Agenten im Einsatz

Was KI-Agenten heute schon in Unternehmen verändern.

Edition Title

Vom Assistieren zum Ausführen: Agenten bauen sich in Kernprozesse ein

Wenn Sie nur eine Minute haben

In dieser Woche ist weniger „neue KI“ zu sehen als eine neue Betriebslogik: Agenten werden nicht mehr nur als Chat-Funktion präsentiert, sondern als Systeme, die Ziele zerlegen, Werkzeuge ansteuern und Ergebnisse wieder in Workflows zurückspielen. Entscheidend ist die Verschiebung von experimentellen Demos hin zu produktionsnahen, an KPIs gekoppelten Ausführungsmodellen.

Für Unternehmen relevant ist das, weil sich damit Verantwortlichkeiten verlagern. Sobald Agenten in Werbe-Optimierung, CRM-Journeys, Daten-Workflows oder HR-Performance-Prozesse eingreifen, wird Governance zum Designparameter – nicht zum späteren Compliance-Thema. Wer diese Entwicklung ignoriert, baut weiter auf „Automatisierung im Kleinen“, während die Wertschöpfungsschicht zunehmend agentisch wird.

Aufmerksamkeit sollten vor allem Revenue- und Innovationsverantwortliche richten, die heute noch Agentik als Tool-Thema behandeln. Wenn Sie die Ausführung nicht in Ihre Prozessarchitektur, Ihr Monitoring und Ihre Entscheidungswege integrieren, verlieren Sie nicht nur Effizienzpotenziale. Sie verlieren vor allem Kontrolle über Qualität, Risiken und Laufzeiten in denjenigen Prozessen, die am nächsten an Umsatz und Mitarbeiterentscheidungen liegen.

Diese Entwicklungen sollten Sie nicht übersehen

Klaviyo führt die AI Agents „Composer“ und „Customer Agent“ für autonomes B2C-CRM ein

Was passiert ist

Klaviyo hat am 30. Juni 2026 einen öffentlichen Beta-Launch für seinen AI-Marketing-Agenten „Composer“ sowie Erweiterungen am „Customer Agent“ angekündigt. Beide Agenten arbeiten auf derselben Echtzeit-Kundendatenbasis und orchestrieren Marketing- und Service-Workflows, um direkt Revenue zu treiben. Der Composer kann Kampagnen von Zielsetzung über Segmentierung und Content bis Ausspielung und Optimierung umsetzen; der Customer Agent übernimmt Service-Tickets, interagiert mit Kunden über Kanäle, löst interne Aufgaben aus und leitet relevante Signale für Marketing und Vertrieb weiter.

Warum das wichtig ist

Das ist ein Reife-Sprung weg von „Assistenz im CRM“ hin zu agentischem Prozessbesitz. Klaviyo positioniert sein CRM damit explizit als autonomen Orchestrierungsraum: nicht nur Inhalte erzeugen, sondern Prozesse ausführen, iterieren und aus Datenereignissen Konsequenzen ableiten. Das verschiebt den Messpunkt von „wie gut sind Antworten“ zu „wie robust sind Handlungen“ – und macht ROI- und Governance-Disziplin gleichzeitig notwendig.

Wo der Einsatz konkret wird

Im operativen Marketing- und Service-Alltag: Kampagnenplanung und -optimierung (Composer), Ticketbearbeitung und channelbasierte Kundeninteraktion (Customer Agent) sowie die Kopplung von Service-Signalen an marketinggetriggerte Journeys. Genauer: geschlossene Loops zwischen Support-Interaktionen und Revenue-Aktionen.

Wer dadurch Hebel bekommt

Revenue- und Marketing-Teams mit enger Journey-Verzahnung, RevOps, sowie Organisationen, die Service als Wachstumshebel betrachten. Besonders profitieren Rollen, die heute zwischen Service und Kampagnensteuerung koordinieren müssen: Sie bekommen einen agentischen Mechanismus, der Signale in beide Richtungen verarbeitet.

Wer jetzt unter Druck gerät

Alle, die CRM noch als „Regelwerk-Engine“ ohne agentische Ausführung behandeln. Unter Druck geraten auch Governance- und Datenschutzverantwortliche, weil Agenten direkten Zugriff auf Kundendaten und die Fähigkeit zum eigenständigen Auslösen von Aktionen bekommen. Die Frage lautet nicht mehr „ob“, sondern „wie eng grenzt man Entscheidungsfreiräume ein und wie auditiert man Ergebnisse“.

Yahoo DSP startet das Agent Network und öffnet sein AdTech-Ökosystem für KI-Agenten

Was passiert ist

Yahoo hat sein DSP „Agent Network“ als „open framework“ angekündigt: Advertiser können direkt mit KI-Agents von Technologiepartnern zusammenarbeiten, die innerhalb der Demand-Side-Platform handeln. Laut Yahoo ist das Netzwerk auf Interoperabilität ausgelegt: Der Wechsel geht von einzelnen Standalone-Agenten hin zu einem verbundenen, agentischen Ökosystem, in dem verschiedene Agenten Teilaufgaben (z. B. Gebotsstrategien, Zielgruppenanalyse, Frequenzkappung) übernehmen und Daten über Schnittstellen austauschen.

Warum das wichtig ist

Hier wird agentische Orchestrierung im Kern von AdTech sichtbar. Der strategische Punkt ist: Agenten werden in etablierte Plattformprozesse eingeklinkt, statt als paralleler Stack betrieben zu werden. Damit sinken Startkosten für agentische Execution – und gleichzeitig wächst der Druck, Verantwortlichkeiten und Kontrollmechanismen über mehrere Anbieter hinweg sauber zu definieren.

Wo der Einsatz konkret wird

Im Kampagnenbetrieb: Agenten können Budgets planen, Zielgruppen wählen, Creatives testen und laufende Performance-Optimierungen übernehmen. Operativ ist das relevant für 24/7-Reaktionsfähigkeit, schnelle Kreativ- und Targeting-Iteration sowie datengetriebene Anpassungen an Performance-Verläufe.

Wer dadurch Hebel bekommt

CMOs, Performance-Marketing-Teams und Ad-Operations, die bisher stark an manueller Trader-Kapazität oder analystischer Schleifenzeit hängen. Auch CFOs profitieren indirekt: Wenn Reaktionszeiten sinken, entstehen potenziell Effizienzgewinne durch geringere Opportunitätskosten – vorausgesetzt, die Kontrollseite wird mitgebaut.

Wer jetzt unter Druck gerät

Unter Druck gerät das alte Operating Model „Mensch optimiert, Daten liefern“. Sobald Agenten Prozesse innerhalb der DSP ausführen, werden Trust, Oversight und Performance-Monitoring zu Pflichtaufgaben. Ebenfalls unter Druck geraten Anbieter- und Governance-Ansätze, die sich nur auf Einzelkomponenten fokussieren, nicht auf cross-partner agentische Workflows.

Stibo Systems launcht den MCP Server, um Enterprise-Masterdaten großskalig mit KI-Agenten zu verbinden

Was passiert ist

Stibo Systems hat am 29. Juni 2026 einen „MCP Server“ gelauncht, der Unternehmens-Masterdaten skalierbar mit KI-Agenten verbinden soll. Positioniert wird der Server als zentrale Schicht, über die agentische Systeme auf konsistente, qualitätsgesicherte Stammdaten zugreifen können. Gleichzeitig soll die bestehende Master Data Management-Architektur geöffnet werden, ohne Datenhoheit, Qualitätsstandards oder Governance zu kompromittieren. Agenten können damit Ergebnisse in Stammdatenwelten zurückschreiben.

Warum das wichtig ist

Das ist die Infrastruktur-Nachricht, die viele Agentik-Programme unterschätzen: Agenten scheitern selten daran, „zu wenig Intelligenz“ zu haben. Sie scheitern an Datenkontext, Konsistenz und kontrollierten Schreibrechten. Stibo adressiert genau diese Engstelle, indem es agentische Ausführung an MDM-Grundsätze koppelt. Damit wird Datenmanagement zur aktiven Enablement-Schicht für agentische Prozesse.

Wo der Einsatz konkret wird

Über mehrere Domänen hinweg, in denen Agenten mit Stammdaten arbeiten müssen: Produktdaten, Kundendaten, Lieferanteninformationen sowie organisatorische Strukturen. Der Nutzen ergibt sich für Use-Cases wie Preisoptimierung, Bestandsmanagement, Personalisierung oder Compliance-Checks, sofern die Agenten über verlässliche Daten handeln und Rückschreiben kontrolliert erfolgt.

Wer dadurch Hebel bekommt

Operations, Supply Chain und Data-Teams, die agentische Automationen nur dann verantworten können, wenn Datenqualität und Versionierung stimmen. Auch CIOs und Plattformverantwortliche bekommen einen klaren Hebel: Agentenarchitekturen werden planbarer, wenn Stammdaten als kontrollierte Quelle und Ziel existieren.

Wer jetzt unter Druck gerät

Unter Druck gerät jede Agentik-Agenda, die Datenqualität als Projekt „für später“ behandelt. Wenn Agenten Entscheidungen treffen oder Handlungen auslösen sollen, aber Stammdaten inkonsistent bleiben, werden Governance- und Incident-Kosten steigen. Die klassische MDM-Routine wird damit plötzlich zum potenziellen Bottleneck.

Anthropic führt Claude Tag als Slack-basierten Agent für delegierbare Teamarbeit ein

Was passiert ist

Berkeley RDI berichtet über den Launch von „Claude Tag“ als Slack-basiertes Beta-Feature für Claude Enterprise- und Team-Kunden. Der Ansatz: @Claude in ausgewählten Kanälen taggen, Arbeit über verbundene Tools, Datenquellen und Codebasen delegieren und Ergebnisse zurückspielen. Claude Tag arbeitet im Kontext eines Slack-Channels, sodass Teammitglieder den Verlauf sehen, intervenieren und zusätzliche Anweisungen geben können.

Warum das wichtig ist

Hier wird agentische AI in generische Kollaborationsräume verlagert. Strategisch heißt das: Agenten werden Teil der täglichen Teamkommunikation, nicht nur Teil eines spezialisierten Agenten-Interface. Damit steigt die Wahrscheinlichkeit, dass Agenten in bestehende Verantwortungs- und Review-Schleifen „natürlich“ integriert werden – oder eben versehentlich unkontrolliert genutzt werden, wenn Rollen und Tool-Zugriffe unklar bleiben.

Wo der Einsatz konkret wird

In Projekt- und Wissensarbeitskanälen: Research-Dokumente zusammenfassen, Skripte ausführen, Reports aus verbundenen Datenquellen erzeugen. Entwicklerszenarien: Tests, Log-Analysen, Refactoring-ähnliche Aufgaben, sofern Tools und Repositories angebunden sind. Der entscheidende Mehrwert liegt in der Kombination aus agentischem Handeln und Slack-Kontext-Persistenz.

Wer dadurch Hebel bekommt

Forschung, Softwareentwicklung, Data Science und Operations-Teams, die ihre Arbeit ohnehin in Slack strukturieren. Besonders wertvoll ist es für Organisationen, die Wissensarbeit stärker orchestration- und reviewbasiert laufen lassen wollen, ohne jedes Mal den Kontext in ein separates System zu übertragen.

Wer jetzt unter Druck gerät

Unter Druck gerät jede Teamkultur, die Kommunikation als „nur Text“ interpretiert. Wenn Agenten im Kanal delegiert werden, müssen Zugriffsrechte, Verantwortlichkeiten und Nachvollziehbarkeit innerhalb der Zusammenarbeit geklärt werden. Sonst wird Slack zur ungewollten Ausführungsumgebung für schlecht kontrollierte Aktionen.

Lattice erweitert seinen AI Agent für Coaching in 1:1s, Kalibrierung und Compensation-Workflows

Was passiert ist

Lattice hat im Juni 2026 Updates veröffentlicht: Der „Lattice AI Agent“ kann aktiv an 1:1-Meetings teilnehmen und als Coaching-Instanz Hinweise geben, Fragen vorschlagen oder Analysen bereitstellen – basierend auf Performance-Daten, Gesprächsnotizen und Unternehmenszielen. Zudem werden sicherere und schnellere Kalibrierungs-Setups für Performance-Runden sowie Verbesserungen in der Verwaltung von Vergütungsberechtigungen adressiert. Laut Lattice laufen Queries über ein bestehendes Analytics-Engine-Routing, und jede Chart verlinkt direkt auf die vollständige Analytics-Seite.

Warum das wichtig ist

Agenten dringen damit in sensible Entscheidungsnahe HR-Prozesse vor. Der entscheidende Reifeaspekt ist nicht „Coaching klingt nett“, sondern die Verbindung von Agentenfunktionalität mit einem transparenten Analytik-Layer und die Betonung von „safer and faster“ Kalibrierung. Das macht die HR-Use-Cases stärker überprüfbar als reine Blackbox-Vorschläge.

Wo der Einsatz konkret wird

In 1:1 Gesprächen zwischen Führungskraft und Mitarbeitenden (Coaching-Hinweise), in Performance-Kalibrierungsrunden (Unterstützung, z. B. bei Ausreißern und Gruppenlogiken) sowie im Umfeld von Vergütungsberechtigungen. Der Agent ist dabei eng mit Analytics-Ansichten verknüpft.

Wer dadurch Hebel bekommt

HR-Leiter, People Manager und People Analytics Teams. Der Hebel liegt in effizienterer Gesprächsvorbereitung, stärkeren datenbasierten Gesprächsanlässen und strukturierteren Kalibrierungen – mit dem Ziel, Muster sichtbarer zu machen und Diskussionen auf die relevanten Punkte zu fokussieren.

Wer jetzt unter Druck gerät

Unter Druck geraten HR-Operating-Modelle, die Performance-Gespräche weiterhin als rein subjektive Bewertungsräume behandeln. Sobald Agenten Coaching und Kalibrierungsvorbereitung datengetrieben unterstützen, steigt der Erwartungsdruck an Fairness, Transparenz und Dokumentation. Zudem muss Governance sauber klären, welche Daten der Agent sieht und welche Vorschläge nur assistieren dürfen.

Was das für den Einsatz von KI-Agenten bedeutet

Das übergreifende Muster der Woche: Agenten wandern in Prozessräume, die bereits über Plattformen, Datenquellen oder Kommunikationskanäle organisiert sind. Yahoo zeigt, wie agentische Execution in AdTech integriert wird. Klaviyo zeigt, wie agentische Orchestrierung in CRM und Journey-Workflows funktioniert. Stibo zeigt, dass die Daten-Infrastruktur der Engpass wird. Claude Tag zeigt, wie agentische Arbeit in Kollaboration „eingewoben“ wird. Lattice zeigt, dass agentische Funktionen selbst dort ankommen, wo Governance besonders teuer ist.

Daraus folgt eine klare Plattformlogik: Unternehmen bekommen mehr Nutzen, wenn Agenten nicht als isolierte Tools laufen, sondern als Schicht über vorhandene Systemgrenzen hinweg – mit definierten Schnittstellen, kontrollierten Datenzugriffen und nachvollziehbaren Aktionen. Erste betroffene Prozesse sind typischerweise: wiederkehrende Optimierungsarbeit, workflow-nahe Entscheidungen und datengetriebene Schleifen zwischen Signalen und Handlungen (Revenue, Service, Performance, Master Data).

Agenten sind mehr als ein weiteres KI-Tool, weil sich Rollen und Verantwortlichkeiten verschieben. Wer „besitzt“ den Prozess, wenn Handlungen teilweise autonom werden? Wer entscheidet über Eskalation und Korrektur? Und wer trägt Verantwortung für Qualität, wenn Ergebnisse in Echtzeit in Kundenerlebnisse oder interne Entscheidungen einfließen? Genau hier scheitern viele Organisationen: an Governance-Operationalisierung, nicht an Modellleistung.

Vorsprung bekommen diejenigen, die Agenten wie ein Systemdesign-Thema behandeln: Prozesslandkarte, Datenkontext, Schreibrechte, Monitoring, menschliche Aufsicht und klare KPI-Verknüpfungen. Wenn Sie das nicht parallel aufsetzen, werden Sie zwar experimentieren können – aber nicht skalieren.

Achten Sie auf diese Signale in Ihrem Unternehmen

• Signal 1: Man spricht über Agenten, aber keine Prozesslandkarte definiert, welche End-to-End-Loops agentisch werden dürfen und wo Menschen freigeben müssen.
• Signal 2: Es gibt Tool-Tests, aber keine Verantwortlichkeitslogik (Ownership, Eskalation, Audit) für Handlungen, die außerhalb von „nur Text“ liegen.
• Signal 3: Automatisierung wird als Effizienzmaß verstanden, jedoch ohne Governance für Datenzugriff, Schreibrechte und Nachvollziehbarkeit aufgebaut.
• Signal 4: Datenqualität ist nur ein „Data-Project“, während Agenten bereits Entscheidungen oder Aktionen mit Stammdaten unterstützen sollen.
• Signal 5: Agentische Workflows werden erlaubt, aber der Mensch-in-der-Schleife bleibt unscharf: Intervenieren kann man nur, wenn man Verlauf, Begründungen und Auswirkungen sehen kann.

Der strategische Schritt der Woche

Wenn ich diese Woche ein Unternehmen beim Einsatz von KI-Agenten beraten würde, wäre mein Vorschlag:

Starten Sie einen Agenten-Pilot entlang eines echten End-to-End-Workflows, der bereits heute messbar mit Geschäftsergebnis gekoppelt ist. Nehmen Sie als Vorbild die Muster aus CRM/Revenue und AdTech: definieren Sie ein konkretes Loop-Problem (z. B. Journey-Trigger aus Service-Signalen oder Kampagnen-Optimierung mit klaren Brand-Safety-Leitplanken), setzen Sie agentische Ausführung in einem kontrollierten Bereich um und koppeln Sie Monitoring und Audit-Trails von Anfang an an die Agentenhandlungen. Entscheidend: Schreiben Sie Governance als Teil des Designs fest (welche Aktionen sind erlaubt, welche nur mit Freigabe, wie werden Fehler korrigiert) und verankern Sie den Pilot mit einer Daten-Integrationsschicht, die Datenzugriff und -konsistenz sichert.

Schlussgedanke

Agenten sind gerade nicht deshalb wichtig, weil sie besser antworten. Sie sind wichtig, weil sie Prozesse ausführen. Damit werden Systemdesign, Datenfundament und Governance zur Führungsaufgabe. Wer agentische Arbeit als Tool behandelt, wird zwar Demos bauen, aber keine nachhaltige Execution. Wer agentische Arbeit als Organisations- und Verantwortungsmodell plant, bekommt Tempo – ohne Kontrolle zu verlieren.

All the best
Tim Cortinovis