Suriyo - stock.adobe.com
Mit NTT DATA Agentic AI Services agentenbasierte KI erstellen
Agentic AI Services von NTT DATA integrieren KI-Agentenstrukturen in verschiedene Cloud-Lösungen, so dass sich agentenbasierte KI-Anwendungen implementieren lassen.
Large Language Models (LLM) liefern Texte, die Agentic AI Services von NTT DATA erzeugen daraus Prozessketten. Die erzeugten KI-Agenten reagieren dabei nicht nur, sondern sie agieren innerhalb definierter Aufgabenbereiche, erkennen Zusammenhänge, fällen Entscheidungen und leiten eigenständige Maßnahmen ein.
Agentic-Systeme greifen in produktive Abläufe ein, sei es im Support, im Finanzwesen oder in der Fertigung. Durch die Integration in Cloud-Dienste wie Microsoft Azure können die KI-Dienste direkt auf Daten und Ressourcen in der Cloud zugreifen und diese nutzen. NTT DATA unterstützt Plattformen wie Microsoft Copilot Studio, Salesforce, Oracle Fusion, HPE Private Cloud oder die NVIDIA-basierte Accenture Refinery. Ziel ist keine proprietäre Lösung, sondern ein flexibles Ökosystem für Unternehmen, die agentengestützte Automatisierung skalierbar umsetzen möchten.
Beratung, Aufbau und Integration
Die Agentic AI Services von NTT DATA decken den gesamten Lebenszyklus ab. Strategieberatung, Use-Case-Analyse und technische Zieldefinition bilden den Einstieg. Aufbauend darauf erfolgt die Implementierung: Konfiguration von Agentenrollen, Auswahl geeigneter Sprachmodelle, Absicherung der Infrastruktur, Entwicklung domänenspezifischer Skills. Dabei kann man aus verschiedenen LLMs auswählen: OpenAI, NVIDIA NeMo, Meta LLaMA oder interne Modelle lassen sich gleichberechtigt integrieren.
Die technische Umsetzung umfasst ebenso Governance: Protokollierung, Rechtemanagement, Agent-DevOps und die Orchestrierung verteilter Agententeams lassen sich gemeinsam integrieren. Für hochfrequente Interaktionen übernimmt die Plattform Kanalintegration für mündliche Sprache, Chat und Mobile. In Microsoft-Umgebungen greift das Konzept besonders tief: in Dynamics 365 Contact Center, Power Platform, Microsoft 365 und Microsoft Azure lassen sich KI-Agenten in Geschäftsprozesse einbetten.
Managed AI Agents: Betrieb, Wartung und Steuerung
Ein zentrales Element der NTT-Architektur ist der Managed-Service-Ansatz. Agenten agieren nicht losgelöst, sondern unter operativer Aufsicht, mit Performance-Monitoring, Sicherheitskontrolle, Reporting, Modelloptimierung und Lifecycle-Management. Technische Störungen, Data Drift, Compliance-Vorgaben oder logische Fehlverhalten können im laufenden Betrieb adressiert werden.
Zielgruppe sind Organisationen mit fragmentierter Systemlandschaft und begrenzten Ressourcen für operative KI-Pflege. NTT DATA verspricht die Reduzierung von IT-Support-Tickets um bis zu 65 Prozent, vollständige Automatisierung von Bestellvorgängen und eine messbare Steigerung der Kundenzufriedenheit. Beispiele reichen vom Zurücksetzen des Passworts über FAQs bis hin zu mehrstufigen Entscheidungsprozessen, mit kontextbezogener Übergabe an menschliche Ansprechpartner, wenn nötig.
Ein zentrales Architekturmerkmal der Agentic-AI-Implementierung ist die Trennung zwischen agentischer Logik und Infrastrukturbindung. Agenteninstanzen operieren auf serviceorientierten Schichten, die über API-Gateways mit bestehenden Systemen kommunizieren, ohne deren Datenhaltung zu duplizieren. Durch die Nutzung von cloud-nativen Connectivity-Schichten lassen sich Interaktionen über mehrere Kanäle hinweg synchronisieren, zum Beispiel durch Session Persistence zwischen Chat- und Voice-Kontexten oder durch kontextuelle Übergabe zwischen mobilen Interfaces und Backoffice-Agenten.
Die Integration erfolgt über standardisierte Schnittstellen zu Microsoft Graph, Dynamics APIs oder Azure Communication Services, sodass Zustandsinformationen und Benutzerkontexte konsistent bleiben. Ergänzt wird dies durch Mechanismen für Data-Access-Delegation, granulare Zugriffssteuerung auf Quellsysteme und Echtzeitvalidierung semantischer Agentenantworten. Für multilinguale Interaktionen unterstützt die Plattform über 20 Sprachen nativ, inklusive domänenspezifischer Varianten für Finanzwesen, Produktion und Gesundheitssektor.
Agentische KI mit Vorsicht einführen
Der Einsatz agentischer KI verlangt eine genaue Prüfung der zugrunde liegenden Datenstruktur. Viele Organisationen verfügen zwar über umfangreiche Wissensbestände, doch sind diese häufig für menschliche, nicht für die maschinelle Rezeption optimiert. Intransparente Dateiformate, eingebettete Informationen in Bildern oder unsaubere Textstrukturen erschweren die semantische Aufbereitung und schwächen die inferenzielle Konsistenz der Agentenantworten.
Zusätzlich stellt die differenzierte Steuerung von Verantwortung zwischen Agent und Mensch eine konzeptionelle Hürde dar. Unklare Abgrenzungen führen entweder zu übermäßiger Automatisierung oder unnötigen Rückdelegationen an menschliche Operatoren. Unternehmen sollten daher nicht nur die funktionale Architektur ihrer Agenten definieren, sondern auch deren epistemische Grenzen, Eskalationsschwellen und explizite Abbruchbedingungen. Ohne diese Trennung droht ein Kontrollverlust über agentische Entscheidungsprozesse, besonders dann, wenn mehrere LLM-Instanzen parallel in heterogenen Systemumgebungen operieren.
Zur operativen Steuerung verteilter Agentenlandschaften nutzt NTT DATA ein agentisches DevOps-Modell, das über deklarative Rollenmodelle und anpassbare Aufgabenbeschreibungen skaliert. Die Definition von Agentenzuständigkeiten erfolgt nicht über statische Workflows, sondern über dynamisch generierte Job Descriptions in JSON-basierten Schemas, die kontextabhängig durch LLM-gesteuerte Meta-Agents erweitert werden.
Änderungen an Agentenverhalten oder eine Eskalationslogik lassen sich über Lifecycle-Management-Prozesse versionieren und kontrollieren, inklusive Nachvollziehbarkeit durch integrierte Prompt Observability, Logging-Mechanismen und Echtzeitanalyse von Entscheidungsbäumen. Ein zentrales Element bildet die automatische Revalidierung agentischer Fähigkeiten nach jeder Modellaktualisierung, ergänzt durch synthetisches Prompt Testing zur Simulation variabler Interaktionsszenarien. Die Plattform erlaubt damit nicht nur Deployment und Update autonomer Einheiten, sondern auch deren kontinuierliche Governance über alle Betriebsphasen hinweg.
Was NTT DATA von Oracle, Accenture und Deloitte unterscheidet
Während Oracle mit dem AI Agent Studio auf vorgefertigte Agenten und eigene Fusion-Anwendungen setzt, verfolgt Deloitte mit Zora AI ein autonomes Agentensystem auf NVIDIA-Basis mit Fokus auf komplexe Aufgaben im Finanz- und Supply-Chain-Bereich. Accenture treibt die Demokratisierung über einen No-Code-Agent-Builder voran und bietet über 50 branchenspezifische Agentenlösungen mit starker Integration in die eigene AI-Refinery-Plattform.
NTT DATA geht einen anderen Weg. Die Agenten sind kein Produkt, sondern Teil eines umfassenden Serviceportfolios. Die eigentliche Plattform gehört immer dem Kunden, betrieben mit Microsoft-, Oracle-, HPE- oder Salesforce-Lösungen. NTT DATA stellt Strategie, Aufbau, Betrieb und Integration bereit, inklusive Sprachmodellwahl, Governance-Struktur und menschlichem Eingriff.
Agentic AI verändert nicht nur IT-Prozesse. Es verschiebt die Schnittstelle zwischen Mensch und Maschine. Wo früher Software Prozesse ausführte, übernehmen heute agentische Systeme eigenverantwortlich komplexe Tätigkeiten. In der Produktion entstehen hybride Arbeitsmodelle aus Mensch und Maschine, in der Verwaltung entlasten Agenten das Personal durch präemptive Handlungsempfehlungen, in der Kundeninteraktion ersetzen sie starre Systeme mit interaktiven Sprachdialogen durch adaptive Gesprächsführung.
NTT DATA positioniert sich in diesem Umfeld nicht als Anbieter einzelner Werkzeuge, sondern ermöglicht skalierbare Agenteninfrastrukturen. Die Kombination aus technologischer Tiefe, Plattformneutralität und operativer Betreuung soll den Übergang in agentengestützte Geschäftsmodelle absichern, unabhängig von Cloud-Anbieter, Branche oder Prozessreife.
Governance-Risiko beachten
Ein zentrales Risiko bei der Einführung agentischer Systeme liegt in der fehlenden organisatorischen Verankerung der Governance-Strukturen. Ohne ein dediziertes Kontrollmodell, das Zuständigkeiten, Interventionsrechte und Prüfpfade entlang des Lebenszyklus agentischer Instanzen regelt, entstehen schwer nachvollziehbare Wirkzusammenhänge, insbesondere bei der Integration domänenspezifischer Agenten mit autonomem Handlungsspielraum. Hinzu kommt die Skalierungsproblematik. Je höher die Agentendichte und je komplexer deren Aufgabenspektrum, desto kritischer wird die Konsistenz von Wissensbasen, Prompt-Schemata und Reaktionslogiken.
Kleine Inkonsistenzen in der orchestrierten Entscheidungslogik können sich bei Multiplikation über hunderte Mikroprozesse hinweg potenzieren. Unternehmen benötigen daher nicht nur standardisierte Trainingsprotokolle und agentenübergreifende Versionierung, sondern auch technische Isolationsmechanismen, die Eskalationen zwischen Systemdomänen verhindern. Ohne solche Vorkehrungen droht die schleichende Erosion organisationaler Kohärenz.
