Künstliche Intelligenz hat in vielen Unternehmen den Pilotstatus längst verlassen. Erste Chatbots laufen im Kundenservice, Copiloten unterstützen Mitarbeitende und KI-Agenten übernehmen einzelne Prozessschritte.
Trotzdem stehen viele Unternehmen vor demselben Problem: Der Pilot funktioniert, aber der Sprung in den produktiven Betrieb gelingt nicht.
Das liegt selten daran, dass das zugrunde liegende KI-Modell nicht leistungsfähig genug wäre. Viel häufiger fehlen die Voraussetzungen rund um Daten, Schnittstellen, Berechtigungen, Monitoring und Verantwortlichkeiten.
2026 verschiebt sich deshalb die zentrale Frage. Nicht mehr: „Was kann unser AI Agent?" Sondern: „Wie betreiben wir ihn zuverlässig, wenn er wirklich Teil unseres Geschäftsprozesses wird?"
Vom Proof of Concept zum produktiven System
Ein Proof of Concept hat einen entscheidenden Vorteil: Er ist klein.
Ein Team testet einen Agenten mit einer begrenzten Datenmenge, wenig Nutzern und einem klar definierten Anwendungsfall. Wenn etwas nicht funktioniert, kann ein Entwickler eingreifen.
Im produktiven Betrieb sieht die Situation anders aus. Ein Agent greift möglicherweise auf CRM-, ERP- und Supportdaten zu. Er kommuniziert mit Kunden. Er erstellt Tickets. Er bearbeitet Datensätze. Vielleicht stößt er sogar neue Prozesse an.
Damit verändert sich auch das Risikoprofil. Ein Fehler ist dann nicht mehr nur eine schlechte Antwort in einem Testsystem. Er kann eine falsche Kundenkommunikation, einen fehlerhaften Datensatz oder eine nicht gewünschte Prozessaktion auslösen.
Genau deshalb reicht es nicht, einen erfolgreichen Pilot einfach zu vergrößern. Die Architektur muss mitwachsen.
Die fünf Hürden auf dem Weg in die Produktion
1. Datenzugriff statt Model Performance
Ein leistungsfähiges Modell kann nur mit den Informationen arbeiten, die ihm zur Verfügung stehen. Das klingt trivial, ist in Unternehmen aber eine der größten Herausforderungen.
Kundendaten liegen im CRM. Vertragsinformationen befinden sich im ERP. Supportfälle werden in einem Ticketsystem gespeichert. Dokumente liegen in verschiedenen Repositories.
Ein Agent, der diese Informationen nicht zuverlässig zusammenführen kann, bleibt oberflächlich. Deshalb wird die Datenarchitektur zu einem entscheidenden Bestandteil jeder Agentenstrategie.
Die Frage lautet nicht nur: „Welches Modell verwenden wir?" Sondern: „Welche Informationen braucht der Agent, um die Aufgabe korrekt auszuführen?"
2. Tools und APIs werden zur eigentlichen Schnittstelle
Ein Agent wird interessant, sobald er nicht nur Informationen liefert, sondern handeln kann. Dafür benötigt er Tools.
Er muss beispielsweise:
- einen Kundendatensatz lesen können
- einen Case erstellen
- einen Auftrag prüfen
- Informationen aus einem ERP abrufen
- eine E-Mail vorbereiten
- einen Workflow starten
Damit wird API- und Integrationsarchitektur plötzlich zu einem AI-Thema. Der Agent benötigt keinen uneingeschränkten Zugriff auf das Unternehmen. Er benötigt kontrollierten Zugriff auf genau die Fähigkeiten, die er für seine Aufgabe braucht.
Das Prinzip ähnelt damit klassischen Least-Privilege-Konzepten, wird bei Agenten aber noch wichtiger, weil ein System Entscheidungen dynamisch miteinander verknüpfen kann.
3. Berechtigungen müssen auf Agentenebene funktionieren
Ein häufiger Fehler bei frühen Agentenprojekten ist die Frage: „Kann der Agent auf Salesforce zugreifen?"
Die Frage sollte lauten: „Welche Salesforce-Daten darf dieser Agent für welchen Zweck verwenden?"
Ein Vertriebsagent benötigt möglicherweise Kundendaten und offene Opportunities. Ein Supportagent benötigt dagegen Cases, Vertragsinformationen und Kommunikationshistorie. Beide sollten nicht automatisch dieselben Rechte erhalten.
Dabei geht es nicht nur um Lesen und Schreiben, sondern auch um Aktionen, die kontrolliert werden müssen.
Darf ein Agent:
- einen Kunden kontaktieren?
- einen Rabatt gewähren?
- einen Auftrag stornieren?
- einen Datensatz löschen?
- eine Eskalation auslösen?
Je näher ein Agent an reale Geschäftsprozesse kommt, desto wichtiger werden klare Grenzen.
4. Human-in-the-loop ist kein Zeichen für schlechte KI
Der produktive Einsatz von Agenten bedeutet nicht, dass Menschen aus jedem Prozess verschwinden müssen. Im Gegenteil.
Bei bestimmten Aktionen kann eine menschliche Freigabe sinnvoller sein als vollständige Autonomie. Ein Agent könnte beispielsweise einen Vertragsentwurf erstellen, die finale Freigabe jedoch einem Mitarbeiter überlassen. Oder er erkennt eine ungewöhnliche Kundenanfrage und eskaliert sie automatisch.
Das Ziel sollte deshalb nicht 100 % Autonomie sein, sondern die richtige Balance zwischen Automatisierung und Kontrolle.
5. Monitoring wird wichtiger als der eigentliche Pilot
Bei klassischer Software fragt ein Unternehmen: „Funktioniert die Anwendung?" Bei Agenten reicht diese Frage nicht mehr.
Unternehmen müssen zusätzlich verstehen:
- Welche Tools verwendet der Agent?
- Welche Datenquellen ruft er auf?
- Welche Aktionen führt er aus?
- Wie oft scheitert eine Aufgabe?
- Wann benötigt er menschliche Unterstützung?
- Welche Prozesse verursachen die meisten Fehler?
Ein produktiver Agent braucht deshalb Observability. Nicht nur für die Infrastruktur, sondern für sein Verhalten.
Die neue Architektur für AI Agents
Eine produktionsfähige Agentenarchitektur besteht aus mehreren Ebenen:
Model → Agent → Tools → APIs → Daten → Governance → Monitoring
Keine dieser Ebenen kann isoliert betrachtet werden.
Ein gutes Modell hilft wenig, wenn die Datenqualität schlecht ist. Gute Daten helfen wenig, wenn der Agent keine Schnittstellen besitzt. Sichere Schnittstellen helfen wenig, wenn niemand definiert, was der Agent überhaupt tun darf. Und eine gute Governance hilft wenig, wenn niemand nachvollziehen kann, was tatsächlich passiert.
Was Unternehmen jetzt tun sollten
Der Weg vom Pilot in die Produktion muss nicht mit einem größeren Modell beginnen. Er sollte mit einer Bestandsaufnahme beginnen.
-
Use Case definieren Welche konkrete Aufgabe soll der Agent übernehmen?
-
Daten bestimmen Welche Informationen benötigt er dafür?
-
Aktionen definieren Was darf er lesen, verändern oder auslösen?
-
Grenzen festlegen Welche Entscheidungen benötigen menschliche Freigabe?
-
Schnittstellen standardisieren Wie bekommt der Agent kontrollierten Zugriff auf die benötigten Systeme?
-
Monitoring aufbauen Wie wird sichtbar, was der Agent macht?
-
Verantwortlichkeit definieren Wer ist fachlich und technisch für den Agenten verantwortlich?
Fazit
Der nächste große Schritt bei AI Agents ist nicht der nächste Pilot. Es ist der Übergang zum betrieblichen System.
Unternehmen, die Agenten erfolgreich skalieren wollen, müssen deshalb über das Modell hinausdenken. Daten, APIs, Berechtigungen, Governance und Monitoring werden genauso wichtig wie die KI selbst.
Der entscheidende Wettbewerbsvorteil entsteht nicht dadurch, dass ein Unternehmen den intelligentesten Agenten baut. Sondern dadurch, dass es ihn sicher kontrolliert und zuverlässig in bestehende Geschäftsprozesse integriert.