomanagement optimieren, und Arbeitsabläufe automatisieren mit minimalen menschlichen Eingriffen, wobei KI von der Entscheidungshilfe zur Ausführung übergeht.
Diese neuen Fähigkeiten beschleunigen die Innovation und Reaktionsfähigkeit, aber ihre Skalierung erfordert starke Governance, data-Sicherheit und Compliance-Rahmenwerke.
Langfristige KI-Agenten, von kurzen Aufforderungen bis zu dauerhafter Autonomie
Einblicke in die Technologie: Eine dreiteilige Serie.
Langfristige KI-Agenten, Teil 1: Das Problem, über das niemand spricht.
Wie lange kann KI sinnvolle Arbeit leisten, bevor sie zusammenbricht? Die Forschung zeigt Die Aufgabendauer verdoppelt sich alle sieben Monate. Aber die Produktionsrealität bleibt hinter den Benchmarks zurück. Bei Unternehmenstests, keine KI-Ausgaben waren ohne menschliche Bereinigung verwendbar. Dokumentationslücken, Überprüfungsprobleme und Qualitätsmängel waren systematisch. Die Bereinigungszeit betrug im Durchschnitt ein Drittel der Aufgabendauer.
Dies schafft ein Produktivitätsparadoxon. In kontrollierten Studien, AI-Benutzer waren 19% langsamer aufgrund von Fehlersuche, Kontextwechsel und Qualitätsverbesserung.
Die Ursache ist architektonisch bedingt. Wenn Aufgaben länger werden, ist das KI-Arbeitsgedächtnis gesättigt, wodurch der Kontext verloren geht, Widersprüche entstehen und sich Fehler häufen. Die Fähigkeiten variieren auch stark je nach Bereich. Langfristig gesehen verbessert sich die KI schnell, aber die nachhaltige Autonomie bleibt begrenzt.
Langfristige KI-Agenten, Teil 2: Drei Ansätze, die tatsächlich funktionieren.
Obwohl die KI bei langen Arbeitsabläufen nachlässt, kann der langfristige Agentenbetrieb durch drei architektonische Ansätze erweitert werden:
1. Frisch gestarteter Zyklus: Setzt die KI zurück, wenn die Leistung nachlässt. Die Arbeit wird extern gespeichert, die Sitzungen werden sauber neu gestartet, und der Fortschritt wird schrittweise fortgesetzt.
2. Selektives Gedächtnis: Bewahrt nur den wesentlichen Kontext zwischen den Sitzungen. 2. 2. Fortschrittsanzeigen, Zusammenfassungen und Änderungsprotokolle sorgen für Kontinuität und reduzieren die Informationsflut.
3. Teamkoordination: Verteilt die Arbeit auf mehrere spezialisierte Agenten, die von einem zentralen Koordinator verwaltet werden. Durch die Zerlegung von Aufgaben und die Weiterleitung nur relevanter Informationen sind Multi-Agenten-Systeme bei komplexen Aufgaben deutlich leistungsfähiger als Einzelagenten.
Jeder Ansatz externalisiert Informationen, die die KI intern nicht zuverlässig behalten kann. Der Radsport bevorzugt Einfachheit, Speichersysteme bevorzugen Kontinuität und Teams bevorzugen Größe und Spezialisierung. Die meisten Produktionsumgebungen kombinieren alle drei.
Langfristige KI-Agenten, Teil 3: Was dies für Unternehmen bedeutet.
Wenn KI auf lange Sicht einsatzfähig wird, KI-Assistenten werden sich zu KI-Arbeitern entwickeln. Es werden bis zu achtstündige Arbeitsabläufe mit vollständigen Ergebnissen und Implementierungen entstehen.
- Die Schnittstellen werden sich von Konversationswerkzeugen zu Delegationssystemen entwickeln, mit Dashboards, Kontrollpunkten, Prüfpfaden und Wiederherstellungsmechanismen, die Echtzeit-Eingaben ersetzen.
- Data-Qualität und -Governance werden entscheidend sein, da lang laufende KI Fehler verschlimmern, Berechtigungen überschreiten oder auf fehlerhaften Annahmen beruhen kann.
- Rahmenwerke für eingeschränkte Autonomie, einschließlich Zugriffskontrollen, Eskalationsauslöser und Entscheidungsprotokollierung, werden zur Pflicht.
Langfristig gesehen ist KI noch nicht ganz ausgereift, aber sie ist bereits heute praktikabel für gezielte Anwendungsfälle. Realistische Chancen liegen in strukturierte, aufmerksamkeitsintensive Arbeit mit messbaren Resultaten. Unternehmen, die bewusst experimentieren und starke Leitplanken setzen, werden einen frühen Vorteil erlangen.
Nexans Kundenfall:
Aufbau einer globalen data- und KI-Strategie für 2028.
Als weltweit führendes Unternehmen im Bereich der Elektrifizierung ist Nexans in 40 Ländern tätig, um die Energiewende und die nachhaltige Elektrifizierung zu unterstützen. Aufbauend auf seinem erfolgreichen Leistungsprogramm SHIFT hat Nexans SHIFT AI data und KI zu den wichtigsten Faktoren für die Unternehmensleistung zu machen. Sie definierten eine 2028 AI Vision, gründete eine vereinheitlicht data platform, und stark eingesetzt data governance.
Herausforderung: Struktur data und KI zur Unterstützung der Unternehmenstransformation in großem Maßstab.
Mit SHIFT AI verfolgte Nexans das Ziel Steigerung der Nutzung von data im Unternehmen von 20% auf 90%. Um dies zu tun, mussten sie:
- Bewerten Sie die Reife von data und AI
- Definieren Sie eine auf die Geschäftsprioritäten abgestimmte Strategie
- Identifizieren und priorisieren Sie hochwertige KI-Anwendungsfälle
- Erhöhen Sie die Flexibilität in der gesamten Wertschöpfungskette
- Gleichgewicht zwischen Wachstum, Nachhaltigkeit und wirtschaftlicher Leistung
Lösung: Nexans hat ein zentralisiertes und verwaltetes data platform eingesetzt.
- Identifizierung von mehr als 70 data-, BI- und KI-Anwendungsfällen in allen Geschäftsfunktionen
- Priorisierte 25 strategische Anwendungsfälle für den Zeithorizont 2028
- Einsatz von fünf Anwendungsfällen im Jahr 2025
Ergebnisse: Ein skalierbares data- und KI-Betriebsmodell, das bereits Geschäftswert liefert, und eine industrielle KI-Strategie, die auf die langfristige Unternehmensleistung ausgerichtet ist.
STRATEGIE & TRANSFORMATION | KI-BESCHLEUNIGUNG | DATENGRUNDLAGEN & BI | IT & DATENPLATTFORMEN | MARKETINGDATEN & DIGITALES
www.artefact.com
Urheberrecht © 2026 Artefact
