Implementierung von Agentic AI: Was viele Unternehmen noch übersehen

KI-Agenten unterstützen nicht mehr nur – sie beginnen, eigenständig zu handeln.

Unternehmen gehen zunehmend über erste Experimente hinaus und integrieren Agenten direkt in ihre Geschäftsabläufe. Sie verbinden sie mit Unternehmenssystemen, übertragen ihnen Verantwortlichkeiten und erwarten, dass sie reale Aufgaben ausführen.

Die Implementierung von Agentic AI steht im Mittelpunkt dieser Entwicklung. Während die Begeisterung und Experimentierfreude rund um KI derzeit ihren Höhepunkt erreichen, befindet sich die konsistente, produktionsreife Nutzung noch im Aufbau – ein Muster, das auch durch die Gartner-Forschung zur aktuellen Reife von GenAI bestätigt wird.

Auf den ersten Blick wirkt dieser Schritt wie eine natürliche Weiterentwicklung. Doch sobald Agenten nicht mehr nur unterstützen, sondern Aufgaben selbstständig ausführen, stellt sich eine entscheidende Frage:

Können sie tatsächlich innerhalb der Strukturen, Regeln und Erwartungen agieren, die Unternehmensprozesse erfordern?

Denn in vielen Fällen zeigt sich schnell eine Lücke zwischen dem, was möglich scheint, und dem, was in der Praxis funktioniert. Agenten können auf Tools zugreifen. Sie können Aufgaben erledigen. Doch wie genau sie diese Aufgaben ausführen – Schritt für Schritt – bleibt häufig uneinheitlich, intransparent und schwer kontrollierbar.

Genau hier wird Agentic AI von einer Technologiefrage zu einer Prozessfrage.

Die Herausforderung liegt nicht darin, was Agenten leisten können. Sie liegt darin, wie ihre Ausführung gesteuert wird. In vielen Unternehmen ist die Prozesslogik, die diese Ausführung strukturieren sollte, entweder unvollständig, nur implizit vorhanden oder fehlt vollständig.

Schritte sind nicht eindeutig definiert. Verantwortlichkeiten nicht klar geregelt. Entscheidungspunkte, Validierungen und Vorgaben werden nicht konsequent eingehalten. Die Folge: Agenten müssen eigenständig entscheiden.

Sie erledigen Aufgaben – aber der Weg dorthin unterscheidet sich von Ausführung zu Ausführung. Unterschiedliche Tools, unterschiedliche Abläufe, unterschiedliche Entscheidungen.

Das Ergebnis kann weiterhin akzeptabel sein. Doch Unternehmensprozesse können sich nicht allein auf undurchsichtige Ergebnisse verlassen. Sie benötigen Ausführungen, die vorhersehbar, nachvollziehbar und steuerbar sind.

Unternehmen müssen verstehen können, wie ein Prozess von einem Schritt zum nächsten gelangt ist, welche Aktionen welche Übergänge ausgelöst haben und ob notwendige Prüfungen oder Freigaben tatsächlich berücksichtigt wurden. Genau hier beginnt die eigentliche Herausforderung.

Eine der größten Fehleinschätzungen bei der aktuellen KI-Einführung ist die Annahme, dass Zugriff automatisch mit Fähigkeit gleichzusetzen ist. Wenn ein Agent Daten aus Systemen auslesen, Aktionen auslösen und mit Nutzer:innen interagieren kann, scheint er bereit für wertvolle Arbeit.

Doch Unternehmensprozesse sind mehr als eine Sammlung einzelner Aktionen. Sie bestehen aus strukturierten Abfolgen von Verantwortlichkeiten, Entscheidungen, Prüfungen und Vorgaben. Fehlen diese Strukturen oder sind sie nur unzureichend definiert, müssen Agenten selbst herausfinden, wie eine Aufgabe auszuführen ist.

Vereinfacht gesagt tun viele Unternehmen aktuell etwas, das sie mit einem neuen Mitarbeitenden niemals machen würden: Sie geben Zugriff auf Systeme und erwarten sofortige Leistung – ohne ausreichende Einarbeitung.

Agenten erhalten selten Informationen darüber, wie ein Prozess tatsächlich ablaufen soll, welche Schritte verpflichtend sind, wo Freigaben benötigt werden oder welche Aktionen erlaubt und welche nicht erlaubt sind. Stattdessen verlassen sie sich auf ihre eigene Schlussfolgerung zur Laufzeit.

Das schafft Flexibilität. Ohne klare Grenzen führt diese Flexibilität jedoch auch zu Unvorhersehbarkeit. Genau hier beginnt die Implementierung von Agentic AI in Unternehmensumgebungen an ihre Grenzen zu stoßen.

Damit KI-Agenten zuverlässig in Unternehmensumgebungen arbeiten können, benötigen sie mehr als Ziele und Zugriff auf Tools. Sie benötigen Orientierung. Diese Orientierung existiert in den meisten Unternehmen bereits in Form von Prozesswissen: definierten Workflows, Aufgabenabfolgen, Entscheidungslogiken, Rollen und Verantwortlichkeiten sowie Compliance- und Freigabepunkten.

Die Herausforderung besteht darin, dass dieses Wissen häufig über verschiedene Dokumente und Systeme verteilt ist, für die Interpretation durch Menschen geschrieben wurde und nicht in einer Struktur vorliegt, die eine Ausführung unterstützt.

Genau hier wird Geschäftsprozessmanagement entscheidend. Eine strukturierte GPM-Grundlage dokumentiert nicht nur, wie Arbeit ablaufen soll. Sie definiert, wie Arbeit kontrolliert, nachvollziehbar und wiederholbar ausgeführt werden kann. Und genau das benötigt Agentic AI.

Viele Unternehmen konzentrieren sich aktuell darauf, KI-Agenten zu ermöglichen, sie mit Systemen zu verbinden, ihnen Zugriff auf Tools zu geben und ihre Fähigkeiten zu erweitern. Doch daraus ergibt sich eine andere Frage: Was wäre, wenn die eigentliche Herausforderung nicht darin besteht, Ausführung zu ermöglichen – sondern sie zu steuern?

Denn in vielen Fällen ist die notwendige Grundlage bereits vorhanden. Prozessmodelle, Workflows und Entscheidungslogiken existieren bereits. Was fehlt, ist ihre Rolle innerhalb der Ausführung.

Bei BOC Group haben wir eine einfache, aber wichtige Frage untersucht:

Können strukturierte Prozessmodelle nicht nur zur Beschreibung von Arbeitsabläufen dienen, sondern auch dazu, KI-Agenten bei deren Ausführung anzuleiten?

Mithilfe von ADONIS Prozessmodellen als Quelle für Ausführungswissen haben wir strukturierte Workflows in eine agentenbasierte Umgebung mit verschiedenen Tools integriert.

Statt Agenten ihren eigenen Weg vom Ziel zum Ergebnis bestimmen zu lassen, stellte ADONIS eine strukturierte Referenz bereit: Es definierte, was zu tun ist, in welcher Reihenfolge, unter welchen Bedingungen und mit welchen Systeminteraktionen.

Die Ergebnisse waren vielversprechend. Wenn Prozesswissen expliziter und strukturierter vorliegt, wird der Entscheidungsraum eines Agenten eingeschränkt und die Ausführung stabiler. Nicht vollständig, aber deutlich.

Unsere Untersuchung hat einige zentrale Erkenntnisse hervorgebracht, die für Unternehmen heute besonders relevant sind.

Wenn Agenten ohne Orientierung arbeiten, erkunden sie häufig verschiedene Ausführungspfade. Strukturierte Prozessmodelle helfen dabei, die Ausführung an den vorgesehenen Abläufen auszurichten.

Eine reine Aufgabenbezeichnung ist häufig zu ungenau. Wenn Aufgaben ihren Zweck und das erwartete Ergebnis klar beschreiben, können Agenten sie konsistenter ausführen.

Ohne klare Grenzen können Agenten Tools unvorhersehbar aufrufen. Die Definition, welche Aktionen zu welchem Prozessschritt gehören, verbessert die Zuverlässigkeit.

Je strukturierter und vollständiger ein Prozess beschrieben ist, desto leichter können Agenten ihn interpretieren und befolgen.

Zusammengefasst führen diese Erkenntnisse zu einer einfachen Schlussfolgerung: Agentic AI ersetzt keine Prozessstruktur. Sie ist auf sie angewiesen.

Die Vorbereitung auf Agentic AI beginnt nicht mit der Einführung von Agenten. Sie beginnt damit, wie gut Prozesse heute definiert, strukturiert und gesteuert sind.

ADONIS unterstützt Unternehmen bereits dabei, genau diese Grundlage aufzubauen:

• klare und strukturierte Prozessmodelle
• definierte Rollen, Verantwortlichkeiten und Übergaben
• transparente Entscheidungslogiken und Freigabepunkte
• gemeinsames und zugängliches Prozesswissen
• kontinuierliche Analyse und Optimierung durch Process Mining und Simulation

Diese Fähigkeiten sind nicht neu. Ihre Bedeutung verändert sich jedoch. Was bisher Prozessdesign, Dokumentation, Analyse und Governance unterstützt hat, erhält eine neue Rolle: als mögliche Grundlage für die Ausführung durch KI.

Das bedeutet nicht, dass jedes Prozessmodell sofort als Anleitung für einen Agenten genutzt werden kann. Es bedeutet jedoch, dass Unternehmen mit ausgereiftem und gut gesteuertem Prozesswissen eine deutlich bessere Ausgangslage haben als Unternehmen, die KI auf fragmentierten oder nur implizit vorhandenen Workflows aufbauen.

Prozessmodelle sind nicht länger „nur Dokumentation“. Sie werden zu einem Bestandteil der Grundlage, die agentenbasierte Ausführung zuverlässiger, erklärbarer und kontrollierbarer machen kann.

Agentic AI wird nicht über Nacht bereit für den Unternehmenseinsatz sein. Unternehmen, die heute in strukturiertes Prozesswissen investieren, schaffen bereits die richtigen Voraussetzungen: Sie sorgen für Klarheit, wo Ausführung Konsistenz benötigt, definieren Grenzen, wo Autonomie Kontrolle erfordert, und schaffen Transparenz, wo Entscheidungen nachvollziehbar sein müssen.

Gleichzeitig schaffen sie eine bessere Grundlage, um zu bewerten, wo agentenbasierte Ausführung Mehrwert bietet, wo menschliche Kontrolle weiterhin notwendig bleibt und welche Governance-Anforderungen entstehen, wenn KI zunehmend aktivere Rollen in Geschäftsprozessen übernimmt.

Mit anderen Worten: Sie verbessern nicht nur ihre Prozesse. Sie schaffen die Rahmenbedingungen, unter denen KI effektiv eingesetzt werden kann.

Der Wandel hin zu Agentic AI ist nicht nur ein technologischer Wandel. Er verändert auch die Art und Weise, wie Unternehmen über Ausführung denken müssen.

Autonomie ohne Struktur führt zu Experimenten. Autonomie innerhalb strukturierter Prozessumgebungen führt zu skalierbarer und kontrollierter Automatisierung. Deshalb wird Prozessreife zunehmend zu einer Voraussetzung für KI-Reife.

Die Unternehmen, die am meisten von Agentic AI profitieren werden, sind nicht zwangsläufig diejenigen mit Zugriff auf die neuesten KI-Modelle. Es sind diejenigen mit den notwendigen Prozessgrundlagen, um Ausführung zu steuern, Grenzen durchzusetzen und Ergebnisse zuverlässig zu kontrollieren.

Das ist die eigentliche Reifeprüfung hinter der Implementierung von Agentic AI: nicht nur, ob ein Unternehmen die Technologie einsetzen kann, sondern ob es sie auch steuern kann.

Unser umfassendes Whitepaper zeigt, wie Prozessmodelle strukturiert werden können, um KI-Agenten vorhersehbarer anzuleiten – einschließlich der untersuchten Designprinzipien, der Herausforderungen und der Workflow-Beispiele, die unsere Erkenntnisse geprägt haben.