In vielen Unternehmen klafft zwischen den ersten Anwendungen generativer und agentischer KI und ihrem produktiven Einsatz eine deutliche Lücke. Trotz möglicher Effizienzgewinne verharren viele Projekte im Pilotstatus. Wie das Whitepaper „Generative KI und KI-Agenten in Unternehmen“ der Plattform Lernende Systeme zeigt, können 95 Prozent der untersuchten Unternehmen bislang keinen messbaren Return on Investment (ROI) nachweisen. Mangelnde Zuverlässigkeit und Steuerbarkeit, hohe Kosten sowie Defizite bei Integration, Governance und Verantwortlichkeit erschweren den Dauerbetrieb.
Derweil betreffen mögliche Anwendungen die gesamte Wertschöpfungskette: Generative KI analysiert Informationen, unterstützt Simulationen und die Ideenentwicklung oder erschließt Unternehmenswissen. Beschäftigte wechseln dabei vom Erstellen und Suchen zum Prüfen und Einordnen. KI-Agenten können zudem Experimente steuern, Geschäftsprozesse bearbeiten oder Fertigungsabläufe anpassen.
Der Schritt vom Prompt zum autonomen Prozess
Generative KI erzeugt beispielsweise Texte, Code oder Analysen. KI-Agenten gehen einen Schritt weiter: Sie können innerhalb festgelegter Grenzen ganze Zielerreichungsprozesse bearbeiten. Sie planen Teilaufgaben, delegieren diese bei Bedarf, bewerten Ergebnisse und bessern bei Bedarf nach. Beschäftigte definieren Ziele und Handlungsspielräume, überwachen Agentennetzwerke und greifen bei Unsicherheiten, Zielkonflikten oder sicherheitskritischen Entscheidungen ein.
„Wenn KI im Unternehmen selbstständig Aufgaben übernimmt, verändern sich auch die Fähigkeiten, die Menschen benötigen“, so Rahild Neuburger, Ludwig-Maximilians-Universität München und Mitglied der Arbeitsgruppe „Arbeit/Qualifikation, Mensch-Maschine-Interaktion“ der Plattform Lernende Systeme. „Sie müssen fundiert entscheiden, was sie an KI abgeben, ihre Ergebnisse kritisch prüfen und mit der KI kommunizieren können. Fachwissen bleibt dabei unverzichtbar – ergänzt durch Erfahrung, Steuerungs- und Delegationskompetenz sowie ein sicheres Gespür dafür, was die KI kann und wo die Grenzen liegen.“
Regeln für selbstständig arbeitende Systeme
Je mehr Arbeitsschritte ein System selbstständig ausführt, desto wichtiger werden nachvollziehbare Regeln und wirksame Kontrollmöglichkeiten. Fehler agentischer Systeme können sich über Prozessketten verstärken. Nicht eindeutig definierte Lösungswege erschweren zudem Tests, Zertifizierung und Erklärbarkeit. Zudem werfen systemübergreifende Zugriffe und das Langzeitgedächtnis von KI-Agenten Fragen zu Geschäftsgeheimnissen, personenbezogenen Daten, Zugriffsrechten und Löschkonzepten auf.
Die Autorinnen und Autoren des Papiers empfehlen daher, KI mit Zielbildern für Prozesse, Kompetenzen und Arbeitsstrukturen einzuführen. Benötigt werden verbindliche Leitlinien, ein verankertes Qualitätsmanagement, zielgruppengerechte Prüfstandards und ein systematischer Kompetenzaufbau der Mitarbeitenden. Mandatsüberschreitungen sollten durch Schutzschalter und begrenzte Zugriffsrechte verhindert werden. In Pilotphasen sollen Einsatzfelder, Datenbasis und Prozessreife von KI geprüft werden. Denn Erfolg bemisst sich nicht allein an der Zeitersparnis, sondern auch an Faktoren wie Prozessstabilität, Ergebnisqualität, Innovationsgrad, Vertrauen und tatsächlicher Entlastung.
„Menschzentrierte Gestaltung von KI bedeutet, dass Automatisierung so in Arbeit integriert wird, dass sie Menschen entlastet, sie aber auch qualifiziert und ermächtigt – und zudem neue Arbeit schafft. Nur so kann KI zur nachhaltigen Entwicklung von Produktivität und Wertschöpfung von Unternehmen beitragen“, betont Norbert Huchler vom Institut für Sozialwissenschaftliche Forschung. Er ist Mitglied der Arbeitsgruppe „Arbeit/Qualifikation, Mensch-Maschine-Interaktion“ der Plattform Lernende Systeme. Die Zielvision für Unternehmen sollte ein komplementäres Arbeitssystem zwischen Mensch und Technik sein. Der Mensch setzt Zweck, Ziele und Grenzen und bleibt Letztentscheider. KI-Agenten übernehmen hingegen die taktische Ausführung und beschleunigen die Zielerreichung.
