foto freepik

Unternehmen setzen große Hoffnungen in künstliche Intelligenz. McKinsey schätzt das weltweite Produktivitätspotenzial auf rund 4,4 Billionen Dollar pro Jahr, und mehr als neun von zehn Firmen planen höhere KI-Investitionen [1]. Gleichzeitig nutzt bislang nur ein kleiner Teil KI so, dass sie im Alltag echte Wirkung entfaltet.

Viele Systeme liefern zwar Antworten, bleiben aber oberflächlich, ignorieren interne Regeln und erzeugen dadurch zusätzlichen Aufwand statt Entlastung. Gartner bestätigt diese Diskrepanz aus technologischer Sicht [2]. Während 2025 weniger als fünf Prozent der Unternehmensanwendungen durch aufgabenspezifische KI-Agenten unterstützt wurden, rechnen die Analysten 2026 mit einem Anstieg auf rund 40 Prozent. Zwischen Potenzial und Praxis klafft also noch eine deutliche Lücke, die erklärt, warum die Investitionen steigen, die Produktivität aber noch nicht.

Ein zentraler Grund liegt im Architekturprinzip der bisherigen KI-Systeme. Sie basieren fast immer auf einem einzigen Modell, das jede Aufgabe gleichbehandelt – unabhängig davon, ob es um Lieferantenscoring, Vertragsanalyse oder die Vorbereitung eines Vorstandsbriefings geht. Diese Gleichförmigkeit erzeugt das bekannte Muster generischer KI-Antworten: Sprachlich korrekt, aber inhaltlich flach und häufig ohne Bezug zur tatsächlichen Lage im Unternehmen. KI wird zum Textgenerator statt zum Werkzeug, das Entscheidungen vorbereitet und Prozesse entlastet. Die erhoffte Produktivitätswirkung verpufft.

Ein agentischer Ansatz löst dieses Problem. Statt nur zu formulieren, bearbeitet die KI eine Aufgabe schrittweise. Sie analysiert die Anfrage, ruft relevante Daten ab, verknüpft Informationen aus spezialisierten Modellen und berücksichtigt Unternehmensrichtlinien. Das Ergebnis ist keine glatte Formulierung, sondern eine belastbare Entscheidungsgrundlage. Wissensarbeit lässt sich damit skalieren, weil Recherche und Kontextaufbereitung automatisiert erfolgen. Entscheidungen werden schneller und präziser, Fachkräfte gewinnen Zeit für Aufgaben, die Erfahrung und Urteilsvermögen erfordern, und die Fehlerquote sinkt. In diesem Wandel – vom generischen Sprachmodell zum kontextsensiblen, handelnden System – liegt das eigentliche Potenzial von Agentic AI.

Produktive KI braucht eine Hybridarchitektur

Die technische Grundlage dafür ist eine Architektur, die mehrere spezialisierte Modelle miteinander verbindet. Technisch beschreibt man das als Hybridansatz mit einer Mixture-of-Experts-Struktur. Das findet in drei Ebenen statt: lokal auf dem Gerät, im geschützten Unternehmensumfeld und – nur wenn nötig – in der öffentlichen Cloud. Sie verarbeitet die Daten, die am sensibelsten sind, etwa Nutzereinstellungen, interne Dokumente, Systemzustände und vertrauliche Vorgänge. Diese Modelle laufen dort, wo die Daten entstehen, und müssen keinen Cloud-Dienst nutzen. Das erhöht nicht nur die Geschwindigkeit, sondern schützt auch Informationen, die das Unternehmen nicht aus der Hand geben möchte. Die Antworten sind schneller, persönlicher und genauer, weil sie aus dem unmittelbaren Arbeitsumfeld heraus generiert werden.

Darauf aufbauend folgen Modelle, die im geschützten Unternehmensumfeld laufen. Sie greifen auf interne Richtlinien, Wissensdatenbanken, Protokolle, Verträge oder historische Fallakten zu – also auf genau die Informationen, die für geschäftskritische Entscheidungen relevant sind. In vielen Unternehmen lagern diese Daten zwar strukturiert, werden aber kaum genutzt, weil Mitarbeiterinnen und Mitarbeiter sie manuell durchsuchen müssten. Ein agentisches System kann diese Quellen automatisch auswerten und dafür sorgen, dass Entscheidungen nicht nur plausibel, sondern regelkonform sind. Gerade in regulierten Bereichen wie dem Einkauf, der Produktion, der Finanzabteilung oder der Rechtsabteilung entsteht hier der größte Mehrwert.

Die dritte Ebene bildet die öffentliche Cloud, in der große Sprachmodelle mit breitem Allgemeinwissen arbeiten. Sie kommen immer dann zum Einsatz, wenn breit angelegte Wissensbestände oder große Mengen unstrukturierter Informationen nötig sind: Marktüberblicke, sprachliche Präzision, Mustererkennung oder die Bewertung externer Faktoren. Diese Modelle liefern die inhaltliche Weite, die lokalen und privaten Modellen naturgemäß fehlt. Entscheidend ist dabei, dass sie nur dann hinzugezogen werden, wenn sie tatsächlich gebraucht werden. Daten wandern also nicht automatisch in die Cloud – sie werden erst übertragen, wenn die Aufgabe dies zwingend erfordert und wenn die dafür vorgesehenen Sicherheitsregeln eingehalten sind.

Aus dieser Kombination entsteht ein System, das zugleich schnell, spezialisiert und datensouverän ist. Die Modelle greifen ineinander wie Zahnräder: Das eine erkennt den Kontext, ein zweites prüft interne Dokumente, ein drittes bewertet Quellen, ein viertes formuliert die Antwort. Die KI funktioniert nicht wie ein einzelner Assistent, sondern wie ein koordiniertes Team. Genau dadurch entsteht die Grundlage für bessere, konsistentere und schnellere Entscheidungen – und für eine Form von Produktivität, die über das hinausgeht, was klassische KI bieten kann.

Die Schaltzentrale von agentischen Systemen

Damit ein solches System arbeiten kann, braucht es eine Orchestrierungsschicht, die Modelle und Datenquellen so verbindet, dass aus vielen technischen Bausteinen ein funktionierender Arbeitsprozess wird. Sie legt fest, welches Modell welche Aufgabe übernimmt, welche Daten herangezogen werden dürfen und wie die Ergebnisse am Ende zusammengeführt werden.

Trifft eine Anfrage ein – etwa die Suche nach geeigneten Lieferanten für ein nachhaltiges Material –, zerlegt die KI die Aufgabe in einzelne Schritte. Ein Modell erkennt den Beschaffungsbezug, ein anderes prüft interne Vorgaben wie Nachhaltigkeitskriterien oder Budgetgrenzen, ein drittes ruft historische Leistungsdaten der Lieferanten ab. Parallel fließen externe Marktinformationen ein, etwa Entwicklungen in der Branche oder neue Anbieter. Die Orchestrierung bündelt diese Informationen, filtert sie entlang definierter Regeln und erzeugt ein Gesamtbild, das die relevanten Faktoren abbildet.

Das Ergebnis unterscheidet sich klar von einer klassischen KI-Antwort. Statt eines glatten, aber vagen Textes entsteht eine Analyse, die interne Regeln, externe Rahmenbedingungen und verfügbare Daten verbindet. Die KI zeigt damit nicht nur, welche Optionen existieren, sondern welche unter den konkreten Bedingungen sinnvoll sind.

Dieser Mechanismus funktioniert in vielen Bereichen ähnlich: bei der Wartung von Maschinen, der Budgetplanung, der Qualitätskontrolle oder in juristischen Abläufen. Überall dort, wo Informationen aus verschiedenen Quellen zusammengeführt werden müssen, übernimmt die KI nicht nur das Nachschlagen, sondern die Strukturierung der Aufgabe. Sie erkennt Muster, bewertet Risiken und ordnet die Ergebnisse so, dass Menschen direkt weiterarbeiten können.

Der Nutzen entsteht genau hier. Mitarbeitende verbringen weniger Zeit mit Recherche und mehr mit Bewertung und Umsetzung. Entscheidungen werden konsistenter, weil sie auf vollständigerem Wissen beruhen. Prozesse beschleunigen sich, weil manuelle Zwischenschritte entfallen. Und mit jeder Anfrage versteht das System besser, wie eine Organisation funktioniert: welche Faktoren zählen, welche Muster typisch sind, welche Engpässe sich wiederholen.

Wenn agentische Systeme in den Arbeitsalltag hineinwachsen, verändert sich nicht nur die Aufgabenverteilung, sondern auch die Struktur, nach der Organisationen überhaupt funktionieren. Entscheidungen entstehen künftig weniger entlang starrer Hierarchien, sondern dort, wo Informationen in Echtzeit zusammenlaufen. Verantwortlichkeiten werden sich verschieben, weil Teams verstärkt in Szenarien denken müssen, die durch KI-gestützte Analysen früher sichtbar werden. Planung wird iterativer, Abstimmung dynamischer, und viele Prozesse, die heute sequenziell laufen, werden parallelisiert, weil die KI Vorarbeit leistet, bevor der Mensch überhaupt eingreift. Organisationen, die diese neue Form der Zusammenarbeit nicht nur zulassen, sondern gestalten, werden schneller und belastbarer – nicht weil sie mehr Technologie einsetzen, sondern weil sie lernen, mit einem System zu arbeiten, das nicht auf Input wartet, sondern kontinuierlich Kontext erzeugt.

Florian Richter, Market Leader Solutions & Services Group DACH, Lenovo

[1] https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/superagency-in-the-workplace-empowering-people-to-unlock-ais-full-potential-at-work

[2] https://www.gartner.com/en/newsroom/press-releases/2025-08-26-gartner-predicts-40-percent-of-enterprise-apps-will-feature-task-specific-ai-agents-by-2026-up-from-less-than-5-percent-in-2025

907 Artikel zu „KI Agenten“

Trends 2025 | News | Trends Wirtschaft | Business Process Management | Geschäftsprozesse | Künstliche Intelligenz | New Work | Services

Banken und Versicherungen: KI-Agenten brauchen Beaufsichtigung der KI

19. November 2025

Drei von fünf Banken und Versicherungen nennen die Kundengewinnung als einen der Hauptgründe für den Einsatz von KI-Agenten. 33 Prozent der Unternehmen entwickeln aktiv eigene KI-Agenten, allerdings haben nur 10 Prozent diese in großem Umfang eingesetzt. Fast die Hälfte der Banken und Versicherungen schafft neue Arbeitsplätze zur Überwachung von KI-Agenten. Finanzinstitute verlagern wichtige kundenbezogene…