Illustration Absmeier foto ki designer

Agentic AI markiert den nächsten Reifegrad der Unternehmens-KI: weg von reinen Antwortsystemen, hin zu steuerbaren Systemen, die Entscheidungen vorbereiten, Workflows auslösen und Prozesse dynamisch verbessern. Entscheidend ist dabei nicht das einzelne Sprachmodell, sondern eine belastbare Architektur aus Datenqualität, Orchestrierung, Governance, Testing und menschlicher Aufsicht. Im Interview erklärt Martin Kraft von DRUID AI worauf es dabei ankommt.

Management Summary

Vom Experiment zur Produktivarchitektur: Unternehmen müssen GenAI aus der Pilotphase herausführen und auf Genauigkeit, Nachvollziehbarkeit und Compliance trimmen – insbesondere dort, wo Agenten nicht nur informieren, sondern handeln.
Datenqualität bleibt Kernaufgabe: Statt alle Daten vorab vollständig zu bereinigen, brauchen Organisationen kontrollierte Architekturen, die strukturierte und unstrukturierte Informationen kontextfähig, auditierbar und kontinuierlich nutzbar machen.
Agentic AI verändert Prozessdesign: Dynamische Workflows erfordern Systeme, die Intentionen, Rollen, Berechtigungen und Prozesskontext in Echtzeit verstehen und innerhalb klarer Grenzen Entscheidungen treffen können.
Skalierung gelingt nur mit Orchestrierung: Authoring Agents, spezialisierte Micro-Agents und wiederverwendbare Sicherheits- und Testing-Muster werden zentral, wenn Agentic AI über einzelne Use Cases hinaus ausgerollt werden soll.
Vertrauen ersetzt keine Kontrolle: Auch bei zunehmender Autonomie bleiben menschliche Aufsicht, Versionierung, CI/CD, Rollback-Fähigkeit und organisatorische Verantwortlichkeit unverzichtbar.

Martin Kraft, DRUID AI

Warum scheitern viele GenAI-Architekturen daran, die Anforderungen von Unternehmen an Genauigkeit, Datenqualität und Compliance zu erfüllen – und was muss sich grundlegend ändern?

Viele der Probleme, die wir heute sehen, gehen darauf zurück, dass frühe GenAI-Architekturen für Experimente entwickelt wurden und nicht für den produktiven Einsatz in Unternehmen. Ein grundlegender Unterschied, der dabei häufig unterschätzt wird, ist die erforderliche Genauigkeit. In Consumer-Szenarien kann es akzeptabel sein, wenn ein KI-System in 75 oder 80 Prozent der Fälle richtig liegt, weil ein Mensch das Ergebnis einordnen kann. In Unternehmensumgebungen, insbesondere wenn Agenten Entscheidungen treffen oder Aktionen auslösen, reicht das nicht aus. In vielen Fällen braucht man eine Genauigkeit im mittleren bis hohen Neunzigerbereich, um Systeme überhaupt in Betracht ziehen zu können, produktiv einzusetzen.

Ein weiteres Thema ist die Datenqualität, bei dem viele Organisationen von einer falschen Annahme ausgehen. Alle Unternehmensdaten im Vorfeld zu bereinigen, ist ein enormer Aufwand und in vielen Fällen schlicht unrealistisch. Unternehmen verfügen über Jahrzehnte an strukturierten und unstrukturierten Daten, verteilt über zahlreiche Systeme. Datenqualität als einmalige Alles-oder-nichts-Aufgabe zu behandeln, führt meist zu langen Projekten mit geringem praktischem Nutzen.

Eng damit verbunden ist der Umgang mit strukturierten und unstrukturierten Daten. Traditionell waren strukturierte Daten das System of Record. Mit großen Sprachmodellen werden unstrukturierte Daten ebenfalls zu einer primären Quelle. Wenn man beides einfach in ein LLM lädt und erwartet, dass es den Kontext selbst erschließt, kann man zwar schnell erste Ergebnisse erzielen, verliert aber die Kontrolle. Protokollierung wird schwierig, Erklärbarkeit leidet und Compliance wird problematisch.

Ein weiterer wichtiger Aspekt ist, wie Systeme über die Zeit hinweg lernen und sich verbessern. Unternehmen brauchen Mechanismen, mit denen Agenten Wissen erfassen, strukturieren und weiterentwickeln können, während sie im Einsatz sind. Hier werden eine Knowledge Base und ein Knowledge Graph in der Praxis relevant. Während Agenten mit Nutzern und Systemen interagieren, können sie diesen Knowledge Graph aufbauen und anreichern und so eine Rückkopplungsschleife schaffen, die die Genauigkeit verbessert und gleichzeitig Kontrolle und Auditierbarkeit sicherstellt.

Grundlegend ändern muss sich die Denkweise. Statt mit dem Modell zu beginnen und alle Daten hineinzuschieben, brauchen Unternehmen Architekturen, die von Anfang an Genauigkeit, Kontrolle und Erklärbarkeit in den Mittelpunkt stellen. Das ist nicht nur ein Modellproblem. Es ist ein System- und Architekturproblem, wenn man GenAI verantwortungsvoll in der Produktivität einsetzen will.

Die Branche bewegt sich von Systemen der Erkenntnis hin zu »Systemen des Handelns«. Was ändert sich dabei grundlegend?

In dem Moment, in dem KI-Systeme nicht mehr nur informieren, sondern handeln, ändert sich grundlegend, wie sie entworfen und gesteuert werden müssen. Sie treffen Entscheidungen und führen Aktionen innerhalb realer Geschäftsprozesse aus.

Bei Systemen der Erkenntnis besteht das Ergebnis aus Information. Ein Mensch interpretiert diese Information und entscheidet, was als Nächstes zu tun ist. Bei Systemen des Handelns wird diese Trennung kleiner. Von Agenten wird erwartet, dass sie Schritte ausführen, Workflows auslösen und im Laufe der Zeit verbessern, wie Arbeit erledigt wird.

Dadurch verändern sich die Anforderungen deutlich. Genauigkeit wird wichtiger, weil Entscheidungen nicht mehr hypothetisch sind. Governance, Sicherheit und Compliance rücken von nachgelagerten Themen zu zentralen Gestaltungsprinzipien. Wenn ein System handeln darf, muss nachvollziehbar sein, wie Entscheidungen zustande kommen, welche Daten verwendet werden und wie Aktionen auditierbar sind.

Systeme des Handelns können außerdem nicht statisch bleiben. Wenn ein Agent nur einen Prozess exakt so automatisiert, wie er heute definiert ist, ist er nicht wirklich autonom. Um langfristig Wert zu liefern, muss er Workflows anpassen und bessere Wege wählen können. Genau deshalb wird Orchestrierung entscheidend. Man kann diese Verantwortung nicht einem einzelnen, monolithischen Agenten überlassen. Es braucht mehrere Agenten, Microservices und Steuerungsebenen, die mit klaren Grenzen und Aufsicht zusammenarbeiten.

Intent Detection gilt als eines der schwierigsten Probleme in der KI. Warum wird sie in Unternehmensumgebungen noch komplexer, insbesondere wenn Prozesse und Workflows dynamisch sind?

Intent Detection wird in Unternehmensumgebungen komplexer, weil Intentionen dort nie isoliert auftreten. Sie sind immer damit verknüpft, wer der Nutzer ist, was er zuvor getan hat, mit welchem System er interagiert und Teil welchen Prozesses er gerade ist.

Zudem ist Intent in realen Unternehmensgesprächen nur selten explizit. Menschen stellen ihre Fragen nicht immer klar oder vollständig. Sie bringen Kontext und frühere Interaktionen in das Gespräch ein. In Unternehmensumgebungen muss ein System daher nicht nur die eigentliche Frage verstehen, sondern auch Rolle und Berechtigungen, den bisherigen Verlauf und oft auch das Ziel, das der Nutzer erreichen möchte.

Noch schwieriger wird es, wenn Prozesse und Workflows eine Rolle spielen. Klassisches Prozessdesign geht davon aus, dass Workflows im Vorfeld definiert und relativ statisch sind. Mit Agentic AI bricht diese Annahme auf. Sobald Agenten beteiligt sind, muss das System Intentionen in Echtzeit interpretieren und entscheiden, wie ein Prozess in einer konkreten Situation ausgeführt werden soll, anstatt einem vorgegebenen Ablauf zu folgen.

Wenn Workflows dynamisch werden, geht es bei der Intent-Erkennung nicht mehr nur darum, eine einzelne Anfrage zu verstehen. Es geht darum, das erwartete Ergebnis über mehrere Schritte, Systeme und Datenquellen hinweg zu erfassen. Genau deshalb stellt Agentic AI traditionelle Ansätze im Prozessdesign infrage. Unternehmen brauchen Architekturen, die Kontext über die Zeit hinweg halten und Agenten ermöglichen, innerhalb klar definierter Grenzen fundierte Entscheidungen zu treffen.

Warum bewegen sich Unternehmen zunehmend in Richtung »Agents building agents«, und welche Rolle spielen Authoring Agents bei der Skalierung von Agentic AI?

Wenn Organisationen versuchen, Agentic AI über einige wenige Pilotprojekte hinaus zu skalieren, stoßen sie auf ein sehr praktisches Problem: Manuelles Agenten-Design skaliert nicht, sobald man über eine kleine Anzahl von Anwendungsfällen hinausgeht. Effektive Agenten zu bauen bedeutet nicht nur, Prompts zu schreiben oder ein Modell an Daten anzubinden. Es umfasst Conversational Design, Geschäftslogik, Datenarchitektur, Testing und laufende Optimierung. Das für jeden neuen Use Case manuell zu tun, wird sehr schnell unrealistisch.

Diese Herausforderung ist nicht nur technischer, sondern auch organisatorischer Natur. Die Fähigkeiten, die für Design, Testing und Betrieb von Agenten benötigt werden, sind auf unterschiedliche Rollen verteilt, etwa Conversational Designer, Business-Analysten, Datenarchitekten und Engineers. All das immer wieder neu zu koordinieren, verlangsamt die Umsetzung erheblich. An diesem Punkt beginnen Authoring Agents sinnvoll zu werden.

Anstatt dass Menschen die gesamte Komplexität direkt selbst handhaben, baut man einen Agenten, dessen Aufgabe es ist, andere Agenten zu erstellen. Dieser Authoring Agent ist in der Regel kein einzelnes System, sondern eine Sammlung kleinerer, spezialisierter Agenten, zum Beispiel für Conversational Design, Business-Analyse, Datenmodellierung oder Testing.

Dieser Ansatz hilft Unternehmen dabei, Agentic AI kontrolliert und wiederholbar zu skalieren. Authoring Agents können anspruchsvolle Aufgaben konsistent übernehmen, etwa die Anbindung an zugrunde liegende Systeme, die Anwendung gemeinsamer Sicherheits- und Identitätsmuster oder das Testen, wie sich Änderungen auf Gespräche und Verhalten auswirken. Das reduziert Risiken und verbessert die Qualität, während sich die Systeme weiterentwickeln.

Welche neuen Herausforderungen ergeben sich bei Testing, Versionierung und CI/CD, sobald Agentic AI produktiv eingesetzt wird?

Sobald Agentic AI produktiv eingesetzt wird, verändern sich Testing und Versionierung grundlegend im Vergleich zu dem, was Unternehmen aus der klassischen Softwareentwicklung kennen. Es geht nicht mehr nur darum zu testen, ob eine Funktion technisch korrekt arbeitet. Zusätzlich muss auch das Verhalten getestet werden.

Ein großer Teil des Testings dreht sich dann um Fragen wie: Ist eine Konversation gut oder schlecht? Ist das Verhalten noch angemessen? Hat sich etwas verändert, nachdem ein Modell ausgetauscht oder eine Backend-Komponente aktualisiert wurde? Klassische Testframeworks sind für diese Art von Fragestellungen nicht ausgelegt.

Besonders deutlich wird das beim Austausch zugrunde liegender Modelle. Der Wechsel von einem Modell zu einem anderen kann das Verhalten eines Systems erheblich verändern. Der Ton kann sich verschieben, der Umgang mit Kontext kann sich ändern, und derselbe Input kann zu völlig unterschiedlichen Ergebnissen führen. Unternehmen brauchen deshalb Möglichkeiten, solche Veränderungen zu beobachten und zu bewerten, bevor sie bei Nutzern ankommen.

Versionierung und CI/CD bringen eine weitere Ebene an Komplexität mit sich. Agentic-AI-Systeme entwickeln sich kontinuierlich weiter, und Organisationen müssen Übergänge von einer Version zur nächsten steuern, ohne dabei bestehendes Verhalten zu brechen. Das erfordert Disziplin bei Deployment, Rollout und Rollback. CI/CD-Pipelines müssen nicht nur Codeänderungen berücksichtigen, sondern auch Änderungen an Modellen, Datenquellen und Orchestrierungslogik. Ohne diese Kontrolle verlieren Unternehmen schnell den Überblick darüber, was produktiv läuft und warum sich ein System so verhält, wie es sich verhält.

Wenn man sich frühere Technologiewellen ansieht, warum lässt sich Agentic AI am besten als Weiterentwicklung und nicht als vollständiger Bruch mit der Vergangenheit verstehen?

Betrachtet man Agentic AI in einem breiteren historischen Kontext, fügt es sich in ein Muster ein, das wir so bereits kennen, anstatt einen vollständigen Neuanfang darzustellen. Ähnliche Entwicklungen haben wir schon früher gesehen, etwa als sich serviceorientierte Architekturen zu Microservices weiterentwickelt haben. Die grundlegende Idee ist dabei nicht verschwunden, sondern die Art und Weise, wie Systeme gebaut und orchestriert werden, hat sich verändert.

Ähnlich verhält es sich beim Vergleich von Agentic AI mit Automatisierungstechnologien wie RPA. Klassische Automatisierung konzentrierte sich darauf, vordefinierte Schritte in festen Prozessen auszuführen. Mit Agentic AI verschiebt sich der Fokus hin zu Systemen, die Entscheidungen treffen und im Laufe der Zeit anpassen können, wie Arbeit erledigt wird. Das ist ein großer Schritt nach vorn, baut aber weiterhin auf bekannten Konzepten wie Orchestrierung, Workflows und Systemen of Record auf.

Diese Perspektive erklärt auch, warum es für Unternehmen irreführend ist, sich zu stark auf Prompt Engineering zu konzentrieren. Prompts können in frühen Phasen hilfreich sein, lösen aber nicht die eigentlichen Herausforderungen im produktiven Einsatz. Unternehmen kämpfen nicht mit Prompts, sondern mit Anforderungen an Genauigkeit, Governance, Sicherheit, Versionierung und operative Kontrolle in komplexen Umgebungen.

Was ist das größte Missverständnis, das Unternehmen im Zusammenhang mit Agentic AI haben, und warum bleiben menschliche Aufsicht und organisationales Vertrauen auch bei zunehmender Reife dieser Systeme unverzichtbar?

Eines der häufigsten Missverständnisse, die mir begegnen, ist die Vorstellung, dass Fortschritte bei Agentic AI automatisch bedeuten, den Menschen aus dem Prozess herauszunehmen. Selbst wenn Systeme technisch in der Lage sind, Entscheidungen zu treffen und Aktionen vollständig durchzuführen, bleibt die entscheidende Frage, wie wohl sich Organisationen dabei fühlen, dies ohne Aufsicht zuzulassen.

Unternehmen brauchen weiterhin Verantwortlichkeit und Rechenschaft, unabhängig davon, wie weit sich die Technologie entwickelt. Sie müssen verstehen können, wie Entscheidungen zustande kommen, warum bestimmte Aktionen ausgeführt wurden und wer letztlich die Verantwortung für das Ergebnis trägt. Deshalb bleibt menschliche Aufsicht unerlässlich. In vielen Szenarien, insbesondere in regulierten Umgebungen, müssen Menschen an irgendeiner Stelle in den Prozess eingebunden sein. Das kann Freigabe, Überwachung oder klar definierte Eskalationspfade bedeuten, aber es muss immer einen Punkt geben, an dem ein Mensch eingreifen oder eine Entscheidung validieren kann.

Auch organisationale Faktoren spielen eine wichtige Rolle, weil Akzeptanz nicht automatisch entsteht. Vertrauen entwickelt sich über die Zeit, vor allem durch Erfahrung, wenn Systeme sich konsistent und vorhersehbar verhalten. Wenn Menschen kein Vertrauen in das Verhalten eines Systems haben, werden sie dessen Nutzung vermeiden oder Umgehungslösungen schaffen, und genau das untergräbt den eigentlichen Mehrwert.

Vielen Dank für das Interview

FAQ

Was unterscheidet Agentic AI von klassischer Automatisierung?
Agentic AI führt nicht nur fest definierte Schritte aus, sondern kann Kontext interpretieren, Entscheidungen vorbereiten und Workflows situationsabhängig anpassen. Damit steigt der Nutzen – aber auch der Bedarf an Kontrolle, Governance und Testing.

Warum reicht Prompt Engineering allein nicht aus?
Prompts können Prototypen beschleunigen, lösen aber keine produktiven Betriebsfragen. Unternehmen benötigen belastbare Architekturen für Datenzugriff, Erklärbarkeit, Sicherheit, Modellwechsel, Versionierung und kontinuierliche Qualitätssicherung.

Welche Rolle spielt der Mensch künftig?
Der Mensch bleibt entscheidend für Freigaben, Eskalationen, Verantwortlichkeit und Vertrauen. Gerade in regulierten oder geschäftskritischen Prozessen muss nachvollziehbar bleiben, wann ein Agent handelt und wann menschliche Kontrolle erforderlich ist.

Wie unterscheidet sich Agentic AI von klassischen LLM‑Chatbots?

Agentic AI arbeitet nicht nur reaktiv, sondern verfolgt Ziele, plant Schritte, nutzt Tools, interagiert mit Systemen und bewertet Ergebnisse selbstständig. Klassische Chatbots liefern Antworten – Agenten führen Aktionen aus und verändern Prozesse.

Warum ist Datenqualität ein kontinuierlicher Prozess und kein Projekt?

Unternehmen besitzen jahrzehntelange Datenbestände in heterogenen Systemen. Eine einmalige Bereinigung ist unrealistisch. Agentic AI benötigt Architekturen, die Daten laufend kontextualisieren, versionieren, auditieren und anreichern – nicht nur „bereinigen“.

Welche Rolle spielen Knowledge Graphs in Agentic AI?

Knowledge Graphs ermöglichen es Agenten, Wissen aus Interaktionen strukturiert zu erfassen, zu verknüpfen und zu verbessern. Sie sind die Grundlage für Erklärbarkeit, Auditierbarkeit und langfristige Genauigkeitssteigerung.

Warum sind monolithische Agenten riskant?

Ein einzelner „Super-Agent“ ist schwer kontrollierbar, schlecht testbar und kaum skalierbar. Moderne Architekturen setzen auf Micro‑Agents, Orchestrierungsebenen und wiederverwendbare Sicherheitsmuster, um Verhalten kontrollierbar zu halten.

Wie verändert Agentic AI das Prozessdesign?

Prozesse werden dynamisch. Statt starrer BPMN‑Flows braucht es kontextabhängige Entscheidungen, Rollenlogik, Berechtigungen und Echtzeit‑Interpretation von Intentionen. Prozessdesign wird zu einem lebenden System.

Was macht Intent Detection im Unternehmenskontext so schwierig?

Intentionen hängen von Rolle, Berechtigungen, Historie, Systemstatus und Prozessphase ab. Agenten müssen nicht nur die Frage verstehen, sondern das Ziel des Nutzers – oft über mehrere Schritte hinweg.

Warum werden „Agents building agents“ immer wichtiger?

Manuelles Agenten‑Design skaliert nicht. Authoring Agents automatisieren Conversational Design, Datenmodellierung, Testing und Sicherheitsintegration. Sie ermöglichen kontrollierte Skalierung über viele Use Cases hinweg.

Wie verändert Agentic AI Testing und CI/CD?

Testing umfasst nicht nur Funktionen, sondern Verhalten, Tonalität, Kontextverständnis und Modellwechsel. CI/CD muss Modelle, Datenquellen, Orchestrierungslogik und Agentenverhalten versionieren und rollback‑fähig halten.

Welche Governance‑Elemente sind für Agentic AI unverzichtbar?

Identitäts- und Berechtigungsmanagement
Audit Trails für jede Aktion
Modell- und Datenversionierung
Eskalationspfade für menschliche Kontrolle
klare Verantwortlichkeiten für Agentenverhalten

Warum bleibt menschliche Aufsicht trotz Autonomie unverzichtbar?

Organisationen benötigen Verantwortlichkeit, Vertrauen und Kontrolle. Selbst hochautonome Systeme müssen an definierten Punkten menschliche Freigaben, Monitoring oder Eskalationen ermöglichen.

Welche Risiken entstehen durch Agentenidentitäten in der Cybersicherheit?

Agenten besitzen eigene Berechtigungen und können Aktionen ausführen. Ohne strikte Governance entstehen neue Angriffsflächen: unkontrollierte Identitäten, überprivilegierte Agenten, fehlende Auditierbarkeit.

Wie können Unternehmen den ROI von Agentic AI realistisch messen?

Typische Kennzahlen:

Durchlaufzeitverkürzung
Fehlerreduktion
Automatisierungsgrad
Prozesskosten
Qualität der Entscheidungen
Mitarbeiterentlastung

Welche organisatorischen Voraussetzungen müssen erfüllt sein?

klare Ownership für KI‑Prozesse
Schulung der Mitarbeitenden
gemeinsame Standards für Daten, Sicherheit und Testing
Bereitschaft, Prozesse neu zu denken

Management Summary, FAQ und Bild wurden mit Hilfe von KI erstellt

763 Artikel zu „Agentic AI“

News | Business Process Management | Geschäftsprozesse | Infrastruktur | Künstliche Intelligenz | Produktmeldung

Agentic AI verkürzt Durchlaufzeit bei Hitachi um 84 Prozent – WEF zeichnet Werk als »Global Lighthouse Factory« aus

16. Juli 2026

Hitachi Vantaras Storage-Fabrik in Norman, Oklahoma (USA), fertigt rund 3.000 Produktvarianten. KI-Agenten steuern dort inzwischen Nachfrageprognosen, die Bestandsführung und die Konfiguration. Das Weltwirtschaftsforum zählt den Standort damit zu den weltweit fortschrittlichsten Fabriken. Die Speicherproduktionsstätte von Hitachi Vantara in Norman, Oklahoma, wurde vom Weltwirtschaftsforum (WEF) als »Lighthouse«-Fabrik ausgezeichnet. Das Netzwerk versammelt Standorte, die Technologien der vierten…