Agentic AI: Wie der Übergang in den produktiven Betrieb gelingt

Von Assistenzsystemen zu operativen Akteuren

Agentische KI setzt genau an dieser Stelle an. Im Unterschied zu klassischen GenAI-Anwendungen, die primär auf Eingaben reagieren, agieren agentische Systeme zielorientiert. Sie kombinieren unterschiedliche Sprachmodelle – von Large Language Models (LLM) bis hin zu spezialisierten kleineren Modellen – mit Orchestrierungslogik, nutzen zusätzliche domänenspezifische KI-Modelle, etwa aus dem Machine Learning (ML), für spezialisierte Aufgaben, und verfügen über einen Zugriffs-Layer auf externe Systeme sowie operative Datenquellen.

Technisch entstehen damit modular aufgebaute, ereignisgetriebene Systeme, die nicht nur Informationen verarbeiten, sondern aktiv Prozessschritte steuern und ausführen. Agenten können Aufgaben sequenzieren, parallelisieren, kontextabhängig anpassen und bei Bedarf auch in hoher Frequenz skalieren – etwa um Aufgaben in Peak-Zeiten deutlich häufiger als ein Mensch zu bearbeiten. Sie interagieren mit Fachanwendungen, initiieren Transaktionen und reagieren auf Ereignisse innerhalb von Prozessketten. Diese Verschiebung verändert die Rolle von KI grundlegend. Sie ist nicht länger Assistenz, sondern wird zu einer operativen Systemkomponente innerhalb der IT-Landschaft. Damit steigen sowohl ihr Wirkungsgrad als auch die Anforderungen an Integration und Steuerung.

Der Engpass: Vom Prototyp in den Betrieb

In der Praxis zeigt sich jedoch eine deutliche Diskrepanz zwischen technologischer Möglichkeit und operativer Umsetzung. Viele Unternehmen verfügen über funktionierende Prototypen und klar definierte Use Cases. Dennoch gelingt es nur selten, diese Ansätze in den produktiven Betrieb zu überführen. Weniger als zehn Prozent der identifizierten KI-Anwendungsfälle erreichen derzeit den operativen Einsatz. Gleichzeitig gilt: Produktiver Nutzen entsteht nur dann, wenn die agentische KI einen klaren Business Outcome generiert, die zugrunde liegenden Modelle verlässliche und präzise Ergebnisse liefern und sich die Lösungen langfristig im Rahmen eines belastbaren Business Cases wirtschaftlich betreiben lassen.

Die Ursachen dafür sind strukturell. Während Proof-of-Concepts (PoC) häufig in isolierten Umgebungen entstehen, erfordert der produktive Einsatz eine Integration in bestehende Systeme, Prozesse und Governance-Strukturen. Genau diese Integrationsleistung wird häufig unterschätzt. Gerade bei agentischen Systemen wird dieses Problem besonders deutlich. Ihr Mehrwert entsteht nicht in der isolierten Funktion, sondern in der Fähigkeit, End-to-End-Prozesse zu unterstützen oder zu orchestrieren. Ohne diese Einbettung bleibt ihr Einsatz auf einzelne Szenarien beschränkt.

Architektur wird zum limitierenden Faktor

Der Übergang in den produktiven Betrieb ist daher in erster Linie eine Architekturfrage. Agentische KI benötigt konsistente Zugriffsschichten auf Daten, standardisierte Schnittstellen und eine belastbare Orchestrierungsebene, die systemübergreifende Abläufe steuern kann.

In vielen Unternehmen stehen diesen Anforderungen historisch gewachsene IT-Landschaften gegenüber. Datensilos, proprietäre Schnittstellen und enge Kopplungen zwischen Anwendungen erschweren die Integration. Gleichzeitig fehlen häufig einheitliche Datenmodelle und durchgängige API-Strategien.

„ Mit zunehmender Autonomie steigen die Anforderungen an Steuerbarkeit und Kontrolle. Sobald KI-Agenten eigenständig Aktionen ausführen oder Entscheidungen vorbereiten, reicht klassische Systemüberwachung nicht mehr aus. Firmen müssen nachvollziehen können, wie Entscheidungen zustande kommen und unter welchen Bedingungen sie getroffen werden.“

Tobias Keßler, Atos

Damit verschiebt sich der Fokus von der Modellentwicklung hin zur Integrationsfähigkeit. API-first-Ansätze, Event-getriebene Architekturen und entkoppelte Systemdesigns werden zur Voraussetzung für skalierbare Lösungen. Agentic AI wirkt in diesem Kontext wie ein Verstärker, der bestehende strukturelle Defizite sichtbar macht und zur Bearbeitung zwingt.

Agentische Prozesse folgen dabei nicht mehr einer starren, deterministischen Logik. Vielmehr verlaufen sie probabilistisch, indem sie Kontext, Datenlage und Zielzustand fortlaufend bewerten und ihr Vorgehen entsprechend anpassen. Genau darin liegt ihre Stärke – und zugleich der Grund, warum Governance, Leitplanken und menschliche Eingriffspunkte im produktiven Betrieb so entscheidend sind.

Governance als Architekturprinzip

Mit zunehmender Autonomie steigen die Anforderungen an Steuerbarkeit und Kontrolle. Sobald KI-Agenten eigenständig Aktionen ausführen oder Entscheidungen vorbereiten, reicht klassische Systemüberwachung nicht mehr aus. Unternehmen müssen nachvollziehen können, wie Entscheidungen zustande kommen und unter welchen Bedingungen sie getroffen werden.

Das erfordert neue Governance-Modelle. Der Weg führt dabei nicht zu einer autonomen Organisation, sondern zu einer hybriden Organisation, in der Menschen und teilautonome Agenten eng zusammenarbeiten. Entscheidungsräume müssen klar definiert, Eskalationsmechanismen etabliert und Verantwortlichkeiten eindeutig zugeordnet werden. Gleichzeitig müssen Logging, Traceability und Explainability auf Systemebene integriert werden. Regulatorische Vorgaben wie der EU AI Act, NIS2 oder DORA erhöhen den Druck zusätzlich. Sie verlangen Transparenz über Datenflüsse, Entscheidungslogiken und Kontrollmechanismen. Governance wird damit zu einem integralen Bestandteil der Architektur – nicht zu einer nachgelagerten Kontrollinstanz.

Betrieb statt Experiment

Während sich Prototypen vergleichsweise schnell aufsetzen lassen, stellt der stabile Betrieb agentischer Systeme deutlich höhere Anforderungen. Sie müssen unter realen Lastbedingungen funktionieren, skalierbar sein und sich kontrolliert weiterentwickeln lassen. Dazu gehören Monitoring, Logging und Tracing ebenso wie Incident-Handling und Release-Management. Darüber hinaus müssen agentische Systeme in bestehende DevOps- und MLOps-Strukturen integriert werden. Themen wie Modellvalidierung, Drift-Erkennung und Performance-Monitoring gewinnen an Bedeutung.

Agentische Systeme sind zudem dynamisch. Veränderungen in Daten, Kontext oder angebundenen Systemen wirken sich unmittelbar auf ihr Verhalten aus. Unternehmen benötigen daher Mechanismen, um solche Veränderungen frühzeitig zu erkennen und gezielt zu steuern.

Datenzugriff und Souveränität

Ein weiterer kritischer Faktor ist der Datenzugriff. Agentische KI ist auf aktuelle, kontextbezogene Informationen angewiesen. Ohne diese Datennähe bleibt ihre Funktionalität begrenzt. Gleichzeitig steigt mit zunehmender Integration die Sensibilität des Gesamtsystems. Je tiefer Agenten in operative Systeme eingebunden sind, desto wichtiger werden Zugriffskontrolle, Nachvollziehbarkeit und Datensouveränität. Besonders in hybriden und Multi-Cloud-Umgebungen entsteht ein Spannungsfeld zwischen Flexibilität und Kontrolle.

Unternehmen müssen sicherstellen, dass Datenflüsse konsistent gesteuert werden können, auch wenn sie über verschiedene Plattformen hinweg verlaufen. Der produktive Einsatz agentischer Systeme setzt daher voraus, dass Datenverfügbarkeit und Kontrolle gleichzeitig gewährleistet sind.

Gerade in sensiblen oder regulierten Umgebungen reicht es nicht aus, Daten lediglich technisch verfügbar zu machen. Entscheidend ist, dass Unternehmen jederzeit steuern können, auf welche Informationen Agenten zugreifen, in welchem Kontext sie diese verwenden und wie sich dieser Zugriff auditierbar absichern lässt. Erst wenn Datennutzung, Zugriffsrechte und Kontrollmechanismen nahtlos ineinandergreifen, entsteht die notwendige Vertrauensbasis für einen produktiven Einsatz. Datensouveränität ist somit nicht nur eine Frage der Compliance, sondern auch eine operative Voraussetzung für belastbare agentische Systeme.

Wo produktive Anwendung entsteht

Trotz dieser Herausforderungen zeigen sich bereits konkrete Einsatzfelder. Besonders dort, wo Prozesse strukturiert, koordinationsintensiv sowie wissens- und analysegetrieben sind, lassen sich agentische Systeme sinnvoll einsetzen. Im IT-Betrieb können sie beispielsweise Störungen analysieren, Informationen aus verschiedenen Systemen konsolidieren und Folgeprozesse automatisiert anstoßen.

In solchen Szenarien geht es weniger um spektakuläre Einzelentscheidungen als um die kontinuierliche Optimierung operativer Abläufe. Erste Implementierungen zeigen, dass dabei Produktivitätssteigerungen von 20 bis 60 Prozent möglich sind, insbesondere in komplexen, mehrstufigen Prozessen.

Vom Use Case zur Plattform

Langfristig wird sich Agentic AI vor allem dort etablieren, wo Unternehmen den Übergang von isolierten Anwendungsfällen zu plattformbasierten Ansätzen vollziehen. Hybrid-Cloud-fähige Architekturen, standardisierte Schnittstellen und zentrale Governance-Modelle sind die Grundlage dafür, Agenten wiederverwendbar zu machen und über mehrere Prozesse hinweg zu skalieren. Dabei ist nicht nur die technische Wiederverwendbarkeit entscheidend, sondern auch der Aufbau einer standardisierten, sicheren und steuerbaren Agentenbasis. Auf dieser Basis können neue Anwendungsfälle schneller entstehen.

Der Fokus verschiebt sich somit von einzelnen Lösungen zu einer integrierten Betriebslogik, in der Agenten als Teil einer übergeordneten Systemarchitektur betrachtet werden. Plattformdenken ist somit die Voraussetzung für eine nachhaltige Skalierung und eine engere Verzahnung von Business und IT. Denn nur, wenn beide Seiten auf gemeinsamen Standards, Rollen und Governance-Modellen aufsetzen, lässt sich Agentic AI kontrolliert ausrollen.

Fazit: Die Umsetzung entscheidet

Agentische KI hat das Potenzial, operative Prozesse grundlegend zu verändern. Die Technologie ist in ersten produktiven Anwendungen erprobt, und diese zeigen bereits einen messbaren Mehrwert. Derzeit liegt der limitierende Faktor jedoch nicht in der Technologie, sondern in der operativen Umsetzung. Erfolgreich werden vor allem jene Organisationen sein, die agentische KI nicht nur als Innovationsthema, sondern als strategische Fähigkeit verstehen, als Zusammenspiel aus Integrationsarchitektur, Governance, Betriebsmodell und organisatorischer Befähigung. Für viele Unternehmen bedeutet genau dieser Schritt den Übergang von experimentellen Ansätzen zu einer strukturierten, wertschöpfenden Nutzung von KI im Tagesgeschäft.

Über den Autor:
Tobias Keßler ist Teamlead Specialized Sales Data & AI bei Atos Deutschland. Er verantwortet die Entwicklung und Skalierung von Data- und AI-Lösungen mit Fokus auf konkreten Business Impact. Zuvor war er mehrere Jahre in der Prozessberatung und -architektur sowie im operativen Geschäft tätig, mit Schwerpunkten auf Prozessautomatisierung, IT-Integration und digitale Transformation. Seine inhaltlichen Schwerpunkte liegen heute auf agentischer KI, Datenplattformen, Automatisierung sowie der Überführung von KI-Anwendungen in den produktiven Betrieb.

Die Autoren sind für den Inhalt und die Richtigkeit ihrer Beiträge selbst verantwortlich. Die dargelegten Meinungen geben die Ansichten der Autoren wieder.