Agentic AI: Warum handelnde KI-Systeme Unternehmen verändern
- 3. März
- 3 Min. Lesezeit
Aktualisiert: vor 2 Tagen
Agentic AI erweitert den klassischen KI-Assistenten um Planung, Werkzeugnutzung und mehrstufige Ausführung. Das eröffnet neue Möglichkeiten, erhöht aber zugleich die Anforderungen an Kontrolle, Identität und technische Absicherung.
Vom Antworten zum Handeln
Klassische Assistenten beantworten Fragen oder erstellen Inhalte. Ein agentisches System verfolgt dagegen ein Ziel, zerlegt es in Teilschritte, wählt geeignete Werkzeuge und bewertet Zwischenergebnisse. Es kann beispielsweise Informationen sammeln, Abweichungen analysieren, einen Vorschlag erstellen und einen Freigabeprozess starten.
Autonomie ist dabei kein Alles-oder-nichts-Prinzip. Ein Agent kann nur lesen, Aktionen vorbereiten oder innerhalb klarer Grenzen selbst ausführen. Die geeignete Stufe hängt von Risiko, Datenqualität und Reife des Prozesses ab.
Bausteine eines AI Agents
Ziel und Instruktion: Was soll erreicht werden und welche Grenzen gelten?
Kontext und Gedächtnis: Welche Daten, Dokumente und bisherigen Schritte sind relevant?
Planung: Wie wird die Aufgabe in sinnvolle Schritte zerlegt?
Tools: Welche APIs, Workflows, Suchfunktionen oder anderen Agenten dürfen verwendet werden?
Bewertung: Woran erkennt der Agent, ob ein Ergebnis ausreichend ist?
Kontrolle: Welche Schritte benötigen Bestätigung oder dürfen nicht autonom erfolgen?
Ein Agent ist somit keine einzelne Modellabfrage. Er ist ein laufendes System aus Modell, Orchestrierung, Tools, Identitäten, Protokollen und Kontrollmechanismen.
Wo Agentic AI sinnvoll ist?
Agenten eignen sich für Aufgaben, deren Ablauf nicht in jedem Fall gleich ist, die aber dennoch ein klares Ziel besitzen. Typische Beispiele sind komplexe Recherchen, Ausnahmeklärungen, die Koordination mehrerer Systeme oder die Vorbereitung von Entscheidungen.
Für hochfrequente, vollständig regelbasierte Prozesse ist klassische Automatisierung meist günstiger und stabiler. Ein Agent sollte nicht eingesetzt werden, nur weil die Technologie neu ist. Er lohnt sich dann, wenn Variabilität und Informationsvielfalt den Aufbau starrer Workflows unverhältnismäßig machen.
Human-in-the-Loop richtig gestalten
Menschliche Kontrolle bedeutet nicht, dass jede Aktion manuell bestätigt werden muss. Sinnvoll sind risikobasierte Kontrollpunkte. Niedrigrisiko-Schritte wie Recherche oder Zusammenfassung können autonom erfolgen. Finanzielle Buchungen, Stammdatenänderungen oder rechtlich relevante Entscheidungen benötigen dagegen Freigaben.
Der Mensch sollte außerdem erkennen können, welche Quellen und Werkzeuge verwendet wurden. Nur so lässt sich ein Ergebnis effizient prüfen. Eine bloße Freigabeschaltfläche ohne nachvollziehbare Begründung schafft keine echte Kontrolle.
Identität und Berechtigungen
Ein Agent darf nicht als anonymer Superuser agieren. Jede Aktion sollte einer technischen oder fachlichen Identität zugeordnet und nach dem Least-Privilege-Prinzip ausgeführt werden. Idealerweise erhält der Agent nur die Tools und Berechtigungen, die für seinen konkreten Zweck erforderlich sind.
Bei Aktionen im Namen eines Nutzers muss klar sein, ob dessen Berechtigungen übernommen werden oder eine eigene Agentenidentität verwendet wird. Beide Varianten haben Auswirkungen auf Audit, Haftung und Betrieb.
Monitoring und Qualität
Agenten können unterschiedliche Wege zum Ziel wählen. Deshalb reicht klassisches technisches Monitoring nicht aus. Zusätzlich müssen Ergebnisqualität, Tool-Nutzung, Abbruchgründe, Kosten, Laufzeit und menschliche Korrekturen beobachtet werden.
Für produktive Systeme sind repräsentative Testfälle und Regressionstests unverzichtbar. Änderungen am Modell, Prompt, Datenzugriff oder Toolset können das Verhalten beeinflussen. Eine kontrollierte Versionierung und ein Freigabeprozess für Agenten gehören daher zur Betriebsorganisation.
Praxisbeispiel
Ein Agent soll verspätete Lieferungen analysieren. Er liest Bestellungen und Liefertermine, prüft Bestände, bewertet alternative Lieferanten und erstellt einen Handlungsvorschlag. Bestelländerungen darf er nicht direkt ausführen.
Der Einkäufer erhält eine begründete Empfehlung mit Quellen, Kostenwirkung und Risiken. Nach Freigabe startet ein definierter Workflow die Änderung. Agentisches Verhalten wird dort genutzt, wo flexible Analyse nötig ist; die Transaktion bleibt in einem kontrollierten Prozess.
FAZIT
Identität, Monitoring und nachvollziehbare Freigaben sind zentrale Architekturbausteine. Unternehmen sollten deshalb nicht mit einem isolierten Tool starten, sondern mit einem klar umrissenen Prozess, belastbaren Daten, geregelten Verantwortlichkeiten und einem messbaren Zielbild.
Sie möchten einen konkreten Business-AI-Anwendungsfall im SAP-Umfeld bewerten oder in einem überschaubaren Pilotprojekt umsetzen? Pure Consulting unterstützt Sie von der Use-Case-Auswahl über Architektur und Integration bis zur produktiven Einführung.
Häufige Fragen:
Was ist Agentic AI?
Agentic AI bezeichnet KI-Systeme, die Ziele verfolgen, Aufgaben planen und mithilfe von Tools mehrere Schritte bearbeiten können.
Sind AI Agents vollständig autonom?
Nicht zwingend. Autonomie kann auf Recherche, Vorschläge oder klar begrenzte Aktionen beschränkt werden.
Wann ist ein Workflow besser?
Bei stabilen, deterministischen und häufig ausgeführten Abläufen ist ein klassischer Workflow meist verlässlicher.
Was muss überwacht werden?
Neben Technik und Verfügbarkeit sollten Ergebnisqualität, Tool-Aufrufe, Kosten, Freigaben, Fehler und menschliche Korrekturen gemessen werden.