KI-Agenten in Unternehmen: Trends, Herausforderungen und Chancen

KI-Agenten im Unternehmenseinsatz: Intuit, Uber und State Farm als Vorreiter

Die Art und Weise, wie große Unternehmen künstliche Intelligenz nutzen, befindet sich in einem tiefgreifenden Wandel. Während KI in der Geschäftswelt lange Zeit mit der Erprobung von Tools verbunden war, die Fragen beantworten oder kleine Aufgaben unterstützen konnten, bewegen sich einige große Unternehmen nun über diese einfachen Anwendungen hinaus. Sie erproben KI-Agenten, die in der Lage sind, Aufgaben über komplexe Systeme und Arbeitsabläufe hinweg autonom zu erledigen.

Die Evolution von KI-Tools zu autonomen Agenten

Die jüngsten Entwicklungen zeigen eine klare Verschiebung: KI-Agenten werden nicht mehr nur als unterstützende Werkzeuge betrachtet, sondern als aktive Teilnehmer an Unternehmensprozessen. Diese Agenten sind darauf ausgelegt, sich mit Unternehmenssystemen wie Datenlagern, Kundenbeziehungsmanagement-Tools (CRM), Ticketing-Systemen und internen Anwendungen zu verbinden. Ihr Ziel ist es, Aufgaben innerhalb dieser Systeme auszuführen und dabei ein gemeinsames Verständnis der Arbeitsabläufe im Unternehmen zu entwickeln. Dies soll eine zuverlässige und konsistente Ausführung von Aufgaben über einen längeren Zeitraum ermöglichen.

Anstatt jede Aufgabe als einen isolierten Anwendungsfall zu behandeln, sind Plattformen für KI-Agenten so konzipiert, dass die Agenten organisationsweit mit einem gemeinsamen Kontext agieren können. Sie bieten grundlegende Funktionen, die auch Menschen am Arbeitsplatz benötigen: Zugang zu gemeinsamen Geschäftskontexten, Einarbeitung, Möglichkeiten zum Lernen aus Feedback sowie klare Berechtigungen und Grenzen. Darüber hinaus umfassen solche Plattformen Werkzeuge für Sicherheit, Auditierung und fortlaufende Evaluierung, um die Leistung der Agenten zu überwachen und die Einhaltung interner Regeln zu gewährleisten.

Führende Unternehmen erproben KI-Agenten

Die Relevanz dieser Entwicklung wird durch die frühen Anwender unterstrichen. Berichten zufolge gehören Unternehmen wie Intuit, Uber, State Farm Insurance, Thermo Fisher Scientific, HP und Oracle zu den ersten, die diese neuen Ansätze testen. Auch größere Pilotprogramme sind bei Unternehmen wie Cisco, T-Mobile und Banco Bilbao Vizcaya Argentaria im Gange. Diese Unternehmen sind in Branchen tätig, die sich durch komplexe Operationen, hohe regulatorische Anforderungen oder große Kundenstämme auszeichnen. In solchen Umgebungen müssen KI-Tools zuverlässig und sicher funktionieren, um über experimentelle Teams hinaus angenommen zu werden.

Einige Führungskräfte sehen in KI-Agenten das Potenzial, manuelle Schritte zu reduzieren und die Leistungsfähigkeit von Teams zu erweitern. So kommentierte eine Führungskraft von Intuit, dass sich KI von „hilfreichen Tools“ zu „handelnden Agenten“ entwickle. Diese Entwicklung ziele darauf ab, Reibungsverluste zu beseitigen, die Möglichkeiten für Einzelpersonen und kleine Unternehmen zu erweitern und neue Chancen zu erschließen.

OpenAI betont in seiner Kommunikation an Geschäftskunden, dass Agenten mehr als nur reine Modellleistung benötigen. Sie erfordern Governance, Kontext und die Fähigkeit, in realen Geschäftsumgebungen zu agieren. Die Herausforderung besteht nicht mehr primär in der Leistungsfähigkeit der KI-Modelle selbst, sondern in der Fähigkeit, diese im großen Maßstab zu integrieren und zu verwalten.

Der Mehrwert für Unternehmen: Von der Automatisierung zur aktiven Arbeitsbeteiligung

Für Unternehmen, die sich mit KI befassen oder bereits in diese Technologie investieren, deutet dieser Moment auf eine umfassendere Veränderung in der Nutzung von Technologie hin. In den letzten Jahren konzentrierte sich die meiste KI-Arbeit im Unternehmensbereich auf eng definierte Aufgaben wie das automatische Taggen von Tickets, das Zusammenfassen von Dokumenten oder die Generierung von Inhalten. Diese Anwendungen waren nützlich, aber oft in ihrem Umfang begrenzt. Sie waren nicht direkt in die Arbeitsabläufe und Systeme integriert, die die Kernprozesse eines Unternehmens steuern.

KI-Agenten sollen diese Lücke schließen. Im Prinzip kann ein Agent Daten aus mehreren Systemen zusammenführen, diese analysieren und darauf basierend handeln – sei es durch das Aktualisieren von Datensätzen, das Durchführen von Analysen oder das Auslösen von Aktionen über verschiedene Tools hinweg. Dies bedeutet, dass KI beginnen könnte, echte Workflow-Arbeit zu übernehmen, anstatt nur Unterstützung zu leisten. Beispielsweise könnte ein KI-Agent anstatt nur eine Antwort auf eine Kundenbeschwerde zu entwerfen, das Ticket öffnen, relevante Kontodaten sammeln, eine Lösung vorschlagen und sogar den Kundendatensatz aktualisieren – alles unter Einhaltung interner Berechtigungen und Audit-Regeln.

Dies stellt ein anderes Wertversprechen dar. Es geht nicht mehr nur darum, Zeit bei einer Aufgabe zu sparen, sondern darum, Software Teile der Arbeit selbst übernehmen zu lassen.

Praktische Anforderungen an die Einführung

Die Unternehmen, die diese neuen Plattformen testen, tun dies nicht leichtfertig. Es handelt sich um Organisationen mit Compliance-Anforderungen, strengen Datenkontrollen und komplexen Technologiestacks. Damit ein KI-Agent dort funktionieren kann, muss er so in interne Systeme integriert werden, dass Zugriffsregeln eingehalten und menschliche Teams stets eingebunden bleiben.

Eine solche Integration – die Verbindung zu CRM-, ERP-, Datenlager- und Ticketing-Systemen – ist eine seit langem bestehende Herausforderung in der Unternehmens-IT. Das Versprechen von KI-Agenten ist, dass sie diese Systeme mit einem gemeinsamen Verständnis von Prozessen und Kontext verbinden können. Ob dies in der Praxis im großen Maßstab funktioniert, wird davon abhängen, wie gut Unternehmen diese Systeme im Laufe der Zeit steuern und überwachen können.

Die frühen Anzeichen deuten darauf hin, dass Unternehmen genügend Potenzial sehen, um ernsthafte Versuche zu starten. Dies allein ist eine wichtige Nachricht: Für KI-Implementierungen ist es ein sichtbarer Schritt in der Technologieadoption, über isolierte Pilotprojekte hinauszugehen und Teil umfassenderer Operationen zu werden.

Ausblick und zukünftige Entwicklungen

Sollten diese frühen Experimente erfolgreich sein und sich verbreiten, könnte die nächste Phase der Unternehmens-KI ganz anders aussehen als die früheren Jahre der reinen Tool-Nutzung und Automatisierung. Anstatt KI zur Erzeugung von Outputs zu verwenden, die von Menschen verarbeitet werden, könnten Unternehmen beginnen, sich darauf zu verlassen, dass KI die Arbeit unter definierten Regeln und Grenzen direkt ausführt.

Dies wird Fragen für Führungskräfte in den Bereichen Betrieb, IT, Sicherheit und Compliance aufwerfen. Es wird auch neue Rollen schaffen: nicht nur Datenwissenschaftler und KI-Ingenieure, sondern auch Governance-Spezialisten und Verantwortliche für die Ausführung, die die Leistung der Agenten im Laufe der Zeit verantworten können.

Die Verschiebung deutet auf eine Zukunft hin, in der KI-Agenten zu einem integralen Bestandteil des täglichen Arbeitsablaufs großer Organisationen werden, nicht als Assistenten, sondern als aktive Teilnehmer an der Arbeitsgestaltung.

Herausforderungen und Lösungsansätze in der Produktionseinführung von KI-Agenten

Die Einführung von KI-Agenten in Unternehmensproduktionsumgebungen bringt spezifische Herausforderungen mit sich, die über die reine technische Machbarkeit hinausgehen. Eine umfassende Studie, die 306 Praktiker befragte und 20 Fallstudien umfasste, beleuchtet die aktuellen Praktiken und Problemfelder bei der Messung von Agenten in der Produktion. Die Studie konzentriert sich auf Agenten, die bereits im Einsatz sind und einen messbaren Wert liefern.

Herausforderung: Zuverlässigkeit und Evaluation

Die Zuverlässigkeit wird als das größte ungelöste Problem identifiziert. Trotz des großen Interesses an KI-Agenten scheitern viele Implementierungen in der Praxis. Die Studie zeigt, dass 95 % der Agenten-Deployments fehlschlagen können, was die Notwendigkeit eines tieferen Verständnisses für erfolgreiche Implementierungsstrategien unterstreicht.

Die Evaluation von KI-Agenten ist komplex. Die meisten produktiven Agenten (74 %) verlassen sich auf eine Human-in-the-Loop-Evaluation, bei der menschliche Experten die Ergebnisse überprüfen. Modellbasierte Evaluationen, wie zum Beispiel LLM-as-a-Judge, werden von etwa der Hälfte der Befragten genutzt, jedoch stets in Kombination mit menschlicher Überprüfung. Dies unterstreicht die Bedeutung menschlichen Urteilsvermögens, insbesondere da domänenspezifische Aufgaben oft über die Fähigkeiten automatisierter Benchmarks hinausgehen.

Die Erstellung von Benchmarks erweist sich als schwierig, da es oft an zugänglichen öffentlichen Daten mangelt und die Erstellung hochwertiger Benchmarks ressourcenintensiv ist. Viele Teams verzichten daher auf formale Benchmarks und verlassen sich stattdessen auf A/B-Tests, Nutzerfeedback und Produktionsüberwachung.

Herausforderung: Latenz

Die Latenz der Agentenausführung wird für die meisten Teams als handhabbares Problem und nicht als kritischer Blocker angesehen. Nur 14,8 % der befragten Unternehmen sehen die Latenz als ein Hindernis, das sofort behoben werden muss. Dies liegt daran, dass Agenten Aufgaben automatisieren, die von Menschen Stunden dauern würden. Selbst eine Antwortzeit von mehreren Minuten ist daher immer noch um Größenordnungen schneller als herkömmliche, nicht-agentische Ansätze. Für Echtzeit-interaktive Anwendungen, wie sprachgesteuerte Systeme, bleibt die Latenz jedoch eine zentrale Herausforderung, da sie mit menschlichen Konversationsgeschwindigkeiten konkurrieren müssen.

Herausforderung: Sicherheit und Datenschutz

Sicherheit und Datenschutz rangieren in der Priorität nach der Ausgabequalität und Korrektheit. Angesichts der Tatsache, dass ein großer Teil der Systeme internen Mitarbeitern dient und oft unter menschlicher Aufsicht steht, spiegelt diese Priorisierung die aktuellen Einsatzumgebungen wider. Unternehmen begegnen Sicherheitsrisiken durch eingeschränktes Agentendesign, wie beispielsweise Read-only-Operationen, den Einsatz von Sandbox-Umgebungen oder Abstraktionsschichten zwischen Agenten und Produktionsumgebungen.

Modelle und Architekturen

Die Mehrheit der produktiven Agenten (70 %) verwendet proprietäre, Off-the-Shelf-Modelle ohne Feinabstimmung (Fine-Tuning) oder Reinforcement Learning. Offen zugängliche Modelle kommen seltener zum Einsatz, hauptsächlich um Kosten- oder regulatorische Anforderungen zu erfüllen. Die Praktiker bevorzugen die leistungsfähigsten Modelle, da die Laufzeitkosten im Vergleich zum Nutzen durch die Augmentierung menschlicher Experten vernachlässigbar sind.

Die Prompt-Konstruktion wird hauptsächlich von Menschen dominiert, wobei 33,9 % der Agenten vollständig manuelle Methoden verwenden und weitere 44,6 % einen hybriden Ansatz aus manueller Erstellung und LLM-Unterstützung nutzen. Automatisierte Prompt-Optimierung ist selten, da Praktiker kontrollierbare und interpretierbare Methoden bevorzugen, die eine schnelle Iteration und Fehlerbehebung ermöglichen.

Agentenarchitekturen tendieren zu strukturierten Arbeitsabläufen mit begrenzter Autonomie. 68 % der Systeme führen weniger als zehn Schritte aus, bevor menschliches Eingreifen erforderlich ist. Diese Begrenzung der Autonomie dient der Aufrechterhaltung der Zuverlässigkeit und der Kontrolle der Rechenzeit und -kosten.

Frameworks

Während zwei Drittel der befragten Unternehmen Drittanbieter-Frameworks wie LangChain verwenden, bevorzugen 85 % der in den Fallstudien befragten Teams kundenspezifische Inhouse-Implementierungen. Dies wird mit dem Wunsch nach Flexibilität, Kontrolle, Einfachheit und der Einhaltung von Sicherheits- und Datenschutzrichtlinien begründet.

Diskussion und offene Forschungsfragen

Die Studie zeigt, dass Unternehmen die Zuverlässigkeit von KI-Agenten durch den Einsatz von eingeschränkten Einsatzumgebungen und begrenzter Autonomie in Kombination mit menschlicher Aufsicht gewährleisten. Agenten agieren oft im Read-only-Modus oder in Sandbox-Umgebungen, um direkte Änderungen an Produktionssystemen zu vermeiden.

Es besteht ein erhebliches Potenzial für die Anwendung von Agenten in über 26 Domänen, weit über den Bereich der Softwareentwicklung und Chatbots hinaus. Die aktuellen Modelle und Agentenfähigkeiten liefern bereits einen realen Mehrwert.

Offene Forschungsfragen umfassen die Entwicklung robusterer Verifizierungsmechanismen, insbesondere in Domänen ohne schnelle und klare Korrektheitssignale. Zudem sind effizientere Ansätze für das Post-Training von Modellen erforderlich, die robuster gegenüber Modell-Upgrades sind und sich in wiederholbare Engineering-Praktiken übersetzen lassen. Auch die Erweiterung der Agentenmodalitäten auf Bilder, spatio-temporale Sequenzen, Videos und wissenschaftliche Daten wird als zukünftiges Forschungsfeld identifiziert.

Zusammenfassend lässt sich sagen, dass die Agenten-Ingenieurwissenschaft eine neue Disziplin darstellt. Die gewonnenen Erkenntnisse bieten Forschern Einblicke in reale Einschränkungen und Möglichkeiten, während sie Praktikern bewährte Implementierungsmuster über verschiedene Branchen hinweg aufzeigen.

Die Erkenntnisse aus diesen frühen Implementierungen werden entscheidend sein, um die Entwicklung und den Einsatz von KI-Agenten in der Unternehmenswelt weiter voranzutreiben und ihr volles Potenzial zu erschließen.

Bibliografie

- Muhammad Zulhusni. (2026, 6. Februar). Intuit, Uber, and State Farm trial AI agents inside enterprise workflows. AI News. - Intuit Inc. (2025, 1. Juli). Intuit Introduces Ground-Breaking Virtual Team of AI Agents to Fuel Growth for Businesses. - Intuit. (n.d.). AI Agents for Intelligent Business Automation. - Matt Marshall. (2025, 29. August). How Intuit killed the chatbot crutch – and built an agentic AI playbook you can copy. VentureBeat. - Intuit Inc. (2025, 14. November). Intuit's All-in-One Platform Introduces a Virtual Team of AI Agents to Help UK Businesses Increase Efficiency and Growth. - Wornow, M., Narayan, A., Opsahl-Ong, K., McIntyre, Q., Shah, N. H., & Ré, C. (2024, 8. Mai). Automating the Enterprise with Foundation Models. arXiv. - Pan, M. Z., Arabzadeh, N., Cogo, R., Zhu, Y., Xiong, A., Agrawal, L. A., ... & Ellis, M. (2025, 28. Juli). Measuring Agents in Production. arXiv. - Yao, W., Liu, Z., Liu, Z., Tan, J., Zhang, J., Wang, F., ... & Xiong, C. (2025, 4-9. November). SlackAgents: Scalable Collaboration of AI Agents in Workspaces. Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing: System Demonstrations, 969–982. - Shlomov, S., Oved, A., Marreed, S., Levy, I., Akrabi, O., Yaeli, A., ... & Adi, A. (2025, 27. Oktober). From Benchmarks to Business Impact: Deploying IBM Generalist Agent in Enterprise Production. arXiv.