Agenten im Einsatz
Was KI-Agenten heute schon in Unternehmen verändern.
Wenn Agenten in Produktion gehen
Diese Woche ist nicht durch ein einzelnes Tool neu aufgefallen. Sie ist durch eine Strukturverschiebung geprägt: Agenten werden zunehmend als dauerhafte „Akteure“ in Arbeitsumgebungen gedacht – mit Schnittstellen zu realen Systemen, wiederkehrenden Aufgaben und nachvollziehbaren Kontrollmechanismen drumherum.
Gleichzeitig wird klar, dass die eigentliche Herausforderung nicht im „Agent bauen“ liegt, sondern im „Agentenportfolio führen“: entdecken, überwachen, zertifizieren und im Zweifel begrenzen. Genau deshalb tauchen parallel Plattformlogiken für Governance (Dataiku), Sicherheitskontrollen für Agent-Integrität und -Verhalten (ESET) sowie externe Safety-Sandboxing-Architekturen (NVIDIA) auf.
Für wen ist das relevant? Für Revenue-, Operations- und IT/Risk-Entscheider, die Agents nicht als Experiment für einzelne Teams behandeln, sondern als neue Schicht zwischen Menschen und Prozessen. Wer das ignoriert, kauft sich in eine unsichtbare Komplexität ein: Agenten laufen weiter, aber niemand kann sauber sagen, was sie tun, wie zuverlässig sie sind und wie viel Risiko im Betrieb steckt.
Diese Entwicklungen sollten Sie nicht übersehen
OpenAI: „dots“ als always-on GPT‑6 Astra Agenten
Was passiert ist
OpenAI bringt mit „dots“ persistent laufende Agenten auf den Markt, powered von GPT‑6 Astra. Jeder dot hat eine eigene „cloud computer“-Komponente, kann über mehr als 4.000 Apps/Plugins arbeiten und wird über vorhandene Arbeitskanäle wie ChatGPT sowie Slack und Microsoft Teams nutzbar gemacht.
Warum das wichtig ist
Das ist der Schritt vom reinen Antwortmodell hin zu einem „Arbeitsmitarbeiter“, der über längere Zeit Schritte ausführt und dabei Kontext behält. Entscheidender als die Modellbezeichnung ist die Architektur: Agenten erhalten sowohl Ausführungsfähigkeit (Cloud Computer) als auch Integrationsbreite (Plugins) und werden so zu einem produktiven Systembaustein.
Wo der Einsatz konkret wird
Aus den beschriebenen Fähigkeiten leiten sich vor allem End-to-End-Workflows ab, die sich über Tools abbilden lassen: Recherche, Dokumententwürfe, Termin- und Informationsorganisation. Die Einbettung in Slack/Teams macht Fortschrittskommunikation und Mensch-in-der-Schleife-Abstimmungen praktisch, statt als zusätzlicher Prozess extra zu entstehen.
Wer dadurch Hebel bekommt
Vor allem Sales, Marketing, Operations und Wissensarbeitsteams, weil dort viele Aufgaben aus zusammengesetzten digitalen Schritten bestehen (Daten nachziehen, Entwürfe erstellen, Zuständigkeiten koordinieren). Zusätzlich profitieren Admins, weil „specialist dots“ als Rollenmodell mit zugeschnittenen Zugriffsbereichen adressiert werden.
Wer jetzt unter Druck gerät
Teams, die Agents nur als „Chat-Feature“ betrachten, werden unter Druck geraten. Sobald ein dot in den Arbeitskanal integriert ist, verschwimmen Verantwortlichkeiten: Wer genehmigt Aktionen? Wer sieht, welche Systeme tatsächlich verbunden sind? Und wie wird verhindert, dass unkontrollierte Automatisierung in Bereiche läuft, für die sie nie freigegeben wurde.
Meta: Meta Enterprise Platform als Agent-Stack für Business Operations
Was passiert ist
Meta kündigt eine eigene Enterprise-Plattform an, die agentische Bausteine bündeln soll: Muse, Meta Business Agent, Muse API und Muse Code. Ziel ist, einen wiederverwendbaren Stack für Unternehmensprozesse bereitzustellen und damit den Weg von Modellen hin zu „deployable products“ zu formalisieren.
Warum das wichtig ist
Meta versucht damit, Agenten nicht nur als Funktion, sondern als Enterprise-Angebot zu operationalisieren – mit Komponenten für Nutzeragenten, Business-Prozessagenten, programmatische Einbettung (API) und Code-bezogene Agentenlogik (Muse Code). Das verstärkt den Trend: Plattformen werden zu „Betriebssystemen“ für Agenten, nicht nur zu Modellanbietern.
Wo der Einsatz konkret wird
Genannt werden Domänen wie Marketing/Advertising, Customer Service/Engagement, Operations sowie Softwareentwicklung/DevOps. Der gemeinsame Nenner: Agenten sollen wiederkehrende Abläufe mit messbarem Business-Bezug unterstützen, und die Plattformstrategie ist auf Skalierung für Unternehmen ausgerichtet.
Wer dadurch Hebel bekommt
Marketing- und Customer-Engagement-Organisationen, weil Meta mit vorhandenen Geschäftslogiken ansetzt und Agents als durchgängige Ausführungs- und Automationsschicht anbinden kann. Entwickelnde Teams profitieren über API- und Code-Bausteine, weil dadurch agentische Aktionen in bestehende Anwendungen verlagert werden können.
Wer jetzt unter Druck gerät
Interne Governance-Modelle geraten unter Druck, die nur „Datenzugriff“ prüfen, aber nicht die agentische Prozessausführung. Wenn Agenten aus Business-Kontexten heraus Aktionen anstoßen, müssen Unternehmen klar definieren, welche Prozesse agentisch ablaufen dürfen – und welche nur mit expliziter Freigabe.
Dataiku: Agent Management als Cross‑Vendor Governance‑Layer
Was passiert ist
Dataiku stellt „Agent Management“ vor: ein Produkt, das Agenten in einem Unternehmen über Plattformgrenzen hinweg entdecken, monitoren und nach Risiko bewerten soll. Es ist ausdrücklich vendor-agnostisch und nicht-intrusiv – es „beobachtet“ statt Agents umzubauen.
Warum das wichtig ist
Die zentrale Aussage ist weniger technisch als organisatorisch: „Jedes Unternehmen baut Agents, aber fast niemand kann sie auflisten.“ Agenten werden damit aus der Schattenwelt in ein Asset-Management überführt: Discovery, laufendes Monitoring und eine risikoorientierte Zertifizierungslogik.
Wo der Einsatz konkret wird
Über mehrere genannte Umgebungen hinweg (z. B. AWS Bedrock, Databricks, Vertex AI, Copilot Studio, Salesforce Agentforce, Snowflake Cortex, Dataiku-Umgebung und Custom via OpenTelemetry) soll eine Agent-Inventur entstehen. Monitoring wird auf Agent-Level ausgerichtet (Nutzung, Kosten, Qualität, Drift) und Risiko als Portfolio-Sicht geführt.
Wer dadurch Hebel bekommt
CIOs, Risk-/Compliance-Verantwortliche und Data/AI-Governance-Teams profitieren, weil sie die zentrale Steuerungsfrage beantworten können: Welche Agents laufen wirklich, wie gut liefern sie, wo driftet das Verhalten und wo liegt Risiko?
Wer jetzt unter Druck gerät
Alle, die KI-Agenten nur als departmental pilots verwalten. Sobald ein Unternehmen mehrere Agentquellen hat, entsteht operativ ein blinder Fleck. Ohne Portfolio-Sicht wird Governance reaktiv: man findet Probleme erst, wenn Schaden oder Audit-Anforderungen eintreten.
ESET: ESET PROTECT mit AI Agent Security & AI Behavioral Monitoring
Was passiert ist
ESET erweitert sein PROTECT-Angebot um AI Agent Security und AI Behavioral Monitoring. Der Fokus liegt darauf, nicht nur klassische Endpoints zu schützen, sondern auch autonome Agenten samt ihren Komponenten, Aktionen und ihrem Verhalten – inklusive Themen wie AI-Supply-Chain und Shadow AI.
Warum das wichtig ist
Das ist die Sicherheitsseite der Agentenrealität: Agenten greifen dynamisch auf Dateien zu, laden Komponenten, rufen externe Services auf und nutzen Plugins. Genau diese Dynamik erweitert die Angriffsfläche. ESET positioniert Security daher als fortlaufende Kontrolle über Agent-Integrität und Agentenverhalten, nicht als einmalige Tool-Freigabe.
Wo der Einsatz konkret wird
Für Organisationen, die Agenten in Arbeitsprozesse integrieren: Agenten-spezifische Checks gegen bösartige oder kompromittierte Komponenten in der AI-Supply-Chain, sowie Laufzeitüberwachung, die Aktionen blockieren kann, wenn sie außerhalb des erwarteten Rahmens liegen. Dazu kommt AI Conversation Security als Ergänzung für den Gesprächskanal.
Wer dadurch Hebel bekommt
Security Operations und IT-Risk-Teams profitieren, weil sie Risiko als „Agentenobjekt“ adressieren können: Komponenten prüfen, Verhalten beobachten, Alerts ableiten. Gerade dort, wo Shadow AI vorkommt (AI ohne IT-Aufsicht), wird eine zentrale Visibility- und Blocking-Schicht relevant.
Wer jetzt unter Druck gerät
Organisationen mit Sicherheitsmodellen, die nur Netzwerk/Endpoint/klassische Applikationen betrachten. Wenn Agenten über Integrationen handeln, reicht das nicht mehr. Sicherheitsverantwortliche geraten unter Druck, ihre Kontrollen auf agentische Ausführung zu erweitern.
NVIDIA: Open Agent Safety Platform für Sandboxing und externe Watchdogs
Was passiert ist
NVIDIA kündigt eine Open Agent Safety Platform an, bestehend aus einem Sandbox-Runtime (OpenShell) mit YAML-Policy Enforcement und einem out-of-band Watchdog (Sentry) auf BlueField‑4 DPUs. Ziel: Safety-Constraints außerhalb des Agent-Codes durchsetzen und Agenten bei Grenzverletzungen quarantänieren.
Warum das wichtig ist
Das adressiert einen grundlegenden Governance-Punkt: In-Machinen-Guardrails sind nicht die einzige Kontrollschicht. Externes Safety-Sandboxing macht Policy-Durchsetzung unabhängig davon, wie Agenten intern „denken“ oder ob Guardrails deaktiviert werden. Das ist ein Reifezeichen: Safety wird als Systemdesign behandelt.
Wo der Einsatz konkret wird
Für Szenarien mit „computer-use“ bzw. Agenten, die reale Aktionen ausführen können (klicken, tippen, coden, Systeme bedienen). Der Ansatz eignet sich besonders, wenn Agenten neue Aktionsräume bekommen und Unternehmen kontrolliert experimentieren müssen.
Wer dadurch Hebel bekommt
Tech- und Security-Teams, die Agenten testen und in Richtung Produktion bewegen wollen, profitieren von wiederholbarer Policy-konformer Ausführung. Außerdem entsteht eine klare Grundlage für Nachweise, weil Policies versionierbar und auditierbar gedacht sind (YAML, kontrollierte Durchsetzung).
Wer jetzt unter Druck gerät
Alle, die Safety weiterhin überwiegend als „Prompting/Model-Disziplin“ verstehen. Sobald Agenten über Tools und Ausführungsschritte mit Systemzugriff verbunden sind, braucht es außerhalb des Agenten liegende Kontrollmechanismen.
Was das für den Einsatz von KI-Agenten bedeutet
Realistischer wird vor allem ein Use-Case-Typ: Agenten, die wiederkehrende, mehrschrittige digitale Arbeit über Integrationen ausführen und Fortschritt in bestehenden Kollaborationskanälen rückspielen. Genau hier treffen dots/Meta-Stack auf Unternehmensprozesse: die Automatisierung wird zu „laufender Arbeit“, nicht zu einem einzelnen Chat-Resultat.
Die Plattformlogik der Woche ist klar: Agenten werden als Portfolio-Objekte betrachtet. Dataiku zeigt die operative Seite (Discovery, Monitoring, Risiko), ESET die Sicherheitsseite (Supply-Chain, Behavior, Conversations), NVIDIA die Safety-Execution-Seite (Sandbox + externe Durchsetzung). Das ist weniger „Tool-Landschaft“, mehr „Kontrollarchitektur“.
Zuerst betroffen sind Prozesse mit hoher digitalen Prozessdichte und klaren Genehmigungspunkten: Kommunikation, Sales-/Marketing-Operations, Service-Triage und dokumentbasierte Workflows. Dort verschiebt sich auch Ownership: Nicht nur Data/AI-Teams sind zuständig, sondern auch Risk, Security und Prozessverantwortliche.
Wenn Unternehmen das ernst nehmen, gewinnen sie einen Vorsprung, weil sie schneller skalieren können – nicht durch „mehr Agents“, sondern durch bessere Steuerung: klare Freigaben, Messbarkeit, Nachweisfähigkeit und kontrollierte Ausführung.
Achten Sie auf diese Signale in Ihrem Unternehmen
- Signal 1: Sie testen Agent-Tools, aber definieren keine Prozess-Ownership. Ergebnis: niemand kann entscheiden, was ein Agent darf, wenn er etwas „vorbereitet“, aber nicht „ausführt“.
- Signal 2: Sie messen Effizienz in Minuten oder Klicks, aber nicht in Agent-Level-Qualität, Drift und Risiko. Ergebnis: Agents laufen, aber die Wirkung bleibt unbewiesen.
- Signal 3: Sie behandeln Sicherheit als Endpoint-Thema. Ergebnis: sobald Agenten über Plugins/Integrationen handeln, fehlen Kontrollen für Agent-Integrität, Verhalten und Gespräche.
- Signal 4: Sie erlauben Schattennutzung (Shadow AI) ohne Discovery. Ergebnis: Governance wird zur Baustelle, statt zur Steuerung.
- Signal 5: Sie erlauben autonome Schritte, aber bauen keine externe Safety-Schicht oder Policy-Durchsetzung auf. Ergebnis: „wir vertrauen dem Agenten“ ersetzt echte Systemgrenzen.
Der strategische Schritt der Woche
Wenn ich diese Woche ein Unternehmen beim Einsatz von KI-Agenten beraten würde, wäre mein Vorschlag:
Starten Sie einen Pilot nicht mit einem einzelnen Agent-Use-Case-„Demo“, sondern mit einem echten End-to-End-Workflow samt Governance- und Safety-Entscheidungen: Wählen Sie einen Prozess, der heute mehrere digitale Schritte über verschiedene Systeme braucht, und definieren Sie vor dem Go-Live ein Agenten-Portfolio-Minimalschema (welche Agenten laufen, welche Systeme sind verbunden, welche Aktionen benötigen Bestätigung, welche Risiken gelten als „stoppen“). Der Pilot sollte anschließend zeigen, dass Sie Discovery, Monitoring und Risiko-Nachweise für genau diesen Workflow erzeugen können – inklusive klarer Regeln für menschliche Aufsicht und Policy-konforme Ausführung.
Schlussgedanke
Agenten sind jetzt kein Randthema mehr, weil sie persistent arbeiten und in echte Toolketten eingreifen. Damit wird KI-Agenten-Einsatz zu einer Führungsaufgabe: Ownership, Entscheidungslogik und Verantwortlichkeit müssen von Anfang an klar sein. Gleichzeitig ist es eine Systemdesign-Aufgabe: Safety und Kontrolle brauchen Schichten außerhalb des Agent-Codes. Und es bleibt eine Organisationsfrage: Wer ein Agentenportfolio verantwortet, wird künftig genauso wichtig wie wer Modelle entwickelt.
All the best
Tim Cortinovis
