Management Summary

IT‑Assets werden zu autonomen Steuerungsobjekten: Agenten übernehmen Routineaufgaben wie Inventarisierung, Patch‑Management und Lizenzoptimierung; das verschiebt den Fokus der IT von Ausführung zu Überwachung und Policy‑Design.
Kosten und Effizienz skalieren durch Automatisierung: Durch kontinuierliche, agentengesteuerte Prozesse sinken manuelle Aufwände, Fehlerquoten und Reaktionszeiten; Einsparpotenziale zeigen sich besonders bei Lizenzkosten, Incident‑Handling und Compliance‑Aufwand.
Kontext und Datenqualität sind der Engpass: Agenten liefern nur dann verlässliche Ergebnisse, wenn Stammdaten, CMDB‑Modelle und Kontextinformationen konsistent, aktuell und zugänglich sind; Daten‑Governance wird zur Kernaufgabe.
Governance, Sicherheit und Auditierbarkeit entscheiden über Akzeptanz: Rollen, Entscheidungslogiken und Rückfallprozesse müssen transparent, prüfbar und rechtssicher gestaltet sein; ohne Explainability und Kontrollmechanismen bleiben Agenten in Pilotprojekten stecken.
Pragmatischer Rollout statt Big Bang: Erfolgreiche Einführung folgt dem Muster: Pilot auf kritischen Use‑Cases → Metriken und SLAs definieren → schrittweise Skalierung mit klaren Governance‑Gateways; Change‑Management und Upskilling sind parallel zu planen.

Das IT Asset Management wandelt sich durch Cloud, SaaS und dynamische Lizenzmodelle von einer reinen Bestandsaufnahme zu einem aktiven Steuerungsinstrument, das nicht mehr nur fragt, was vorhanden ist, sondern was damit sinnvoll getan werden sollte. Agentenbasierte KI ermöglicht es dabei, Analysen, Entscheidungen und Maßnahmen zu verbinden und Aufgaben wie Lizenzsteuerung, Serviceprozesse und Compliance zunehmend autonom, aber regelbasiert umzusetzen. Voraussetzung für diesen Wandel sind hochwertige, konsolidierte Daten sowie klare Governance-Strukturen, wobei der Mensch weiterhin die Ziele definiert, Verantwortung trägt und die KI steuert.

In vielen Unternehmen beantwortet das IT Asset Management noch immer dieselbe Frage wie vor zwanzig Jahren: Welche Assets besitzen wir – und wo befinden sie sich?

Doch diese Perspektive greift in modernen IT-Landschaften zunehmend zu kurz. Cloud-Dienste, SaaS-Abonnements, hybride Infrastrukturen und dynamische Lizenzmodelle verändern die Realität schneller, als klassische Inventarisierungsprozesse Schritt halten können.

Parallel entsteht eine neue Generation von KI-Systemen, die nicht nur analysiert, sondern eigenständig handelt. Gartner-Analysten gehen davon aus, dass bis 2026 rund 40 % aller Unternehmensanwendungen KI-Agenten enthalten werden, die Aufgaben eigenständig planen und ausführen können. Damit verschiebt sich auch die Rolle des IT Asset Managements. Statt nur Transparenz über Assets zu schaffen, kann ITAM zu einem System werden, das Entscheidungen vorbereitet, Maßnahmen automatisiert und kontinuierlich Kosten, Risiken und Compliance steuert.

Die zentrale Frage lautet daher nicht mehr nur: »Was besitzen wir?«. Entscheidend ist inzwischen: »Was sollten wir damit tun?«. Damit entwickelt sich IT Asset Management von einer reinen Transparenzfunktion zu einem operativen Steuerungsinstrument für Kosten, Risiken und Servicequalität.

Agentenbasierte KI liefert dafür die technologische Grundlage. Sie verbindet Analyse, Entscheidungslogik und operative Umsetzung – und macht IT Asset Management zu einem aktiven Steuerungsinstrument der Unternehmens-IT.

Wie »Agentic AI« IT Asset Management noch effizienter macht

Im Gegensatz zu klassischen Automatisierungen oder Chatbots arbeitet agentenbasierte KI mit autonomen Agenten. Diese interpretieren Ziele, erstellen Handlungspläne und nutzen verfügbare Systeme, APIs und Datenquellen, um Aufgaben eigenständig auszuführen.

Im IT Asset Management kann ein solcher Agent beispielsweise:

ein potenzielles Lizenzrisiko erkennen
mögliche Handlungsoptionen analysieren
Genehmigungen einholen
Änderungen in Verwaltungssystemen umsetzen
und die Ergebnisse dokumentieren

Damit verschiebt sich der Fokus von reiner Analyse zu tatsächlicher Umsetzung. Gleichzeitig ist wichtig zu verstehen, dass agentische Systeme nicht jede Aufgabe ersetzen. Wenn Prozesse vollständig vorhersehbar sind und festen Regeln folgen, bleiben klassische Workflows meist effizienter und einfacher zu kontrollieren. Agenten entfalten ihren größten Mehrwert dort, wo Unsicherheiten, viele Datenquellen oder komplexe Entscheidungen eine Rolle spielen – immer innerhalb klar definierter Richtlinien und unter menschlicher Aufsicht.

Agentische KI ist nur so gut wie ihre Datenbasis

Die Leistungsfähigkeit agentischer Systeme hängt direkt von der Qualität der zugrunde liegenden Daten ab. Denn ITAM-Daten liegen häufig verteilt vor – etwa in:

Endpunktmanagement-Tools
Verzeichnisdiensten
SaaS-Administrationsportalen
Cloud-Plattformen
Beschaffungs- und Vertragsdatenbanken

Sind diese Informationen unvollständig, veraltet oder widersprüchlich, entstehen unsichere Ergebnisse. Für Audit-Nachweise oder automatisierte Entscheidungen reicht das nicht aus.

Die Voraussetzung für agentisches ITAM ist daher eine konsolidierte und kontrollierte Datenbasis. Dazu gehören kontinuierliche Erkennung, Normalisierung und Vermeidung von redundanten Daten sowie klare Beziehungen zwischen Nutzenden, Geräten, Anwendungen und Berechtigungen.

Ein praktisches ITAM-Betriebsmodell ist ein geschlossener Kreislauf mit fünf Stufen:

Kontinuierliche Erkennung von Assets und deren Nutzung – lokal und in der Cloud
Normalisierung von Identitäten, Produkten und Berechtigungen
Entscheidungsfindung auf Basis von Richtlinien, Kosten und Risiken
Umsetzung genehmigter Änderungen über Integrationen
Überprüfung und Dokumentation der Ergebnisse

Gerade der letzte Schritt ist entscheidend. Erst durch die systematische Überprüfung wird Automatisierung zu einer kontrollierten und vertrauenswürdigen Funktion. Damit agentisches ITAM nicht nur Analysen liefert, sondern echte Wirkung entfaltet, sind mehrere Fähigkeiten notwendig:

Automatisierung und Orchestrierung über verschiedene Tools hinweg
Szenariosimulation zur Bewertung von Rückforderung, Downgrade oder Neuzuweisung
Compliance-Prognosen zur frühzeitigen Risikoerkennung
Transparenz über Cloud- und SaaS-Nutzung, Berechtigungen und Kostentreiber
Integration mit Identitätsmanagement, Endpunkt-management, ITSM- und Sicherheitssystemen
Nachvollziehbare Berichte und Audit-Nachweise

Ebenso wichtig ist eine klare Governance-Struktur:

Rollenbasierte Zugriffskontrolle nach dem Minimalprinzip
Genehmigungsstufen für sensible Änderungen
Vollständige Audit-Protokollierung aller Entscheidungen und Maßnahmen
Rollback-Mechanismen und Ausnahmebehandlung
Richtlinien als Code für konsistente und testbare Regeln
Klare Vorgaben für Datenverarbeitung undAufbewahrung

Was sich im Alltag des IT Asset Management durch KI verändert

Wenn Analyse, Entscheidungsfindung und Umsetzung enger zusammenrücken, verändert sich auch der operative Nutzen von ITAM.

1. Proaktive Lizenzsteuerung statt reaktiver SAM-Prozesse

Problem: Viele Organisationen prüfen ihre Lizenzposition erst kurz vor einem Audit oder einer Verlängerung. Transparenz über tatsächliche Nutzung oder redundante Tools fehlt häufig.
Agent-Maßnahme: Ein Agent korreliert Nutzungsdaten, Berechtigungen und Vertragsregeln, simuliert Optionen wie Rückforderung oder Downgrade und setzt genehmigte Änderungen automatisiert um.
Ergebnis: Organisationen reduzieren Kosten und vermeiden unangenehme Überraschungen bei Audits.

2. Effizientere Serviceprozesse durch Asset-bezogene Automatisierung

Problem: Service Desks bearbeiten täglich eine große
Zahl ähnlicher Anfragen zu Software, Geräten oder Zugriffsrechten.
Agent-Maßnahme: Agenten prüfen Berechtigungen, bearbeiten Standardanfragen automatisiert, aktualisieren Asset-Daten und eskalieren komplexe Fälle mit
vollständigem Kontext.
Ergebnis: Serviceprozesse werden schneller, stabiler
und transparenter.

3. Kontinuierliche Compliance statt punktueller Audit-Vorbereitung

Problem: Viele Organisationen bereiten Compliance-Nachweise erst kurz vor Audits vor – ein aufwendiger und fehleranfälliger Prozess.
Agent-Maßnahme: Agenten überwachen kontinuierlich Richtlinien, erkennen Abweichungen frühzeitig und
sammeln automatisch Nachweise über Änderungen und Genehmigungen.
Ergebnis: Audits werden planbarer und weniger -ressourcenintensiv.

Fazit: Die Zukunft von ITAM ist autonom – aber von Menschen gesteuert

Agentische KI verändert nicht nur Prozesse, sondern auch Rollen. Wenn operative Aufgaben automatisiert werden, verschiebt sich der Fokus der ITAM-Teams. Weniger Zeit fließt in Inventarisierung und Datensammlung, mehr in strategische Aufgaben.

Dazu gehören:

Definition von Richtlinien
Sicherstellung der Datenqualität
Steuerung von Genehmigungsprozessen
Bewertung von Nutzungs- und Kostensignalen

Aus diesen Informationen entstehen fundierte Entscheidungen über Investitionen, Beschaffung und Risiken. Diese Entwicklung erfordert neue Kompetenzen und eine engere Zusammenarbeit zwischen IT Asset Management, Service Management, Sicherheit und Beschaffung. Datenkompetenz, Automatisierungsdesign und Entscheidungsbewertung werden ebenso wichtig wie klassisches Lizenzwissen.

Eine Konstante bleibt jedoch bestehen: der Mensch als wichtiger Faktor im modernen ITAM. Menschen definieren Ziele, setzen Grenzen, behandeln Ausnahmen und tragen Verantwortung für die Ergebnisse – insbesondere dort, wo Compliance, Budgetverantwortung und geschäftliche Auswirkungen eine Rolle spielen.

Stuart Moffat,
Senior Product Manager,
USU GmbH

Der Text wurde mit KI-Unterstützung erstellt.

Illustration: © Robert Adrian Hillman | Dreamstime.com

1174 Artikel zu “ IT Asset Management „

News | Künstliche Intelligenz | Lösungen | Services | Ausgabe 5-6-2025

Künstliche Intelligenz im IT Asset Management – Ein entscheidender Faktor?

17. Juni 2025

Die rasanten technologischen Fortschritte der letzten Jahre haben dazu geführt, dass künstliche Intelligenz (KI) in nahezu allen Branchen an Bedeutung gewinnt. Doch welche Rolle spielt KI im IT Asset Management (ITAM)? Kann sie Arbeitsabläufe optimieren, Kosten senken und Transparenz schaffen? Die Antwort lautet: Ja!