DIGITAL BUSINESS Transformation Leaders Podcast Die ROA-Gap schließen: Wie KI-Agenten echten Businessnutzen liefern

Anbieter zum Thema

Dataiku SAS

d.velop AG

xSuite Group GmbH

Maximilian Harms von Dataiku erklärt, warum viele Firmen beim Return on Agent (ROA) bei 10 bis 15 Prozent Effizienzplus stehen bleiben statt weit mehr rauszuholen – und wie Orchestrierung, Governance und ein kluges Operating Model Agenten von Showcases zu skalierbarem Mehrwert führen.

Sie haben im Zusammenhang mit dem Einsatz und Nutzen von KI-Agenten den Begriff „ROA-Gap“ geprägt. Was genau meinen Sie mit Return on Agent – und worin unterscheidet sich das vom klassischen ROI?

Maximilian Harms: ROA beschreibt den konkreten Geschäftsnutzen, der durch KI‑Agenten entsteht. Es geht also nicht nur um Investitionsrendite, sondern um messbare Effekte in Umsatz, Kosten und Risiko, die direkt auf agentische Fähigkeiten zurückgehen. Die Lücke – die ROA‑Gap – entsteht, weil die Möglichkeiten, die Agenten heute versprechen, deutlich schneller wachsen als der tatsächlich realisierte Mehrwert. Studien zeigen: Ein sehr großer Teil der Unternehmen nutzt KI, aber nur ein kleiner Prozentsatz weist belastbaren Businessnutzen nach. Aus meiner Sicht liegt das daran, dass Firmen zwar in Technologie investieren, jedoch die Befähigung der Fachbereiche, die Orchestrierung über Silos hinweg sowie eine stringente Governance zu selten von Anfang an mitdenken.

Bewährt hat sich ein Hub‑and‑Spoke‑Modell. Das zentrale Hub stellt Plattform, Infrastruktur, Modellkataloge, Richtlinien und Schulungen bereit. In den Spokes der Fachbereiche entstehen die Use Cases – mit abgestufter Autonomie je Reifegrad.

Maximilian Harms, Senior Director Business Transformation bei Dataiku

Warum übersehen Unternehmen diese Differenz so häufig?

Maximilian Harms: Viele Projekte starten technologiegetrieben: „Wir brauchen LLMs und Agenten.“ So entstehen Lösungen in einzelnen Systemen oder Abteilungen, die zwar lokal wirken, aber keinen Ende‑zu‑Ende‑Effekt entfalten. Der bessere Weg beginnt beim Businessproblem und klaren, domänenspezifischen KPIs. Erst darauf folgt die Entscheidung, ob Agenten tatsächlich den Unterschied machen. Zusätzlich fehlt häufig die Orchestrierung über Datenquellen, Tools und Infrastrukturen hinweg. Und ohne Governance für Qualität, Kosten, Nachvollziehbarkeit und Human‑in‑the‑Loop bleibt der Effekt entweder klein oder nicht skalierbar.

Der große Gewinn liegt Ihrer Ansicht nach in der Neugestaltung von Prozessen, nicht in inkrementeller Optimierung. Haben Sie ein Beispiel?

Maximilian Harms: Ein Beispiel kommt aus der Rechtsabteilung eines großen Schweizer Pharmakonzerns, Roche. Patentanwältinnen und ‑anwälte haben mit Unterstützung von Data Scientists einen Agenten entwickelt, der Patentdatenbanken, Urteile, Behördenunterlagen und interne Dokumente durchsucht, relevante Passagen semantisch abgleicht und Entwürfe für Einsprüche sowie Zusammenfassungen erstellt. Vor dem Versand prüft die jeweilige Juristin oder der Jurist die Inhalte, passt an, setzt das Freigabehäkchen – Human‑in‑the‑Loop ist fest verankert. Dadurch sinken Bearbeitungszeiten deutlich, und es werden jährlich mehrere Hunderttausend US‑Dollar eingespart. Transformativ wird es, wenn dieser Agent mit Forschung und Entwicklung rückgekoppelt wird: Dann fließen Patentlandschaft und Freiheitsgrade systematisch in Portfolio‑ und Wirkstoffentscheidungen ein. Das ist ein neu gedachter Wertstrom statt nur 15 Prozent Zeitersparnis im bestehenden Ablauf.

Hören Sie sich das ausführliche Interview mit Maximilian Harms in unserem DIGITAL BUSINESS Transformation Leaders Podcast an

Woran erkennt man früh, dass ein Projekt nur Routineaufgaben automatisiert, statt neue Fähigkeiten zu schaffen?

Maximilian Harms: Ein sicheres Zeichen ist, wenn der Ausgangspunkt die Technologie ist und nicht eine präzise definierte Business‑Kennzahl. Wer mit „Wir bauen einen Agenten“ startet, landet oft bei kleinen Automatisierungen. Beginnt man dagegen mit der Frage, welche Kennzahlen sich entlang eines Wertstroms verbessern sollen – etwa Ausschussquote, Gesamtanlageneffektivität, First‑Contact‑Resolution, Durchlaufzeit oder Fehlerrate –, dann wird der Sollprozess anders designt. Erst im zweiten Schritt entscheidet man, ob und wo Agenten mit Zugriff auf Systeme und Daten wirklich den Unterschied machen. Ein weiteres Indiz: Wenn ein Agent nur innerhalb eines einzigen Systems arbeitet und keine Schnittstellen zu vorgelagerten oder nachgelagerten Schritten besitzt, bleibt der Nutzen lokal.

Wo entstehen die kritischen Reibungen zwischen Menschen und KI‑Agenten – und wie adressiert man sie?

Maximilian Harms: Entscheidend ist das Zusammenspiel aus Prozessen, Menschen und Technologie. Prozesse müssen das passende Maß an Human‑in‑the‑Loop fest verankern: Im Recruiting oder bei rechtlichen Schreiben gelten andere Schwellen als beim Priorisieren interner IT‑Tickets. Technologie wiederum muss Transparenz bieten, wer wann was entschieden hat, inklusive dokumentierter Quellen und Versionen. Und die Menschen brauchen Befähigung und Klarheit: Welche Aufgaben übernimmt der Agent, wer verantwortet die Ergebnisse, wie sehen Freigaben und Eskalationen aus? Akzeptanz steigt, wenn Agenten monotone Tätigkeiten spürbar reduzieren und so Zeit für Kommunikation, Kreativität und komplexe Entscheidungen schaffen.

DER GESPRÄCHSPARTNER

Maximilian Harms leitet bei Dataiku als Senior Director Business Transformation die Beratung strategischer Kunden zur Skalierung von Data- und KI-Initiativen – von Operating Models über Governance bis zur Wertrealisierung.

Wie messen Sie ROA jenseits bloßer Zeitersparnis – und wie vermeiden Sie Verzerrungen?

Maximilian Harms: Ich starte immer mit den primären Business‑KPIs. In der Fertigung sind das zum Beispiel Stillstandszeiten, Ausschuss, Nacharbeitsquoten, Qualitätskosten oder OEE. Im Service und IT‑Support zählen First‑Contact‑Resolution, Bearbeitungszeiten, Eskalationsquoten und Kundenzufriedenheit. In Finanzen und Recht kommen etwa Forecast‑Genauigkeit, Days Sales Outstanding, Abschlussdauer, Durchlaufzeiten von Prüfungen oder vermiedene Sanktionen hinzu. Idealerweise validieren wir Effekte über A/B‑Tests oder sogar randomisierte Kontrollgruppen – etwa zwischen Produktionslinien oder Standorten. Wo das nicht praktikabel ist, funktioniert ein sauberes Vorher‑Nachher‑Design, wenn Baselines, Beobachtungszeiträume und Saisonalität mitgedacht werden und die Datenqualität kontinuierlich überwacht wird.

Chancen und Herausforderungen

Death of Prompting: Autonomen KI-Agenten gehört die Zukunft