Agenten im Einsatz

Was KI-Agenten heute schon in Unternehmen verändern.

Wenn Workflows selbstständig werden

Wenn Sie nur eine Minute haben

Diese Woche sieht man weniger „neue KI-Modelle“, sondern eine neue Produktionslogik: Agenten werden als Infrastruktur gebaut, die nachweisbar arbeitet, in klaren Grenzen läuft und in bestehende Unternehmensprozesse einrastet. Das Entscheidende: Governance und Sicherheitsmechanik entwickeln sich parallel zu den Workflows – nicht als nachträgliches Add-on.

Relevanz hat das für alle Revenue-, Operations- und Innovationsverantwortlichen, weil Agenten damit aus dem Pilotstatus herauswachsen. Sobald Agenten mehr als Text generieren und echte Schritte in Tools ausführen, steigen die Anforderungen an Evidenz, Kontrolle und Verantwortlichkeit. Wer das ignoriert, verlagert das Risiko nur: von „Modellqualität“ zu „Betriebssicherheit und Auditierbarkeit“.

Besonders jetzt sollten CFOs, CDOs, CROs und CISOs aufmerksam werden – aber auch die Führungsebene, die Prozesse verantwortet. Ohne saubere Prozess- und Kontrollarchitektur werden Agenten nicht skalieren, sondern teuer ausgebremst oder im Betrieb „zurückgeroutet“.

Diese Entwicklungen sollten Sie nicht übersehen

TRACE unter Linux Foundation: Hardware-attestierte Runtime-Evidenz für AI-Agenten

Was passiert ist

Die Linux Foundation bringt TRACE unter ihre Governance: eine offene Spezifikation für hardwaregestützte Nachweise darüber, was bei einer KI-Ausführung tatsächlich gelaufen ist – einschließlich Umgebung, Richtlinien und Datenklassifikationen. TRACE ist so angelegt, dass die entstandenen Nachweise tamper-evident und portabel über heterogene Umgebungen hinweg verwendbar sind.

Warum das wichtig ist

Das ist ein wichtiger Reifegrad-Sprung: Governance wird nicht nur über Logs oder Observability versucht, sondern über eine attestierbare Beweis-Schicht. Gerade bei Agenten ist die Lücke groß, weil autonome Tool-Aufrufe und dynamische Sequenzen schwer aus statischen Konfigurationsdaten zurückzuerklären sind. TRACE adressiert damit genau das Audit-Problem, das bei agentischen Workflows früher oder später hochkommt.

Wo der Einsatz konkret wird

TRACE zielt auf agentische und „confidential workloads“ in hybriden Architekturen: öffentliche Cloud, private Cloud und (sovereign) vertrauliche Umgebungen. Die Spezifikation bindet Runtime-Kontext und Policy-Metadaten an Ausführung – relevant, wenn Agenten Tools dynamisch aufrufen, Daten verarbeiten oder über Systemgrenzen hinweg arbeiten.

Wer dadurch Hebel bekommt

Security-, Data- und Compliance-Leader gewinnen, weil sie Evidenz konsistenter liefern können: nicht nur „was wir vermuten“, sondern „was nachweisbar ausgeführt wurde“. Auch Plattformteams profitieren, weil TRACE als Standardanforderung in Einkaufs- und Governance-Architekturen wandern kann.

Wer jetzt unter Druck gerät

Teams, die Agenten „einfach laufen lassen“ und Governance auf Logging und ad-hoc Observability reduzieren, geraten unter Druck. Ebenso Anbieter, deren Governance nur in der Anwendungsschicht verankert ist: Sobald Runtime-Nachweise zum Standard werden, brauchen Plattformen Anschlussfähigkeit.

AgentAnywhere: Souveräne Agentenplattform für regulierte Unternehmen

Was passiert ist

ShepHertz hat AgentAnywhere in August 2026 gestartet. Der Kern ist „sovereign agentic AI“: Modelle, Agenten und Governance-Komponenten sollen vollständig in der Kundeninfrastruktur laufen – unter den eigenen Verschlüsselungsschlüsseln. Zusätzlich gibt es eine Trust Layer mit Maskierung/De-Identifizierung, Screening gegen Prompt Injection/Jailbreak, einem zentralen Universal Gateway sowie Compliance-Mapping und „Trust Receipts“ pro Interaktion.

Warum das wichtig ist

Neu ist hier nicht „ein Agent“, sondern ein Sicherheits- und Kontrollperimeter. Viele Unternehmen unterschätzen, dass Agentenbedrohungen nicht nur aus der Modellseite kommen, sondern aus Interaktionen, Datenflüssen und Toolzugriffen. AgentAnywhere macht Souveränität operabel: nicht als Policy-Dokument, sondern als technische Schicht, die Aktionen filtert und Belege erzeugt.

Wo der Einsatz konkret wird

Genannt werden interne Einsatzfelder bei ShepHertz: Marketing Lead Generation, RFP-Antworten, Contract Review und Cloud Cost Optimization – jeweils als agentische Workflows. Für Kunden werden Anwendungen in BFSI, Healthcare, Government sowie Business-Process-Outsourcing skizziert, inklusive Masking vor Modellzugriff und dokumentierter Evidenz via Trust Receipts.

Wer dadurch Hebel bekommt

Risikoverantwortliche und Innovationsteamleiter in regulierten Branchen bekommen einen pragmatischen Weg, agentische Automatisierung zuzulassen, ohne die Kontrolle aufzugeben. Für Marketing-, Legal- und Prozessteams heißt das: Agenten werden als kontrollierte „Arbeitsausführung“ denkbar, nicht nur als Assistenz.

Wer jetzt unter Druck gerät

Unter Druck geraten Organisationsmodelle, die „Souveränität“ nur über Beschaffungs- und Vertragslogik adressieren, aber die operative Schutzschicht nicht mitbauen. Ebenso Anbieter, die regulierte Workloads als „später“ abhandeln, weil sie Governance nicht als Teil des Produkts liefern.

Auxia Agent Studio: Control Plane für agentische Marketing-Workflows

Was passiert ist

Auxia hat Auxia Agent Studio als agentische Marketingplattform eingeführt. Positioniert wird es als Betriebssystem-ähnliche Control Plane für Teams: Agenten sollen Kampagnen planen, bauen, ausführen und optimieren – über bestehende Stacks hinweg. Zentral ist dabei die „Marketing context graph“ als organisationales Kontextgedächtnis (Brand Voice, Historie, Constraints). Zusätzlich gibt es ein kollaboratives Workspace-Modell, das Feedback und Genehmigungen durch Menschen ermöglicht.

Warum das wichtig ist

Das verschiebt Marketing von „Kampagnenbau per Template“ hin zu „Kampagnenbetrieb als Workflow“. Wichtig: Die Nachrichten betonen, dass diese Systeme End-to-End arbeiten sollen und nicht „von allein laufen“. Damit steigt die Bedeutung von Prozessdesign, Freigaberoutinen und Daten-/Kontextqualität – also genau der Teil, der in vielen Marketing-AI-Ansätzen zu kurz kommt.

Wo der Einsatz konkret wird

Agenten werden für das Researchen, Segmentieren, Content-Generieren, Konfigurieren (z. B. in ESPs), Scheduling, Tracking und Optimierung eingesetzt. Das kollaborative Workspace routet Feedback und Approval-Schritte über Funktionen wie Legal/Brand/Creative/Analytics/Operations.

Wer dadurch Hebel bekommt

Marketing Ops, Revenue Operations und CMOs bekommen einen konkreteren Hebel: schnellere Kampagnenzyklen (Tage statt Wochen wird als Ziel beschrieben) und integrierte Performance-Auswertung innerhalb des agentischen Workflows. Für Revenue Leader ist außerdem relevant, dass es mit Auxia Decisioning gekoppelt wird, um Echtzeit-Personalisierung über Kanäle zu unterstützen.

Wer jetzt unter Druck gerät

Unter Druck geraten Marketing-Organisationen, die zwar „Content-Produktion“ automatisieren, aber nicht den End-to-End-Prozess (inkl. Freigaben und Abhängigkeiten) als System neu denken. Ebenfalls herausgefordert sind Teams mit fragmentierten Kontextquellen: Ohne Marketing context graph wird Konsistenz schwierig.

Equifax: Containment-Modell für AI-Agenten in Security Operations

Was passiert ist

Equifax beschreibt ein AI-Agent Containment Modell für den SOC-Betrieb. Zwei Kernelemente werden hervorgehoben: (1) Identity-based Access Controls plus Netzwerkzonen, die Agenten in definierte Zonen einsperren und Scope-Drift verhindern. (2) Live Prompt Injection Stripping als Echtzeit-Schutz, der Prompt-Injection-Kommandos entfernt, bevor sie interne Modelle steuern. Equifax berichtet außerdem über operative Effekte: schnellere Code-Security-Reviews (von 46 auf 18 Tage) und die automatische Auflösung von ungefähr der Hälfte der SOC-Incident Tickets.

Warum das wichtig ist

Das ist kein „Safety-Paper“, sondern ein Betriebsmodell. Der strategische Punkt: Bei Agenten funktioniert Security nicht nur über Pre-Deployment-Tests. Wenn Angreifer dynamisch reagieren, braucht es Schutz, der im laufenden Betrieb wirkt. Containment verschiebt die Verantwortung von „Prompt ist korrekt“ zu „Agent ist systemisch begrenzt“.

Wo der Einsatz konkret wird

In Security Operations (SOC): Code-Security-Review-Triage, incidentbezogene Analysen und Ticket-Auflösung. Das Modell umfasst außerdem konkrete Prüffragen für andere Unternehmen: Zonen-Containment, Identity-Architektur und Echtzeit-Prompt-Injection-Prevention statt nur Red-Teaming.

Wer dadurch Hebel bekommt

Security Engineering, SOC-Leadership und Plattformteams können Effizienzgewinne realisieren, ohne Kontrolle aufzugeben. Außerdem profitieren Audit- und Risk-Teams, weil das Modell klare technische Begrenzungen beschreibt, die man nachweisen kann.

Wer jetzt unter Druck gerät

Unter Druck geraten Organisationen, die Agenten „mit breiten Berechtigungen“ in Produktivsysteme lassen oder Prompt Injection als Randrisiko behandeln. Auch Rollen, die Governance auf Modell-Accuracy reduzieren, müssen umdenken: Das Risiko sitzt im Betrieb und in den Interaktionskanälen.

asago von Red Hat: Open-Source-Orchestrator für AI Safety & Governance

Was passiert ist

Red Hat hat asago eingeführt: ein Open-Source-Projekt als Governance-Orchestrator, um AI-Policies in Produktionssafeguards zu übersetzen. asago soll nicht neue Safety-Tools ersetzen, sondern vorhandene Tools für Evaluation, Red-Teaming, Guardrails und Policy Enforcement über eine gemeinsame Orchestrationslogik koppeln. Ziel ist, den Übergang von Policy-Dokumenten zu konkreten Produktionskontrollen zu vereinfachen.

Warum das wichtig ist

Agenten skalieren nicht nur technisch, sondern organisatorisch. Genau dafür adressiert asago das „Tool-Fragmentierungsproblem“: Governance-Teams verlieren Zeit, wenn sie Safety-Stacks selbst zusammenziehen müssen. Mit einem Orchestrator wird Governance eher zu einer wiederholbaren Engineering-Aufgabe statt zu einem Sonderprojekt pro Plattform.

Wo der Einsatz konkret wird

asago wird in Zusammenhang mit bestehenden und zukünftigen Governance-Komponenten gedacht: es kann helfen, Policies konsistent auf Agenten-Workloads anzuwenden und passende Evaluation/Guardrails/Logging einzuschalten. Die Input-Daten stellen explizit den Bedarf heraus, wenn Unternehmen mehrere agentische Plattformen nutzen.

Wer dadurch Hebel bekommt

Chief Risk Officers, AI Program Leads und Governance Owners profitieren, weil sie weniger Integrationslast tragen müssen und weniger „Gaps zwischen Policy und Produktion“ erzeugen. Besonders wichtig wird das bei agentischen Einsätzen in kunden- oder reputationskritischen Funktionen wie Sales, Marketing und Customer Service.

Wer jetzt unter Druck gerät

Unter Druck geraten Unternehmen mit Governance-Silos: Wenn jede Plattform eigene Regeln, Tools und Nachweisketten baut, wird Konsistenz teuer und Compliance riskant. Ebenso geraten Teams unter Druck, die Policies zwar formulieren, aber in der Produktion nur punktuell umsetzen.

Was das für den Einsatz von KI-Agenten bedeutet

Die Woche zeigt drei Muster, die sich nicht mehr wegdiskutieren lassen. Erstens: Agenten werden zunehmend als End-to-End-Workflow verstanden – mit Toolzugriff, Sequenzen und messbaren Effekten. Zweitens: Plattformlogik verschiebt sich von „Modell bereitstellen“ zu „Kontroll- und Evidenzschichten integrieren“. TRACE steht für attestierbare Runtime-Nachweise, AgentAnywhere für Masking/Screening/Trust Receipts, Equifax für Containment und Live Prevention, asago für Governance-Orchestrierung.

Drittens: Prozesse werden als System umgebaut. Marketing braucht Kontext-Graphen und Freigabeflüsse; Security braucht Identity und Netzwerkzonen plus Echtzeit-Abwehr; Compliance braucht eine Evidenzkette, die Agentenaktionen nachvollziehbar macht. Agenten sind damit mehr als ein Tool: Sie erzwingen Systemdesign, Verantwortungszuordnung und eine Governance-Architektur, die mit autonomem Verhalten mitwächst.

Vorsprung bekommen Unternehmen, die agentenfähige Workflows zuerst in Bereichen designen, wo der Scope klar ist und die Kontrollmechanik sichtbar gemacht werden kann. Gleichzeitig werden Rollen klar neu definiert: Governance wird zu einer Engineering-Disziplin, nicht zu einem Audit-Schlusspunkt; Security wird zum Enabler für Tempo; Marketing Ops wird zum Prozessarchitekt.

Wer diese Infrastrukturfragen nicht früh angeht, bekommt Skalierung nicht als Wachstumsschub, sondern als Bremse: Agenten liefern dann keine ROI, sondern zusätzliche Ausnahmefälle, Diskussionen und manuelle Rückholschleifen.

Achten Sie auf diese Signale in Ihrem Unternehmen

• Signal 1: Man testet agentische Tools, aber man gestaltet keine End-to-End-Prozesse neu. Ergebnis: Agenten bleiben in der Rolle „Textlieferant“ statt „Workflow-Ausführer“.
• Signal 2: Man automatisiert einzelne Aufgaben, aber baut keine autonomen, mehrstufigen Workflows mit klarer menschlicher Aufsicht. Ergebnis: Überraschungen landen später im Betrieb.
• Signal 3: Man spricht über Effizienz, aber nicht über Evidenz. Ergebnis: Wenn Audit oder Security fragt, ist die Antwort „wir haben Logs“ – nicht „wir haben Nachweise über die Ausführung unter Policies“.
• Signal 4: Man erlaubt Experimente ohne definierte Grenzen (Identität, Netzwerk, Datenklassifikation). Ergebnis: Containment fehlt, und Prompt Injection wird zur operativen Regelvariante.
• Signal 5: Man erwartet Skalierung ohne konsistente Governance-Orchestrierung über mehrere Plattformen hinweg. Ergebnis: Regeln, Evaluation und Guardrails werden je Stack unterschiedlich – und damit unzuverlässig.

Der strategische Schritt der Woche

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

Designieren Sie einen agentenfähigen End-to-End-Use-Case mit klarer Scope-Definition und bauen Sie dafür eine Governance- und Evidenzkette als Teil des Workflows. Konkret: Wählen Sie einen Prozess, der „mehr als FAQ“ ist (z. B. RFP-Antworten, Contract Review, SOC-Triage oder agentische Kampagnenplanung), definieren Sie Identität/Netzwerkgrenzen sowie Masking/Screening-Anforderungen und planen Sie nachweisbare Runtime-Evidence als Akzeptanzkriterium. Danach führen Sie einen Pilot nicht als Tool-Test durch, sondern als Prozessbetrieb mit messbaren Ergebnissen und überprüfbaren Sicherheits- und Governance-Gates.

Schlussgedanke

Agenten im Einsatz sind jetzt eine Systemdesign- und Führungsaufgabe. Wer Governance nicht als Architektur versteht, wird bei Autonomie entweder zu spät reagieren oder zu langsam skalieren. Die nächsten Monate gehören Unternehmen, die Evidenz, Containment und orchestrierte Safeguards so behandeln wie andere kritische Produktionssysteme auch: mit Verantwortung, Standards und messbaren Kontrollen. Genau dort entsteht nachhaltiger Vorteil.

All the best
Tim Cortinovis