Vor der Einführung von gen AI hatte analytische KI weltweit bereits einen Wert von 11 bis 18 Billionen Dollar generiert, hauptsächlich durch Vorhersage und Optimierung. Die Nutzung war jedoch auf Experten beschränkt. Gen AI hat das verändert, indem es den Zugang für alle ermöglicht hat: 78 % der Unternehmen berichten jetzt, dass sie gen AI in mindestens einer Funktion verwenden, was ein geschätztes zusätzliches Potenzial von 2,6-4,4 Billionen Dollar bedeutet.
Trotzdem hat sich diese Begeisterung nicht in Ergebnissen niedergeschlagen. Über 80 % der Unternehmen berichten von keinem wesentlichen Beitrag zur Gewinnerzielung durch gen AI-Initiativen, und nur 1 % betrachten ihre Strategie als „ausgereift“. Dieses Phänomen wird als „gen AI-Paradoxon“ bezeichnet: enorme Energie, Investitionen und Potenzial, aber nur minimale Auswirkungen.
Viele Unternehmen haben „horizontale“ KI-Anwendungsfälle wie Copiloten und Chatbots implementiert. Fast 70 % der Fortune-500-Unternehmen verwenden beispielsweise Microsoft 365 Copilot. Aber während diese zugänglichen Tools die individuelle Produktivität steigern, ist ihre Wirkung zu gering, um sich auf das Endergebnis auszuwirken.
Im Gegensatz dazu weisen „vertikale“ Anwendungsfälle, die in bestimmte Geschäftsprozesse eingebettet sind, ein größeres wirtschaftliches Potenzial auf. Untersuchungen von McKinsey zeigen jedoch, dass rund 90 % dieser Bemühungen in der Pilotphase stecken bleiben. Selbst wenn sie eingesetzt werden, unterstützen sie einzelne Vorgänge in der Regel reaktiv, anstatt autonom zu arbeiten.
Die Einführung vertikaler KI steht vor mehreren Hindernissen: Oft sind es isolierte Bottom-up-Initiativen, die zu einer Fragmentierung führen. Ein Mangel an standardisierten Lösungen erfordert oft eine kundenspezifische Entwicklung. LLMs der ersten Generation werden durch ihre inhärente Passivität, Unzuverlässigkeit und Unfähigkeit, mit komplexen, mehrstufigen Problemen umzugehen, eingeschränkt. Die Datenqualität und Zugänglichkeit ist oft uneinheitlich. Vertikale KI kann auch auf kulturellen Widerstand von Teams stoßen, die Störungen befürchten.
Trotz der begrenzten Auswirkungen auf das Endergebnis hat die erste Welle von gen AI jedoch umfassende Pilotprojekte ermöglicht, die das Vertrauen in die KI beschleunigt und Unternehmen dabei geholfen haben, wesentliche Fähigkeiten in den Bereichen Prompt Engineering, Modellbewertung und Governance aufzubauen. Dies legt den Grundstein für eine stärker integrierte und transformative zweite Phase: das beginnende Zeitalter der KI-Agenten.
LLMs haben die Art und Weise revolutioniert, wie Unternehmen mit Daten interagieren: sie ermöglichen die Informationssynthese, die Generierung von Inhalten und die Interaktion in natürlicher Sprache – aber auf eine grundlegend reaktive Art und Weise, isoliert von anderen Unternehmenssystemen.
KI-Agenten erweitern gen AI von der reaktiven Inhaltsgenerierung bis zur autonomen Ausführung. Sie kombinieren LLMs mit Speicher-, Planungs- und Orchestrierungsfunktionen, um Ziele zu verstehen, sie in Teilaufgaben zu zerlegen und Vorgänge mit minimalem menschlichen Eingriff auszuführen. Dies erweitert das Potenzial horizontaler Lösungen: Agentenbasierte Copiloten werden zu proaktiven Teamkollegen, die Dashboards überwachen, Workflows auslösen, offene Aktionen nachverfolgen und Erkenntnisse in Echtzeit liefern können.
Der wirkliche Durchbruch kommt jedoch im vertikalen Bereich, wo Agentic AI komplexe Geschäftsabläufe, die mehrere Schritte, Akteure und Systeme umfassen, automatisieren kann – Prozesse, die über die Fähigkeiten der gen AI-Tools der ersten Generation hinausgehen.
Agenten transformieren Prozesse auf fünf Arten: durch Eliminierung von Verzögerungen aufgrund paralleler Ausführung, Ermöglichung von Anpassungsfähigkeit in Echtzeit sowie Personalisierung in großem Maßstab, Bereitstellung von flexiblen Kapazitäten und Erhöhen der Ausfallsicherheit des Betriebs durch kontinuierliche Überwachung.
Im Supply-Chain-Management könnte ein KI-Agent beispielsweise kontinuierlich die Nachfrage prognostizieren, Risiken identifizieren und den Bestand automatisch zwischen den Lagern neu verteilen, während er mit externen Systemen verhandelt, um das Servicelevel zu verbessern und gleichzeitig die Kosten zu senken.
Agenten können Wachstum fördern, indem sie bestehende Einnahmequellen erweitern. Dies geschieht beispielsweise durch die Identifizierung von Up- oder Cross-Selling-Möglichkeiten in einem Onlineshop, basierend auf der Analyse des Nutzerverhaltens, des Warenkorbinhalts und weiterer Kontextinformationen. Darüber hinaus können neue Einnahmequellen erschlossen werden, etwa durch automatisierte Angebote wie Wartungsabonnements für Industriekunden oder gebündelte SaaS-Tools, welche interaktive Expertise für Kunden bieten, die maßgeschneiderte rechtliche, steuerliche oder Beschaffungsberatung benötigen.
Kurz gesagt: Agentic AI automatisiert nicht nur, sondern definiert auch die Art und Weise neu, wie Organisationen arbeiten, sich anpassen und Mehrwert schaffen.
Wenn Agenten einfach in Legacy-Prozesse eingebettet werden, werden sie zu schnelleren Assistenten, die in der Regel Produktivitätssteigerungen von 5-10 % bieten. Echte bahnbrechende Erfolge erfordern jedoch eine Reform der Prozesse von Grund auf.
Dies umfasst die Umstellung von Prozessschritten, die Neuzuordnung von Verantwortlichkeiten zwischen Menschen und Agenten sowie die Gestaltung des Prozesses, um die Stärken der KI auszunutzen, wie etwa parallele Ausführung, Anpassung in Echtzeit, umfassende Personalisierung und flexibles Kapazitätsmanagement.
Stellen Sie sich ein hypothetisches Kunden-Callcenter vor: Zunächst verwenden menschliche Supportmitarbeiter gen AI-Tools, um Artikel aus Wissensdatenbanken abzurufen, Ticketverläufe zusammenzufassen und Antworten zu verfassen. Wenn AI-Agenten eingeführt würden, während die bestehenden Arbeitsabläufe beibehalten werden, könnten die zeitliche Dauer um 20-40 % und der Rückstand um 30-50 % reduziert werden.
Eine vollständige Neugestaltung der Prozesse, bei der KI-Agenten proaktiv Probleme erkennen, automatische Lösungen einleiten und direkt mit Kunden kommunizieren, könnte bis zu 80 % der Vorfälle autonom lösen, was zu einer Verkürzung der Lösungszeit um 60-90 % führt. Menschliche Agenten, die hinzugezogen werden, wenn KI-Agenten Unsicherheiten oder Ausnahmen von typischen Mustern feststellen, sind in diesem Szenario nun Eskalationsmanager und Überwacher für die Servicequalität.
Natürlich muss nicht jeder Geschäftsprozess komplett neu erfunden werden. Eine einfache Aufgabenautomatisierung ist ausreichend für standardisierte, sich wiederholende Arbeitsabläufe mit begrenzter Variabilität, wie z. B. die Lohn- und Gehaltsabrechnung oder die Genehmigung von Reisekosten. Komplexe, funktionsübergreifende Prozesse, die anfällig für Ausnahmen sind oder eng mit der Unternehmensleistung verknüpft sind, rechtfertigen jedoch oft eine vollständige Neugestaltung.
Agentic AI automatisiert nicht nur, sondern definiert auch die Art und Weise neu, wie Organisationen arbeiten, sich anpassen und Mehrwerte schaffen.
Die Skalierung von Agenten stellt drei Herausforderungen: das Management neuer systemischer Risiken, die Integration von maßgeschneiderten und standardisierten Systemen sowie die Agilität zu bewahren und damit einen Vendor-Lock-in inmitten schnelllebiger Technologien zu vermeiden. Diese Herausforderungen können nicht einfach durch das Hinzufügen neuer Komponenten, wie etwa Speichersysteme oder Orchestrierungsmaschinen, zu bestehenden gen AI-Stacks bewältigt werden.
Was wir brauchen, ist ein grundlegender Wandel von einer statischen, LLM-zentrierten Infrastruktur hin zu einer dynamischen, modularen und gesteuerten Umgebung, die speziell für agentenbasierte Intelligenz entwickelt wurde – das Agentic AI-Mesh.
Das Agentic AI-Mesh bietet ein einheitliches Framework, das es mehreren Agenten (standardisiert und kundenspezifisch) ermöglicht, über eine Vielzahl von Systemen, Tools und Sprachmodellen hinweg zu argumentieren, zusammenzuarbeiten und autonom zu handeln – sicher, skalierbar und so konzipiert, dass sie sich mit der Technologie weiterentwickeln. Es stützt sich auf fünf miteinander verknüpfte Gestaltungsprinzipien:
Organisationen müssen ihre LLM-Strategien auch an die spezifischen Bedürfnisse der Agenten anpassen: Implementierungen, die Echtzeitantworten erfordern, benötigen LLMs mit geringer Latenz; Agenten, die in regulierten oder wissensintensiven Bereichen (z. B. Recht, Finanzen, Gesundheitswesen) tätig sind, benötigen LLMs, die optimiert und mit externen Tools ausgestattet werden können.
Mittel- bis langfristig müssen Organisationen APIs hinter sich lassen und agentenorientierte IT-Architekturen entwickeln, bei denen Benutzeroberflächen, logische Funktionen und Datenzugriffsschichten von Beginn an für Maschinen und nicht für Menschen konzipiert sind. Anstelle von Bildschirmen und Formularen sind solche Systeme um maschinenlesbare Schnittstellen, autonome Workflows und agentengesteuerte Entscheidungsflüsse herum organisiert.
Dieser Wandel ist bereits im Gange. Microsoft integriert Agenten in die Kernfunktionen von Dynamics 365 und Microsoft 365 über Copilot Studio. Salesforce erweitert Agentforce zu einer Multi-Agenten-Orchestrierungsschicht. SAP gestaltet seine Business Technology Platform (BTP) neu, um die Agentenintegration über Joule zu unterstützen. Die Zukunft der Unternehmenssoftware ist nicht nur KI-gestützt, sondern agentenbasiert.
Mit der Weiterentwicklung und Skalierung von Agenten treten sowohl technische als auch organisatorische Komplexitäten auf, die Herausforderungen in Bezug auf Koordination, Urteilskraft und Vertrauen mit sich bringen. Diese Herausforderungen zeigen sich auf drei Weisen:
Um den durch Agentic AI gebotenen Chancen gerecht zu werden, müssen Organisationen ihr Vorgehen in der KI-Transformation grundlegend umgestalten – über vier Dimensionen:
Der Aufstieg von KI-Agenten stellt einen strategischen Wendepunkt dar, der die Art und Weise, wie Unternehmen arbeiten, konkurrieren und Werte schaffen, neu definieren wird. Dies ist ein Dreh- und Angelpunkt, der nicht delegiert werden kann – er muss vom CEO initiiert und geleitet werden. Dies erfordert drei entscheidende Maßnahmen:
Wie jede disruptive Technologie bieten KI-Agenten Nachzüglern die Möglichkeit, ihre Wettbewerbsfähigkeit zu steigern. Falsch implementiert oder gar nicht eingesetzt, riskieren sie, den Niedergang der heutigen Marktführer zu beschleunigen.
Agentic AI entwickelt sich weiter, ist aber bereits ausgereift genug, um in verschiedenen Branchen echte Veränderungen voranzutreiben. Um ihr Potenzial auszuschöpfen, müssen CEOs die KI-Transformation als eine Reihe gezielter, durchgehender Reformierungsprojekte angehen. Das bedeutet, Geschäftsbereiche mit dem größten Potenzial zu identifizieren und dann alle Hebel in Bewegung zu setzen: von der Neugestaltung von Arbeitsabläufen über die Neuverteilung von Aufgaben zwischen Mensch und Maschine bis hin zur Einführung neuer Betriebsmodelle.
Einige Führungskräfte sind bereits auf dem Weg – sie setzen nicht nur Flotten von Agenten ein, sondern strukturieren ihre Organisationen neu, um ihr volles disruptives Potenzial auszuschöpfen. So hat Moderna beispielsweise die Führungskräfte seiner HR- und IT-Abteilungen zusammengelegt, die IT-Führung zusammengeführt und damit signalisiert, dass KI nun Einfluss auf die Gestaltung der Belegschaft hat. Dies ist ein struktureller Schritt hin zu einer neuen Art von Unternehmen.
Agentic AI ist kein inkrementeller Schritt, sondern die Grundlage des Betriebsmodells der nächsten Generation. CEOs, die jetzt handeln, werden nicht nur einen Leistungsvorteil erzielen. Sie werden neu definieren, wie ihre Organisationen denken, entscheiden und umsetzen. Die Phase des Erkundens geht zu Ende – jetzt beginnt die Zeit der Transformation.
Dies ist ein Auszug aus dem Bericht von QuantumBlack “Seizing the agentic AI advantage”