foto ki magnific

Agentische KI entfaltet ihren geschäftlichen Nutzen nicht durch maximale Autonomie, sondern durch weniger Reibung im Arbeitsalltag. Wer Systeme orchestriert, Berechtigungen begrenzt und menschliche Kontrolle gezielt verankert, kann Komplexität aus dem Vordergrund nehmen – und Fachkräfte auf Entscheidungen, Ausnahmen und Verbesserungen fokussieren.

Management Summary

Orchestrierung vor Tool-Wildwuchs: Agentische KI schafft erst dann Mehrwert, wenn sie bestehende Anwendungen, Daten und Abläufe verbindet, statt eine zusätzliche Insellösung zu etablieren.
Autonomie braucht Governance: Rollen, minimale Berechtigungen, Freigaben, Protokollierung und Eskalationswege gehören von Beginn an in Architektur und Betrieb.
Der Mensch bleibt Kontrollinstanz: Routinefälle können automatisiert laufen; sensible, ungewöhnliche oder folgenreiche Entscheidungen benötigen wirksame menschliche Aufsicht.
Entlastung ist die relevante Zielgröße: Entscheidend sind weniger Such-, Abstimmungs- und Koordinationsaufwand sowie mehr Zeit für komplexe Störungen und Verbesserungen – nicht die bloße Zahl automatisierter Schritte.
Klein starten, belastbar skalieren: Klar begrenzte Anwendungsfälle, messbare Kennzahlen und kontinuierliches Risikomanagement schaffen eine tragfähige Basis für den Ausbau.

Agentische KI kann Prozesse anstoßen, Entscheidungen vorbereiten und Aufgaben über mehrere Systeme hinweg ausführen. Damit daraus tatsächlich Produktivität entsteht, darf sie jedoch nicht einfach eine weitere Technologieebene schaffen. Ihr Mehrwert liegt darin, Komplexität im Hintergrund zu übernehmen und Arbeit für Menschen einfacher zu machen. Matthias Bauhammer, Director Enterprise Data Intelligence DACH bei DXC Technology, erläutert, worauf es dabei ankommt.

Digitale Arbeitsumgebungen sind heute komplexer denn je: Mitarbeitende wechseln zwischen Anwendungen, während IT-Teams Cloud-, On-Premises- und Legacy-Systeme, Schnittstellen und Datenquellen betreiben.

Wer auf diese Strukturen lediglich eine weitere KI-Ebene setzt, skaliert nicht die Lösung, sondern das Problem. Zwar können Agenten einzelne Aufgaben automatisieren. Bleiben Systeme, Daten und Abläufe jedoch fragmentiert, entsteht kein einfacherer Arbeitsablauf, sondern nur ein weiteres System, das IT-Teams betreuen müssen.

Mit agentischer KI braucht es deshalb einen Perspektivwechsel: Nicht der Mensch sollte sich an die Technologie anpassen müssen, sondern die Technologie an den Menschen und seine Arbeitsabläufe. Der Maßstab sollte nicht sein, wie autonom ein System agieren kann, sondern ob es Arbeitsprozesse einfacher, übersichtlicher und produktiver macht.

Technisch bedeutet das: Agenten müssen Informationen über Systemgrenzen hinweg verarbeiten, Ereignisse interpretieren, korrelieren und innerhalb klar definierter Berechtigungen handeln können. So können sie beispielsweise Anomalien in Signalen aus Monitoring-, Security- und Anwendungssystemen frühzeitig erkennen, Ursachen über mehrere Systeme hinweg eingrenzen und Maßnahmen vorbereiten oder in definierten Routinefällen automatisiert ausführen. Für Mitarbeitende entfällt damit ein Teil der manuellen Suche und Koordination.

Drei Prinzipien sind dafür entscheidend:

Orchestrieren, statt neue Tools hinzufügen

Eine weitere KI-Anwendung ist noch keine Transformation. Durch ein zusätzliches KI-Tool verändert sich die zugrunde liegende Arbeitsweise oder Systemlandschaft nicht automatisch. Entscheidend ist, ob agentische KI bestehende Systeme miteinander verbindet und technische Komplexität im Hintergrund bündelt. Der Mehrwert entsteht nicht durch ein weiteres Interface, sondern dadurch, dass aus vielen einzelnen technischen Schritten ein konsistenter Arbeitsablauf wird.

Autonomie braucht klare Leitplanken

Je selbstständiger Agenten handeln, desto klarer müssen ihre Grenzen sein. Dazu gehören Berechtigungen, Freigaben, Protokollierung und eindeutige Eskalationswege. Ein Agent sollte beispielsweise nicht mehr Rechte besitzen als der Mitarbeitende, in dessen Auftrag er handelt. Routinefälle können innerhalb festgelegter Playbooks automatisiert werden; sensible oder ungewöhnliche Entscheidungen bleiben unter menschlicher Kontrolle. Mehr Autonomie bedeutet deshalb auch mehr Governance.

Entlastung ist wichtiger als maximale Automatisierung

Der Erfolg agentischer KI sollte nicht daran gemessen werden, wie viele Aufgaben automatisiert wurden. Entscheidend ist, wie viel unnötige Arbeit für Mitarbeitende entfällt. Wenn Agenten Informationen selbstständig zusammenführen, Routinefälle überwachen und wiederkehrende Koordinationsaufgaben übernehmen, bleibt mehr Zeit für komplexe Störungen, Entscheidungen und Prozessverbesserungen. Gerade angesichts knapper Fachkräfte ist das der entscheidende Hebel.

Agentische KI ist damit kein Gegenmodell zum Menschen. Ihr größter Nutzen entsteht dort, wo sie technische und prozessurale Komplexität im Hintergrund orchestriert, während Menschen Kontext, Urteilsvermögen und Verantwortung behalten. Human+ agentische KI beginnt deshalb mit Menschen, nicht mit Technologie. Der Ansatz konzentriert sich darauf, intelligente Systeme mit menschlicher Expertise zu verbinden, um Entscheidungen zu verbessern, unnötige Arbeit zu reduzieren und menschliche Beteiligung dort zu bewahren, wo Urteilsvermögen, Empathie, Ethik und Verantwortlichkeit zählen. Human+ agentische KI bedeutet also nicht mehr Technologie am Arbeitsplatz, sondern weniger Reibung bei der Arbeit.

FAQ: Agentische KI in Unternehmen

Was unterscheidet agentische KI von klassischer Automatisierung?
Regelbasierte Automatisierung folgt vorab festgelegten Abläufen. Agentische Systeme können dagegen Ziele in Teilschritte zerlegen, Kontext verarbeiten, Werkzeuge auswählen und Aktionen über mehrere Systeme hinweg koordinieren. Gerade diese Handlungsfähigkeit erweitert jedoch auch die Angriffs- und Kontrollfläche [3].
Welche Aufgaben eignen sich für einen Einstieg?
Geeignet sind klar abgegrenzte, häufig wiederkehrende Prozesse mit verlässlichen Daten, eindeutigen Zugriffsrechten und reversiblen Aktionen – etwa das Zusammenführen von Informationen, die Vorbereitung von Tickets oder die Überwachung standardisierter Routinefälle.
Welche Aufgaben sollten unter menschlicher Kontrolle bleiben?
Folgenreiche, sensible oder ungewöhnliche Entscheidungen sollten wirksam beaufsichtigt werden. Für Hochrisiko-KI verlangt Artikel 14 des EU AI Act unter anderem, dass zuständige Personen Ergebnisse verstehen, übergehen oder rückgängig machen und den Betrieb sicher unterbrechen können [1].
Wie viel Berechtigung sollte ein KI-Agent erhalten?
So wenig wie für den konkreten Auftrag erforderlich. Rollenbasierte Zugriffe, zeitlich begrenzte Berechtigungen, getrennte Service-Identitäten und Freigaben für kritische Aktionen reduzieren die Folgen fehlerhafter oder manipulierter Handlungen. OWASP nennt unkontrollierte Tool-Nutzung, Identitätslücken und verkettete Fehler als zentrale Risikomuster agentischer Anwendungen [3].
Wie lässt sich der Nutzen messen?
Sinnvolle Kennzahlen sind Durchlaufzeit, manueller Koordinationsaufwand, Bearbeitungsqualität, Eskalationsquote, Zahl erfolgreich rückgängig gemachter Aktionen und Zeitgewinn für Fachkräfte. Die Automatisierungsquote allein zeigt nicht, ob der gesamte Arbeitsprozess einfacher oder belastbarer geworden ist.
Welche Governance-Struktur ist sinnvoll?
Ein praxistauglicher Rahmen verbindet Verantwortlichkeiten mit einem fortlaufenden Prozess aus Steuern, Kontext erfassen, Messen und Managen. Genau diese vier Funktionen – Govern, Map, Measure und Manage – bilden den Kern des freiwillig nutzbaren NIST AI Risk Management Framework [2].
Welche Protokolle sollten Agenten erzeugen?
Nachvollziehbar sein sollten Ziel, Eingaben, genutzte Datenquellen, ausgewählte Werkzeuge, Berechtigungen, Zwischenschritte, Ergebnis, Freigaben, Ausnahmen und Eskalationen. Dabei sind Datenschutz, Aufbewahrungsfristen und der Schutz sensibler Inhalte mitzudenken.
Wie geht man mit fehlerhaften Aktionen um?
Für kritische Abläufe braucht es sichere Abbruchmöglichkeiten, begrenzte Transaktionen, Wiederanlaufregeln und – soweit technisch möglich – reversible Schritte. Der EU AI Act nennt für Hochrisiko-Systeme ausdrücklich Eingriffs- und Unterbrechungsmöglichkeiten als Bestandteil menschlicher Aufsicht [1].
Welche Sicherheitsrisiken sind besonders relevant?
Die OWASP-Leitlinien für agentische Anwendungen adressieren unter anderem manipulierte Ziele, missbräuchliche Werkzeugaufrufe, Identitäts- und Berechtigungsprobleme sowie Fehler, die sich über mehrstufige Abläufe ausbreiten können [3]. Gefordert ist deshalb nicht nur Modellsicherheit, sondern die Absicherung der gesamten Agenten-, Daten- und Tool-Kette.
Wie sollte ein Unternehmen skalieren?
Nach einem begrenzten Pilotprojekt sollten belastbare Kontrollen, klare Eigentümerschaft und messbare Betriebsdaten vorliegen. Erst danach empfiehlt sich die Ausweitung auf weitere Prozesse. Das NIST-Rahmenwerk unterstützt dabei eine anwendungsbezogene Profilbildung entsprechend Anforderungen, Risikotoleranz und verfügbaren Ressourcen [2].

Quellen

[1] Europäische Kommission, AI Act Service Desk, Artikel 14 „Human oversight“: https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-14

[2] National Institute of Standards and Technology, AI Risk Management Framework: https://www.nist.gov/itl/ai-risk-management-framework

[3] OWASP GenAI Security Project, Top 10 for Agentic Applications 2026: https://genai.owasp.org/resource/owasp-top-10-for-agentic-applications-for-2026/

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

2684 Artikel zu „KI Mensch Verantwortung“

Business Process Management | ERP | Geschäftsprozesse | Industrie 4.0 | Künstliche Intelligenz | Lösungen | News

Branchenspezifische KI in ERP- und MES-Prozessen

29. September 2026

KI-Funktionen wandern näher an ERP, MES und Shopfloor. Für Fertigungsunternehmen entscheidet dabei weniger das Schlagwort als die belastbare Verbindung von Daten, Rollen und Prozessen. Der Beitrag zeigt, welche Einsatzfelder sich abzeichnen, welche Voraussetzungen gelten und warum ein begrenzter Pilot häufig der sinnvollste Einstieg ist. Management Summary Vom Assistenten zum Prozessbaustein: Branchenspezifische KI soll Informationen aus…