Agentic AI im Unternehmen: Architektur, Implementierung und der Weg zum produktiven System
Agentic AI bezeichnet autonome KI-Systeme, die eigenständig Ziele verfolgen, Teilschritte planen und Aufgaben ohne unmittelbare menschliche Steuerung ausführen. Im Unterschied zu klassischen regelbasierten Automatisierungen oder einfachen Chatbots verfügen diese Systeme über ein Gedächtnis, nutzen Tools (APIs, Datenbanken, spezialisierte Modelle) und passen ihr Vorgehen dynamisch an veränderte Bedingungen an.
Die Technologie wird zunehmend als operatives Betriebsmodell verstanden. Gartner prognostiziert, dass bis 2028 rund ein Drittel aller Enterprise-Applikationen Agentenfunktionen enthalten wird und etwa 15 Prozent der täglichen Geschäftsentscheidungen autonom von Agenten getroffen werden.
Definitionen und Abgrenzung
Ein KI-Agent agiert wie ein digitaler Mitarbeiter: Er erhält ein Ziel als Input und übernimmt selbständig Planung, Ausführung und Priorisierung. Die Kernkomponenten sind:
- LLM (Large Language Model) als Reasoning-Engine für Intentionserkennung und Aufgabenzerlegung
- Gedächtnis (Memory) zur Kontextspeicherung über Interaktionen hinweg
- Tool-Integration für den kontrollierten Zugriff auf APIs, Datenbanken und externe Systeme
Die Abgrenzung zu verwandten Technologien ist klar definiert:
| Ansatz | Entscheidungslogik | Handlungsfähigkeit | Adaptivität |
|---|---|---|---|
| Regelbasierte RPA | Feste Abläufe | Vordefinierte Aktionen | Keine |
| RAG / LLM-Assistenz | Kontextbasiert | Textgenerierung | Begrenzt |
| Agentic AI | Zielorientiert | Autonome Aktionen | Dynamisch |
Agenten befinden sich auf der Spitze eines Kontinuums: von einfachen Chatbots über generative Assistenzsysteme bis hin zu vollautonomen Multi-Agenten-Systemen, die mehrstufige Geschäftsprozesse eigenständig bewältigen.
Technische Architektur: Multi-Agenten-Systeme
Die Architektur produktiver Agentic-AI-Systeme basiert typischerweise auf Multi-Agenten-Systemen (MAS). Ein zentraler Orchestrator koordiniert die Kommunikation zwischen spezialisierten Agenten, die jeweils auf bestimmte Funktionen oder Teilaufgaben ausgelegt sind.
Der Orchestrator
Der Orchestrator empfängt Nutzeranfragen oder System-Trigger, hält den Kontext (State) der Interaktion und delegiert Teilaufgaben an geeignete Agenten. Er sammelt deren Ergebnisse und führt – wenn nötig – weitere Iterationen durch.
Plan–Act–Observe–Adjust
Die Agent-Controller-Schleife folgt dem Plan–Act–Observe–Adjust-Modell:
- Plan: Der Agent analysiert das Ziel und zerlegt es mithilfe des LLM in Teilschritte
- Act: Ausführung konkreter Aktionen über Tools oder APIs
- Observe: Bewertung des Ergebnisses und Abgleich mit dem Zielzustand
- Adjust: Anpassung des Plans auf Basis der Beobachtung
Die Tool- und Connector-Ebene
Zur sicheren Interaktion mit externen Systemen nutzt jedes MAS eine kontrollierte Tool- und Connector-Ebene. Diese Schicht:
- wandelt externe Systeme (Datenbanken, ERP, CRM) in sicher aufrufbare Aktionen um
- setzt Berechtigungen nach dem Least-Privilege-Prinzip durch
- protokolliert alle Aktionen für Transparenz und Audit-Fähigkeit
Protokolle wie das Model Context Protocol (MCP) ermöglichen den strukturierten Kontext-Austausch zwischen Agenten und vorhandenen Unternehmenssystemen.
Implementierungsansätze
Agentic AI lässt sich sowohl on-premise als auch cloudbasiert realisieren. In der Praxis dominiert eine Hybridarchitektur: Der Orchestrator und die LLMs laufen in der Cloud, während sensible Unternehmensdaten vor Ort verbleiben.
Open Source vs. kommerzielle Plattformen
| Kategorie | Beispiele | Stärken | Einschränkungen |
|---|---|---|---|
| Open Source | LangChain, AutoGPT, Semantic Kernel | Hohe Flexibilität, keine Lizenzkosten | Erfordert internes Know-how |
| Kommerziell | SAP Agent Builder, IBM watsonx, UIPath AI Center | Integrierte Workflows, Enterprise-Support | Höhere Kosten, Ökosystem-Bindung |
| Custom LLM-Stack | GPT-4, Claude, Gemini via API | Leistungsfähigste Modelle, maximale Flexibilität | Laufende API-Kosten, Eigenentwicklung |
Die Auswahl richtet sich nach der vorhandenen Infrastruktur, dem internen Know-how und den Integrationsanforderungen. Ein Proof-of-Concept mit ein bis zwei Tools empfiehlt sich zur Leistungsbewertung.
Praxisbeispiele und messbare Ergebnisse
Finanzwesen
Eingebettete KI-Agenten übernehmen Routineaufgaben in Finanzabschlüssen: Buchungssätze, Abstimmungen und Abweichungsanalysen. Erste Anwender berichten, dass der Monatsabschluss von über sechs auf drei bis vier Tage verkürzt werden konnte. In einem dokumentierten Fall halbierte sich die Dauer und die Fehlerquote sank von 2 bis 5 Prozent auf unter 0,5 Prozent. Laut Deloitte halten 87 Prozent der CFOs KI für essenziell und 54 Prozent planen den Einsatz von Agenten in der Finanzfunktion.
Supply Chain und Fertigung
Bei Lufthansa Industry Solutions beantwortete ein Multi-Agenten-System komplexe Supply-Chain-Fragen in unter zehn Sekunden. Das Ergebnis: 80 Prozent weniger Leerlaufzeit in Analysen und ein unternehmensweit nutzbarer Agenten-Cockpit über Microsoft Teams.
Content-Operations und Kundenservice
KI-Agenten automatisieren Content-Planung (von Trendanalyse über Recherche bis zur Performance-Auswertung) und Kundenservice (Priorisierung, Antwortvorschläge, Eskalationslogik). Projektsteuerungsagenten reduzieren administrativen Aufwand um 30 bis 40 Prozent. Im Finance-Backoffice verarbeiten Agenten Rechnungen in Sekunden statt Stunden.
E-Commerce und Versicherung
Service-Agenten entlasten Teams durch automatische Ticket-Filterung, Lösungsvorschläge und selektive Eskalation. Im Schadenmanagement steuern Agenten Triage-Prozesse und Prüfabläufe.
Risiken, Compliance und der EU AI Act
Die Autonomie agentischer Systeme bringt spezifische Risiken, die systematisch adressiert werden müssen:
Regulatorische Einordnung: Unter dem EU AI Act wird Agentic AI als adaptives, autonomes System betrachtet und kann je nach Einsatzkontext als hochriskant eingestuft werden (Art. 6 AI Act). Für hochriskante Systeme gelten:
- Transparenzpflicht: Lückenlose Protokollierung aller Entscheidungsschritte (Art. 12–14)
- Menschliche Aufsicht: Human-in-the-Loop-Mechanismen bei sensiblen Entscheidungen (Art. 14)
- Konformitätsbewertung: Formale Prüfung vor dem Einsatz in regulierten Bereichen
Datenschutz: Agenten aggregieren personenbezogene Daten aus verschiedenen Quellen. Ein Datenschutz-by-Design-Ansatz ist unerlässlich: Pseudonymisierung, strikt limitierte Zugriffsrechte und regelmäßige Bias-Prüfungen.
IT-Sicherheit: Durch die Tool-Integration greifen Agenten tief in IT-Systeme ein. Erforderlich sind starke Zugriffskontrollen, Verschlüsselung, Sandboxing und die Einbindung in die bestehende Sicherheitsarchitektur.
Der Weg zum produktiven System: Einführungsstrategie
Erfolgreiche Einführungen folgen einem iterativen 5-Schritte-Ansatz:
1. Vision und Ziele klären
Geschäftsziele messbar definieren: Kostensenkung, Durchlaufzeitverkürzung, Fehlerreduktion. Klare KPIs von Beginn an festlegen.
2. Use Cases priorisieren
Zwei bis drei umsetzbare Szenarien mit hohem Automatisierungspotenzial und klar definierbarem Scope auswählen. Idealerweise Prozesse mit hohem Volumen und wiederkehrenden Mustern.
3. Proof of Concept mit realen Daten
MVP in einer Sandbox-Umgebung mit echten Betriebsdaten umsetzen. Prompt-Konfiguration, Routing-Logik und Entscheidungsregeln iterativ optimieren.
4. Governance und Sicherheit etablieren
Verantwortlichkeiten definieren, Audit-Trails implementieren, Monitoring-Dashboards einrichten. Die Orchestrierungsebene muss Logdaten liefern, die für Audits und Compliance ausreichen.
5. Skalierung vorbereiten
Roll-out-Plan für angrenzende Workflows erstellen. DevOps-Teams und Fachbereiche eng verzahnen. Architektur-Roadmap kontinuierlich weiterentwickeln.
Wie NexPatch Agentic AI implementiert
Bei NexPatch entwickeln wir agentische Systeme von der Architektur bis zum produktiven Betrieb. Unser Ansatz verbindet technische Exzellenz mit unternehmerischer Erfahrung:
- Architekturberatung: Multi-Agenten-Systemdesign, Orchestrierungs-Architektur, Tool-Integration und Datenanbindung
- MVP-Entwicklung: Vom Pilotprozess zum funktionsfähigen Agentensystem in definierten Sprints
- Co-Founding-Modell: Für Startups und Ventures bieten wir partnerschaftliche Produktentwicklung mit geteiltem Risiko und gemeinsamer Wachstumsstrategie
- Fördermittel-Integration: Unterstützung bei EXIST, ZIM und INVEST zur Finanzierung der Entwicklungsphase
Checkliste für Entscheider
- Sind die Geschäftsziele messbar festgelegt?
- Gibt es geeignete Prozesse mit hohem Automatisierungspotenzial?
- Ist die Datenqualität (intern/extern) ausreichend?
- Können Agenten per API an ERP/CRM/Workflow-Systeme angebunden werden?
- Wurde ein Datenschutz- und Sicherheitskonzept erarbeitet?
- Gibt es Human-in-the-Loop-Mechanismen bei sensiblen Entscheidungen?
- Wurde die Einstufung nach dem EU AI Act geprüft?
- Ist ein Proof of Concept mit realen Daten geplant?
Fazit
Agentic AI ist kein kurzfristiger Hype, sondern ein struktureller Wandel in der Art, wie Unternehmen Prozesse gestalten und automatisieren. Multi-Agenten-Systeme mit Orchestrator-Architektur ermöglichen eine neue Qualität der Automatisierung: adaptiv, zielorientiert und skalierbar. Der Schlüssel liegt in einer klaren Einführungsstrategie, solidem Governance-Framework und iterativer Skalierung auf Basis messbarer Ergebnisse.
NexPatch begleitet Unternehmen auf diesem Weg – von der Architekturplanung über den Proof of Concept bis zum produktiven Betrieb.
Referenzen
- Arvato Systems (2025): KI-Agenten: Definition, Use Cases und Nutzen für Unternehmen
- Databricks (2025): Was ist agentenbasierte KI?
- IBM (2025): Was ist die Orchestrierung von KI-Agenten?
- Beam.ai (2025): KI im ERP: Verkürzung des finanziellen Abschlusses mit KI-Agenten
- Bitkom (2026): Agentic AI in Customer Experience (Whitepaper)
- Flexso (2025): Agentic AI in SAP S/4HANA, Cloud and On-Premise
- CMS Law (2025): Agentic AI, Risk and Compliance Under the EU AI Act
- Deloitte (2025): Agentic AI Strategy
- McKinsey (2025): The Agentic Organization: A New Operating Model for AI
