Ein agentisches Unternehmen nutzt KI nicht nur, um zu sehen, was passiert – es agiert. Vernetzte Agenten treffen Entscheidungen und führen diese durch Ihre Geschäftsabläufe von Anfang bis Ende aus, wobei von Anfang an menschliche Aufsicht und Governance integriert sind.
Die besten Unternehmen von heute nutzen bereits KI, um genauere Prognosen zu erstellen, Probleme früher zu erkennen und ihre Optionen klarer als je zuvor abzuwägen. Was ihnen jedoch im Weg steht, ist alles, was danach passiert. Selbst wenn die richtige Entscheidung offensichtlich ist, schreitet die Umsetzung im Unternehmen nur schleppend voran: eine E-Mail an ein Team, eine Genehmigung von einem anderen, eine von einem dritten Team aktualisierte Tabelle – wobei jedes Team von anderen Voraussetzungen ausgeht. Das Unternehmen weiß genau, was zu tun ist. Es ist nur nicht darauf ausgelegt, dies schnell umzusetzen.
Das „agentische Unternehmen“ schließt diese Lücke. Es verbindet Erkenntnisse direkt mit Maßnahmen, sodass eine Reaktion als Teil des Prozesses selbst durch die Systeme fließt – geleitet von klaren Regeln, basierend auf einem gemeinsamen Kontext und von Menschen überprüft. Dieser Leitfaden beschreibt, was ein agentisches Unternehmen ist, wie es funktioniert, die vier Säulen, die es tragen. Und wie man zu einem angentischen Unternehmen wird.
Ein agentisches Unternehmen ist ein Betriebsmodell, in dem KI-Agenten über vernetzte Systeme hinweg Schlussfolgerungen ziehen, kontrollierte Maßnahmen ergreifen und Aufgaben von Anfang bis Ende erledigen – und so Entscheidungen in Ergebnisse umsetzen, ohne auf eine manuelle Übergabe warten zu müssen.
Der Wandel ist struktureller Natur und beschränkt sich nicht nur darauf, dass ein Unternehmen KI einsetzt. Bei einer traditionellen Struktur wird einer Person eine Erkenntnis übermittelt und darauf gewartet, dass sie handelt. In einem agentischen Unternehmen folgt die Handlung automatisch auf die Erkenntnis – innerhalb realer Arbeitsabläufe, reaktionsfähig auf sich ändernde Bedingungen und stets unter menschlicher Aufsicht. Es definiert sich also nicht dadurch, wie viele KI-Tools Sie hinzugefügt haben. Es definiert sich dadurch, ob KI handeln kann – sicher, kontextbezogen und durchgängig. Dazu braucht es Agenten, die Ihre Branche verstehen, Systeme, die ihr Wissen weitergeben können, und eine Governance, die mit der Geschwindigkeit mitwächst.
Agentische KI ist das Betriebsmodell, das die Arbeit plant, entscheidet, koordiniert und verfolgt. KI-Agenten sind die einzelnen Komponenten innerhalb dieses Modells, die jeweils eine bestimmte Aufgabe ausführen, wie z. B. die Überwachung einer Bedingung, die Aktualisierung eines Plans oder das Auslösen einer Aktion.
Für sich genommen sind die Agenten zwar leistungsfähig, aber in ihrem Handeln eingeschränkt – jeder kümmert sich um seine eigene Aufgabe und nimmt die anderen nicht wahr. Was Abläufe agentisch macht, ist die Art und Weise, wie und warum diese Agenten zusammenarbeiten: Sie teilen sich den Kontext, geben Aufgaben zwischen den Systemen weiter und konzentrieren sich stets auf dasselbe Ziel. Der Wert liegt nicht in einem einzelnen Agenten. Er liegt in der Koordination – darin, dass sich die Handlungen zu einem kontinuierlichen Prozess verknüpfen, anstatt eine Ansammlung unzusammenhängender Schritte zu bilden.
| KI-Agenten | Agentische KI |
|---|---|
| Die Bausteine | Das Betriebsmodell |
| Ausführen einer bestimmten, begrenzten Aufgabe | Plant und koordiniert die Arbeit über viele Aufgaben hinweg |
| Arbeiten innerhalb eines einzelnen Schritts oder Systems | Koordiniert Agenten system- und funktionsübergreifend |
| Für sich genommen nützlich, aber begrenzt | Setzt Entscheidungen bis zum Schluss um |
| „Überwache dieses Signal und markiere es“ | „Erkenne das Problem, entscheide über die Antwort und führe sie aus“ |
Oder kurz gesagt: Sie brauchen gute Agenten, um agentische KI aufzubauen – aber eine Sammlung von Agenten ist erst dann ein agentisches Unternehmen, wenn sie sich auf gemeinsame Geschäftsergebnisse abstimmen.
Jahrzehntelang bestand die größte Herausforderung darin, den Überblick zu behalten – zu wissen, was im gesamten Unternehmen vor sich ging und warum. Dieses Problem ist weitgehend gelöst. Der neue Engpass ist die Kluft zwischen Wissen und Handeln, und die ist kostspielig: Jede Stunde, die zwischen dem Erkennen eines Problems und dem Abschluss der Maßnahmen in allen betroffenen Systemen verstreicht, ist eine Stunde, in der Ihnen das Problem weiterhin Kosten verursacht.
Agentische KI komprimiert diese Verzögerung. Dadurch erfolgt die Reaktion unmittelbar nach der Entscheidung, sodass eine Lieferverzögerung, eine Nachfrageverschiebung oder eine Compliance-Warnung noch im selben Zyklus, in dem sie erkannt wird, koordinierte Maßnahmen auslösen kann. Für betrieblich anspruchsvolle Branchen – Fertigung, Vertrieb, Gesundheitswesen, Lebensmittel und Getränke – liegt der Mehrwert genau in dieser Komprimierung: weniger Störungen, weniger Nacharbeit, konsistentere Ergebnisse und Mitarbeiter, die von manuellen Koordinationsaufgaben entlastet werden und sich stattdessen auf ihre Entscheidungsfindung konzentrieren können.
Es gibt jedoch einen Haken, der die Organisationen, die den Nutzen erkennen, von denen unterscheidet, die noch in der Pilotphase feststecken: Kontext. Ein Einkäufer in einem Krankenhaus und ein Einkäufer in einem Automobilwerk sind nicht derselbe Agent. Die Arbeitsabläufe unterscheiden sich. Die Compliance-Anforderungen unterscheiden sich. Die Terminologie und die relevanten KPIs unterscheiden sich. Generische, horizontale KI kennt den Unterschied nicht – und die Anbindung einer „Industrieschicht“ an eine Universalplattform schließt diese Lücke nicht. Agentische Unternehmen, die vom ersten Tag an Wert liefern, sind diejenigen, deren Agenten die Branche verstehen, in der sie tätig sind.
DAS FRAMEWORK
Lässt man den Hype einmal beiseite, so sind es dieselben vier Fähigkeiten, die ein echtes „agentisches Unternehmen“ von einem Unternehmen unterscheiden, das lediglich KI-Tools gekauft hat. Zusammen übersetzen sie Branchenexpertise in schnelles, anpassungsfähiges, koordiniertes und vertrauenswürdiges Handeln – wobei eines auf dem anderen aufbaut.
Branchenagenten werden mit Nischenwissen, branchenspezifischen Datenmodellen und den Arbeitsabläufen und der Terminologie der von ihnen bedienten Sektoren aufgebaut. Dadurch können sie präzisere, überprüfbare Ergebnisse liefern als generische Tools, die auf generalisierten Daten basieren. Sie verhalten sich weniger wie isolierte Assistenten, sondern eher wie erfahrene Teammitglieder. Ein Einkäufer kann in einem Krankenhaus die Einhaltung der FDA-Vorschriften und die Kontinuität der klinischen Versorgung abwägen, während er in der Automobilbranche der Lieferantenleistung und Just-in-Time-Zeitplänen Vorrang einräumt.
Agenten bearbeiten Teile eines Prozesses, ohne dass Personen jede einzelne Aktion starten oder genehmigen müssen. Die Benutzererfahrung passt sich der jeweiligen Rolle und der anstehenden Aufgabe an – dabei wird das Wesentliche hervorgehoben, Routineaufgaben werden automatisiert und nur das, was menschliches Urteilsvermögen erfordert, wird eskaliert. Ein Finanzleiter, der den Monatsabschluss überprüft, sollte nur die wenigen Unregelmäßigkeiten sehen, die Aufmerksamkeit erfordern, und nicht jede Transaktion, die fehlerfrei verarbeitet wurde.
Dank autonomer Koordination können Agenten durchgängige Arbeitsabläufe über integrierte Systeme hinweg ausführen, ohne bei jedem Schritt auf eine menschliche Eingabe warten zu müssen. Supervisor-Agenten koordinieren spezialisierte Aufgabenagenten über den gesamten Technologie-Stack hinweg und reduzieren so manuelle Übergaben und Fehler. Tritt eine Transportstörung auf, können Agenten Sendungen umleiten, Systeme aktualisieren, Kunden benachrichtigen und Produktionspläne anpassen – und dabei die richtigen Personen zur Überprüfung oder Genehmigung einbeziehen.
Geregelte Geschwindigkeit bedeutet, dass vertrauenswürdige Datenmodelle, Governance, Risiko und Compliance in die Art und Weise, wie Maßnahmen durchgeführt werden, integriert sind. Eine zentrale Verwaltungsebene steuert kritische Aktionen – unabhängig davon, ob diese von einer Person oder einem Agenten ausgelöst werden. Dank integrierter Beobachtbarkeit, Sicherheit und Überwachung können Teams Agenten vertrauensvoll vom Pilotbetrieb in den Produktivbetrieb überführen, und Führungskräfte können nachvollziehen, warum ein Agent gehandelt hat, welche Daten er verwendet hat, welche Richtlinie zur Anwendung kam und ob die Aktion innerhalb der definierten Grenzen blieb.
Heutige Unternehmen setzen bereits auf KI-gestützte Automatisierung. Diese funktioniert bei wiederholbaren Aufgaben und unter stabilen Bedingungen äußerst gut, da sie darauf ausgelegt ist, vorgegebene (wenn auch komplexe) Prozesse auszuführen. Agentische Autonomie baut auf dieser leistungsstarken Grundlage auf – sie verbindet Automatisierung mit autonomer Entscheidungsfindung und der Fähigkeit, Maßnahmen zu ergreifen, ohne auf eine manuelle Neukonfiguration warten zu müssen.
| KI-Automatisierung | Agentische Autonomie |
|---|---|
| Erledigt vordefinierte Aufgaben | Setzt Entscheidungen in Arbeitsabläufen um |
| Befolgt festgelegte Regeln | Passt Maßnahmen an aktuelle Gegebenheiten an |
| Arbeitet innerhalb eines einzigen Systems oder Schritts | Koordiniert system- und funktionsübergreifend |
| Erfordert manuelle Nachverfolgung zwischen den Schritten | Verbindet Maßnahmen durchgängig |
| Funktioniert am besten in stabilen Szenarien | Bewältigt Veränderungen, sobald sie auftreten |
Obwohl sich die agentische KI rasch weiterentwickelt, steckt sie noch in den Kinderschuhen – was bedeutet, dass ihre beeindruckendsten Anwendungsmöglichkeiten erst noch geunden werden müssen.
Da KI sich vom Beraten zum Handeln verlagert, ändern sich die Herausforderungen. Ein fehlerhaftes Dashboard kann hinterfragt und ignoriert werden; eine fehlerhafte autonome Entscheidung kann eine Produktionslinie zum Stillstand bringen. Deshalb ist Vertrauen kein Merkmal des agentischen Unternehmens – es ist die Voraussetzung dafür. Agentische KI ist von Natur aus hoch skalierbar, und erst eine starke, konsistente Governance macht eine derart schnelle Skalierung sicher. Alle vier Säulen ruhen auf diesem Fundament. In der Praxis zeigt sich Governance auf fünf Arten:
Es ist ein Marathon, kein Sprint. KI lernt schnell und gibt dieses Wissen systemübergreifend weiter – und sobald sie in der realen Welt Maßnahmen ergreifen kann, sollten Sie die Einführung wohlüberlegt und in einem gemächlichen Tempo vorantreiben, anstatt den Prozess zu überstürzen.
Bevor Sie Agenten einführen, sollten Sie zunächst analysieren, wie die Arbeitsabläufe derzeit aussehen. Stellen Sie einen Prozess von Anfang bis Ende dar – sei es die Auftragsabwicklung, die Produktionsplanung oder die Beschaffung. Halten Sie fest, wo Entscheidungen getroffen werden, wie es zu Verzögerungen kommt und an welchen Stellen die Übergaben nicht reibungslos funktionieren. Dies dient Ihnen als Ausgangspunkt für Verbesserungen.
Beginnen Sie mit einem Prozess, über den sich die Mitarbeiter bereits beschweren, wie beispielsweise die Umplanung der Produktion bei verspäteter Materialanlieferung. Definieren Sie Erfolg einfach: weniger manuelle Aktualisierungen, schnellere Reaktionen oder weniger Nachverfolgungen. Wählen Sie einen in sich geschlossenen Arbeitsablauf, bei dem Verbesserungen leicht erkennbar sind.
Ermitteln Sie jedes System, das an dem Prozess beteiligt ist, und stellen Sie sicher, dass Aktualisierungen zwischen ihnen ohne manuelle Neueingabe fließen können. Dies kann Integration, gemeinsame Datenmodelle oder die Koordination von Arbeitsabläufen beinhalten. Wenn Agenten nahtlos zwischen den Systemen wechseln können, erzielen sie bessere Ergebnisse.
Agenten dort platzieren, wo Entscheidungen nachgelagerte Schritte auslösen. Wenn sich ein Plan ändert, sollte der Agent ihn umsetzen – Zeitpläne aktualisieren, Teams benachrichtigen, zugehörige Aufgaben anpassen. Das Ziel ist es, dass Entscheidungen direkt zu Folgemaßnahmen führen, ohne dass eine manuelle Koordination erforderlich ist.
Beginnen Sie mit risikoarmen, unkomplizierten Maßnahmen – Updates, Benachrichtigungen, routinemäßigen Anpassungen. Wenn das Vertrauen wächst und die Leistung steigt, erweitern Sie den Einsatz auf komplexere Entscheidungen. So haben Sie Zeit, das Verhalten der KI-Agenten kennenzulernen, bevor Sie sich bei kritischen Arbeitsabläufen auf sie verlassen.
Machen Sie einfach das, was funktioniert. Sobald der erste Anwendungsfall gut läuft, wenden Sie dasselbe Muster auf verwandte Prozesse an – und zwar solche, die ähnliche Daten, Systeme und Entscheidungslogik verwenden. So können Sie die agentische Ausführung schnell skalieren, anstatt jeden Prozess von Grund auf neu zu gestalten.
Agentische Transformation sollte messbare Veränderungen darin bewirken, wie Arbeit erledigt wird. Um sie zu erkennen, benötigen Sie klare, objektive Methoden zur Bewertung dessen, was geschieht.
| Metrik | Worauf Sie achten sollten | Was Verbesserung bedeutet |
|---|---|---|
| Geschwindigkeit von der Entscheidung bis zur Umsetzung | Zeit zwischen einem Signal (Lieferverzögerung, Nachfrageschwankung) und einer abgeschlossenen Reaktion über Systeme hinweg | Kürzere Verzögerung zwischen Erkennung, Entscheidung und Ausführung. Aktionen erfolgen im gleichen Zyklus, nicht in aufeinanderfolgenden Schritten |
| Reduzierung der manuellen Koordination | Übergaben, Genehmigungen oder manuelle Aktualisierungen, die erforderlich sind, um die Arbeit voranzutreiben | Weniger E-Mails, weniger manuelle Überprüfungen, weniger erneute Eingaben zwischen Systemen. Die Arbeit geht weiter, ohne dass Schritte händisch verbunden werden müssen |
| Konsistenz und Qualität der Ergebnisse | Fehlerraten, Nacharbeit und Abweichungen zwischen Standorten oder Teams | Vorhersehbarere Ausführung. Die gleiche Situation führt zur gleichen Reaktion, unabhängig vom Standort oder Team |
| Akzeptanz über alle Funktionen hinweg | Wo und wie häufig Agenten in realen Arbeitsabläufen (Planung, Betrieb, Finanzen) eingesetzt werden | Der Einsatz erstreckt sich über Pilotprojekte hinaus auf den täglichen Betrieb. Agenten werden zu einem unverzichtbaren Bestandteil des Arbeitsablaufs und nicht nur zu einem Hilfswerkzeug |
| Verbesserte Transparenz und Kontrolle | Häufigkeit von Audits, Übersteuerungen, Eskalationen und der Benutzerinteraktion mit Agentenentscheidungen | Teams überprüfen weniger, weil sie mehr vertrauen. Die Überwachung wird gezielt und nicht ständig durchgeführt, und die Maßnahmen bleiben transparent. |
Eine starke, konsistente Governance und saubere Daten verhindern viele der mit KI verbundenen Risiken. In der Praxis liegen die häufigsten Hürden nicht in den Tools selbst, sondern in ihrer Geschwindigkeit und Neuartigkeit.
Agentische Systeme reagieren schnell – aber ohne die richtigen Einschränkungen kann „schnell“ zu „zu schnell“ werden. Wenn Agenten Pläne, Bestände oder Prioritäten aggressiver als nötig anpassen, können sie Instabilität anstelle von Effizienz schaffen. Legen Sie Leitlinien fest, damit die Agenten wissen, wo Stabilität wichtiger ist als Reaktionsfähigkeit.
Da immer mehr Aufgaben automatisch erledigt werden, kann es schwieriger werden, in Echtzeit zu erkennen, was gerade geschieht, und Teams bemerken Probleme möglicherweise erst, wenn die Ergebnisse bereits beeinträchtigt sind. Integrieren Sie ein leicht zugängliches, umfassendes Berichtswesen, damit die Mitarbeiter bei Bedarf eine Erklärung darüber erhalten können, was sich geändert hat, warum, wann und welche Auswirkungen dies hatte.
Agenten lernen aus Ergebnissen, aber nicht jedes Ergebnis ist ein Trend. Eine Handvoll Störungen oder Anomalien können fälschlicherweise als Muster interpretiert werden, was zu unzutreffenden Reaktionen führt. Führen Sie regelmäßige Überprüfungszyklen ein, um echte Signale von Störsignalen zu unterscheiden – insbesondere bei Prozessen mit häufigen, sich wiederholenden Ereignissen.
Frühe Pilotprojekte basieren oft auf den einfachsten Prozessen, und schnelle Erfolge erzeugen den Druck, rasch zu skalieren. Doch was in einem Workflow funktioniert, lässt sich möglicherweise nicht nahtlos auf einen anderen mit anderen oder komplexeren Abhängigkeiten übertragen. Validieren Sie jeden neuen Anwendungsfall, anstatt von Wiederholbarkeit auszugehen.
Agentische KI stellt eine bedeutende Veränderung gegenüber seit langem etablierten Arbeitsweisen dar. Sie sollten daher nicht davon ausgehen, dass Teams sie sofort annehmen. Zeigen Sie den Mitarbeitern genau, wie Agenten funktionieren und inwieweit der Mensch die Kontrolle behält. Beginnen Sie mit einfachen Aufgaben, bei denen die Ergebnisse leicht zu erkennen sind, anstatt mit komplexen Prozessen, bei denen dies nicht der Fall ist.
Das agentische Unternehmen nimmt noch Gestalt an – doch die Richtung ist unverkennbar. Die Ära der Software, die Ihnen nur mitteilt, was gerade passiert, neigt sich dem Ende zu. Die Äre der Software, die aktiv reagiert, hat begonnen. Die Unternehmen, die sich an die Spitze setzen, werden nicht diejenigen sein, die über die meisten KI-Tools verfügen. Es werden vielmehr diejenigen sein, die zielgerichtet vorgehen – mit sauberen Daten, klarer Governance, praktischen Anwendungsfällen und Mitarbeitern, die bereit sind, die Arbeit im Wandel zu steuern. Die Technologie ist bereits da. Der Vorteil liegt bei dem, der sie als Erster einsetzt.
Und da es der Kontext ist, der einen Agenten von einer Vorschlagsmaschine zu einem zuverlässigen Akteur macht, erzielt man den schnellsten Fortschritt mit einer KI, die Ihre Branche bereits versteht. Um zu verstehen, wie Infor diesen Wandel darstellt und warum Branchenspezifität, nicht horizontale Skalierung, die Grundlage eines echten agentischen Unternehmens ist, lesen Sie The Agentic Enterprise: How Infor Is Building It.
Werden Sie mit Infor Velocity Suite – einem umfassenden KI-Paket, das branchenspezifische KI-Agenten umfasst – zu einem agentischen Unternehmen.