Illustration Absmeier foto ki designer

KI-Agenten verändern nicht nur Prozesse, sondern die Architektur von Arbeit. Wer sie vorschnell als Ersatz für Beschäftigte einplant, unterschätzt Kosten, Kontextbedarf und operative Risiken. Entscheidend ist ein gemeinsames Betriebsmodell, das menschliches Erfahrungswissen, belastbare Daten, klare Verantwortlichkeiten und nachvollziehbare Kontrollen zu einer hybriden Belegschaft verbindet.

Management Summary

Wertbeitrag statt Sparreflex: KI-Agenten sollten an Umsatz, Qualität, Geschwindigkeit und Risikoentlastung gemessen werden – nicht primär an abgebauten Stellen.
Ein Betriebsmodell für alle: Menschen und Agenten benötigen gemeinsame Ziele, Daten, Entscheidungspunkte und klar definierte Übergaben.
Kontext schlägt Datenmenge: Ontologien, Prozesswissen und gepflegte Beziehungen zwischen Systemen machen Unternehmensdaten für Agenten erst handlungsfähig.
Autonomie braucht Leitplanken: Rollen, Berechtigungen, Freigabeschwellen, Echtzeitüberwachung und Audit Trails müssen in den Workflow eingebaut sein.
Arbeit neu gestalten: Der nachhaltige Hebel entsteht, wenn Unternehmen Prozesse vom Ergebnis her neu entwerfen und menschliche Urteilskraft gezielt mit maschineller Skalierung kombinieren.

KI-Einführungen stehen unabhängig von den Kosten bei vielen Unternehmen auf der Agenda. Weltweit führende Blue-Chip-Unternehmen sorgen für Schlagzeilen, weil sie ihre Jahresbudgets für die Programmierung bereits innerhalb weniger Monate vollständig ausschöpfen. Es überrascht daher nicht, dass Gartner [1] davon ausgeht, dass die Kosten für Programmierung mit KI bis 2028 das durchschnittliche Gehalt eines Entwicklers übersteigen werden. Diese Ausgaben verändern, wer – oder was – die Arbeit erledigt. Künftig werden Unternehmen eine hybride Belegschaft haben, in der Menschen und KI-Agenten Seite an Seite arbeiten. Dieses Modell eröffnet zwar spannende Möglichkeiten – von Produktivitätssteigerungen bis hin zu neuen Dimensionen der Kundenzufriedenheit –, es ist jedoch keine einfache Lösung zur Kostensenkung.

Unternehmen, die agentische KI eingeführt haben, um Teile der Belegschaft zu ersetzen, stoßen bereits auf Probleme. In einer Orgvue-Umfrage [2] aus 2025 gaben 55 Prozent der Unternehmen an, dass sie es bereuen, Mitarbeitende im Rahmen von KI-Einführungen entlassen zu haben. Und in jüngerer Zeit haben große Konzerne [3] ihren Stellenabbau rückgängig gemacht und Mitarbeitende, die sie eigentlich ersetzen wollten, wieder eingestellt. Dies zeigt, dass es zu kurz gedacht ist, agentische KI als Mittel zur Kosteneinsparung zu betrachten. Zumal die Technologie mit der Zeit teurer werden wird und damit die Frage wo und wie Agenten konkret eingesetzt werden sollten stärker in den Fokus rückt.

Warum Entlassungen zugunsten von KI nicht funktioniert haben

Seit einigen Jahren hören wir von KI-Pionierunternehmen, welche enormen Effizienzgewinne durch agentische KI möglich sein sollen. Daher ist es nicht verwunderlich, dass einige Unternehmen diesen Versprechungen blind gefolgt sind. Aus mehreren vielbeachteten Fällen geht bereits klar hervor, dass dieser Ansatz nicht die gewünschten Ergebnisse liefert und Unternehmen dazu gezwungen waren, ihre Entscheidungen rückgängig zu machen. So beispielsweise im Kundendienst, da die Kundinnen und Kunden den Support als zu unpersönlich empfanden.

In diesem Zusammenhang wird auch die Bedeutung von Fachwissen und jahrelanger Branchenerfahrung deutlich. Ohne ausreichenden Kontext kann KI die Ergebnisse von Menschen nicht nachbilden. Das implizite Wissen, das sich nicht in Datenbanken befindet, ist äußerst wichtig, um langfristig konsistente Ergebnisse zu erzielen. Genau dieses Wissen geht jedoch verloren, wenn Menschen einfach ersetzt werden.

Die Situation ähnelt der Phase, in der das Internet of Things gehypt wurde: Unternehmen führen eine neue Technologie ein, versäumen es jedoch, sie mit den Menschen zu verknüpfen – und stellen anschließend fest, dass sie in der Praxis nicht funktioniert. Auch Unternehmen, die aufgrund von KI Stellen abbauen, sollten einen wichtigen Aspekt berücksichtigen: KI-Modelle arbeiten nicht-deterministisch. Würde ein gesamtes Team aus nicht-deterministisch arbeitenden Menschen bestehen, würde man sich ebenfalls von diesem Team trennen, weil seine Ergebnisse zu willkürlich wären.

KI-Agenten müssen in die Belegschaft integriert werden, statt sie zu ersetzen. Andernfalls werden Unternehmen unter großem Kostenaufwand damit beschäftigt sein, fälschlicherweise ersetzte Mitarbeitende wieder einzustellen.

Wie man eine hybride Belegschaft gestaltet

Die große Gefahr bei der Implementierung agentischer KI besteht darin, sie wie ein weiteres technologisches Add-on zu behandeln. Denn KI, die parallel zu oder anstelle von Menschen eingesetzt wird, wird nicht funktionieren.

Um eine effektive hybride Workforce aufzubauen, in der Menschen und Agenten langfristig und nachhaltig zusammenarbeiten, müssen sie wie eine einzige Belegschaft behandelt werden, nicht wie zwei getrennte operative Ebenen.

Zuerst muss ein gemeinsamer Kontext mit denselben Datensätze und Entscheidungspunkten geschaffen werden – bei gleichzeitig definierte Arbeitsabläufen.

Die bloße Zentralisierung von Rohdaten in einem Cloud-Lakehouse liefert KI-Agenten nicht den erforderlichen Kontext. KI kann Unternehmenszusammenhänge nicht erfassen, indem sie isolierte, unkontextualisierte Datensätze aus verschiedenen Quellsystemen analysiert. Damit KI echten Mehrwert schafft, müssen Daten-Frameworks die Beziehungen zwischen Systemen, Assets und menschlichen Arbeitsprozessen modellieren.

Die KI-Ergebnisse eines Unternehmens sind nur so gut wie seine Daten. Ein großes Datenvolumen ist daher nicht per se von Vorteil, wenn die Daten irrelevant oder von schlechter Qualität sind. Es empfiehlt sich daher, Fachwissen über Ontologien zu erfassen, damit die von der KI gelieferten Antworten tatsächlich statistisch relevant sind.

Die Zusammenarbeit zwischen Menschen und Agenten ist entscheidend dafür, dass KI in geschäftskritischen Arbeitsabläufen tatsächlich funktioniert. Ein wesentlicher Teil des Puzzles besteht also darin, herauszufinden, wo und wie menschliches Eingreifen erforderlich ist. Um die richtige Lösung zu finden, müssen IT-Führungskräfte eher als »Agent-Architekten« agieren denn als »Datenwächter«. Autonomie lässt sich ohne Grenzen und Echtzeit-Überwachung nicht sicher skalieren. Jede digitale Interaktion muss einen Audit Trail hinterlassen, um die Sicherheit und Compliance des hybriden Unternehmens zu gewährleisten.

Fokus auf Mehrwert, nicht auf Kosteneinsparungen

Wer KI-Agenten lediglich als günstigen Ersatz für menschliche Arbeitskraft betrachtet, dürfte enttäuscht werden. Unternehmen sollten sie vielmehr als Teil einer virtuellen Belegschaft verstehen, deren Beitrag zu Umsatz, Profitabilität und Margen messbar sein muss, insbesondere wenn man aktuelle Berichte über fehlgeschlagenes »Token-Maxxing« liest.

Der erfolgreiche Einsatz agentischer KI beginnt daher mit der Frage, wo Menschen und KI-Agenten jeweils den größten Mehrwert schaffen können. Auch vor dem Hintergrund, dass agentenbasierte KI mit zunehmender Demokratisierung allein nicht ausschlaggebend für den Geschäftserfolg sein wird.

Das eigentliche Erfolgsrezept wird darin liegen, Geschäftsprozesse grundlegend neu denken, statt den Status quo zu automatisieren oder ausschließlich auf Kostensenkungen zu setzen und eine langfristig tragfähige Balance zwischen Menschen und KI-Agenten zu etablieren.

Raymond Kok, CEO von Mendix, Siemens

Mehr erfahren Sie im On-Demand-Webinar »Uniting the Human-AI Workforce«. Gemeinsam mit unserer CGO Aviva Fink, unserem CPO Hans de Visser und Ben Szekely, dem Global Head of Strategic Solutions, spreche ich über die Komplexität der KI-Einführung und darüber, wie Unternehmen es schaffen, über KI-Pilotprojekte hinauszugehen.

[1] Gartner, Juni 2026

[2] Orgvue-Studie, April 2025

[3] CNBC-Artikel, Juli 2026

FAQ: Hybride Belegschaft mit KI-Agenten

Was unterscheidet einen KI-Agenten von einem klassischen Chatbot?
Ein Chatbot beantwortet typischerweise einzelne Eingaben. Ein KI-Agent kann ein Ziel in Teilschritte zerlegen, Werkzeuge und Datenquellen nutzen, Aktionen auslösen und Ergebnisse über mehrere Schritte hinweg verfolgen. Mit wachsendem Handlungsspielraum steigen jedoch auch Kontroll- und Haftungsbedarf.
Warum ist Stellenabbau kein belastbarer Business Case für Agentic AI?
Weil Lizenz-, Modell-, Integrations-, Rechen- und Überwachungskosten ebenso berücksichtigt werden müssen wie Qualitätsabweichungen und verlorenes Erfahrungswissen. Der Business Case sollte deshalb den messbaren Prozesswert und die Gesamtkosten über den Lebenszyklus abbilden.
Welche Aufgaben eignen sich zuerst?
Geeignet sind klar abgegrenzte, häufig wiederkehrende Abläufe mit verfügbaren Daten, überprüfbaren Ergebnissen und reversiblen Aktionen. Geschäftskritische Entscheidungen sollten erst nach belastbaren Tests und mit definierten menschlichen Freigaben automatisiert werden.
Was bedeutet »Human in the Loop« konkret?
Menschen prüfen oder genehmigen festgelegte Entscheidungspunkte – etwa bei hohen finanziellen Auswirkungen, personenbezogenen Daten, Rechtsfolgen oder geringer Modellkonfidenz. Zuständigkeit, Reaktionszeit und Eskalationsweg gehören verbindlich in den Prozess.
Welche Datenbasis benötigen Agenten?
Nicht möglichst viele, sondern relevante, aktuelle und kontextualisierte Daten. Datenverantwortung, Herkunft, Zugriffsrechte, Beziehungen zwischen Geschäftsobjekten und Qualitätsregeln sollten dokumentiert sein.
Wie lässt sich die Leistung eines Agenten messen?
Mit einer Kombination aus Ergebniskennzahlen und Kontrollkennzahlen: Durchlaufzeit, Erstlösungsquote, Fehler- und Eskalationsrate, Kosten je Fall, Nutzerakzeptanz, Regelverstöße sowie der Beitrag zu Umsatz, Marge oder Risikoreduktion.
Welche Governance ist im Betrieb erforderlich?
Ein belastbares Modell umfasst einen fachlichen Owner, technische Verantwortung, ein Inventar der Agenten, rollenbasierte Berechtigungen, Versions- und Freigabeprozesse, Protokollierung, laufende Tests sowie Abschalt- und Rückfallmechanismen.
Was verlangt der EU AI Act?
Die Pflichten richten sich nach Rolle, Einsatzzweck und Risikoklasse. Für Hochrisiko-Systeme gelten unter anderem Anforderungen an Risikomanagement, Daten, Dokumentation, Protokollierung, Transparenz, menschliche Aufsicht, Genauigkeit und Cybersicherheit; Unternehmen sollten jeden Anwendungsfall rechtlich einordnen.
Wie schützt man Erfahrungswissen?
Durch strukturierte Übergaben, Prozessbeobachtung, Expertenreviews und die Modellierung von Begriffen, Regeln und Ausnahmen. Fachleute sollten nicht erst nach dem Rollout, sondern beim Design, Test und laufenden Lernen eingebunden sein.
Wie gelingt der Schritt vom Pilot zum Regelbetrieb?
Mit einem begrenzten Anwendungsfall, einer messbaren Ausgangsbasis, klaren Abbruchkriterien, kontrollierten Berechtigungen und stufenweiser Ausweitung. Erst wenn Qualität, Kosten, Sicherheit und Verantwortlichkeiten stabil funktionieren, sollte skaliert werden.

Quellen zur Vertiefung

EU-Kommission, AI Act Service Desk: https://ai-act-service-desk.ec.europa.eu/de
EU-Kommission, Governance und Durchsetzung: https://digital-strategy.ec.europa.eu/de/policies/ai-act-governance-and-enforcement
Fraunhofer IAIS, Studie »KI-Agenten verstehen und anwenden«: https://www.iais.fraunhofer.de/de/publikationen/studien/2026/download_hnfiz-studie_ki-agenten.html
Gartner, Prognose zu KI-Programmierkosten: https://www.gartner.com/en/newsroom/press-releases/2026-06-24-gartner-predicts-ai-coding-costs-will-surpass-average-developer-salary-by-2028-as-token-consumption-surges
Orgvue, Workforce-Studie: https://www.orgvue.com/news/55-of-businesses-admit-wrong-decisions-in-making-employees-redundant-when-bringing-ai-into-the-workforce/

Über Mendix

Mendix ist die Anwendungsplattform für das Agentic Enterprise und ein zentraler Bestandteil des Siemens Intelligence Center X, das Unternehmensintelligenz in die Praxis überführt. Teams entwickeln, implementieren und betreiben geschäftskritische Applikationen und KI-Agenten innerhalb einer einheitlichen Governance-Ebene, wobei Standards von Anfang an integriert sind. Für Agenten gilt dieselbe Governance wie für Mitarbeitende, mit konsistenten Kontrollmechanismen und Audit Trails. Die Bereitstellung erfolgt in der Public Cloud, der eigenen Cloud-Umgebung oder vollständig privat. Mendix erweitert ERP-, CRM- und Legacy-Systeme und ermöglicht es Teams, unter klaren Governance-Vorgaben, Intelligenz in Anwendungen, Automatisierung und Maßnahmen umzusetzen. Mehr unter https://www.mendix.com/

8027 Artikel zu „KI Kosten“

Effizienz | Favoriten der Redaktion | Künstliche Intelligenz | News | Services | Strategien | Tipps

Das KI-Kostenparadox: Warum günstige Tokens Unternehmen teuer zu stehen kommen

12. September 2026

Agentische Workflows treiben den Verbrauch trotz sinkender Modellpreise. Wie Unternehmen mit Cost per Result, Kontext-Engineering und Model Routing gegensteuern. Der Preis pro Token ist für die Wirtschaftlichkeit von KI nur ein Teil der Rechnung. Entscheidend ist, wie viel Kontext, Rechenaufwand, Validierung und Nacharbeit erforderlich sind, bis ein akzeptiertes Ergebnis vorliegt. Management Summary Ergebnis statt…