Wie Sie Agenten-KI-Bereitschaft erreichen: Menschen, Daten und Erfahrungen
Kompetenzlücke: Organisationen scheitern nicht an der technischen Fähigkeit, sondern daran, dass die richtigen Personen die Entscheidungen treffen.
Gestaltungsbeteiligung: Die Einbindung der richtigen operativen Personen als Kernteammitglieder ist für ein wirksames Agenten-Design entscheidend.
Sich verstärkende Probleme: Kleine Kontextfehler von KI-Agenten summieren sich mit der Zeit und beeinträchtigen Kundenzufriedenheit und Vertrauen.
Vorteil kleinerer Organisationen: Kleinere Organisationen können agentische KI mit weniger Komplexität leichter implementieren als Großunternehmen.
Infrastruktur-Bedarf: Eine erfolgreiche KI-Einführung erfordert mehr als nur Technologie: Sie braucht organisatorische Fähigkeiten und Datenqualität.
Wenn Organisationen agentische KI einführen, stellen sie die Technologie in den Vordergrund. Sie sprechen über Agents, Orchestrierungsebenen, Multi-Model-Architekturen.
Was dabei selten erwähnt wird: die Menschen – und was passiert, wenn Dinge auf eine Weise schiefgehen, die niemand vorhergesehen hat?
Das Problem ist nicht technischer Natur, aber viele Führungskräfte erkennen das erst, wenn sie bereits tief in der Implementierung stecken, zusehen wie die Kundenzufriedenheit sinkt und Qualitätskennzahlen abgleiten.
Keep Reading—and Keep Leading Smarter
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Die Agentic-KI-Kompetenzlücke
Fragen Sie die meisten Führungskräfte nach ihrer Vorbereitung auf agentische KI, dann sprechen sie über ihre KI-Ingenieure und Datenwissenschaftler. Sie erklären ihre Cloud-Infrastruktur und den Auswahlprozess für Modelle.
Weniger hinterfragt wird, ob sie die Menschen befähigt haben, die tatsächlich verstehen, wie Agents das Unternehmen beeinflussen werden.
Hier liegt die eigentliche Kompetenzlücke. Nicht bei der technischen Fähigkeit, sondern beim organisatorischen Einfluss.
Die Frage ist nicht „Haben wir KI-Ingenieure?“, sondern „Haben wir die richtigen Menschen, die Entscheidungen treffen?“
In den meisten Organisationen lautet die Antwort: nein.
Nur 14 % der Unternehmen verfügen über einsatzbereite agentische Lösungen, obwohl 30 % Optionen prüfen und 38 % Pilotprojekte durchführen.
KI-Agents im Elfenbeinturm entwickeln
Was passiert, wenn technische Teams Agents entwickeln, ohne Input von den Menschen, die die tatsächliche Arbeit erledigen? Sie vereinfachen zu stark.
Ein Prozess, der auf einem Ablaufdiagramm klar wirkt, enthält unsichtbare Schichten von Urteilsvermögen. Der Kundenservicemitarbeiter, der weiß, wann eine Regel flexibel gehandhabt werden sollte. Die Betriebsleiterin, die versteht, welche Ausnahmen zählen. Der Analyst, der zwischen den Zeilen unvollständiger Daten liest.
Diese Entscheidungen beruhen auf Gefühl und Erfahrung. Sie wirken wie einfache „Wenn dies, dann das“-Logik in einem Entscheidungsbaum.
Aber Menschen in diesen Rollen verstehen etwas, das Agents nur schwer nachbilden können: Kontext.
Sie wissen, dass eine Regel zwar in den meisten Fällen gilt, es aber immer wieder Situationen gibt, in denen eine Ausnahme gemacht werden muss. Momente, in denen man bewusst anders handelt.
Francisco Marin, Mitbegründer von Cognitive Talent Solutions, beschreibt die Herausforderung, der sich sein Team beim Aufbau von HR-Agents gegenübersah:
Wir haben beobachtet, dass es einige agentische Fähigkeiten für zentrale HR-Prozesse wie Lohnabrechnung oder regulatorische Compliance gab. Aber uns fehlte diese Generation von Anwendungsfällen, die People Analytics betreffen, insbesondere jene, die mit dem Netzwerk-Framework verknüpft sind.
Sein Team hat nicht nur technische Lösungen entwickelt. Sie haben Systeme gebaut, die widerspiegeln, wie Arbeit tatsächlich abläuft – nicht, wie sie auf einem Organigramm aussieht.
Wenn Agents gebaut werden, ohne zunächst implizites Wissen zugänglich zu machen, entstehen keine unmittelbaren Fehler. Es entstehen Probleme mit Zeitverzögerung.
Sich aufschaukelnde Qualitätsprobleme
Der Agent trifft eine Entscheidung, die technisch korrekt, aber kontextuell falsch ist. Einmalig ist das kein Desaster.
Aber auf Dauer summieren sich diese kleinen Qualitätseinbußen.
Man bemerkt es erst, wenn Kundenbefragungen eintreffen. Oder man ein Muster in den Daten erkennt. Bis dahin haben sich die Folgeschäden bereits durchs System gezogen.
Dann repariert man nicht nur einen Agenten. Man muss Vertrauen neu aufbauen.
95 % der generativen KI-Pilotprojekte bringen keinen messbaren ROI. Die Hauptursache sind nicht fehlerhafte Modelle. Schlechte Integration und fehlende Abstimmung der Prioritäten verhindern den Erfolg dieser Initiativen.
Übersetzt heißt das: Die richtigen Leute sind nicht in den Designprozess eingebunden.
Wer tatsächlich dabei sein muss
Diejenige Person, deren Tätigkeit Sie automatisieren möchten, sollte dabei sein.
Nicht als Berater. Nicht im Nachhinein. Sondern als zentraler Bestandteil des Designteams.
Diese Person muss helfen, den Agent zu steuern. Sie teilt ihre praktischen Erfahrungen und bringt das „außer wenn“-Wissen ein, das in keiner Dokumentation steht.
Dan George, der früher als CHRO tätig war und dann Cognitive Talent Solutions mitgründete, beschreibt die entscheidenden Faktoren.
Ich habe diesen Prozess in der Vergangenheit manuell durchgeführt. Als ich früher CHRO war, war ich für People Analytics in verschiedenen Organisationen verantwortlich. Ich musste Listen erstellen und sie an die Teams für Lernen und Entwicklung oder an andere Bereiche des Talentmanagements weitergeben.
Seine Erfahrung im Aufbau von Agenten hat ihm gezeigt, dass Automatisierung ohne gelebte Erfahrung zu Systemen führt, die zwar funktional wirken, aber in der Praxis scheitern.
„Wenn es einen automatisierten, autorisierten Bereich gibt, in dem ein Admin einfach nur klicken, klicken, klicken muss, macht das den Prozess deutlich leichter und bringt uns dazu, nicht immer nur die typischen Mentoren und Mentees auszuwählen, auf die wir sonst schnell zurückgreifen.“
Um dahin zu kommen, mussten jedoch die Menschen einbezogen werden, die die Feinheiten des Mentor-Mentee-Matchings verstanden – nicht nur die technischen Anforderungen der Datenverarbeitung.
Lisa Jones, CEO von EyeMail, hat eine ähnliche Lektion bei der Implementierung von KI in ihrem Unternehmen gelernt. „Wir haben jede Abteilung gefragt: Wo spürt ihr Reibung oder Wiederholung? Wo könnte KI euch helfen, mehr Kreativität oder Klarheit zu ermöglichen? Was würdet ihr gerne tun, wenn Künstliche Intelligenz euch bei den anderen Aufgaben unterstützt?“
Dieser Ansatz löste Ideen von Marketing bis Betrieb aus und gab jedem Team Eigenverantwortung, wie KI im Arbeitsalltag eingesetzt wird.
Der beste Weg, gelebte Erfahrung einzubinden, ist direkte Beteiligung. Und diese Beteiligung muss mit zwei Dingen einhergehen, die in den meisten Organisationen getrennt werden: Qualifizierung und fairer Vergütung.
Man kann Agenten-Design und Mitarbeiterentwicklung nicht trennen
Die meisten Unternehmen behandeln dies als verschiedene Initiativen. Das Design von Agenten passiert in der IT. Qualifizierung übernimmt HR. Die Vergütung erfolgt in den jährlichen Mitarbeitergesprächen.
Diese Fragmentierung hemmt die Akzeptanz.
Man muss alle Komponenten bündeln, um starke Leistungen zu ermöglichen. Agenten-Design ist eine neue Fähigkeit. Zu verstehen, wie Agenten die eigene Produktivität und den eigenen Einfluss steigern, ist wichtiger als zu wissen, wie man sie programmiert.
Wenn man diese Elemente nicht miteinander verbindet, resultieren daraus zwei mögliche Szenarien.
- KI-Sabotage – Zynische Teilnahme, die das Vorhaben untergräbt. Menschen, die wissen, dass das System scheitern wird, sorgen still dafür, dass es passiert.
- Imageschaden – Es spricht sich herum, dass die Organisation Wissen extrahiert, ohne in Menschen zu investieren. Die Arbeitgebermarke erleidet einen irreparablen Schaden.
Jones beschreibt, wie EyeMail diese Falle vermieden hat.
Wir haben keine formalen Trainingshandbücher eingeführt. Stattdessen haben wir AI Curiosity Circles geschaffen – wöchentliche Treffen, in denen Teammitglieder ihre Entdeckungen geteilt, Prompts ausprobiert und die emotionale Wirkung erforscht haben. Das waren nicht nur technische Schulungen, sondern Storytelling-Labs.
Da KI die repetitiven Aufgaben übernimmt, widmete sich das Team von Jones noch stärker dem Storytelling, Innovation und der Empathie mit den Kunden.
„Neugier wurde zu einem zentralen Wert“, berichtet sie. „Teammitglieder fühlten sich engagierter, wertgeschätzter und inspiriert, zu experimentieren.“
Man muss alles miteinander verknüpfen, damit alle erkennen, dass es sich um eine Investition in sie handelt – nicht um einen Ersatz für sie.
Warum kleinere Organisationen im Vorteil sind
Große Unternehmen haben bereits umfangreich mit Robotic Process Automation (RPA) und prädiktiver KI automatisiert. Sie haben komplexe Systeme mit mehreren Genehmigungsstufen, Compliance-Anforderungen und rechtlichen Rahmenbedingungen aufgebaut.
Wenn zu dieser Komplexität eine agentenbasierte Architektur hinzukommt, vervielfacht sich die Fehleranfälligkeit exponentiell.
Kleine Teams haben Vorteile bei der Einführung von KI. Sie müssen weniger Prozesse steuern, weniger Entscheider einbinden und haben geringere Compliance-Hürden.
Die beste agentenbasierte Architektur ist nicht übermäßig komplex. Je schlanker sie konzipiert ist, desto weniger kann kaputtgehen.
Agenten arbeiten am besten, wenn sie mit klaren Grenzen und minimalen Abhängigkeiten operieren können. Wenn sie Entscheidungen treffen können, ohne sich durch byzantinische Genehmigungsprozesse navigieren zu müssen. Wenn sie auf Daten zugreifen können, ohne fünfzehn verschiedene Systeme abgleichen zu müssen.
Kleinere Organisationen haben dies von Natur aus. Großunternehmen müssen es gezielt aufbauen.
Nahezu die Hälfte der Unternehmen nennt die Durchsuchbarkeit von Daten (48 %) und die Wiederverwendbarkeit von Daten (47 %) als Herausforderungen für ihre KI-Automatisierungsstrategie. Ihre Daten sind nicht darauf ausgelegt, von Agenten genutzt zu werden, die Geschäftskontext benötigen.
Die Kluft zwischen CEO und CISO
CEOs sind optimistisch. 67,1 % glauben, dass KI-Tools ihnen helfen werden, bessere Entscheidungen im Bereich Cybersicherheit zu treffen. 60,2 % denken, dass ihr Unternehmen besser auf die Reaktion auf KI-Bedrohungen vorbereitet ist als andere.
CISOs sind vorsichtig. Nur 58,6 % teilen dieses Vertrauen. Nur 19,5 % glauben, dass KI die Cyberabwehr stärkt, im Vergleich zu 29,7 % der CEOs.
Diese Lücke sagt alles über die organisatorische Bereitschaft aus.
Die für Sicherheit, Compliance und operationelle Risiken Verantwortlichen sehen Probleme, die der Vorstand nicht wahrnimmt. Sie erkennen, dass Agenten neue Angriffsvektoren einführen. Dass Multi-Agenten-Systeme Debugging-Albträume verursachen und es noch keine Governance-Modelle für autonome Entscheidungsfindung in großem Maßstab gibt.
Nur 14 % der CISOs fühlen sich vollständig vorbereitet, KI in die Cybersecurity-Operationen zu integrieren. Mehr als 50 % nennen mangelnde Unterstützung durch CIOs und CEOs als größte Herausforderung.
Ob Ihr Unternehmen eine gemeinsame Vorstellung davon hat, was die Implementierung tatsächlich erfordert, zeigt sich zuerst hier.
Was die Kluft wirklich bedeutet
Wenn Ihr CEO optimistisch und Ihr CISO besorgt ist, haben Sie ein strategisches Problem beim Thema KI-Verantwortung.
Die Geschäftsseite sieht Chancen. Die operative Seite sieht Risiken. Und niemand hat die Brücke dazwischen gebaut.
Dies wird sichtbar in Entscheidungen über die Umsetzung, Ressourcenallokation und darin, wie Geschwindigkeit im Vergleich zur Sicherheit priorisiert wird.
Marin und George haben diese Brücke in ihren Agenten-Designprozess eingebaut. Als ich sie nach Einwilligung und Transparenz in ihren HR-Agenten fragte, erklärte George:
"Wir müssen dafür sorgen, dass alles, was wir mit agentischer KI tun, das richtige Maß an Einwilligung und ethischer Nutzung dieser automatisierten Prozesse beinhaltet.
Marin ergänzte: "Wir haben laufende Diskussionen mit dem Team über die Feinheiten jedes Anwendungsfalls separat geführt. Im Fall unseres Talentbindung-Agenten haben wir zum Beispiel diskutiert, ob es sinnvoll ist, diese Erkenntnisse auf aggregierter Ebene bereitzustellen oder ob es besser ist, sie auf individueller Ebene zu liefern und den unmittelbaren Vorgesetzten zu benachrichtigen."
In den meisten Organisationen wird die Aufgabe, diese Brücke zu bauen, von der Führungsriege erledigt, aber es sind nicht CEO und CISO, die sie anführen. Vielmehr ist es die Partnerschaft zwischen CHRO (Mensch und Prozess) und CIO (Datenqualität und Best Practices), die den gelungenenen Ausgleich zwischen Chancen und Risiko ermöglichen wird.
Organisationen, die diese Lücke früh schließen, sind schneller. Sie bauen Governance-Frameworks, bevor sie diese brauchen. Sie investieren in Beobachtbarkeit und Monitoring und schaffen klare Eskalationswege, falls Agenten Entscheidungen außerhalb ihrer Grenzen treffen.
Die Infrastruktur agentischer KI
Agenten benötigen mehr als APIs und Datenpipelines. Sie brauchen Infrastruktur, die die meisten Unternehmen nicht haben.
Identitäts- und Berechtigungsmanagement, das über mehrere Agenten hinweg funktioniert. Tool-Kataloge, die Agenten dazu befähigen, Fähigkeiten zu entdecken, ohne Integrationen fest zu programmieren. Durchsetzung von Richtlinien, die konsequent gilt, unabhängig davon, welcher Agent eine Entscheidung trifft.
Und Beobachtbarkeit, die Ihnen ermöglicht, Probleme zu diagnostizieren, wenn mehrere Agenten auf unerwartete Weise miteinander interagieren.
Dies ist auch kein temporäres Problem: 65 % der Führungskräfte nennen die Systemkomplexität agentischer Ansätze seit zwei Quartalen in Folge als größte Hürde.
Wichtig ist zu bedenken, dass Infrastruktur nicht nur Technologie ist, sondern auch organisatorische Fähigkeit.
Jones hat dies beim Aufbau agentischer Workflows bei EyeMail erfahren. Ihr Team nutzt Miro AI, um Kundenerlebnisse zu visualisieren, emotionale Berührungspunkte und Reibungspunkte zu identifizieren. Ihr Einsatz von HubSpot AI liefert Verhaltensanalysen und Segmentierungen und hilft dabei, Onboarding-Abläufe und Nurture-Sequenzen zu personalisieren.
"Wir haben die Onboarding-Abschlussquote um 40 % gesteigert. Flexible, modulare Journey-Designs für Pharma-, Technologie- und Automobilkunden ermöglicht. Storytelling-Frameworks bereitgestellt, die Kunden dort abholen, wo sie stehen – emotional und operativ", sagte sie.
Ansprüche an die Datenqualität
Ihr Kunde taucht als „Acme Corp" im CRM auf, als „Acme Corporation" in den E-Mail-Systemen, als „ACME Inc." in Verträgen und als „Acme" in Mitschriften von Anrufen.
Ohne Entitätenabgleich fragmentieren Agenten ihr Verständnis über viele unvollständige Profile hinweg.
73 % der führenden Datenverantwortlichen in Unternehmen nennen „Datenqualität und -vollständigkeit“ als das größte Hindernis für KI-Erfolg. Dies steht noch vor der Modellgenauigkeit, den Computerkosten und dem Fachkräftemangel.
Mit schlechten Daten kann auch die beste Agententechnologie nichts anfangen. Sie müssen die Daten zuerst in Ordnung bringen.
Wie Sie agentenbasierte KI erfolgreich einführen
Organisationen, die agentenbasierte Systeme erfolgreich einführen, machen drei Dinge anders.
- Binden Sie die Mitarbeitenden bei der Agentengestaltung ein. Nicht als Berater:innen, sondern als Kernteam-Mitglieder. Sie vergüten diese Arbeit fair und nutzen sie als Möglichkeit zur Weiterentwicklung der Kompetenzen.
- Schaffen Sie Governance, bevor Sie skalieren. Klare Richtlinien, was Agenten tun dürfen und was nicht. Eskalationswege für Sonderfälle. Überwachungsmethoden, die Probleme erkennen, bevor sie sich vervielfachen.
- Halten Sie die Systeme schlank. Sie widerstehen der Versuchung, komplexe Multi-Agenten-Orchestrierungen zu bauen, bevor der Mehrwert einzelner Agenten bewiesen ist. Komplexität wird erst dann hinzugefügt, wenn einfachere Ansätze scheitern.
„KI überbrückt die Distanz zwischen Vision und Ausführung“, sagt Jones. „Was früher wochenlange Recherche, Beratermeinungen und abteilungsübergreifende Abstimmung erforderte, kann nun mit einer gut formulierten Eingabe beginnen.“
Doch entscheidend ist der Weg dorthin. Ihr Team hat nicht einfach formelle Handbücher eingeführt. Sie schufen KI-Neugier-Zirkel – wöchentliche Sessions, in denen Teammitglieder Entdeckungen austauschten, Eingaben testeten und emotionale Auswirkungen ergründeten.
„Für mich ist die Organisation der Zukunft ein Netzwerk, das von KI-Agenten angetrieben wird, wobei KI-Agenten dazu eingesetzt werden, diese Mikrointerventionen in großem Maßstab umzusetzen“, sagt Marin. „Es gibt einen Teil, in dem große multinationale Unternehmen als Inkubatoren dieses neuen Arbeitstyps fungieren – wir nennen das eine Netzwerk-zuerst-Zukunft der Arbeit.“
Das eignet sich nicht für gute Pressemitteilungen. Aber es trennt die 14 %, die Lösungen umgesetzt haben, von den 38 %, die noch in Pilotprojekten festhängen.
Die Frage, die Sie jetzt beantworten müssen
Agentenbasierte Architekturen kommen nicht erst – sie sind schon da.
Bis Ende 2026 werden 40 % der Unternehmensanwendungen aufgabenbezogene KI-Agenten integrieren, gegenüber weniger als 5 % im Jahr 2025.
Mit der zunehmenden Verbreitung von Agenten müssen sich alle Unternehmen die Frage stellen, ob sie den Anforderungen der Agentenherausforderung gewachsen sind. Nicht nur technisch, sondern auch organisatorisch. Das heißt:
- Die richtigen Leute am Tisch.
- Eine Infrastruktur, die autonome Entscheidungen ermöglicht.
- Governance, um Fehler zu erkennen, bevor sie sich ausweiten.
- Datenqualität, die kontextbewusste Entscheidungen ermöglicht.
- Die Bereitschaft, in Menschen ebenso zu investieren wie in Technik.
Die meisten Organisationen werden das falsch angehen. Sie behandeln agentenbasierte KI als technisches Upgrade, statt als organisatorische Neugestaltung.
Sie werden zu den 40 % der agentenbasierten KI-Projekte gehören, deren Abbruch Gartner bis Ende 2027 aufgrund steigender Kosten, unklaren Geschäftsnutzens oder unzureichender Risikosteuerung prognostiziert.
Diejenigen Organisationen, die es richtig machen, erkennen, dass agentenbasierte Architekturen mehr verlangen als nur Ingenieure. Sie verlangen die gelebte Erfahrung der Menschen, deren Arbeit Sie besser machen wollen.
Und sie bauen Systeme, die diese Realität respektieren.
