KI-Strategie KI-Agenten: Wenn sie kommen, bricht die alte IT

Anbieter zum Thema

FIS Informationssysteme und Consulting GmbH

Esker Software Entwicklungs-und Vertrieb

Yorizon GmbH & Co. KG

KI-Agenten schieben sich derzeit in die Mitte der Unternehmens-IT, doch die meisten Architekturen sind für Menschen, nicht für Maschinen gebaut. Warum Verantwortliche ihre KI-Strategie jetzt von Grund auf neu ausrichten müssen.

In den letzten zwei Jahren haben Vorstände gelernt, über Foundation Models, Copiloten und GenAI-Piloten zu sprechen. Jetzt steht mit agentischer KI die nächste Welle vor der Tür: KI-Agenten als digitale Arbeitskräfte können Ziele verstehen, Pläne schmieden, Tools nutzen und über längere Zeiträume hinweg eigenständig handeln. Vordenker wie Bernard Marr warnen inzwischen deutlich: Nicht die Modelle sind das Problem, sondern die Tatsache, dass unsere IT-Landschaften für eine Welt gebaut wurden, in der Technologie Menschen unterstützt, nicht eine wachsende „Silicon Workforce“ aus autonomen Agenten.

Die Analysten von Deloitte kommen im Tech Trends Report 2026 zu einem ähnlichen Befund: Viele Unternehmen bleiben in der Pilotphase stecken, weil klassische Cloud-, Workflow- und Sicherheitsarchitekturen unter produktiven KI-Workloads schlicht einknicken oder wirtschaftlich nicht mehr tragfähig sind. Wer seine KI-Strategie heute nicht vom Fundament her neu denkt, riskiert, dass Agenten zwar als Prototyp funktionieren, aber nie sicher und wirtschaftlich in den Kernbetrieb skaliert werden können.

Warum die Infrastruktur häufig nicht auf KI-Agenten vorbereitet ist

Die meisten Enterprise-Stacks sind in drei Dimensionen historisch gewachsen: für transaktionale Workloads, menschliche Prozesse und identitätsbasierte Sicherheit. Genau hier kollidiert agentische KI mit der Realität. Folgende drei Bereiche für den Einsatz von KI-Agenten befähigt werden:

1. Compute und Architektur

Cloud-Umgebungen in Unternehmen wurden optimiert, um Anwendungen und Datenbanken auszuführen, nicht um hochgradig parallele GenAI-Inferenz auf GPUs in großem Stil zu betreiben. Deloitte beschreibt eine „AI infrastructure reckoning“: Sobald GenAI und Agenten in den produktiven Betrieb gehen, kippen Kosten, Latenz und Skalierbarkeit, wenn der Compute-Stack nicht neu designt wird. 

Nvidia hat diese Verschiebung auf der GTC 2026 sehr bewusst inszeniert: Statt nur über einzelne GPUs zu sprechen, positioniert der Konzern „AI Factories“, komplette Stacks aus CPUs, GPUs, beschleunigten Netzwerken und DPUs, die als standardisierte KI-Fabriken in Racks, Pods und Rechenzentren gedacht sind. Wer sich darauf einlässt, entscheidet nicht nur über Hardware, sondern faktisch über das zukünftige Betriebsmodell seiner KI.

2. KI-Agenten-fähige Workflows

Unternehmensprozesse sind heute so modelliert, dass Menschen die finale Entscheidung treffen, Ausnahmen managen, Verantwortung tragen. Agenten arbeiten jedoch anders: Sie planen eigenständig, stoßen Transaktionen an, rufen APIs auf und interagieren mit Drittsystemen, oft rund um die Uhr und in hoher Parallelität. Deloitte spricht deshalb von einem Übergang zu „agent-first processes“, in denen Unternehmen Agenten wie eine digitale Belegschaft orchestrieren, inklusive Rollen, Verantwortlichkeiten und Leistungserwartungen. Klassische Workflow-Engines und Ticket-Systeme sind dafür kaum ausgelegt.

3. Sicherheit und Governance

Cybersicherheit ist traditionell darauf ausgerichtet, menschliche Identitäten, Rollen und Zugriffspfade zu kontrollieren. Agentische Systeme fordern dieses Paradigma heraus: Plötzlich agieren tausende technische Identitäten mit eigenem Budget, eigenen Tokens und eigenen Berechtigungen im gleichen Netz wie Ihre Mitarbeitenden. 

Security-Anbieter wie Palo Alto Networks und andere sprechen von „Agentic AI Governance“; einem strukturierten Management von Delegationsrechten, Nachvollziehbarkeit und Eingriffsmechanismen für autonome Systeme. Viele Unternehmen haben dafür heute weder Richtlinien noch technische Kontrollpunkte. Kurz gesagt: Ihre IT ist darauf optimiert, Basketball zu spielen; aber agentische KI zwingt Sie auf ein völlig anderes Spielfeld.

Drei Bruchstellen, an denen KI-Agenten heute scheitern

Wenn man sich gescheiterte oder stecken gebliebene KI-Agenten beziehungsweise -Piloten in Unternehmen ansieht, zeigen sich immer wieder die gleichen Muster.

1. Infrastruktur: Von der Cloud-Anwendung zur KI-Fabrik

Bei dem Event „What's next with AWS“ von AWS wurde deutlich, wohin die Hyperscaler steuern: weg von isolierten Modellen hin zu agentischen Systemen, die Prozesse, Anwendungen und Entscheidungen neu organisieren. AWS positioniert sich dabei nicht primär als Modellanbieter, sondern als Infrastruktur-, Governance- und Orchestrierungsplattform, die OpenAI-Modelle, eigene Dienste und Managed Agents in Amazon Bedrock bündelt.

Strategisch entscheidend ist die Verschiebung der Wertschöpfung: Nicht das einzelne Modell, sondern die Orchestrierungsschicht; also die Fähigkeit, Modelle, Tools, Policies und Daten in verlässliche Agentensysteme zu integrieren wird zum neuen Machtzentrum im Enterprise-KI-Markt. Parallel dazu baut Nvidia mit seiner AI-Factory-Story in Richtung eines de-facto-Standards für physische KI-Fabriken im Rechenzentrum. Unternehmen, die hier ohne klare Architekturentscheidung agieren, laufen Gefahr, in einem Flickenteppich aus Insellösungen zu enden: teure GPUs in einer Cloud, experimentelle Agenten in einer anderen, dazu On-prem-Altlasten, aber kein integriertes Betriebsmodell.

2. Workflows: Von Mensch-zentriert zu Agent-first 

Die zweite Bruchstelle ist weniger sichtbar, aber mindestens genauso kritisch: Workflows, die nur formal automatisiert sind, aber informell von Menschen „zusammengehalten“ werden. Ein typischer Fall: Ein KI-Agent triagiert Kundenanfragen. Pilot: beeindruckend. Skalierung: ernüchternd. Sobald der Agent die gesamte Frontline übernimmt, werden Schnittstellen zu CRM, Ticketing, Billing, Compliance und Eskalationspfaden zum Engpass. Menschen fangen an, „Workarounds“ zu bauen, weil der Agent in den bestehenden Prozess nicht sauber eingebettet ist. Das Ergebnis: Mehr Komplexität, nicht weniger.

Deloitte beobachtet deshalb, dass führende Unternehmen Prozesse gezielt neu designen, mit klaren Übergabepunkten zwischen Agenten und Menschen, expliziten Eskalationsregeln und neuen Rollenprofilen für die Überwachung der digitalen Belegschaft.

3. Governance: Von Policies für Menschen zu Guardrails für Maschinen

Die dritte Bruchstelle ist Governance. Viele Statuten, Richtlinien und Kontrollmechanismen wurden für menschliches Verhalten konzipiert. Agenten aber schlafen nicht, vergessen nichts und können in Sekunden mehr Aktionen auslösen, als ein Mensch in einem Jahr. Aktuelle Diskurse zu agentischer KI-Governance schlagen daher dreistufige Modelle vor:

• Policy-Ebene: Welche Aufgaben dürfen Agenten grundsätzlich übernehmen? Welche delegieren wir nicht; etwa aus Gründen der Aufsichtspflicht, des Kundenschutzes oder der Geldwäscheprävention? 
• System-Ebene: Wie werden Identitäten, Berechtigungen, Budgets und Zugriffe technisch durchgesetzt; inklusive Audit-Trails und Echtzeit-Monitoring?
• Operations-Ebene: Wer überwacht Agenten im Tagesgeschäft, stoppt Fehlverhalten, passt Policies an und verantwortet Zwischenfälle?

Potenzial von Agentic AI

KI-Agenten: Umsetzung bleibt hinter Hype zurück