Agentische KI entwickeln, Agentische KI ROI ohne „schlechte KI“-Überraschungen zu erzielen

Agentische KI ihren großen Moment, und das aus gutem Grund. Anstatt als Modell zu dienen, das eine Frage beantwortet, kann ein KI-Agent tatsächlich eine Aufgabe erledigen. Er ist in der Lage, die richtigen Daten zu erfassen, eine fundierte Entscheidung zu treffen und Maßnahmen zu ergreifen – wie beispielsweise ein System zu aktualisieren, einen Stakeholder zu benachrichtigen oder die Frage eines Kunden zu beantworten – und den Arbeitsablauf so lange aufrechtzuerhalten, bis das Endziel erreicht ist.

Diese Art von KI-Agenten wird in Unternehmen eine immer größere Rolle spielen. Gartner prognostiziert, dass bis Ende 2026 40 % der Unternehmensanwendungen Aufgabe KI-Agenten enthalten werden, gegenüber weniger als 5 % im Jahr 2025.

Aber es gibt auch eine Kehrseite. Laut Gartner werden bis Ende 2027 über 40 % agentische KI aufgrund steigender Kosten, unklarer Geschäftsvorteile oder unzureichender Risikokontrollen eingestellt werden.

Dies stellt Führungskräfte vor die Herausforderung, zu verstehen, was einen überzeugenden Wertnachweis von agentische KI produktionsreifen, ROI-orientierten und vertrauenswürdigen agentische KI unterscheidet. Der Unterschied liegt nicht nur im Modell. Es geht um die Grundlage des Workflows, insbesondere die Datengrundlage, und darum, ob Unternehmen beobachten können, was mit ihren Daten geschieht, damit schlechte oder abweichende Eingaben keine schlechten KI-Entscheidungen nach sich ziehen.

Verstehen, was einen agentenbasierten Workflow ausmacht

Eine hilfreiche Methode, um agentenbasierte Arbeitsabläufe zu verstehen, besteht darin, sie in folgende Prozesse zu unterteilen:

• Der Agent sammelt Informationen wie Daten, Dokumente, Tickets, Ereignisse und KPIs.
• Es plant Schritte, nutzt Werkzeuge und entscheidet, welche Maßnahmen als Nächstes zu ergreifen sind.
• Es führt Aktionen in Systemen aus, wie z. B. das Versenden einer E-Mail, das Aktualisieren einer Aufzeichnung oder das Auslösen eines Auftrags.
• Der Agent nutzt Feedback, um zukünftige Entscheidungen kontinuierlich zu verbessern.

Im Gegensatz zur herkömmlichen Automatisierung, die oft starr ist, sind agentenbasierte Workflows anpassungsfähig, d. h. sie können auf veränderte Situationen reagieren. Diese Flexibilität macht sie so leistungsstark, erhöht aber auch das Risiko ihrer Nutzung, wenn der Agent mit unvollständigen, veralteten oder schlecht verwalteten Daten arbeitet.

7 Schritte zum Aufbau Agentische KI

Unternehmen können zuverlässige und vertrauenswürdige agentische KI erstellen, indem sie folgende Schritte durchführen:

1. Definieren Sie das Endziel. Beginnen Sie mit einem Workflow, bei dem der Erfolg messbar und kontrollierbar ist, z. B. durch die Verbesserung der Umsatzzyklusleistung, das Erreichen von Lieferterminzielen oder die Beschleunigung der Monatsabschlussberichte. Übersetzen Sie dieses Ziel dann in klare Regeln, z. B. welche Eingaben der Mitarbeiter verwenden darf, auf welche Systeme er zugreifen darf und welche nicht, und wie „gut“ aussieht, z. B. in Form von Genauigkeitsschwellenwerten.
2. Legen Sie Leitplanken fest, bevor Sie KI-Autonomie aktivieren. Implementieren Sie anschließend Leitplanken, indem Sie Maßnahmen in verschiedene Ebenen einteilen: Was kann der Agent automatisch tun, was kann er empfehlen, was erfordert jedoch die Zustimmung eines Menschen, und was darf er niemals ohne ausdrückliche menschliche Interaktion tun? Viele KI-Projekte kommen zum Stillstand oder scheitern, weil Teams Agenten ohne klare Grenzen, unklare Zuständigkeiten und ohne operative Definition von „sicher“ einsetzen. Ohne Leitplanken können selbst kleine Datenfehler und übertrieben selbstbewusste Ergebnisse nachgelagerte Konsequenzen haben.
3. Verwandeln Sie Systeme in überprüfbare Schritte. In der Produktion funktionieren agentenbasierte Systeme am besten, wenn sie als kleine Schritte mit jeweils nur einer Aufgabe betrachtet werden. Diese Schritte können das Abrufen, Validieren, Klassifizieren, Entscheiden und Handeln auf der Grundlage von Daten umfassen. Dadurch lässt sich das Verhalten von KI-Agenten leichter testen, überwachen und steuern.
4. Stellen Sie sicher, dass Daten einen vertrauenswürdigen Kontext haben. KI-Agenten benötigen mehr als nur Datenreihen und -spalten. Sie benötigen Kontext wie beispielsweise:

• • Geschäftliche Definitionen. Was gilt als aktiver Kunde?
  • Beziehungen. Wie lässt sich Produkt A der Dienstleistungslinie B zuordnen?
  • Richtlinien. Welche Daten unterliegen Beschränkungen und welche Maßnahmen bedürfen einer Genehmigung?
  • Abstammung. Woher stammt diese Kennzahl?

Der Datenkontext macht den Unterschied zwischen einem Agenten, der selbst bei falschen Antworten selbstbewusst wirkt, und einem Agenten, der tatsächlich in der aktuellen Geschäftsrealität verankert ist.

5. Vertrauen messbar und kontinuierlich machen. Wenn ein KI-Agent Entscheidungen trifft, benötigen Unternehmen Echtzeit-Transparenz darüber, wie sich Daten verhalten, wenn sie in KI-Systeme einfließen und diese durchlaufen. Hier kommt Beobachtbarkeit eine entscheidende Bedeutung zu. Sie ermöglicht es Datenteams, Abweichungen, Anomalien und Fehler zu erkennen, bevor sie zu Kundenkontakten oder umsatzbeeinträchtigenden Fehlern führen.
6. Sichern Sie die Zuverlässigkeit Ihrer Daten mit Verträgen. Eine der praktischsten Methoden zur Skalierung agentenbasierter Workflows besteht darin, wichtige Datensätze wie Produkte zu behandeln und klare Erwartungen zu formulieren. Datenverträge unterstützen diesen Ansatz, indem sie das erwartete Schema, Qualitätsschwellenwerte, Aktualisierungshäufigkeit, Eigentumsverhältnisse und Nutzung definieren. Auf diese Weise muss ein KI-Agent nicht raten, wie „gute Daten“ aussehen. Er nutzt ein reguliertes Datenprodukt, das durch durchsetzbare Garantien abgesichert ist.
7. Implementieren Sie Überwachung, Incident Response und Governance. Damit ein Agent handeln kann, benötigt er die operative Leistungsfähigkeit, die für jedes Produktionssystem erforderlich ist. Dazu gehören Warnmeldungen, die Probleme mit der Datenqualität erkennen und beheben, klare Protokolle die Transparenz und die Implementierung von Zugriffskontrollen für Genehmigungen. Unternehmen sollten außerdem einen Plan haben, um eventuell auftretende Probleme zu identifizieren und zu beheben.

Eine einfache 5-Schritte-Anleitung für den Einstieg

Organisationen, die einen praktischen Fahrplan für den Aufbau von agentische KI wünschen, können mit folgenden Schritten beginnen:

1. Wählen Sie einen Arbeitsablauf mit messbarem Wert und klaren Grenzen aus.
2. Erfassen Sie die Entscheidungen , die der Agent treffen wird, und die für jede Entscheidung erforderlichen Daten.
3. Standardisieren Sie den Kontext mit Definitionen, Abstammung und Richtlinien, damit der Agent nicht improvisiert oder halluziniert.
4. Beobachtbarkeit aktivieren für Aktualität, Volumen, Schema, Verteilung und Herkunft.
5. Sicherheitsvorkehrungen treffen mit Human-in-the-Loop-Prozessen und erweitern Sie dann die Autonomie, sobald das Vertrauen messbar wird.

Entwickeln Sie nicht einfach nur Agentische KI. Entwickeln Sie KI, der Sie vertrauen können.

Agentische KI sind keine Automatisierungen, die man einmal einrichtet und dann vergessen kann. Es handelt sich um lebende Systeme, die mit Daten gespeist werden, die sich ändern, unterbrechen und verschieben können. Deshalb ist die Botschaft von Actian in diesem Moment so wichtig: Entwickeln Sie nicht einfach nur agentische KI. Entwickeln Sie sie auf der Grundlage von Daten, die Teams entdecken, denen sie vertrauen und die sie aktivieren können, und beweisen Sie dieses Vertrauen dann kontinuierlich mit Beobachtbarkeit

Auf diese Weise verhindern Unternehmen, dass „schlechte KI“ zu einem Reputations-, Regulierungs- oder Finanzproblem wird. Erfahren Sie, wie Actian Data Beobachtbarkeit Datenqualitätsprobleme proaktiv identifizieren, verhindern und agentische KI unterstützen kann.

Über den Autor

Über Actian Germany GmbH

Actian ermöglicht es Unternehmen, Daten in großem Umfang sicher zu verwalten und zu steuern. Unternehmen vertrauen auf die Datenmanagement- und Datenintelligenz-Lösungen von Actian, um komplexe Datenumgebungen zu optimieren und die Bereitstellung von KI-fähigen Daten zu beschleunigen. Die auf Flexibilität ausgelegten Lösungen von Actian lassen sich nahtlos integrieren und arbeiten zuverlässig in lokalen, Cloud- und Hybridumgebungen. Erfahren Sie mehr über Actian, den Daten- und KI-Geschäftsbereich von HCL Software, unter actian.com.