![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2026\/07\/Image-1-Can-you-really-build-enterprise-grade-AI-agents-within-a-few-hours.png\")
<\/p>\nMeistens beginnt es in einem Besprechungsraum. Ein Anbieter klappt seinen Laptop auf, tippt einen einzigen Satz in ein Chatfeld ein und beobachtet, wie ein Mitarbeiter die Daten \u201cdata\u201d aus drei Systemen abruft, einen Mietvertrag zusammenfasst, eine Klausel zur rechtlichen Pr\u00fcfung markiert und das Ergebnis per E-Mail an das Asset-Management-Team weiterleitet. Das Ganze dauert neunzig Sekunden. Es wird still im Raum, dann fragt jemand: \u201cWie lange hat die Entwicklung daf\u00fcr gedauert?\u201d Die Antwort \u201eeinen Nachmittag\u201c ist der Moment, in dem die meisten KI-Strategien von Unternehmen stillschweigend neu ausgerichtet werden.<\/p>\n
Das ist eine berechtigte Frage, die auf den ersten Blick spannend erscheint. Wenn sich ein funktionsf\u00e4higer Agent an einem Nachmittag zusammenstellen l\u00e4sst, warum ben\u00f6tigen wir dann immer noch achtzehn Monate f\u00fcr jede digitale Transformation? Warum zahlen wir siebenstellige Summen f\u00fcr Software, die weniger leistet? Und, was noch dringender ist: Was sollten wir dagegen unternehmen?<\/p>\n
Die ehrliche Antwort ist differenzierter, als die Demo vermuten l\u00e4sst. Ja, Sie k\u00f6nnen durchaus innerhalb weniger Stunden einen funktionsf\u00e4higen KI-Agenten entwickeln. Die Tools sind mittlerweile so gut. Doch die Kluft zwischen einem funktionsf\u00e4higen Agenten und einem Agenten auf Unternehmensniveau ist gr\u00f6\u00dfer, als die meisten F\u00fchrungskr\u00e4fte erwarten, und genau darin liegen fast alle tats\u00e4chlichen Kosten, Risiken und der tats\u00e4chliche Nutzen.<\/p>\n
Dieser Artikel richtet sich an F\u00fchrungskr\u00e4fte, die verstehen m\u00f6chten, was heute tats\u00e4chlich m\u00f6glich ist, was wirklich schwierig ist und wie man z\u00fcgig vorankommt, ohne Entscheidungen zu treffen, die im Mai noch brillant erscheinen, im November jedoch peinlich wirken. Wir werden uns damit befassen, was Agenten sind, was sie nicht sind, wo sie zum Einsatz kommen, wer sie entwickelt und was erforderlich ist, um sie in einem regulierten Unternehmen ordnungsgem\u00e4\u00df einzusetzen. Am Ende sollten Sie in der Lage sein, bei Ihrer n\u00e4chsten Vorstandssitzung die Lage klar und deutlich darzulegen.<\/p>\n
Bevor wir uns auch nur ansatzweise mit der Einf\u00fchrung befassen, lohnt es sich, einen Moment dar\u00fcber nachzudenken, was wir eigentlich unter einem \u201cKI-Agenten\u201d verstehen. Der Begriff wurde in den letzten achtzehn Monaten von Marketingteams regelrecht ausgereizt, und die meisten F\u00fchrungskr\u00e4fte k\u00f6nnen nicht ganz genau sagen, ob ihnen nun ein Agent, ein Chatbot, ein Workflow-Tool oder ein besonders eigenwilliges Makro verkauft wird.<\/p>\n
Die pr\u00e4gnanteste Arbeitsdefinition lautet wie folgt: Ein KI-Agent ist eine Software, die ein Grundmodell nutzt, um ein Ziel zu verstehen, zu planen, wie dieses erreicht werden kann, Ma\u00dfnahmen durch den Einsatz von Werkzeugen und Systemen zu ergreifen und sich auf der Grundlage ihrer Beobachtungen anzupassen. Stellen Sie sich ihn als einen digitalen Hochschulabsolventen vor. Er ist kompetent, kann Anweisungen lesen, wei\u00df, wie man um Hilfe bittet, kann die Werkzeuge nutzen, die Sie ihm zur Verf\u00fcgung stellen, und innerhalb eines festgelegten Aufgabenbereichs sinnvolle Entscheidungen treffen, ohne st\u00e4ndig beaufsichtigt werden zu m\u00fcssen. Wie ein Hochschulabsolvent profitiert er von klaren Leitplanken und einem erfahrenen Kollegen, der seine wichtigeren Arbeiten \u00fcberpr\u00fcft.<\/p>\n
Anatomisch gesehen st\u00fctzt sich jeder Agent auf f\u00fcnf F\u00e4higkeiten. Ein Grundmodell bildet die Grundlage f\u00fcr die Schlussfolgerungsengine, z. B. Claude \u2018Sonnet\u2019, GPT \u20184o\u2019 oder Gemini \u20183.5 Flash\u2019. Tools verleihen dem Agenten die F\u00e4higkeit zu handeln: eine data-Datenbank abfragen, eine E-Mail versenden, ein Dokument abrufen, eine Berechnung durchf\u00fchren. Das Ged\u00e4chtnis erm\u00f6glicht es ihm, den Kontext \u00fcber einzelne Schritte hinweg und bei komplexeren Agenten sogar \u00fcber mehrere Sitzungen hinweg zu bewahren. Die Orchestrierung \u00fcbernimmt die Planung und Steuerung \u2013 sie entscheidet, was als N\u00e4chstes zu tun ist, wann eine Eskalation erforderlich ist und wann der Vorgang beendet werden muss. Und Leitplanken definieren die Grenzen: Was der Agent tun darf, auf welche Daten er zugreifen darf und wann eine Genehmigung durch einen Menschen erforderlich ist.<\/p>\n
<\/p>\n
Abbildung 1. Die f\u00fcnf Komponenten eines KI-Agenten.<\/em><\/p>\n Diese Unterscheidung ist von Bedeutung, da sie verdeutlicht, worin sich Agenten von den Dingen unterscheiden, mit denen sie h\u00e4ufig verwechselt werden. Ein Chatbot verf\u00fcgt \u00fcber das Modell und m\u00f6glicherweise \u00fcber ein gewisses Ma\u00df an Ged\u00e4chtnis, jedoch \u00fcber keine echten Werkzeuge und keine Orchestrierung; er spricht, er handelt nicht. RPA verf\u00fcgt \u00fcber Werkzeuge und Orchestrierung, jedoch \u00fcber keine Schlussfolgerungsf\u00e4higkeit \u2013 es folgt einem Skript und versagt in dem Moment, in dem die Realit\u00e4t davon abweicht. Traditionelles maschinelles Lernen verf\u00fcgt \u00fcber eine begrenzte Form des logischen Denkens, jedoch \u00fcber keine allgemeine Intelligenz, keinen Werkzeuggebrauch und keine dialogorientierte Schnittstelle. Ein Agent vereint alle f\u00fcnf Komponenten. Das macht ihn n\u00fctzlich, und genau das macht ihn neuartig.<\/p>\n Eine weitere Unterscheidung sollten Sie im Auge behalten: Agenten verhalten sich probabilistisch, nicht deterministisch. Sie werden manchmal unerwartete Handlungen ausf\u00fchren. In vielen Anwendungsf\u00e4llen ist dies ein Vorteil \u2013 denn dadurch k\u00f6nnen sie die komplexen Randf\u00e4lle bew\u00e4ltigen, an denen fr\u00fchere Generationen der Automatisierung gescheitert sind \u2013, in anderen F\u00e4llen stellt es jedoch einen Nachteil dar. Zu erkennen, wann welcher Fall vorliegt, macht den Gro\u00dfteil der Arbeit aus.<\/p>\n Wenn der Begriff \u201cKI-Agent\u201d alles von einem t\u00e4glich geplanten Bericht bis hin zu einem autonomen Handelssystem umfasst, hat er seine Aussagekraft verloren. In Anlehnung an die Art und Weise, wie Gartner, Forrester und die gro\u00dfen Plattformen diesen Bereich mittlerweile beschreiben, halten wir es f\u00fcr sinnvoll, ein Spektrum von f\u00fcnf Kategorien mit zunehmendem Autonomiegrad zu betrachten.<\/p>\n Abbildung 2. Eine Arbeitstaxonomie agentischer Systeme.<\/em><\/p>\n Geplante Ma\u00dfnahmen<\/strong> befinden sich am einfachsten Ende des Spektrums. Dabei handelt es sich um Automatisierungsma\u00dfnahmen, die zeitgesteuert oder durch einen Ausl\u00f6ser ausgef\u00fchrt werden: ein t\u00e4glicher KPI-Bericht, eine Bereinigung des Posteingangs um 7 Uhr morgens, ein Webhook, der ausgel\u00f6st wird, wenn ein Gesch\u00e4ft im CRM abgeschlossen wird. M\u00f6glicherweise nutzen sie f\u00fcr einen einzelnen Schritt ein LLM (z. B. zum Zusammenfassen eines Dokuments oder zum Verfassen einer E-Mail), doch sie treffen keine Entscheidungen dar\u00fcber, was als N\u00e4chstes zu tun ist. Die meisten F\u00fchrungskr\u00e4fte verf\u00fcgen bereits \u00fcber mehrere solcher L\u00f6sungen; vor der Umbenennung im Marketing wurden sie als \u201cAutomatisierung\u201d bezeichnet.<\/p>\n Aufgabenagenten<\/strong> F\u00fcgen Sie eine einzelne, in einem bestimmten Kontext ausgef\u00fchrte, LLM-gesteuerte Aufgabe hinzu. Ein typisches Beispiel: Ein Agent, der jede eingehende E-Mail liest, sie nach Thema und Dringlichkeit klassifiziert und an das richtige Team weiterleitet. Dabei ist zwar Schlussfolgerung erforderlich, jedoch nur an einer einzigen Stelle. Der Ablauf drumherum ist deterministisch. Solche L\u00f6sungen sind \u00e4u\u00dferst n\u00fctzlich, sehr kosteng\u00fcnstig und f\u00fcr die meisten Unternehmen der naheliegende Ausgangspunkt.<\/p>\n Automatisierungsagenten<\/strong> Mehrere Schritte innerhalb eines definierten Arbeitsablaufs miteinander verkn\u00fcpfen. Die Einschr\u00e4nkungen bestehen zwar weiterhin \u2013 die Schritte sind im Voraus bekannt \u2013, doch das LLM trifft an mehreren Stellen Entscheidungen: Es entscheidet, welches Tool aufgerufen werden soll, welche data-Daten abgerufen werden sollen und wie im Falle eines fehlgeschlagenen Pr\u00fcfvorgangs vorgegangen werden soll. Ein gutes Beispiel hierf\u00fcr ist ein Prozess zur Rechnungsfreigabe, bei dem eine PDF-Datei eingelesen, Einzelposten extrahiert, diesen den Bestellungen zugeordnet und die Rechnung anschlie\u00dfend entweder freigegeben oder zur \u00dcberpr\u00fcfung weitergeleitet wird.<\/p>\n Workflow-Agenten<\/strong> Hier findet heute der Gro\u00dfteil der wirklich spannenden Arbeit in Unternehmen statt. Diese Agenten erhalten kein festgelegtes Ablaufschema, sondern eine Zielvorgabe wie beispielsweise \u201cFassen Sie diesen 80-seitigen Mietvertrag zusammen und zeigen Sie alles auf, was uns Sorgen bereiten k\u00f6nnte\u201d, und entscheiden selbst, wie sie dieses Ziel erreichen. Sie lesen Dokumente, f\u00fchren Abfragen in Systemen durch, stellen Folgefragen und verfeinern ihre Ergebnisse schrittweise. Der Arbeitsablauf entsteht dynamisch und ist nicht vordefiniert. Dank neuer Schlussfolgerungsmodelle hat sich die Zuverl\u00e4ssigkeit dieser Kategorie in den letzten zw\u00f6lf Monaten erheblich verbessert.<\/p>\n Multi-Agenten-Systeme<\/strong> sind Neuland. Ein Koordinator-Agent unterteilt ein Ziel in Teilaufgaben und delegiert diese jeweils an einen Spezialisten: einen f\u00fcr die Recherche, einen f\u00fcr die Analyse, einen f\u00fcr den Entwurf und einen f\u00fcr die \u00dcberpr\u00fcfung. Bei guter Umsetzung bew\u00e4ltigen Multi-Agenten-Systeme Aufgaben, die ein einzelner Agent nicht bew\u00e4ltigen kann. Bei schlechter Umsetzung entstehen jedoch achtmal so viele Fehlerquellen f\u00fcr dasselbe Ergebnis. Die meisten Unternehmen sollten nicht hier beginnen.<\/p>\n Eine n\u00fctzliche Frage, die Sie stellen sollten, wenn Ihnen ein Anbieter etwas anbietet, lautet ganz einfach: Wo auf diesem Spektrum ist das Produkt einzuordnen? Wenn Ihnen eine geplante Aktion vorgef\u00fchrt wird und Ihnen ein Workflow-Agent in Rechnung gestellt wird, haben Sie gerade die h\u00e4ufigste Form des \u201eAgent-Over-Selling\u201c auf dem Markt erkannt. Umgekehrt gilt: Wenn Ihr Team versucht, ein Multi-Agenten-System als erste Implementierung bereitzustellen, ermutigen Sie es behutsam, eine Spalte weiter links zu beginnen.<\/p>\n Drei Faktoren kamen zusammen. Erstens haben die Basismodelle die Zuverl\u00e4ssigkeitsschwelle f\u00fcr den Einsatz von Tools \u00fcberschritten. Vor zwei Jahren war der Versuch, ein Modell dazu zu bringen, eine API aufzurufen und das Ergebnis zu nutzen, noch mit Entt\u00e4uschungen verbunden; heute bew\u00e4ltigen die Einstiegsmodelle Claude, GPT und Gemini den mehrstufigen Einsatz von Tools mit einer Trefferquote, die f\u00fcr den produktiven Einsatz ausreichend ist. Zweitens die Schlussfolgerungsmodelle: Claude mit erweitertem Denkverm\u00f6gen, die \u201eo\u201c-Serie von OpenAI sowie die Modi f\u00fcr tiefergehende Schlussfolgerungen von Gemini haben die Leistung bei den Arten von mehrstufigen, entscheidungsintensiven Aufgaben, die echte Arbeitsabl\u00e4ufe erfordern, deutlich verbessert. Drittens ist die erforderliche Infrastruktur endlich verf\u00fcgbar: Orchestrierungs-Frameworks wie LangGraph und CrewAI oder alternativ eine der vielen Low-Code-Workflow-L\u00f6sungen; Evaluierungstools f\u00fcr systematische Tests; sowie das Model Context Protocol (MCP), das Agenten eine standardisierte M\u00f6glichkeit bietet, sich in die Dutzenden von Systemen zu integrieren, auf denen ein Unternehmen tats\u00e4chlich l\u00e4uft.<\/p>\n Auch die Kostenentwicklung hat dazu beigetragen. Der Preis pro Token f\u00fcr \u201eFrontier Intelligence\u201c ist innerhalb von zwei Jahren um eine Gr\u00f6\u00dfenordnung gesunken, und die \u201eLightweight\u201c-Variante (Claude Haiku, GPT-mini, Gemini Flash) ist mittlerweile so kosteng\u00fcnstig, dass sie im Umfang jeder E-Mail oder jedes Dokuments, das ein Unternehmen erstellt, eingesetzt werden kann.<\/p>\n Das Ergebnis ist, dass wir uns in einer Situation befinden, die nicht oft vorkommt: Die Technologie ist tats\u00e4chlich leistungsf\u00e4hig, die Werkzeuge sind tats\u00e4chlich einsetzbar und die Wirtschaftlichkeit ist tats\u00e4chlich gegeben. In Verbindung mit sich allm\u00e4hlich festigenden regulatorischen Rahmenbedingungen stellt das EU-KI-Gesetz eine bekannte Gr\u00f6\u00dfe und kein sich st\u00e4ndig \u00e4nderndes Ziel mehr dar, und Regulierungsbeh\u00f6rden aus der Golfregion, darunter die saudische SDAIA, haben klare Positionen ver\u00f6ffentlicht; 2025\u201326 ist der Wendepunkt, an dem seri\u00f6se Unternehmen vom Experimentieren zum Einsatz \u00fcbergehen.<\/p>\n Kann man also wirklich innerhalb weniger Stunden einen Agenten auf Unternehmensniveau entwickeln? Ja und nein \u2013 und genau in dieser Kluft liegt der Wert dieses Artikels.<\/p>\n Was Sie an einem Nachmittag auf jeden Fall erstellen k\u00f6nnen: einen funktionierenden Agenten, der eine echte Aufgabe ausf\u00fchrt. W\u00e4hlen Sie einen Anwendungsfall aus, beispielsweise das Zusammenfassen und Sortieren der Inhalte eines gemeinsamen Posteingangs. \u00d6ffnen Sie Claude Projects, n8n oder die Plattform Ihrer Wahl. Richten Sie den Zugriff auf den Posteingang ein, verfassen Sie eine klare Anweisung zur Beschreibung der Aufgabe, stellen Sie eine Wissensbasis mit fr\u00fcheren Beispielen bereit und legen Sie einen Zeitplan fest. Am Ende des Nachmittags verf\u00fcgen Sie \u00fcber einen Agenten, der etwas wirklich N\u00fctzliches leistet. Zeigen Sie ihn Ihren Kollegen. Sie werden beeindruckt sein. Das ist kein Trick, sondern ein Ma\u00df daf\u00fcr, wie weit die zugrunde liegenden Tools mittlerweile fortgeschritten sind.<\/p>\n Was Sie nicht an einem Nachmittag erstellen k\u00f6nnen, ist der Unterschied zwischen dieser Demo und einer L\u00f6sung, die Sie tats\u00e4chlich f\u00fcr zweitausend Mitarbeiter in drei Rechtsgebieten einsetzen w\u00fcrden. Um dies zu erreichen, ben\u00f6tigen Sie Zugriffskontrollen, damit der Agent nur das sieht, was der jeweilige Benutzer sehen darf. Sie ben\u00f6tigen einen Pr\u00fcfpfad, der jede Entscheidung und jeden Tool-Aufruf aufzeichnet. Sie ben\u00f6tigen ein Bewertungsframework, das Ihnen anzeigt, ob der Agent in 95% der F\u00e4lle richtig liegt oder in 70%, und wo es tendenziell zu Fehlern kommt. Sie ben\u00f6tigen Kostenkontrollen, denn ein Agent, der unkontrolliert l\u00e4uft, kann sechsstellige Budgets innerhalb weniger Tage aufbrauchen. Sie ben\u00f6tigen \u201eHuman-in-the-Loop\u201c-Pr\u00fcfpunkte f\u00fcr Entscheidungen mit weitreichenden Folgen. Sie ben\u00f6tigen eine data-Residenz f\u00fcr Regionen, denen dies wichtig ist (und das gilt zunehmend f\u00fcr alle). Sie ben\u00f6tigen einen Ausweichplan f\u00fcr den Fall, dass das Modell nicht verf\u00fcgbar ist. Sie ben\u00f6tigen Observability, damit Ihr Betriebsteam sehen kann, was gerade geschieht. Und Sie ben\u00f6tigen ein Change-Management-Programm, damit Ihre Mitarbeiter das System auch tats\u00e4chlich nutzen.<\/p>\n Unserer Erfahrung nach ist der Aufwand f\u00fcr die Produktionsreife in der Regel zehn- bis zwanzigmal so hoch wie der f\u00fcr den Prototyp. Ein Agent, f\u00fcr dessen Erstellung ein Entwickler drei Tage ben\u00f6tigte, erfordert von einem kleinen Team drei Monate, um ihn auf Unternehmensniveau zu bringen. Dies ist kein Versagen der Technologie. Es ist die Realit\u00e4t, wenn man innerhalb einer gro\u00dfen Organisation verantwortungsbewusst handelt. Der gleiche Multiplikator gilt f\u00fcr die Einf\u00fchrung eines CRM-Systems, eines data platform-Projekts oder einer Zahlungsintegration. Der Unterschied besteht darin, dass die Demo dieser L\u00f6sungen nicht so \u00fcberzeugend ist, dass man den Rest dabei v\u00f6llig aus den Augen verliert.<\/p>\n Die Aussage \u201cwenige Stunden\u201d l\u00e4sst sich wie folgt richtig interpretieren: Agentische Prototypen sind mittlerweile tats\u00e4chlich kosteng\u00fcnstig. Die agentische Produktion hingegen ist es nicht. Die Kunst besteht darin, diesen Unterschied zu erkennen und die Kosteng\u00fcnstigkeit der erstgenannten zu nutzen, um bessere Entscheidungen hinsichtlich der zweitgenannten zu treffen.<\/em><\/p><\/blockquote>\n Es gibt nun drei grundlegende Ans\u00e4tze zur Erstellung eines Agenten, von denen jeder seine eigenen audience-Werte, Obergrenzen und Vor- und Nachteile aufweist.<\/p>\n Hierbei handelt es sich um Plattformen, auf denen Sie Agents erstellen, indem Sie Knoten auf einer Arbeitsfl\u00e4che verschieben. n8n, Make (ehemals Integromat), die KI-Angebote von Zapier und Microsofts Copilot Studio sind die f\u00fchrenden Anbieter. Das Modell befindet sich in einem Knoten, die Tools in anderen, und Sie verbinden diese durch Linien miteinander. Visuelle Builder eignen sich hervorragend f\u00fcr das Prototyping und f\u00fcr Anwendungsf\u00e4lle, die wie klassische Automatisierung aussehen, erg\u00e4nzt um einen LLM-Schritt. Sie leisten zudem einen au\u00dferordentlichen Beitrag zur Demokratisierung der Entwicklung. Ein Business-Analyst ohne Programmiererfahrung kann bereits bis zur Mittagspause einen n\u00fctzlichen Agenten zum Laufen bringen. Die Grenzen sind real, aber noch weit entfernt: Visuelle Builder sto\u00dfen an ihre Grenzen, wenn Workflows stark verzweigt sind, wenn der Status \u00fcber viele Schritte hinweg \u00fcbertragen werden muss oder wenn Latenz und Kosten pr\u00e4zise abgestimmt werden m\u00fcssen. F\u00fcr viele interne Anwendungsf\u00e4lle sind diese Grenzen jedoch v\u00f6llig ausreichend.<\/p>\n Mit Claude Projects, benutzerdefinierten GPTs von ChatGPT, Gemini Gems und Microsoft Copilot-Agenten k\u00f6nnen Sie Ihre L\u00f6sungen erstellen, indem Sie eine sorgf\u00e4ltig ausgearbeitete Reihe von Anweisungen verfassen, eine Wissensdatenbank hinzuf\u00fcgen und Zugriff auf eine kuratierte Auswahl an Tools gew\u00e4hren. Es gibt keine visuelle Arbeitsfl\u00e4che \u2013 das \u201cErstellen\u201d erfolgt in Form eines Dialogs. Diese Plattformen eignen sich hervorragend f\u00fcr Wissensagenten, Forschungsassistenten, interne Experten und alle Anwendungsf\u00e4lle, bei denen der Mehrwert eher in der Qualit\u00e4t der Eingabeaufforderung und der Dokumente als in der Komplexit\u00e4t des Arbeitsablaufs liegt. Sie sind zudem der ideale Einstieg f\u00fcr viele F\u00fchrungskr\u00e4fte, da sie keinerlei technische Kenntnisse erfordern und bereits in einer einzigen Sitzung wirklich n\u00fctzliche Ergebnisse liefern.<\/p>\n LangGraph, CrewAI, AutoGen und das LangChain-\u00d6kosystem bieten Entwicklungsteams die volle Kontrolle \u00fcber Orchestrierung, Speicher, Zustand, Auswertungen und Bereitstellung. Dort sind auch das firmeneigene Agent-SDK von Anthropic sowie die Agent-Dienste der wichtigsten cloud-Anbieter angesiedelt. Code-gesteuerte Builds dauern l\u00e4nger, erfordern Ingenieure und sind genau das Richtige, wenn viel auf dem Spiel steht, die Integrationen tiefgreifend sind und der Agent t\u00e4glich Tausende von Anfragen bearbeiten muss.<\/p>\n Die ehrliche Einsch\u00e4tzung lautet, dass die meisten Unternehmen letztendlich alle drei einsetzen: Visuelle Builder f\u00fcr die schnelle Prototypenerstellung und die schlanke Backoffice-Automatisierung; promptgesteuerte Plattformen f\u00fcr Wissens- und Assistenzanwendungen, die einzelne Teams bef\u00e4higen; sowie code-gesteuerte Frameworks f\u00fcr die wirklich entscheidenden Akteure \u2013 jene, die sich auf dem kritischen Pfad eines Gesch\u00e4ftsprozesses oder einer Kundeninteraktion befinden. Diese als konkurrierende Lager statt als sich erg\u00e4nzende Ebenen zu betrachten, ist ein h\u00e4ufiger Fehler, der dazu f\u00fchrt, dass einfache Probleme mit \u00fcberdimensionierten L\u00f6sungen und komplexe Probleme mit unterdimensionierten L\u00f6sungen angegangen werden.<\/p>\n Bei der Entscheidung geht es selten darum, welches Tool das beste ist. Es geht vielmehr darum, welches Tool f\u00fcr den jeweiligen Anwendungsfall am besten geeignet ist.<\/p>\n Das ist die Frage, die F\u00fchrungskr\u00e4fte am h\u00e4ufigsten stellen \u2013 meist eher beil\u00e4ufig. Die Antwort ist wirklich ermutigend: So gut wie jeder, zumindest am Anfang.<\/p>\n Der Einstieg in die Entwicklung autonomer Systeme wurde in einer Weise demokratisiert, wie es nur sehr wenigen technologischen Umbr\u00fcchen gelungen ist. Vor drei Jahren erforderte die \u201cEntwicklung eines KI-Systems\u201d hochqualifizierte Wissenschaftler, MLOps-Ingenieure und ein entsprechendes Budget. Heute kann ein Finanzmanager mit einem guten Verst\u00e4ndnis f\u00fcr die eigenen Prozesse in Claude oder Copilot Studio einen funktionsf\u00e4higen Agenten erstellen, ohne auch nur eine einzige Zeile Code zu schreiben. Wir haben beobachtet, wie dies in allen Funktionsbereichen geschieht: Rechtsabteilungen entwickeln Agenten zur Vertragspr\u00fcfung, Personalabteilungen erstellen Onboarding-Assistenten, Gutachter entwickeln Tools zur Auswertungen von Mietvertr\u00e4gen und Vertriebsteams erstellen Angebotsgeneratoren. Die entscheidende F\u00e4higkeit ist nicht das Programmieren. Es ist die klare Vorstellung von der Aufgabe: Wie sieht das \u201cErgebnis\u201d aus, was muss der Agent wissen, und wo muss ein Mensch weiterhin eingebunden bleiben?.<\/p>\n Das bedeutet nicht, dass die Technik irrelevant ist. Es bedeutet vielmehr, dass sich die Rolle der Technik gewandelt hat. In den besten Betriebsmodellen, die wir beobachten, wandelt sich die IT vom \u201eGatekeeper\u201c zum \u201eEnabler\u201c und stellt die Plattformen, die Sicherheitsvorkehrungen, die Zugriffsmuster und die Bewertungsrahmen bereit, innerhalb derer Gesch\u00e4ftsanwender ihre L\u00f6sungen entwickeln k\u00f6nnen. Die Technik baut das Terminal und die Start- und Landebahn; das Gesch\u00e4ft baut die Flugzeuge. Wenn etwas, das ein Gesch\u00e4ftsanwender entwickelt hat, so kritisch wird, dass es einer Absicherung bedarf, \u00fcbernimmt die Technik dies und f\u00fchrt die Produktionsreife her. Das ist die echte Demokratisierung, von der die Leute sprechen, und sie ist Realit\u00e4t.<\/p>\n Die Auswirkungen f\u00fcr F\u00fchrungskr\u00e4fte sind erheblich. Sie m\u00fcssen kein Team von KI-Ingenieuren einstellen, um loszulegen. Sie m\u00fcssen den Mitarbeitern, die am n\u00e4chsten am Geschehen sind, die Werkzeuge, die Befugnis und eine kurze Schulung zur Verf\u00fcgung stellen. Die L\u00f6sungen, die in den Unternehmen unserer Kunden den entscheidenden Unterschied ausmachen, sind fast nie diejenigen, die in der zentralen Strategie vorgesehen sind. Es sind vielmehr jene, die von den Mitarbeitern entwickelt werden, die die Arbeit tats\u00e4chlich ausf\u00fchren und genau wissen, wo die Reibungspunkte liegen.<\/p>\n Bei Diskussionen \u00fcber die Zukunft von Maklern wird die Gegenwart oft au\u00dfer Acht gelassen, was bedauerlich ist, da die Gegenwart interessanter ist, als man ihr gemeinhin zutraut. In unserem gesamten Kundenstamm \u2013 darunter globale Unternehmen, Einrichtungen des \u00f6ffentlichen Sektors und insbesondere die Immobilienbranche \u2013 sorgen bereits heute einige wenige Muster zuverl\u00e4ssig f\u00fcr Mehrwert. Es lohnt sich, diese zu kennen.<\/p>\n Forschung und Synthese.<\/strong> Systeme, die Dokumente, Webquellen und interne Systeme auswerten, um strukturierte Zusammenfassungen zu erstellen. Sie werden in gro\u00dfem Umfang f\u00fcr Marktanalysen, Wettbewerbsanalysen, Due-Diligence-Pr\u00fcfungen, Investitionspr\u00fcfungen und die \u00dcberpr\u00fcfung von Richtlinien eingesetzt. Sie eignen sich besonders gut, da die Arbeit ein hohes Ma\u00df an Ermessensentscheidungen erfordert, sich oft wiederholt und eine abschlie\u00dfende \u00dcberpr\u00fcfung durch einen menschlichen Pr\u00fcfer zul\u00e4sst.<\/p>\n Dokumentenbearbeitung.<\/strong> Mietvertragsauswertung, Vertragspr\u00fcfung, Rechnungsbearbeitung, Schadenbearbeitung und KYC. \u00dcberall dort, wo unstrukturierte Dokumente in strukturierte Daten im Format data umgewandelt werden m\u00fcssen \u2013 erg\u00e4nzt um eine Kennzeichnung f\u00fcr die F\u00e4lle, deren Bearbeitung den Einsatz eines Mitarbeiters rechtfertigt. Dies ist die mit Abstand h\u00e4ufigste Produktionsanwendung in regulierten Branchen, einschlie\u00dflich der Immobilienbranche.<\/p>\n Kunden- und Mitarbeiterbetreuung.<\/strong> Eine Triage der ersten Instanz, die die unkomplizierten F\u00e4lle vollst\u00e4ndig abwickelt und die \u00fcbrigen F\u00e4lle mit allen relevanten Hintergrundinformationen weiterleitet. Bei guter Umsetzung ersetzen diese Agenten den Menschen nicht, sondern sorgen daf\u00fcr, dass Menschen nur die F\u00e4lle zu sehen bekommen, bei denen ihre Unterst\u00fctzung erforderlich ist.<\/p>\n Internes Wissen.<\/strong> Agenten, die auf den Dokumenten, Wikis, Ticket-Systemen und E-Mail-Archiven eines Unternehmens aufsetzen und Fragen in nat\u00fcrlicher Sprache beantworten. Hier sehen viele Unternehmen den schnellsten und einfachsten Nutzen, und hier verl\u00e4uft das Ver\u00e4nderungsmanagement am reibungslosesten, da der Agent die bestehenden Systeme erg\u00e4nzt, anstatt sie zu ersetzen.<\/p>\n Codegenerierung.<\/strong> Dies ist erw\u00e4hnenswert, da es sich um den Anwendungsfall handelt, der von allen am schnellsten vorangekommen ist. Entwicklerteams sind mittlerweile routinem\u00e4\u00dfig 30\u201340% produktiver, wenn sie agentische Programmierwerkzeuge einsetzen, und der Abstand vergr\u00f6\u00dfert sich weiter. Selbst F\u00fchrungskr\u00e4fte au\u00dferhalb des Entwicklungsbereichs sollten dies beachten, da es die Kostenkurve jeder anderen Software ver\u00e4ndert, die Sie entwickeln.<\/p>\n Einhaltung von Vorschriften und Qualit\u00e4tssicherung.<\/strong> Agenten, die auf Sicherheitsverletzungen \u00fcberwachen, Audits vorbereiten und Anomalien aufdecken. Dies ist insbesondere angesichts der versch\u00e4rften regulatorischen Anforderungen in der EU, im Vereinigten K\u00f6nigreich und in den Golfstaaten von Bedeutung.<\/p>\n Was haben gute Anwendungsf\u00e4lle gemeinsam? Eine n\u00fctzliche Heuristik, die wir bei unseren Kunden anwenden: Die Aufgabe ist repetitiv genug, um von Bedeutung zu sein; erfordert so viel Ermessensspielraum, dass herk\u00f6mmliche Automatisierung versagt hat; ist klar genug abgegrenzt, sodass sich der Erfolg in einem Satz beschreiben l\u00e4sst; und l\u00e4sst in den entscheidenden F\u00e4llen eine \u00dcberpr\u00fcfung durch einen Menschen zu. Wenn ein potenzieller Anwendungsfall alle vier Kriterien erf\u00fcllt, lohnt es sich wahrscheinlich, ihn in einem Pilotprojekt zu testen. Erf\u00fcllt er drei Kriterien, ist ein Gespr\u00e4ch dar\u00fcber sinnvoll. Erf\u00fcllt er nur eines, gehen Sie zu weit.<\/p>\n Abstraktionen sind nur bis zu einem gewissen Grad n\u00fctzlich. Um dies zu veranschaulichen, finden Sie im Folgenden drei praxisnahe Beispiele, die sich daran orientieren, wie Agenten heute branchen\u00fcbergreifend eingesetzt werden.<\/p>\n Ein mittelst\u00e4ndisches Immobilienunternehmen verwaltet mehrere tausend Mietvertr\u00e4ge in seinem Portfolio. Jeder Mietvertrag umfasst vierzig bis neunzig Seiten mit dichtem Rechtstext und liegt als PDF-Datei in einem Dokumentenmanagementsystem vor. Das Asset-Management-Team muss bei Bedarf wissen, was in jedem Mietvertrag enthalten ist: Termine f\u00fcr Mietanpassungen, K\u00fcndigungsklauseln, Bestimmungen zu Nebenkosten, Ver\u00e4u\u00dferungsbeschr\u00e4nkungen, ESG-bezogene Verpflichtungen sowie etwaige ungew\u00f6hnliche Klauseln, die sich auf die Bewertung oder das Risiko auswirken k\u00f6nnten.<\/p>\n Fr\u00fcher war dies eine Aufgabe f\u00fcr Rechtsassistenten. Eine neue Akquisition bedeutete sechs Wochen manuelle Datenextraktion, bevor der Verm\u00f6genswert ordnungsgem\u00e4\u00df modelliert werden konnte. Heute kann ein Workflow-Agent denselben Mietvertrag in f\u00fcnfzehn Minuten extrahieren, strukturiert nach dem von der Kanzlei bevorzugten Schema und mit Hinweisen auf alle Unregelm\u00e4\u00dfigkeiten, die ein vereidigter Gutachter \u00fcberpr\u00fcfen sollte. Die Entwicklungszeit f\u00fcr die erste Version betrug etwa eine Woche in einem visuellen Builder. Die Vorbereitung f\u00fcr den Produktivbetrieb, das Hinzuf\u00fcgen von Pr\u00fcfpfaden, Testl\u00e4ufe anhand eines gekennzeichneten Korpus von Mietvertr\u00e4gen, die Integration in das Dokumentenmanagementsystem und das Anlagenregister sowie die Einrichtung eines sorgf\u00e4ltigen Eskalationspfads f\u00fcr mehrdeutige Klauseln dauerten vier Monate. Die Amortisation erfolgte innerhalb eines Jahres, und die Arbeit, die zuvor bei jeder Transaktion einen Engpass darstellte, ist nun in keinem Bereich mehr ein Engpass.<\/p>\n Ein weltweit t\u00e4tiges Dienstleistungsunternehmen mit 15.000 Mitarbeitern betrieb einen internen Helpdesk, der unter der Arbeitslast zusammenbrach. Die meisten Tickets waren Varianten von einigen Dutzend Mustern: Passwort-Zur\u00fccksetzungen, Anfragen zum Softwarezugang, VPN-Probleme, R\u00fcckfragen zum Spesenabrechnungssystem. Das Team sch\u00e4tzte, dass 60% der Tickets ohne menschliches Eingreifen gel\u00f6st werden k\u00f6nnten, sofern der richtige Kontext und die richtigen Tools zur Verf\u00fcgung st\u00fcnden.<\/p>\n Sie entwickelten einen \u201eTask-Agenten\u201c \u2013 einen einzelnen, in den bestehenden Anwendungsbereich eingebundenen LLM-Schritt, der in die bestehende Ticket-Plattform integriert wurde. Dieser las jedes eingehende Ticket, versuchte, es direkt mithilfe einer kleinen Auswahl vorab genehmigter Tools (Identit\u00e4tssystem, Softwarekatalog, Spesen-API) zu l\u00f6sen, und das Ticket entweder schloss oder es mit einem Antwortentwurf und dem vollst\u00e4ndigen Kontext an einen Mitarbeiter weiterleitete. Entwicklungszeit f\u00fcr den ersten Prototyp: zwei Tage. Zeit bis zur Produktreife: drei Monate, die gr\u00f6\u00dftenteils f\u00fcr Zugriffskontrollen, Audit-Protokollierung und die Feinabstimmung der Eskalationsschwellenwerte aufgewendet wurden, damit nichts Wichtiges \u00fcbersehen wurde. Ergebnis: Die Bearbeitungszeit f\u00fcr Tickets sank um 70%, das First-Line-Team wurde f\u00fcr interessantere Aufgaben umgeschichtet, und der Agent bearbeitet nun etwa die H\u00e4lfte des gesamten eingehenden Volumens.<\/p>\n Ein an einen Staat gebundenes Anlageinstrument beabsichtigte, Investitionsm\u00f6glichkeiten systematisch anhand der Priorit\u00e4ten der \u201eVision 2030\u201c, der f\u00fcr eine Diversifizierung ausgew\u00e4hlten Sektoren, regionaler Entwicklungsziele sowie der f\u00fcr den saudischen Kontext spezifischen ESG-Kriterien zu pr\u00fcfen. Das Volumen an potenziellen Zielobjekten, Informationsunterlagen und beh\u00f6rdlichen Unterlagen war derart gro\u00df, dass kein Team aus menschlichen Mitarbeitern diese umfassend pr\u00fcfen konnte.<\/p>\n Ein Multi-Agenten-System war hier die richtige L\u00f6sung. Ein Forschungsagent extrahierte und strukturierte Informationen zu jeder Gesch\u00e4ftsm\u00f6glichkeit aus \u00f6ffentlichen Unterlagen, Nachrichten und lizenzierten Datenbanken. Ein Analyseagent bewertete die \u00dcbereinstimmung mit dem \u201eVision 2030\u201c-Rahmenwerk. Ein Risikoagent deckte regulatorische und reputationsbezogene Bedenken auf. Ein Entwurfsagent erstellte ein strukturiertes Briefing f\u00fcr den Investitionsausschuss. Entwicklungszeit f\u00fcr den Prototyp: etwa drei Wochen, da die Koordination der Multi-Agenten echte technische Arbeit erforderte. Anpassung f\u00fcr den Produktivbetrieb: sechs Monate, wobei besonderes Augenmerk auf die data-Residenz (alles musste innerhalb des K\u00f6nigreichs laufen), die Verarbeitung arabischer Sprache und ein strenges Bewertungsrahmenwerk im Vergleich zu historischen Entscheidungen gelegt wurde. Das System verarbeitet nun mehr Investitionsm\u00f6glichkeiten als das bisherige Team aus menschlichen Mitarbeitern, wobei der Ausschuss umfassendere Briefings erh\u00e4lt und nur die wirklich wesentlichen Entscheidungen pr\u00fcft.<\/p>\n Auff\u00e4llig bei allen drei Beispielen ist das Verh\u00e4ltnis. In jedem Fall dauerte die Prototypenentwicklung Tage bis Wochen. Die Produktivbereitstellung erstreckte sich \u00fcber Monate. Und in jedem Fall w\u00e4re der Nutzen ohne die Durchf\u00fchrung beider Schritte nicht realisiert worden. Der Prototyp beweist, dass es funktioniert. Die Produktivbereitstellung sorgt f\u00fcr die Realisierung des Nutzens.<\/p>\n Fr\u00fcher oder sp\u00e4ter wird ein F\u00fchrungskraft, die ein Vermittlerprogramm f\u00f6rdert, gefragt werden: Welches Modell sollten wir verwenden? Die ehrliche Antwort lautet: \u201cDas kommt darauf an, und wahrscheinlich mehr als eines\u201d, doch ohne eine n\u00e4hergehende Erl\u00e4uterung ist diese Antwort nicht hilfreich. Hier finden Sie einen ausgewogenen \u00dcberblick \u00fcber die wichtigsten Optionen im Jahr 2026.<\/p>\n Claude (Anthropic).<\/strong> Gilt allgemein als am st\u00e4rksten im Bereich des logischen Denkens, insbesondere in Bezug auf den Einsatz von Werkzeugen, lange Kontexte, komplexe Schlussfolgerungen und sorgf\u00e4ltige Beurteilungen. Dank seiner erweiterten Denkmodi verf\u00fcgt Claude bei komplexen Aufgaben \u00fcber einen Vorteil. Er ist hervorragend darin, nuancierte Anweisungen zu befolgen, was von Bedeutung ist, wenn Schutzma\u00dfnahmen Teil des Designs sind. Starke Unternehmensausrichtung mit klaren Positionen zu Schulungen im Bereich data, IP-Haftungsfreistellung und einem sich weiterentwickelnden Satz an Unternehmenskontrollen. Kompromisse: Die Kosten pro Token liegen am oberen Ende der \u201eFrontier\u201c-Stufe, und die Verf\u00fcgbarkeit au\u00dferhalb der wichtigsten cloud-Regionen hinkt historisch gesehen hinter den anderen zur\u00fcck.<\/p>\n GPT (OpenAI).<\/strong> Heimat der am weitesten verbreiteten und bekanntesten Frontier-Modelle mit dem umfangreichsten \u00d6kosystem aus Tools, Integrationen und vorgefertigten Agenten. Die o-Series-Inferenzmodelle sind selbst bei den anspruchsvollsten Aufgaben wettbewerbsf\u00e4hig. Stark in der Code-Qualit\u00e4t, sehr stark in der Entwicklerfreundlichkeit. Kompromisse: Das Modellverhalten hat sich im Laufe der verschiedenen Versionen merklich ver\u00e4ndert, was f\u00fcr Produktionssysteme, bei denen Konsistenz entscheidend ist, problematisch sein kann. Die Preisgestaltung und die Ausrichtung auf Unternehmenskunden sind ausgereift, auch wenn einige Organisationen aus Gr\u00fcnden der Vertraulichkeit weiterhin zur\u00fcckhaltend sind. Von GPT generierte Inhalte werden im Vergleich zu denen von Claude oft als relativ eloquent angesehen.<\/p>\n Gemini (Google).<\/strong> Hervorragend geeignet f\u00fcr multimodale Aufgaben (das leistungsst\u00e4rkste der drei Modelle bei der nativen Verarbeitung von Bildern, Videos und Audio) und eng in die \u00d6kosysteme von Google Workspace und Google Cloud integriert. Gemini Flash ist im gro\u00dfen Ma\u00dfstab wirklich kosteng\u00fcnstig, was es zur ersten Wahl f\u00fcr Workloads mit hohem Durchsatz und geringer Komplexit\u00e4t macht. Kompromisse: Die L\u00fccke im Bereich der Schlussfolgerungen bei komplexen agentischen Aufgaben hat sich gegen\u00fcber Claude und der o-Serie zwar verringert, ist jedoch noch nicht geschlossen.<\/p>\n Llama (Meta).<\/strong> Die am weitesten verbreitete Open-Weight-Schriftfamilie mit starker Unterst\u00fctzung durch das \u00d6kosystem und wettbewerbsf\u00e4higer Leistung bei gr\u00f6\u00dferen Schriftgr\u00f6\u00dfen. Die naheliegende Wahl, wenn ein Eigenbetrieb aufgrund der data-Residenzanforderungen, der Kostenvorhersehbarkeit bei sehr hohen St\u00fcckzahlen oder aufgrund organisatorischer Richtlinien erforderlich ist. Kompromisse: Die Lizenzbedingungen sind praktikabel, jedoch nicht so freiz\u00fcgig wie bei wirklich offenen Lizenzen; die Leistung bei den anspruchsvollsten Schlussfolgerungsaufgaben liegt noch hinter dem aktuellen Stand der Technik zur\u00fcck.<\/p>\n Mistral.<\/strong> Das Unternehmen hat seinen Hauptsitz in Europa und verf\u00fcgt \u00fcber leistungsstarke Modelle in verschiedenen Gr\u00f6\u00dfen sowie \u00fcber ein unternehmensfreundliches Lizenzmodell. Es eignet sich ideal f\u00fcr europ\u00e4ische Kunden, denen Datenhoheit wichtig ist, und zeigt bei den gr\u00f6\u00dferen Modellen zunehmend mehr Leistungsf\u00e4higkeit. Die kleineren Modelle von Mistral erweisen sich als besonders leistungsstark als \u201eWorkhorse\u201c-Ebene in einer gerouteten Bereitstellung. Kompromisse: ein im Vergleich zu Llama eingeschr\u00e4nkteres \u00d6kosystem sowie eine Schlussfolgerungsf\u00e4higkeit, die noch etwas hinter den f\u00fchrenden geschlossenen Modellen zur\u00fcckbleibt.<\/p>\n Qwen (Alibaba).<\/strong> Das Unternehmen mit Hauptsitz in China, das sich im vergangenen Jahr am schnellsten weiterentwickelt hat. Hervorragende mehrsprachige Betreuung, insbesondere in Chinesisch und Arabisch, sowie wettbewerbsf\u00e4hige Leistungen bei gr\u00f6\u00dferen Mandaten. Von zunehmender Bedeutung f\u00fcr Unternehmen, die in Asien und der Golfregion t\u00e4tig sind. Kompromisse: Organisatorische \u00dcberlegungen variieren je nach Rechtsraum; einige Unternehmen werden Modelle chinesischer Herkunft ungeachtet ihrer Leistungsf\u00e4higkeit nicht in Betracht ziehen.<\/p>\n In der Praxis empfehlen wir unseren Kunden, zwei Aspekte zu ber\u00fccksichtigen: Wie komplex ist die Aufgabe, und wie sensibel ist das data?<\/p>\n Abbildung 3. Ein zweiachsiges Entscheidungsmodell zur Auswahl eines Grundmodells.<\/em><\/p>\n Bei komplexen Aufgaben im nicht sensiblen data-Bereich sind die \u201eFrontier Closed\u201c-Modelle von Claude, GPT oder Gemini, die \u00fcber eine verwaltete API bereitgestellt werden, fast immer der richtige Ausgangspunkt. Die Qualit\u00e4t der Schlussfolgerungen ist wichtiger als die Kosten oder der Aufwand f\u00fcr die Bereitstellung.<\/p>\n F\u00fcr komplexe Aufgaben im Umgang mit sensiblen Daten \u2013 wie Patientenakten, Finanztransaktionen und hoheitliche Informationen \u2013 erweist sich ein selbst gehostetes Open-Source-Modell zunehmend als praktikable L\u00f6sung, insbesondere bei Llama in den gr\u00f6\u00dferen Modellgr\u00f6\u00dfen. Die Leistung reicht f\u00fcr die meisten Unternehmensanwendungen aus; die Datenhoheit und -kontrolle sind dabei unverzichtbar.<\/p>\n F\u00fcr einfache Aufgaben im nicht sensiblen data-Bereich, der Ebene der leichtgewichtigen Modelle, bew\u00e4ltigen Claude Haiku, GPT-mini und Gemini Flash enorme Datenmengen zu marginalen Kosten. Hier kommen die Agenten zum Einsatz, die pro E-Mail, pro Dokument oder pro Transaktion abgerechnet werden.<\/p>\n F\u00fcr einfache Aufgaben auf dem ressourcenschonenden data ist ein kleines, selbst gehostetes Modell \u2013 wie beispielsweise \u201eMistral small\u201c, \u201eQwen 2.5\u201c oder ein feinabgestimmtes \u201eLlama\u201c \u2013 in der Regel die kosteng\u00fcnstigste L\u00f6sung.<\/p>\n Die Aufgabe ist so wenig anspruchsvoll, dass das kleinere Modell ausreicht, und durch den Eigenbetrieb wird die Sensitivit\u00e4t ber\u00fccksichtigt.<\/p>\n Die fortschrittlichsten Implementierungen leiten Anfragen mittlerweile dynamisch zwischen diesen Quadranten weiter. Wenn eine Benutzeranfrage eingeht, wird sie von einem kleinen Routing-Modell klassifiziert und an das kosteng\u00fcnstigste Modell weitergeleitet, das f\u00fcr ihre Bearbeitung geeignet ist. Auf diese Weise funktioniert die Wirtschaftlichkeit tats\u00e4chlich im gro\u00dfen Ma\u00dfstab, und Unternehmen vermeiden es, entweder zu viel f\u00fcr Routineaufgaben zu bezahlen oder schwierige Aufgaben nur unzureichend zu bew\u00e4ltigen.<\/p>\n Noch ein Hinweis: Schr\u00e4nken Sie sich nicht ein. Gestalten Sie Ihre agentenbasierte Plattform so, dass das Modell austauschbar ist. Die Marktf\u00fchrer von heute sind m\u00f6glicherweise nicht mehr die Marktf\u00fchrer in sechs Monaten; die Modellebene sollte eine austauschbare Komponente sein, keine strukturelle Festlegung. Sollte der Vorschlag eines Anbieters dies erschweren, fragen Sie nach dem Grund.<\/em><\/p><\/blockquote>\n Dies ist der Abschnitt, den Sie \u2013 sofern Sie diesen Artikel ernsthaft lesen \u2013 wahrscheinlich zweimal lesen sollten. Die Hindernisse f\u00fcr den Einsatz von Agenten auf Unternehmensebene sind jedem bekannt, der dies bereits in die Praxis umgesetzt hat, und sie lassen sich grob zu gleichen Teilen in technische und organisatorische Aspekte unterteilen. Unserer Erfahrung nach ist der organisatorische Teil der schwierigere und derjenige, in den die meisten F\u00fchrungsteams zu wenig investieren.<\/p>\n Abbildung 4. Die Blockaden, die agentische Programme am h\u00e4ufigsten zum Stillstand bringen.<\/em><\/p>\n Data-Qualit\u00e4t.<\/strong> Der h\u00e4ufigste Grund, warum agentenbasierte Pilotprojekte nicht skalierbar sind: Agenten sind nur so gut wie die data-Daten, auf die sie zugreifen. Uneinheitliche Formate, doppelte Datens\u00e4tze, fehlende Felder und verwaisten data-Quellen f\u00fchren schnell zu ihrem Scheitern. Ein data-Audit vor \u2013 und nicht nach \u2013 einem Pilotprojekt ist die kosteng\u00fcnstigste Verbesserung, die die meisten Unternehmen vornehmen k\u00f6nnen.<\/p>\n Unstrukturierte data-Ausbreitung.<\/strong> In den meisten Unternehmen befinden sich 70\u201380% der data an wichtigen Daten in PDF-Dateien, E-Mails, Scans, gemeinsam genutzten Laufwerken und Intranetseiten. Agentensysteme k\u00f6nnen diese Daten verarbeiten, jedoch nur mit der richtigen Architektur f\u00fcr den Datenabruf und der Bereitschaft, in die Extraktion, Indizierung und Verwaltung dieser Daten zu investieren.<\/p>\n Schwache data governance.<\/strong> Herkunft, Zugriffskontrollen, Aufenthaltsrechte und Aufbewahrungsrichtlinien gewinnen alle an Bedeutung, wenn ein Agent Ihre data-Umgebung einsehen und darin agieren kann. Die meisten Unternehmen stellen erst dann fest, dass ihre Governance schw\u00e4cher ist, als sie dachten, wenn ein Agent zum ersten Mal etwas Unerwartetes tut.<\/p>\n Unzuverl\u00e4ssige Systemintegrationen.<\/strong> Veraltete ERP-Systeme, ma\u00dfgeschneiderte APIs und Systeme, die nie f\u00fcr die programmgesteuerte Abfrage konzipiert wurden, verursachen allesamt Reibungsverluste. Das Model Context Protocol leistet hier einen wertvollen Beitrag, doch die zahlreichen Altlasten machen weiterhin zu schaffen.<\/p>\n Keine Auswertungen und keine Beobachtbarkeit.<\/strong> Das gr\u00f6\u00dfte Warnsignal bei einer Anbieterpr\u00e4sentation ist das Fehlen eines Bewertungsrahmens. Wenn Sie nicht messen k\u00f6nnen, ob die L\u00f6sung geeignet ist, k\u00f6nnen Sie sie nicht einsetzen. Wir haben erlebt, dass selbst hochentwickelte Unternehmen diesen Schritt \u00fcbersprungen haben und es sp\u00e4ter bereut haben.<\/p>\n Unerwartete Kosten und Latenzzeiten.<\/strong> Der Token-Verbrauch kann sich schnell summieren. Bei Agenten mit langem Kontext und hohem Rechenaufwand k\u00f6nnen sich Verz\u00f6gerungen so weit einschleichen, dass die Benutzererfahrung beeintr\u00e4chtigt wird. Beide Aspekte m\u00fcssen vom ersten Tag an \u00fcberwacht werden und d\u00fcrfen nicht erst im vierten Monat entdeckt werden.<\/p>\n Unklare Eigentumsverh\u00e4ltnisse.<\/strong> Agentische Arbeit befindet sich in einer heiklen Zwickm\u00fchle zwischen der IT, data und dem Gesch\u00e4ft. Ohne einen klar benannten Verantwortlichen und einen F\u00f6rderer mit der politischen Autorit\u00e4t, bei Unstimmigkeiten eine Entscheidung herbeizuf\u00fchren, bleiben Programme in der Genehmigungsh\u00f6lle stecken oder zerfallen in Schattenprojekte.<\/p>\n Falsch ausgerichtete Anreize.<\/strong> Die Menschen werden f\u00fcr die Arbeit belohnt, die sie derzeit verrichten. Wenn ein Akteur diese Arbeit gef\u00e4hrdet, sind diejenigen, die am besten in der Lage sind, diesen Akteur nutzbringend einzusetzen, genau diejenigen, die ihn am ehesten behindern werden. Dies ehrlich anzusprechen, ist bereits die halbe L\u00f6sung.<\/p>\n Diskrepanz im Betriebsmodell.<\/strong> Die meisten Unternehmen sind auf Projekte mit festgelegten Endpunkten ausgerichtet. Agenten sind Produkte, die einer kontinuierlichen Feinabstimmung, Bewertung und Verbesserung bed\u00fcrfen. Der Versuch, agentenbasierte Arbeit im Rahmen eines Projektbetriebsmodells zu realisieren, f\u00fchrt zu instabilen Implementierungen, die mit der Zeit an Leistungsf\u00e4higkeit verlieren.<\/p>\n Schulden im Bereich Change-Management.<\/strong> Der schwierigste Aspekt bei der Einf\u00fchrung eines Agenten ist nicht die Entwicklung des Agenten selbst, sondern die Neugestaltung der damit verbundenen Arbeitsabl\u00e4ufe. Die meisten Unternehmen haben nicht in die f\u00fcr eine erfolgreiche Umsetzung erforderlichen Ver\u00e4nderungskompetenzen investiert.<\/p>\n Angst vor Vertreibung.<\/strong> Die Einf\u00fchrung stockt, wenn die Mitarbeiter bef\u00fcrchten, dass der Bot sie ersetzen soll. Die erfolgreichsten Implementierungen, die wir beobachten, kommunizieren dies klar und glaubw\u00fcrdig: Der Bot \u00fcbernimmt die Routineaufgaben, damit sich die Mitarbeiter auf die Teile ihrer Arbeit konzentrieren k\u00f6nnen, die ihr Urteilsverm\u00f6gen erfordern. Es reicht nicht aus, dies nur zu sagen; das Verhalten muss dies untermauern.<\/p>\n Geringe Lese- und Schreibkompetenz.<\/strong> F\u00fchrungskr\u00e4fte, die nicht in der Lage sind, fundiert zu beurteilen, ob ein Agent seine Arbeit ordnungsgem\u00e4\u00df ausf\u00fchrt, lassen sich leicht von Demos \u00fcberzeugen, die nicht auf den allgemeinen Fall \u00fcbertragbar sind. Der Aufbau eines gemeinsamen Vokabulars \u2013 Genauigkeit, Pr\u00e4zision, Wiederauffindungsrate, Halluzinationsrate, Eskalationsrate, Kosten pro L\u00f6sung \u2013 geh\u00f6rt mittlerweile zu den Aufgaben jeder F\u00fchrungskraft, die die Arbeit der Agenten beaufsichtigt.<\/p>\n Wenn wir die beiden Hindernisse nennen m\u00fcssten, denen die oberste F\u00fchrungsebene die gr\u00f6\u00dfte Aufmerksamkeit widmen sollte, w\u00e4ren dies auf der technischen Seite \u201edata governance\u201c und auf der organisatorischen Seite das Betriebsmodell. Dies sind die Faktoren, die \u2013 wenn sie unbeachtet bleiben \u2013 den Wert, den Sie erzielen k\u00f6nnen, still und leise einschr\u00e4nken werden, ganz gleich, wie gut die Modelle auch werden m\u00f6gen.<\/p>\n Eine wichtige Frage, die man sich bei jedem agentenbasierten System stellen sollte, bevor es in die Produktion geht, lautet: Was m\u00fcsste gegeben sein, damit ich gelassen bleiben kann, wenn dieses System \u00f6ffentlich ausf\u00e4llt? Denn im gro\u00dfen Ma\u00dfstab werden Agenten \u00f6ffentlich ausfallen. Die Herausforderung besteht darin, sicherzustellen, dass man solche Ausf\u00e4lle erkennen, eind\u00e4mmen und schnell beheben kann, wenn sie auftreten.<\/p>\n Eine Bereitstellung auf Unternehmensniveau erfordert eine kleine Reihe von unverzichtbaren Voraussetzungen. F\u00fcr sich genommen ist keine davon besonders spannend; zusammen machen sie jedoch den Unterschied zwischen etwas, das Sie einer Aufsichtsbeh\u00f6rde gerne erl\u00e4utern w\u00fcrden, und etwas, das Sie lieber nicht ansprechen m\u00f6chten.<\/p>\n Identit\u00e4ts- und Zugriffsmanagement.<\/strong> Jede Aktion eines Agenten sollte unter einer Identit\u00e4t ausgef\u00fchrt werden, wobei die Berechtigungen von dem Benutzer \u00fcbernommen werden, in dessen Namen der Agent handelt. Agenten, die mit weitreichenden Berechtigungen eines Dienstkontos arbeiten, stellen ein Ausfallrisiko dar und sind ein potenzieller Grund f\u00fcr Beanstandungen bei der Pr\u00fcfung.<\/p>\n Protokollierung von Pr\u00fcfvorg\u00e4ngen.<\/strong> Jede Entscheidung, jeder Einsatz eines Tools, jede Eskalation sollte protokolliert, unver\u00e4nderlich und abfragbar sein. Das ist keine Option. Die Aufsichtsbeh\u00f6rden in den Bereichen Finanzdienstleistungen, Gesundheitswesen und zunehmend auch in anderen regulierten Branchen werden danach fragen. Sie m\u00f6chten, dass die Antwort \u201cJa, hier\u201d lautet.<\/p>\n Bewertungsrahmen.<\/strong> Ein gekennzeichneter Testdatensatz, anhand dessen der Agent vor jeder Ver\u00f6ffentlichung bewertet wird, mit klaren Schwellenwerten f\u00fcr das Bestehen des Tests. Dies ist die Investition mit dem h\u00f6chsten Nutzen, die die meisten Teams zu kurz kommen lassen. Wenn Ihr Team Ihnen seine Auswertungen nicht vorlegen kann, hat es keinen Agenten auf Unternehmensniveau entwickelt.<\/p>\n Beobachtbarkeit.<\/strong> Echtzeit-Einblick in die Leistung des Agenten im Produktivbetrieb: Erfolgsquote, Latenz, Kosten pro Anfrage, Eskalationsrate, Abweichung im Zeitverlauf. Dieselben Kennzahlen, die Sie von jedem Produktivdienst erwarten w\u00fcrden, gemessen auf Agentenebene.<\/p>\n Kostenkontrolle.<\/strong> Ausgabenobergrenzen pro Benutzer, pro Agent und pro Mandant. Warnmeldungen. Automatische Drosselung bei au\u00dfer Kontrolle geratenen Schleifen. Unkontrollierte Token-Ausgaben entsprechen im Agentenkontext einem Speicherleck.<\/p>\n Kontrollpunkte mit menschlicher Beteiligung.<\/strong> Entscheidungen mit weitreichenden Folgen sollten zur \u00dcberpr\u00fcfung durch einen Menschen unterbrochen werden, wobei der Akteur den Kontext und eine Empfehlung vorlegen muss. Wo genau die Schwelle liegt, h\u00e4ngt vom jeweiligen Anwendungsfall ab; dass es diese Schwelle \u00fcberhaupt gibt, ist nicht verhandelbar.<\/p>\n Data \u2013 Unternehmensf\u00fchrung und Sitz.<\/strong> Klare Richtlinien dazu, welche Daten der Beauftragte lesen, schreiben, aufbewahren und grenz\u00fcberschreitend \u00fcbermitteln darf. Dies ist besonders wichtig, wenn Sie in der EU, im Vereinigten K\u00f6nigreich, in den Golfstaaten und anderen L\u00e4ndern t\u00e4tig sind, die jeweils eigene Regelungen haben.<\/p>\n Ausweichverhalten.<\/strong> Was geschieht, wenn das Modell nicht verf\u00fcgbar ist, die Antwort nicht ausgewertet werden kann oder der Tool-Aufruf fehlschl\u00e4gt? Produktionsagenten ben\u00f6tigen eine sanfte Leistungsreduzierung und keine stillen Ausf\u00e4lle oder unerwarteten Verhaltensweisen.<\/p>\n Skalierbarkeitsmuster.<\/strong> Die Architektur sollte das 100-fache des Startvolumens bew\u00e4ltigen k\u00f6nnen, ohne dass eine Umstellung auf eine neue Plattform erforderlich ist. Routing zwischen Modellen, Caching, asynchrone Verarbeitung, warteschlangenbasierte Ausf\u00fchrung: Standardverfahren f\u00fcr verteilte Systeme, angewendet auf eine neue Grundlage.<\/p>\n Keiner dieser Punkte ist ungew\u00f6hnlich. Sie alle werden in agentenbasierten Systemen, die in Eile entwickelt und nie ordnungsgem\u00e4\u00df abgesichert wurden, regelm\u00e4\u00dfig \u00fcbersehen. Der Grund daf\u00fcr, dass die Kluft zwischen Prototyp und Produktionsumgebung so gro\u00df ist, liegt darin, dass diese Liste genau diese L\u00fccke darstellt.<\/p>\n Bei den verschiedenen Agentur-Projekten, die wir in den letzten zwei Jahren gemeinsam mit unseren Kunden durchgef\u00fchrt haben, hat sich ein klares F\u00fcnf-Phasen-Muster herauskristallisiert. Die offene Benennung dieses Musters hilft F\u00fchrungskr\u00e4ften dabei, Budgets und Erwartungen zu planen sowie sicherzustellen, dass die richtigen Personen zur richtigen Zeit an Bord sind.<\/p>\n Abbildung 5. Die f\u00fcnf Phasen eines agentischen Einsatzes.<\/em><\/p>\n Phase 1: Entdecken.<\/strong> Identifizieren Sie potenzielle Anwendungsf\u00e4lle, bewerten Sie deren Nutzen, pr\u00fcfen Sie die daf\u00fcr erforderlichen data-Ressourcen und w\u00e4hlen Sie ein bis zwei davon f\u00fcr ein erstes Pilotprojekt aus. In dieser Phase ist es wichtig, auch einmal \u201eNein\u201c zu sagen \u2013 die meisten potenziellen Anwendungsf\u00e4lle sind noch nicht ausgereift, und ein falscher Einstieg ist der h\u00e4ufigste Grund daf\u00fcr, dass Programme an Schwung verlieren. Die Teilnehmer: der gesch\u00e4ftliche Sponsor, die Mitarbeiter, die die Arbeit ausf\u00fchren, sowie ein data-Verantwortlicher.<\/p>\n Phase 2: Prototyp.<\/strong> Entwickeln Sie innerhalb weniger Tage bis Wochen einen funktionsf\u00e4higen Agenten f\u00fcr den ausgew\u00e4hlten Anwendungsfall \u2013 von Anfang bis Ende. Visuelle Builder oder promptgesteuerte Plattformen sind in dieser Phase in der Regel die richtigen Werkzeuge. Das Ziel besteht darin, zu beweisen, dass der Anwendungsfall grunds\u00e4tzlich funktioniert, und nicht darin, das Produktionssystem zu erstellen. Die Rahmenbedingungen: ein kleines Entwicklungsteam, Gesch\u00e4ftsanwender f\u00fcr Feedback sowie die Technikabteilung, die bei der Umsetzung bis zur Produktion ber\u00e4t.<\/p>\n Schritt 3: Aush\u00e4rten.<\/strong> Die l\u00e4ngste und am st\u00e4rksten unterfinanzierte Phase. Richten Sie die Testsuite ein, f\u00fcgen Sie Zugriffskontrollen hinzu, sorgen Sie f\u00fcr Observability, legen Sie die \u201eHuman-in-the-Loop\u201c-Pr\u00fcfpunkte fest und f\u00fchren Sie Tests vor der Produktionsfreigabe durch. Die meisten Unternehmen kommen hier ins Stocken, da die Arbeit wenig glamour\u00f6s ist und der Prototyp bereits beeindruckend wirkt. Die beteiligten Bereiche: Technik, Sicherheit, Risiko- und Compliance-Management sowie \u00c4nderungsmanagement.<\/p>\n Schritt 4: Bereitstellung.<\/strong> F\u00fchren Sie die L\u00f6sung zun\u00e4chst bei Pilotnutzern ein, beobachten Sie die Kennzahlen genau und nehmen Sie auf der Grundlage der tats\u00e4chlichen Nutzung Anpassungen vor. Planen Sie das \u00c4nderungsmanagement; schulen Sie die Nutzer, legen Sie Erwartungen fest und richten Sie einen Feedback-Kreislauf ein. Die meisten Implementierungen erfordern eine drei- bis sechsw\u00f6chige sorgf\u00e4ltige \u00dcberwachung, bevor eine breitere Einf\u00fchrung erfolgen kann. Beteiligte: Betrieb, \u00c4nderungsmanagement und Personalabteilung sowie der urspr\u00fcngliche gesch\u00e4ftliche Sponsor.<\/p>\n Phase 5: Skalierung.<\/strong> Erweitern Sie den Einsatzbereich des Agenten auf breitere Zielgruppen, erfassen Sie wiederverwendbare Muster und Komponenten und bauen Sie ein Kompetenzzentrum auf, das den zweiten, dritten und vierten Anwendungsfall unterst\u00fctzen wird. An dieser Stelle wird auch die Frage nach dem Betriebsmodell ernsthaft relevant: Wie betreibt die Organisation einen Bestand an Agenten tats\u00e4chlich \u00fcber einen l\u00e4ngeren Zeitraum hinweg? Die Beteiligten: der leitende Sponsor, die sich herausbildende KI-F\u00fchrungsebene, der Verantwortliche f\u00fcr das Betriebsmodell.<\/p>\n Die meisten Unternehmen befinden sich heute mit mehreren Pilotprojekten in Stufe 2, w\u00e4hrend nur sehr wenige Systeme die Stufen 4 oder 5 erreicht haben. Der Wettbewerbsvorteil wird in den n\u00e4chsten zwei Jahren \u00fcberproportional jenen Organisationen zugutekommen, die es schaffen, nahtlos von Stufe 3 zu Stufe 5 \u00fcberzugehen.<\/p>\n Wie wird die \u201eAgentic Landscape\u201c in 12 bis 36 Monaten aussehen? Vier Ver\u00e4nderungen zeichnen sich bereits ab und sollten bei der Planung ber\u00fccksichtigt werden.<\/p>\n Multi-Agenten-Systeme werden zum Standard f\u00fcr komplexe Aufgaben.<\/strong> Heute ist die Multi-Agenten-Architektur die Zukunft. Bis 2027 wird sie die Standardarchitektur f\u00fcr jeden nicht-trivialen agentenbasierten Arbeitsablauf sein. Die Orchestrierungswerkzeuge entwickeln sich rasch weiter, und die Kosten f\u00fcr den Betrieb mehrerer spezialisierter Agenten sind mittlerweile so gering, dass die technische Einfachheit eines \u201ceinzigen gro\u00dfen Agenten\u201d kostentechnisch nicht mehr zu rechtfertigen ist. Unternehmen, die in Evaluierungsframeworks und Observability investiert haben, werden diesen Wandel problemlos bew\u00e4ltigen k\u00f6nnen. Diejenigen, die dies nicht getan haben, werden Schwierigkeiten haben.<\/p>\n Agenten-Marktpl\u00e4tze und wiederverwendbare Komponenten.<\/strong> Der derzeitige Zustand, in dem jedes Unternehmen jeden Agenten von Grund auf selbst entwickelt, ist nur vor\u00fcbergehend. Wir erwarten eine bedeutende Verlagerung hin zu Marktpl\u00e4tzen f\u00fcr vorgefertigte Agenten und wiederverwendbare Komponenten, sowohl von Anbietern als auch innerhalb der Unternehmen. Bei gr\u00f6\u00dferen Kunden entsteht bereits das interne \u00c4quivalent eines privaten App-Stores. F\u00fcr F\u00fchrungskr\u00e4fte ver\u00e4ndert dies die Frage \u201eSelbst entwickeln oder kaufen?\u201c, die bis zum Jahr 2027 eher wie \u201eSelbst entwickeln oder zusammenstellen?\u201c aussehen wird.<\/p>\n Agentenbasiertes Process Mining.<\/strong> Anbieter von Process-Mining-L\u00f6sungen erweitern ihr Angebot rasch um agentenbasierte Funktionen, w\u00e4hrend sich aus einer anderen Richtung die KI-gest\u00fctzte Prozesserkennung entwickelt. Kombinierte L\u00f6sungen, die Ihre Prozesse abbilden, Chancen identifizieren und anschlie\u00dfend die daraus resultierenden Arbeitsabl\u00e4ufe umsetzen k\u00f6nnen, werden an Bedeutung gewinnen. Gehen Sie mit den aktuellen Verkaufsargumenten der Anbieter in diesem Bereich vorsichtig um; die Technologie entwickelt sich rasant weiter, und das Risiko einer Anbieterabh\u00e4ngigkeit ist real.<\/p>\n Die Vorschriften werden versch\u00e4rft.<\/strong> Die Anforderungen des EU-KI-Gesetzes f\u00fcr Systeme mit hohem Risiko treten schrittweise in den Jahren 2026 und 2027 in Kraft. Das Vereinigte K\u00f6nigreich verfolgt einen eher sektorbezogenen Ansatz, doch Finanzdienstleistungen, das Gesundheitswesen und kritische Infrastrukturen fallen ebenfalls in den Geltungsbereich. Die saudische SDAIA und das KI-Amt der Vereinigten Arabischen Emirate haben Rahmenwerke ver\u00f6ffentlicht, die zu verbindlichen Anforderungen weiterentwickelt werden sollen. Das s\u00fcdkoreanische KI-Grundgesetz trat im Januar 2026 in Kraft. In den USA gibt es ein sich st\u00e4ndig wandelndes Flickwerk aus einzelstaatlichen Rechtsvorschriften. Und die Branchen reagieren mit aktualisierten Leitlinien: Die RICS aktualisiert ihre Leitlinien f\u00fcr den Immobiliensektor, die MAS in Singapur hat Grunds\u00e4tze und Methoden speziell f\u00fcr KI im Finanzwesen ver\u00f6ffentlicht, und Versicherer fragen Rechts- und Wirtschaftspr\u00fcfungsgesellschaften bei Vertragsverl\u00e4ngerungen nun, ob sie \u00fcber Richtlinien zur KI-Nutzung verf\u00fcgen. Der Aufwand f\u00fcr die Einhaltung der Vorschriften steigt, doch es wird auch immer deutlicher, wie diese Einhaltung konkret aussehen wird. Planen Sie entsprechend vor; lassen Sie sich davon nicht \u00fcberraschen.<\/p>\n Der wichtigste strategische Punkt, den F\u00fchrungskr\u00e4fte verinnerlichen m\u00fcssen: Die Basismodelle werden sich weiter zu einer Massenware entwickeln. Der Wettbewerbsvorteil wird nicht darin liegen. Er liegt vielmehr in dem propriet\u00e4ren data, auf das Sie Zugriff haben, in den Arbeitsabl\u00e4ufen, die Sie im Hinblick auf agentische F\u00e4higkeiten neu gestaltet haben, und in der von Ihnen aufgebauten Evaluierungsinfrastruktur, die es Ihnen erm\u00f6glicht, Verbesserungen schneller auf den Markt zu bringen als Ihre Wettbewerber. Unternehmen, die jetzt in diese drei Bereiche investieren, werden ihren Vorsprung ausbauen; Unternehmen, die darauf setzen, dass ein bestimmtes Modell sich als Sieger durchsetzen wird, werden dies nicht tun.<\/em><\/p><\/blockquote>\n Die Versuchung, abzuwarten, bis sich die Lage beruhigt hat, ist verst\u00e4ndlich. Sie ist jedoch auch kostspielig. Die Kosten, jetzt anzufangen, bestehen gr\u00f6\u00dftenteils aus den Kosten f\u00fcr Fehler; die Kosten f\u00fcr ein zweij\u00e4hriges Abwarten bestehen darin, dass man strukturell hinter den Wettbewerbern zur\u00fcckbleibt, die durch praktische Erfahrung gelernt haben.<\/p>\n Um nun auf die \u00dcberschrift zur\u00fcckzukommen: Kann man wirklich innerhalb weniger Stunden einen KI-Agenten auf Unternehmensniveau entwickeln?<\/p>\n Sie k\u00f6nnen einen Agenten innerhalb weniger Stunden entwickeln. Innerhalb weniger Tage k\u00f6nnen Sie etwas N\u00fctzliches erstellen. Innerhalb weniger Wochen k\u00f6nnen Sie etwas wirklich Gutes entwickeln. Doch ein System auf Unternehmensniveau \u2013 also ein System, das Sie Ihren wichtigsten Kunden, Ihren Aufsichtsbeh\u00f6rden und Ihrem Vorstand ohne Bedenken pr\u00e4sentieren w\u00fcrden \u2013 erfordert selbst mit den besten Tools Monate sorgf\u00e4ltiger Arbeit. Und diese L\u00fccke schlie\u00dft sich nicht so schnell, wie die Schlagzeilen vermuten lassen. Wenn \u00fcberhaupt, wird sie gr\u00f6\u00dfer, da die Messlatte f\u00fcr das, was unter \u201cunternehmenstauglich\u201d zu verstehen ist, parallel zu den F\u00e4higkeiten der zugrunde liegenden Modelle immer h\u00f6her gelegt wird.<\/p>\n Die gute Nachricht ist, dass die Kosten f\u00fcr die Kl\u00e4rung dieser Frage auf nahezu null gesunken sind. Drei Ma\u00dfnahmen, die jede F\u00fchrungskraft bereits n\u00e4chste Woche ergreifen kann \u2013 ohne Budgetgenehmigung, ohne Lenkungsausschuss und ohne sich auf strategische Ma\u00dfnahmen festlegen zu m\u00fcssen.<\/p>\n W\u00e4hlen Sie zun\u00e4chst eine sich wiederholende, entscheidungsintensive und klar abgegrenzte Aufgabe aus Ihrer eigenen Arbeit aus. Erstellen Sie daf\u00fcr einen einfachen Agenten in Claude, ChatGPT, Gemini oder Copilot Studio. Setzen Sie diesen zwei Wochen lang ein. In diesen zwei Wochen werden Sie mehr lernen als aus noch so vielen Pr\u00e4sentationen.<\/p>\n Zweitens: \u00dcberpr\u00fcfen Sie einen Prozess in Ihrem Unternehmen anhand der zuvor vorgestellten vierteiligen Heuristik: wiederholbar, erfordern viel Ermessensspielraum, begrenzt, f\u00fcr die \u00dcberpr\u00fcfung durch Menschen geeignet. Die dabei identifizierten Kandidaten stellen Ihre tats\u00e4chlichen Chancen dar.<\/p>\n Drittens: Stellen Sie Ihrem Team eine einzige Frage: Wie sieht unser Bewertungsrahmen aus? Wenn die Antwort nicht eindeutig ausf\u00e4llt, ist dies Ihr Ausgangspunkt.<\/p>\n Die Unternehmen, die dies in den n\u00e4chsten achtzehn Monaten richtig hinbekommen, werden nicht diejenigen sein, die die raffiniertesten Demos entwickelt haben. Es werden vielmehr jene sein, die schnell und ehrlich gelernt haben, die L\u00fccke zwischen einem funktionierenden Agenten und einem Agenten, der tats\u00e4chlich funktioniert, zu schlie\u00dfen.<\/p>\n Artefact unterst\u00fctzte ein CRE dabei, durch Schulungen, Mentoring und Pair-Programming-Sitzungen f\u00fcr das hauseigene Analystenteam strategische Eigenst\u00e4ndigkeit bei der Entwicklung von Task-Agenten zu erlangen \u2013 und leitete gleichzeitig die Umsetzung von drei funktionsf\u00e4higen Task-Agenten. Die Architektur der Agenten beschr\u00e4nkte sich auf Claude (Grundmodell-Dienst) und Power Automate (Orchestrierung, Speicher, Tools und Sicherheitsvorkehrungen), sodass die Agenten im Wesentlichen aus demselben Tool-\u00d6kosystem bestehen konnten, an das das interne Team gew\u00f6hnt war und das es neben seiner bestehenden Technologie warten konnte.<\/p>\n Auf diese Weise wurden den Agenten einige Merkmale eines Produktionsdienstes zugeschrieben, andere jedoch nicht. Dazu geh\u00f6rten Audit-Protokollierung, Beobachtbarkeit und Skalierbarkeit. Dennoch \u00fcbernahm das CRE innerhalb kurzer Zeit pr\u00e4gnante, aber effektive data governance- und Residency-Funktionen, \u201eHuman-in-the-Loop\u201c-Kontrollpunkte sowie Identit\u00e4ts- und Zugriffsmanagement zusammen mit rudiment\u00e4ren Auswertungs-Pipelines und Verwaltungsabl\u00e4ufen \u2013 und brachte sie damit auf Kurs, bedeutende Effizienzsteigerungen zu erzielen.<\/p>\n Artefact entwickelte einen Prototyp eines Workflow-Agenten, der in den \u2018Skills\u2019 von Claude implementiert war, zu einem hochleistungsf\u00e4higen \u2018Connector\u2019 f\u00fcr Claude. Dies verdeutlicht den Einsatz von MCP, um den \u00dcbergang von der ausschlie\u00dflichen Definition einer KI-Aufgabe in nat\u00fcrlicher Sprache hin zur Definition der Aufgabe als Zusammensetzung aus hochleistungsf\u00e4higen KI-Tools zu vollziehen. Der entscheidende Unterschied, der die L\u00f6sung zu einem Workflow-Agenten und nicht lediglich zu einem Aufgabenagenten macht, ist die Anwendung eines prim\u00e4ren LLM zur Steuerung der Abfolge von Tool-Aufrufen \u2013 zus\u00e4tzlich zum Aufruf sekund\u00e4rer LLMs zur Ausf\u00fchrung der Tool-Operationen.<\/p>\n Die Einf\u00fchrung des \u201eClaude Connector\u201c-Musters neben einem bestehenden Azure-Stack f\u00fchrte zu einer neuen Anforderung hinsichtlich der Unterst\u00fctzung von Netzwerk-Ingress und data-Zugriff. In Unternehmen, in denen solche allgemeinen Dienste erfolgreich als Shared Services verwaltet werden, l\u00e4sst sich beobachten, dass sich die Zeit bis zur Bereitstellung neuer Produktionsdienste bei jeder neuen Einf\u00fchrung um bis zu das Dreifache verk\u00fcrzt.<\/p>\n <\/p>\n Chris de Gruben<\/a> ist Senior Director bei Artefact, wo er den Immobilienbereich in ganz Gro\u00dfbritannien und der EU leitet. Er arbeitet intensiv mit Kunden aus dem \u00f6ffentlichen und privaten Sektor in ganz Gro\u00dfbritannien, Europa und der Golfregion zusammen.<\/p>\nEine Taxonomie, die F\u00fchrungskr\u00e4fte tats\u00e4chlich ben\u00f6tigen<\/h2>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2026\/07\/Image-2-Can-you-really-build-enterprise-grade-AI-agents-within-a-few-hours.png\")
<\/p>\nWarum gerade jetzt?<\/h2>\n
Seit Jahren wird die Einf\u00fchrung von Agenten versprochen. Was hat sich ge\u00e4ndert?<\/h3>\n
Die \u201cwenigen Stunden\u201d \u2013 ein Realit\u00e4tscheck<\/h2>\n
Wie werden Agenten eigentlich entwickelt?<\/h2>\n
Visuelle Editoren<\/h3>\n
Prompt-gesteuerte Plattformen<\/h3>\n
Code-gesteuerte Frameworks<\/h3>\n
Wer kann so etwas eigentlich bauen?<\/h2>\n
Wo sich der Agentismus heute durchsetzt<\/h2>\n
Drei Beispielaufgaben<\/h2>\n
Mietvertragsausz\u00fcge bei Gewerbeimmobilien<\/h3>\n
Interner IT-Helpdesk f\u00fcr ein multinationales Unternehmen<\/h3>\n
An der \u201eVision 2030\u201c ausgerichtete Anlageforschung im K\u00f6nigreich Saudi-Arabien<\/h3>\n
Auswahl Ihres Grundmodells<\/h2>\n
Frontier-Dienste mit geschlossenem Modell<\/h3>\n
Modelle ohne Gewichtsbeschr\u00e4nkung<\/h3>\n
Das Entscheidungsmodell von Artefact<\/h2>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2026\/07\/Image-3-Can-you-really-build-enterprise-grade-AI-agents-within-a-few-hours.png\")
<\/p>\nDie Hindernisse \u2013 technischer und organisatorischer Art<\/h2>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2026\/07\/Image-4-Can-you-really-build-enterprise-grade-AI-agents-within-a-few-hours.png\")
<\/p>\nTechnische Hindernisse<\/h3>\n
Organisatorische Hindernisse<\/h3>\n
Aufbau einer Bereitstellung auf Unternehmensniveau<\/h2>\n
Das Leitfaden zur Implementierung<\/h2>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2026\/07\/Image-5-Can-you-really-build-enterprise-grade-AI-agents-within-a-few-hours.png\")
<\/p>\nKurz- bis mittelfristiger Ausblick<\/h2>\n
Eine besonnene Antwort auf die Schlagzeile<\/h2>\n
Fallstudien<\/h2>\n
Eine visuelle Builder-L\u00f6sung f\u00fcr CRE-Analysten<\/h3>\n
Innovativer Workflow-Agent f\u00fcr eine weltweit t\u00e4tige Private-Equity-Gesellschaft<\/h3>\n