Agenten im Einsatz

Was KI-Agenten heute schon in Unternehmen verändern.

Vom Assistenz-Chat zum operativen System

In dieser Woche ist nicht „noch ein KI-Feature“ sichtbar geworden, sondern ein struktureller Schritt: Agenten werden in Kernprozesse eingebunden, die bisher von Menschen überbrückt wurden – mit klarer Abstufung zwischen Autonomie und menschlicher Kontrolle.

Zwei Sicherheitsrichtungen zeigen das besonders deutlich. Zscaler beschreibt einen agent-firsten SOC, in dem viele Agenten Rollen wie Triage, Investigation, Verdicting und Containment übernehmen. Proofpoint setzt dagegen auf einen SOC-Analysten-Agenten, der Untersuchungen beschleunigt, aber folgenreiche Remediation-Entscheidungen ausdrücklich beim Menschen lässt. Damit verschiebt sich die praktische Frage von „Welche Modelle?“ zu „Wie viel Entscheidungskompetenz bekommt ein Agent – und wie wird sie begrenzt?“

Parallel wird Agentenarbeit in Wissens- und Engineering-Kontexte übertragen (OpenAI: automatisierter „research intern“ mit 3,1 agent-workdays pro human workday). Und im Hintergrund wächst die Infrastruktur-Schicht: Accenture/Google Cloud planen eine Skalierungsmaschine über Teams und Trainings, während CIQ mit Fuzzball 4.2 agentengestützte Workload-Ausführung in sovereign Umgebungen adressiert. Das ist die eigentliche Unternehmensrelevanz: Agenten werden nicht nur genutzt, sie werden systemisch produziert.

Wenn Unternehmen diese Entwicklung ignorieren, bleibt ihnen nur der alte Weg: Einzelautomationen und Tool-Piloten. Das führt zu hohen Integrations- und Governance-Kosten später – zu spät, wenn Agenten bereits als operatives Betriebsmodell erwartet werden.

Diese Entwicklungen sollten Sie nicht übersehen

Zscaler Agentic SOC: Agenten-first security operations

Was passiert ist

Zscaler hat „Agentic SOC“ angekündigt als neues Security-Operations-Konzept mit agentischer Architektur: Agenten sollen Bedrohungen erkennen, untersuchen und in Aktionen überführen. Die Darstellung kombiniert proaktive Exposure-Management-Elemente mit reaktiver Threat Defense und arbeitet mit hoher Telemetrie-Dichte (750 Milliarden Transaktionen täglich in der Zero Trust Exchange als Basis für die Signalverarbeitung).

Warum das wichtig ist

Hier wird Agentenlogik nicht als Komfortlayer beschrieben, sondern als Backbone eines SOC. Das zeigt den Reifegrad-Sprung: Agenten werden als Arbeitsinstanzen organisiert, Rollen sind ausformuliert (Triage, Root-Cause, Verdicting, Containment), und Entscheidungen sind entlang von Telemetrie + Kontext verankert (Context Graph als Korrelationsebene).

Wo der Einsatz konkret wird

SOC-Workflows: Triage und Root-Cause-Analysen über einen Kontextgraphen, Risiko-/Verdicting und automatisierte Containment-Schritte wie Isolieren kompromittierter Identitäten, Blocken von Command-and-Control-Verkehr und Einschränken lateraler Bewegung. Zusätzlich: Ein Decoy-Mesh-Ansatz und Integrationen mit Drittanbieterdaten sollen die Untersuchungsqualität stützen.

Wer dadurch Hebel bekommt

CISOs, Security Operations Leaders und Verantwortliche für Zero-Trust-Architekturen. Besonders profitieren Teams, die Telemetrievolumen und Eskalationsketten heute nur mit großen Personalkapazitäten beherrschbar halten. Auch Governance-Verantwortliche bekommen eine neue Koordinationsaufgabe: Agenten agieren in Enforcement-nahen Bereichen.

Wer jetzt unter Druck gerät

Wer Security-Transformation als reines Alerting-/Dashboards-Projekt denkt, gerät unter Zugzwang. Außerdem geraten Annahmen unter Druck, dass „Human-in-the-loop“ automatisch heißt, dass alles Menschen-Entscheidung bleibt: Wenn Agenten Containment anstoßen, muss Governance als Systemdesign behandelt werden, nicht als Richtlinie.

Proofpoint SOC Analyst Agent: Human-in-the-loop in der Analyse

Was passiert ist

Proofpoint hat einen „SOC Analyst Agent“ veröffentlicht, der Security-Teams bei Untersuchungen unterstützt. Der zentrale Unterschied zur agent-firsten SOC-Idee: Der Agent soll Fragen natürlicher Sprache in strukturierte und nachvollziehbare Findings übersetzen, aber keine folgenreichen Remediation-Aktionen wie Account Changes oder Containment eigenständig durchführen. Seine Outputs sollen auf Quelldaten zurückführbar sein.

Warum das wichtig ist

Das ist ein messbarer Governance-Vorschlag: Agenten dürfen im SOC arbeiten, aber in klar begrenztem Handlungskorridor. Gerade für viele Unternehmen ist das der realistischste Einstieg in agentische Arbeit, weil es Auditierbarkeit und menschliche Entscheidungsautorität in den Produktkern schreibt.

Wo der Einsatz konkret wird

Threat Hunting, Data-Security-Investigations und Eskalationsberichterstattung als wiederkehrende Analysen. Der Agent arbeitet über gekoppelte Proofpoint-Datenquellen (z. B. Alerts, Logs, DLP-Events und User-Risk-Signale) und strukturiert Untersuchungen, die anschließend vom Analysten validiert werden.

Wer dadurch Hebel bekommt

Security Analysts, SOC Lead Teams und alle Organisationen, die Untersuchungen beschleunigen müssen, ohne sofort in autonome Enforcement-Fähigkeiten einzusteigen. Auch Compliance-/Audit-Verantwortliche profitieren von der Betonung der Traceability zu Source Data.

Wer jetzt unter Druck gerät

Teams, die Agenten nur als „Ticket-Generator“ betrachten, werden herausgefordert: Der Agent ist für Untersuchungsdurchläufe gebaut, inklusive planbarer Wiederholung über Scheduled Workflows. Wer keine sauberen Entscheidungs- und Validierungsprozesse definiert, wird mit schlechten Output-Qualitätskreisläufen kämpfen.

OpenAI „research intern“: Agentenarbeit wird in R&D messbar behauptet

Was passiert ist

OpenAI hat berichtet, dass ein automatisierter „research intern“ bis September erreicht worden sei. Als zentrale Kennzahl nennt OpenAI 3,1 agent-workdays pro human workday, basierend auf interner Instrumentierung. Die Messung betont Aufwand (Agentenarbeitszeit) statt gleichzeitiger Bewertung von Erfolgsqualität. Zusätzlich wird beschrieben, dass Coding Agents im Forschungsalltag häufig parallel genutzt werden.

Warum das wichtig ist

Der Reifegrad liegt hier weniger in „mehr Code“ als in der Verschiebung der Arbeitsarchitektur: Agenten werden als produktive Dauerkomponente in Forschungs- und Experiment-Workflows eingeplant. Gleichzeitig bleibt die Governance-Realität sichtbar: OpenAI ordnet die Kennzahl selbst ein und spricht von vorläufiger Messlogik.

Wo der Einsatz konkret wird

R&D-Prozesse, insbesondere Coding- und Experiment-Setups: Schreiben und Modifizieren von Code, Experiment-Setup und Workflow-Management. OpenAI beschreibt außerdem eine Roadmap-Perspektive Richtung „automated AI researcher“ bis März 2028, unterschieden vom „research intern“ mit engerer menschlicher Steuerung.

Wer dadurch Hebel bekommt

Head of R&D, Engineering-Produktionsleiter und Organisationen, die Innovationszyklen über Experimentdurchsatz steuern wollen. Der praktische Hebel liegt in der Möglichkeit, agentische Arbeit zunächst als „Agent Effort“ zu instrumentieren und später an Erfolgs- und Impact-KPIs anzukoppeln.

Wer jetzt unter Druck gerät

Unternehmen, die Agentenarbeit in R&D nur als „Tooling für Einzelaufgaben“ betrachten, geraten unter Druck, weil die Mess- und Prozesslogik (Workflows, Instrumentierung, Effort-Kennzahlen) zur neuen Grundlage wird.

Accenture & Google Cloud: Skalierung als Organisationsprogramm

Was passiert ist

Accenture und Google Cloud haben eine „Gemini Enterprise Business Group“ angekündigt. Kern ist eine große, forward-deployed Workforce (1.000 Personen) sowie der Ausbau von Trainings und Zertifizierungen. Ziel: von Experimenten zu breit skalierter Transformation mit Gemini Enterprise und agentic AI.

Warum das wichtig ist

Das Signal ist klar: Agentic AI wird zu einer Delivery- und Betriebsaufgabe. Modelle reichen nicht. Es braucht Referenzarchitekturen, Integrationsmuster, Governance- und Change-Mechaniken – und vor allem: Personal, das agentische Workflows prozessnah einführt.

Wo der Einsatz konkret wird

Gemini Enterprise Adoption über Accelerators/Frameworks, Entwicklung industry-spezifischer Lösungen und Unterstützung beim Übergang von Piloten zu Enterprise-Scale. Zusätzlich: User Adoption als Fokus (damit Mitarbeitende mit Agenten wirklich in den Tagesprozess gehen).

Wer dadurch Hebel bekommt

Revenue- und Digital-Transformation-Verantwortliche, die agentische Anwendungen in mehreren Funktionen skalieren wollen (z. B. über typische Bereiche wie Sales/Marketing/Customer Service/Operations/Finance, soweit in der Berichterstattung als Zielkorridor genannt).

Wer jetzt unter Druck gerät

Interne Teams, die Skalierung als „noch ein Projekt“ behandeln, werden herausgefordert. Wenn kein organisatorischer Skalierungsansatz existiert, bleibt man beim Pilotstatus hängen – genau an dem Punkt, den diese Ankündigung adressiert.

CIQ Fuzzball 4.2: Agenten steuern Workloads in sovereign Umgebungen

Was passiert ist

CIQs Fuzzball 4.2 wird so eingeordnet, dass Agenten direkt Workloads ausführen können, verbunden mit sovereign AI Umgebungen (Steuerung und Ausführung in kontrollierten/„inside the walls“-Infrastrukturen). Der Fokus liegt auf Orchestrierung: Agenten sollen Pläne in reale Workload-Ausführung überführen können.

Warum das wichtig ist

Die Plattformlogik verschiebt sich: Agenten werden nicht nur für Text, Recherche oder Analysen genutzt, sondern bekommen eine Schnittstelle zu Produktion/Compute. Das macht Agentic AI zu einem Thema für Infrastruktur- und Betriebsverantwortliche – mit neuen Risikoflächen (Runaway, Resource Abuse, Policy-Fehlkonfiguration).

Wo der Einsatz konkret wird

Sovereign AI in Kombination mit Production Orchestration: Scheduling, Monitoring und Kontrolle agentinitiierter Workloads. Damit entsteht eine neue Kopplung zwischen Entscheidungs- und Ausführungsebene.

Wer dadurch Hebel bekommt

Infrastruktur- und Operations-Leader, insbesondere in Organisationen mit Daten- und Compliance-Grenzen, die Workloads nicht einfach in externe Clouds verlagern können.

Wer jetzt unter Druck gerät

Organisationen, die Agenten als „virtuelle Assistenten“ ohne echte Ausführungsrechte behandeln. Sobald Workload-Ausführung möglich wird, müssen Permissions, Identitäten und Laufzeitkontrollen so gedacht sein, dass Ausführung nicht zur unkontrollierten Möglichkeit wird.

Was das für den Einsatz von KI-Agenten bedeutet

Realistisch wird diese Woche vor allem eine Sache: Agenten werden als Rolleninhaber in End-to-End-Workflows gedacht. Nicht „Antworten liefern“, sondern Prozessketten anstoßen, korrelieren, prüfen und – je nach Governance-Modell – in Aktionen überführen.

Die Plattformlogik zeichnet sich entlang von drei Schichten ab. Erstens: Kontext- und Entscheidungsräume (z. B. Context Graph im Agentic SOC, strukturierte Findings im SOC Analyst Agent). Zweitens: Orchestrierung und Wiederholung (Scheduled Workflows im SOC-Umfeld, R&D-Experiment-Iterationen, workforce-basierte Skalierung bei Gemini Enterprise). Drittens: Ausführung in kontrollierter Infrastruktur (agentinitiierte Workloads in sovereign Umgebungen).

Damit verändern sich Unternehmensprozesse zuerst dort, wo „Zeit und Kette“ heute teuer sind: Security Operations, R&D-Experiment-Zyklen und operative Transformationsprogramme. Der Grund ist einfach: Agenten liefern nur dann echten ROI, wenn der Prozess bereits als Workflow gedacht ist – inklusive Entscheidungspunkten und Verantwortlichkeiten.

Agenten sind mehr als Tools, weil sie neue Verantwortlichkeiten erzeugen. Sobald ein Agent Aktionen vorbereiten, bewerten oder ausführen kann, müssen Ownership, Auditierbarkeit und Tool-/Permissions-Scopes organisatorisch verankert werden. Genau diese Punkte sind in den Nachrichten unterschiedlich umgesetzt: Zscaler delegiert weiter in Containment, Proofpoint begrenzt Remediation, OpenAI macht Messlogik explizit vorsichtig, CIQ koppelt Agenten an Workload-Orchestrierung, und Accenture/Google Cloud stellen Personal und Skalierungsarchitektur in den Mittelpunkt.

Den Vorsprung bekommen diejenigen, die Governance nicht als Einzelschutz behandeln, sondern als Systemdesign entlang der Agenten-„Action Surface“: Was darf passieren, wer genehmigt, wie wird beobachtet, und wie wird das Betriebsverhalten über Zeit gemanagt?

Achten Sie auf diese Signale in Ihrem Unternehmen

• Signal 1: Man testet Agent-Tools, aber man redesignet keinen End-to-End-Workflow. Ergebnis: viele Einzel-Outputs, aber keine messbare Prozessverkürzung.
• Signal 2: Man automatisiert einzelne Aufgaben, baut aber keine autonomen, wiederholbaren Workflows mit klaren Entscheidungspunkten (Plan/Review/Act). Dann bleibt der Agent „Spielerei“.
• Signal 3: Man spricht über Effizienz, aber definiert nicht, wer bei Agenten-Entscheidungen verantwortlich ist – besonders, wenn Aktionen in Richtung Enforcement/Containment oder Workload-Ausführung gehen.
• Signal 4: Man erlaubt Experimente ohne robuste Grenzen für Tool-Permissions, Identitäten und Traceability. Das wird teuer, sobald ein Agent in reale Systeme schreiben darf.
• Signal 5: Man plant Skalierung, aber ohne Instrumentierung und Erfolgsmessung. Ohne messbare Kriterien (Aufwand, Validierung, Outcome) wird aus „Agentenprojekt“ ein Dauer-Pilot.

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 entlang eines echten End-to-End-Workflows mit definierter Agenten-Action-Grenze. Wählen Sie einen Prozess, in dem (1) Korrelation und Untersuchung nötig sind, (2) wiederkehrende Schritte existieren, und (3) es einen klaren menschlichen Entscheidungs- und Freigabepunkt gibt. Orientieren Sie sich dabei an der Architektur-Differenz aus der Woche: wie Proofpoint zuerst Untersuchung und Traceability priorisiert, während Zscaler weiter in Containment-Aktionen geht. Definieren Sie schriftlich, was der Agent darf (z. B. Findings erstellen, Priorisieren, Vorschläge ausgeben), was er nicht darf (z. B. Remediation ohne Freigabe), und wie Sie die Ausführung beobachten und auditieren. Danach instrumentieren Sie Agent Effort und Outcome gemeinsam, damit Sie nicht nur Aktivität messen – sondern Prozesswirkung.

Schlussgedanke

Die nächste Phase von KI-Agenten ist keine Modellfrage, sondern eine Systemfrage: Wie wird Verantwortung verteilt, wie wird Ausführung kontrolliert, und wie wird ein Agentenprozess betrieben wie eine Funktion? Diese Woche zeigt, dass Agenten bereits in Sicherheits-, Forschungs- und Orchestrierungslogiken hineinwachsen. Entscheider müssen das als Führungs- und Organisationsaufgabe behandeln, sonst bleiben sie beim Pilot-Theater hängen, während die echte Betriebsrealität an ihnen vorbeiläuft.

All the best
Tim Cortinovis