Einleitung
Agentic AI ist im September 2026 kein reines Zukunftsthema mehr, sondern eine konkrete Evolutionsstufe der Unternehmensautomatisierung. Nach der ersten Welle generativer KI, in der Mitarbeitende vor allem Texte, Zusammenfassungen oder Codevorschläge aus Chatbots erhielten, verschiebt sich der Fokus auf Systeme, die Ziele verfolgen, Kontext speichern, Werkzeuge nutzen und mehrstufige Aufgaben teilweise selbstständig ausführen. IBM beschreibt Agentic AI als KI-Systeme, die autonom Entscheidungen treffen, Aktionen planen und mit Tools oder anderen Agenten interagieren können.[1] Für Unternehmen ist das relevant, weil Automatisierung damit nicht mehr nur einzelne, exakt definierte Prozessschritte betrifft, sondern dynamische Wissensarbeit: Supportfälle triagieren, Angebote vorbereiten, Daten aus mehreren Systemen abgleichen oder Compliance-Prüfungen anstoßen.
Was Agentic AI von Chatbots und klassischen LLMs unterscheidet
Ein klassischer Chatbot reagiert auf Eingaben. Ein Large Language Model erzeugt wahrscheinliche nächste Tokens und kann dadurch schreiben, erklären, übersetzen oder strukturieren. Ein autonomer KI-Agent kombiniert ein LLM dagegen mit Zieldefinition, Planung, Gedächtnis, Tool-Nutzung, Rollen- und Rechtekonzepten sowie Beobachtung des Ergebnisses. Der Unterschied liegt also weniger im Sprachmodell selbst als in der Systemarchitektur: Der Agent bekommt ein Ziel, zerlegt es in Schritte, ruft APIs oder Geschäftsanwendungen auf, bewertet Zwischenergebnisse und passt den Ablauf an.
In der Praxis bedeutet das: Ein Chatbot kann einem Vertriebsmitarbeiter erklären, wie ein CRM-Eintrag gepflegt wird; ein Agent kann fehlende Daten erkennen, eine Recherche starten, einen Entwurf für die nächste Kundenmail erstellen und den CRM-Datensatz nach Freigabe aktualisieren. IBM trennt Agentic AI deshalb ausdrücklich von generativer KI: Generative KI erzeugt Inhalte, während Agentic AI zusätzlich Handlungen in einer Umgebung ausführt.[1] Wichtig bleibt: Autonomie ist kein Alles-oder-nichts-Prinzip. Viele Unternehmen beginnen mit „human-in-the-loop“-Szenarien, bei denen der Agent vorbereitet, empfiehlt und ausführt, aber kritische Entscheidungen durch Menschen bestätigt werden.
Aktuelle Entwicklungen und Beispiele in der Unternehmenspraxis
Die Anbieterlandschaft hat sich bis September 2026 stark professionalisiert. Statt einzelner Demo-Agenten stehen zunehmend Plattformen im Vordergrund, die Agenten bauen, überwachen und in bestehende Systeme einbinden. IBM positioniert watsonx Orchestrate als Agent-Management-Plattform, die Agenten über verschiedene Umgebungen hinweg bauen, bereitstellen, orchestrieren, verwalten und steuern soll.[2] Salesforce vermarktet Agentforce als Plattform für KI-Agenten in Vertrieb, Service, Marketing und Commerce, also nahe an operativen Kundenprozessen.[3] Google Cloud bündelt mit Gemini Enterprise beziehungsweise Agentspace Suche, Unternehmenswissen und KI-Agenten für Business-Anwendungen.[7]
Die Anwendungsfälle sind entsprechend weniger spektakulär, aber geschäftlich relevanter geworden. Im Kundenservice übernehmen Agenten die Vorqualifizierung von Anfragen, schlagen Antwortpfade vor, ziehen Vertragsdaten hinzu und eskalieren Sonderfälle. In HR können sie Onboarding-Fragen beantworten, Dokumente prüfen oder Workflows für Berechtigungen anstoßen. In IT und Security helfen Agenten beim Zusammenfassen von Incidents, beim Abgleich von Logs und beim Erzeugen von Runbook-Schritten. Salesforce verweist in seinen Agentforce-Kundengeschichten auf produktive Einsätze in Service- und Vertriebsprozessen, auch wenn konkrete Ergebnisse je nach Organisation stark vom Prozessdesign abhängen.[4]
Entscheidend ist der Wechsel von „KI als Oberfläche“ zu „KI als Prozessakteur“. Der Agent sitzt nicht nur vor einem Wissensbestand, sondern zwischen Anwendungen: CRM, ERP, Ticketsystem, Data Warehouse, Collaboration-Tools und Identity-Management. Dadurch entsteht der eigentliche Automatisierungshebel — aber auch das größte Risiko, wenn Berechtigungen, Datenqualität oder Monitoring nicht sauber gelöst sind.
Vorteile und Herausforderungen der Implementierung
Der wichtigste Vorteil ist Geschwindigkeit bei wissensintensiven Routineaufgaben. Agenten können Informationen sammeln, Prioritäten vorschlagen und repetitive Übergaben zwischen Systemen reduzieren. Zweitens verbessern sie die Skalierbarkeit: Ein gut begrenzter Agent kann viele gleichartige Fälle parallel bearbeiten, ohne dass für jeden Vorgang ein Mensch alle Quellen öffnen muss. Drittens steigt die Prozesskonsistenz, wenn Regeln, Freigaben und Dokumentationspflichten direkt in den Agenten-Workflow eingebettet sind.
Dem stehen praktische Hürden gegenüber. Agentic AI ist besonders abhängig von klaren Prozessgrenzen. Ein schlecht definierter Agent, der „Kundenprobleme lösen“ soll, ist schwer zu testen; ein Agent, der „Supporttickets der Kategorie Rechnung anhand von drei Datenquellen vorbereiten und zur Freigabe vorlegen“ soll, ist beherrschbar. Ebenso zentral sind Datenzugriff und Systemintegration. Viele Unternehmen unterschätzen, dass Agenten nur so gut handeln können wie die APIs, Berechtigungen und Stammdaten, die ihnen zur Verfügung stehen. Hinzu kommen Kosten: Mehrstufige Agenten erzeugen Modellaufrufe, Tool-Calls und Monitoring-Aufwand. Plattformen wie watsonx Orchestrate betonen deshalb Sichtbarkeit über Agenten, Abhängigkeiten, Aktivitäten und Kosten.[2]
Ein weiterer Implementierungsfehler ist die Verwechslung von Pilot und Betrieb. Ein Agent, der in einer Demo überzeugend wirkt, benötigt im Alltag Testsätze, Fallbacks, Audit-Logs, Rollenmodelle, Evaluierungen und klare Verantwortliche. Ohne diese Betriebsdisziplin wird Agentic AI schnell zu schwer nachvollziehbarer Schattenautomatisierung.
Sicherheit, Governance und ethische Aspekte
Mit Agentic AI erweitert sich die Angriffsfläche. Ein LLM, das nur antwortet, kann falsche Informationen liefern; ein Agent mit Tool-Zugriff kann falsche Aktionen auslösen. OWASP beschreibt Agentic AI als autonome Systeme, die durch LLMs und generative KI beschleunigt werden, und ordnet dafür spezifische Bedrohungen und Gegenmaßnahmen ein.[5] Dazu gehören unter anderem Prompt Injection, unkontrollierte Tool-Nutzung, übermäßige Berechtigungen, Datenabfluss, manipulierte Zwischenergebnisse und fehlende Nachvollziehbarkeit.
Governance muss daher vor der Skalierung beginnen. Das NIST AI Risk Management Framework stellt vier Kernfunktionen in den Mittelpunkt: Govern, Map, Measure und Manage.[6] Übertragen auf Agenten heißt das: Unternehmen müssen wissen, welche Agenten existieren, welche Ziele sie verfolgen, welche Daten und Tools sie nutzen, welche Risiken pro Anwendungsfall bestehen und wie Leistung sowie Fehlverhalten gemessen werden. Technisch braucht es Least-Privilege-Zugriffe, Freigabeschwellen, Protokollierung, Sandboxes, rote Linien für irreversible Aktionen und regelmäßige Evaluierung gegen Missbrauchsszenarien.
Ethisch relevant ist vor allem Transparenz. Mitarbeitende und Kunden sollten erkennen können, wann ein Agent beteiligt ist, welche Entscheidungen automatisiert vorbereitet wurden und wo menschliche Verantwortung liegt. Autonome Agenten dürfen nicht als Vorwand dienen, Verantwortlichkeit an ein System zu delegieren. Gerade in HR, Kreditvergabe, Gesundheit, Compliance oder Kundenkündigungen müssen Menschen nachvollziehen können, warum ein Agent etwas vorgeschlagen oder ausgelöst hat.
Ausblick für KMUs und Enterprise
Für KMUs liegt die Chance nicht darin, komplexe Multi-Agenten-Landschaften selbst zu bauen. Realistischer sind eingebettete Agenten in bestehenden SaaS-Produkten: Buchhaltung, CRM, Helpdesk, E-Commerce, Dokumentenmanagement oder Marketing-Automation. Der pragmatische Startpunkt ist ein enger Prozess mit messbarem Nutzen, etwa Angebotsvorbereitung, Rechnungsklärung oder Supporttriage. KMUs sollten besonders auf Datenzugriff, Vertragsbedingungen, Exportfähigkeit und einfache Abschaltmechanismen achten.
Enterprise-Organisationen stehen vor einer anderen Aufgabe: Sie müssen Agentic AI als neue Automatisierungsschicht industrialisieren. Das umfasst ein Agentenregister, zentrale Richtlinien, Modell- und Tool-Governance, Evaluation Pipelines, Security Reviews und klare Betriebsverantwortung. Der Nutzen entsteht dort, wo Agenten nicht isoliert, sondern in End-to-End-Prozesse integriert werden — etwa Lead-to-Cash, Hire-to-Retire, Incident-to-Resolution oder Procure-to-Pay. Gleichzeitig steigt mit jeder Integration die Pflicht, Fehlergrenzen, Haftung und Kontrollpunkte explizit zu definieren.
Fazit
Agentic AI revolutioniert Unternehmensautomatisierung nicht durch Magie, sondern durch eine neue Kombination aus Sprachverständnis, Planung, Tool-Nutzung und kontrollierter Autonomie. Im September 2026 ist der Markt reif genug für produktive Anwendungen, aber nicht reif genug für blindes Vertrauen. Unternehmen profitieren am stärksten, wenn sie Agenten als operative Mitarbeiter im digitalen Prozess betrachten: mit klarer Aufgabe, begrenzten Rechten, messbaren Ergebnissen, Aufsicht und kontinuierlicher Verbesserung. Wer klein startet, sauber evaluiert und Governance von Anfang an integriert, kann Agentic AI zu einem belastbaren Automatisierungsbaustein machen — für KMUs ebenso wie für globale Enterprise-Strukturen.
Quellen
[1] What is Agentic AI? | IBM — https://www.ibm.com/think/topics/agentic-ai
[2] IBM watsonx Orchestrate — https://www.ibm.com/products/watsonx-orchestrate
[3] Agentforce: The AI Agent Platform | Salesforce — https://www.salesforce.com/agentforce
[4] Agentforce Customer Stories | Salesforce — https://www.salesforce.com/agentforce/customer-stories
[5] Agentic AI – OWASP Lists Threats and Mitigations — https://genai.owasp.org/resource/agentic-ai-threats-and-mitigations
[6] AI Risk Management Framework | NIST — https://www.nist.gov/itl/ai-risk-management-framework
[7] Gemini Enterprise app: Best of Google AI for Business | Google Cloud — https://cloud.google.com/products/agentspace