Agenten im Einsatz Archive - Tim Cortinovis.

KI-Agenten werden zur neuen operativen Infrastruktur

Tim Cortinovis — Thu, 15 Oct 2026 06:05:11 +0000

Agenten im Einsatz

Was KI-Agenten heute schon in Unternehmen verändern.

Die neue operative Schicht zwischen Mensch und Prozess

Wenn Sie nur eine Minute haben

KI-Agenten verlassen die Seitenleiste. Sie wandern in den operativen Kern von Unternehmen: in Finance, HR, Einkauf, Gebäudebetrieb und industrielle Abläufe. Dort beantworten sie nicht mehr nur Fragen. Sie koordinieren Aufgaben, greifen auf mehrere Systeme zu und führen Handlungen innerhalb definierter Grenzen aus.

Damit verschiebt sich die entscheidende Frage. Nicht mehr: Welches Modell ist leistungsfähiger? Sondern: Welcher Agent darf auf welche Daten zugreifen, welche Entscheidungen vorbereiten und wann muss ein Mensch eingreifen?

Geschäftsführer, Funktionsleiter und Prozessverantwortliche sollten jetzt aufmerksam werden. Wer Agenten weiterhin als zusätzliches Tool behandelt, unterschätzt ihre Wirkung. Es entsteht eine neue operative Schicht zwischen Mensch und Prozess. Wer diese Schicht nicht selbst gestaltet, übernimmt später die Architektur eines Plattformanbieters.

Diese Entwicklungen sollten Sie nicht übersehen

Google bringt einen universellen Gemini-Agenten in die Unternehmensarbeit

Was passiert ist

Google Cloud stellt einen Gemini-Agenten vor, der langfristige Aufgaben und Multi-Agenten-Workflows über Workspace, Microsoft 365, Slack und weitere Unternehmenssysteme hinweg ausführen kann. Eigene Agentenidentitäten, Berechtigungen, Audit-Trails und Kostenkontrollen sollen den Einsatz steuerbar machen.

Warum das wichtig ist

Hier entsteht nicht einfach ein weiterer Assistent. Google positioniert eine übergreifende Ausführungsebene für Arbeit. Der strategische Wert liegt in der Verbindung unterschiedlicher Systeme. Der Agent soll dort handeln, wo heute Menschen Informationen übertragen, Aufgaben nachhalten und Übergaben organisieren.

Wo der Einsatz konkret wird

Relevant werden länger laufende Aufgaben, systemübergreifende Recherche und koordinierte Abläufe, an denen mehrere spezialisierte Agenten beteiligt sind. Genau diese Übergaben verursachen in Unternehmen häufig Verzögerungen und manuelle Nacharbeit.

Wer dadurch Hebel bekommt

Operations-Teams und Funktionsverantwortliche mit fragmentierten Systemlandschaften gewinnen einen neuen Ansatzpunkt. Besonders wertvoll wird er dort, wo Arbeit regelmäßig zwischen Kommunikation, Dokumenten und operativen Systemen wechselt.

Wer jetzt unter Druck gerät

Unter Druck geraten isolierte Automatisierungen und Anbieter, die nur einen einzelnen Arbeitsschritt abdecken. Auch IT-Strategien, die Anwendungen getrennt verwalten, müssen umdenken. Agenten arbeiten nicht in Systemgrenzen. Governance darf es deshalb ebenfalls nicht tun.

Honeywell verbindet Agenten mit Gebäuden und Industrieanlagen

Was passiert ist

Honeywell startet gemeinsam mit NVIDIA und Dell die Plattform Forge Cognition. Sie verbindet KI-Agenten mit digitalen Zwillingen für Gebäude- und Industrieoperationen. In einem NVIDIA-Pilotprojekt wurden laut Honeywell bis zu 90 Prozent weniger unnötige Alarme erreicht und ein Energieeinsparpotenzial von bis zu 10 Prozent identifiziert.

Warum das wichtig ist

Agenten greifen damit über Wissensarbeit hinaus. Sie bewerten Zustände in physischen Umgebungen, simulieren Auswirkungen und unterstützen operative Entscheidungen. Das ist der Schritt vom digitalen Assistenten zum Bestandteil eines technischen Betriebssystems.

Wo der Einsatz konkret wird

Der Nutzen zeigt sich bei Alarmbewertung, Gebäudeüberwachung, Energieanalyse und der Simulation industrieller Abläufe. Der Agent reduziert nicht nur Aufwand. Er hilft, relevante Signale aus einer großen Menge technischer Meldungen herauszufiltern.

Wer dadurch Hebel bekommt

Facility Management, technische Betriebsführung, Energieverantwortliche und industrielle Operations-Teams können schneller priorisieren. Der größte Hebel entsteht dort, wo viele Sensordaten vorhanden sind, aber menschliche Aufmerksamkeit knapp ist.

Wer jetzt unter Druck gerät

Starre Alarmregeln und rein reaktive Betriebsmodelle verlieren an Wert. Gleichzeitig bleibt menschliche Kontrolle zentral. Die Technologie kann Entscheidungen vorbereiten und optimieren. Sie macht Verantwortlichkeit im physischen Betrieb aber nicht überflüssig.

SAP bringt Joule in Finance, HR und Einkauf in die Breite

Was passiert ist

SAP meldet 110.000 interne Nutzer von Joule Work und eine Produktivitätssteigerung von 20 Prozent in Finance, HR und Einkauf. Joule Assistants sollen operative Aufgaben mit bestehenden Berechtigungen, Audit-Trails und steuerbarer Autonomie ausführen.

Warum das wichtig ist

Die Meldung zeigt, wo Agenten zuerst skalieren: nicht als freischwebende Innovation, sondern eingebettet in etablierte Prozesse, Rollen und Zugriffsrechte. Bestehende Unternehmenssoftware wird damit von einem Aufzeichnungssystem zu einer Umgebung, in der Arbeit ausgeführt wird.

Wo der Einsatz konkret wird

Betroffen sind administrative und operative Aufgaben in Finance, Personalwesen und Beschaffung. Entscheidend ist die Kombination aus Prozesskontext, Berechtigungen und nachvollziehbaren Handlungen.

Wer dadurch Hebel bekommt

Funktionsleiter mit hohem Transaktionsvolumen können Routinen neu verteilen. Mitarbeitende müssen nicht jeden Schritt selbst ausführen, behalten aber die Verantwortung für Ausnahmen und kritische Entscheidungen.

Wer jetzt unter Druck gerät

Unter Druck geraten Prozesse, die nur deshalb manuell bleiben, weil sie über Jahre so organisiert wurden. Auch reine Effizienzprogramme greifen zu kurz. Wer Agenten einführt, ohne Rollen und Freigaben neu zu ordnen, digitalisiert lediglich die alte Arbeitsteilung.

Finanzaufsicht fordert klare Eingriffspunkte für Menschen

Was passiert ist

Die finalen Leitlinien des Financial Stability Board verlangen bei risikoreichen Agentenanwendungen intensivere menschliche Aufsicht. Unternehmen sollen risikobasierte Auslöser definieren, bei denen ein Agent vor einer Handlung menschliche Genehmigung einholen muss.

Warum das wichtig ist

Governance wird damit konkret. „Der Mensch bleibt verantwortlich“ reicht nicht mehr. Unternehmen müssen festlegen, an welchem Punkt der Mensch tatsächlich eingreift. Verantwortung braucht einen Trigger, einen Owner und einen dokumentierten Entscheidungsweg.

Wo der Einsatz konkret wird

Relevant ist das überall dort, wo Agenten Handlungen mit erhöhtem Risiko vorbereiten oder ausführen. Je größer die mögliche Wirkung, desto klarer müssen Freigabe, Eskalation und Protokollierung gestaltet sein.

Wer dadurch Hebel bekommt

Risk, Compliance, interne Revision und Prozessverantwortliche erhalten eine neue Gestaltungsaufgabe. Gute Governance kann Einführung beschleunigen, weil Grenzen vor dem Go-live geklärt werden.

Wer jetzt unter Druck gerät

Unter Druck geraten pauschale Freigaben und unklare Pilotprojekte. Wer erst nach einem Fehler fragt, wer zuständig war, hat kein Agentensystem gebaut. Er hat Verantwortung ausgelagert.

Der Produktionseinsatz wächst – und mit ihm die Kontrollkosten

Was passiert ist

Eine G2-Befragung unter 1.019 B2B-Entscheidern zeigt: 66 Prozent setzen Agenten produktiv ein. Gleichzeitig verbrauchen Aufsicht und Nacharbeit bei 45 Prozent der Befragten mehr als ein Viertel der erwarteten Produktivitätsgewinne.

Warum das wichtig ist

Die Engstelle ist nicht mehr nur technische Machbarkeit. Es ist Vertrauen im Betrieb. Ein Agent kann schnell arbeiten und trotzdem wirtschaftlich enttäuschen, wenn jeder Output vollständig geprüft werden muss.

Wo der Einsatz konkret wird

Die Zahlen betreffen produktive Agentenanwendungen, bei denen menschliche Kontrolle und Korrektur zum laufenden Aufwand werden. Dieser Aufwand gehört in die Wirtschaftlichkeitsrechnung. Nicht als Randnotiz, sondern als echte Betriebskostenposition.

Wer dadurch Hebel bekommt

Unternehmen mit klaren Qualitätskriterien, begrenzten Einsatzfeldern und sauberen Feedbackschleifen können die Kontrollkosten senken. Sie messen nicht nur Geschwindigkeit, sondern auch Nacharbeit.

Wer jetzt unter Druck gerät

Unter Druck gerät die Vorstellung, ein erfolgreicher Pilot skaliere automatisch. Wenn Kontrolle proportional zum Volumen wächst, entsteht keine autonome Leistung. Es entsteht eine neue Form manueller Arbeit.

Was das für den Einsatz von KI-Agenten bedeutet

Das Muster der Woche ist eindeutig: Agenten werden zur operativen Infrastruktur. Google adressiert systemübergreifende Wissensarbeit. SAP verankert Agenten in Unternehmensprozessen. Honeywell bringt sie in physische Betriebsumgebungen. Gleichzeitig zeigen FSB und G2, dass Autonomie ohne Kontrollarchitektur teuer oder riskant wird.

Die zuerst betroffenen Prozesse haben drei Merkmale: viele wiederkehrende Übergaben, ausreichend digitale Daten und klare Grenzen für Entscheidungen. Finance, HR, Einkauf, Facility Management und industrielle Operations passen genau in dieses Profil.

Agenten sind deshalb mehr als ein weiteres KI-Tool. Ein Tool wartet auf Bedienung. Ein Agent erhält ein Ziel, nutzt Systeme und führt Arbeit über mehrere Schritte hinweg aus. Damit verschieben sich Rollen. Mitarbeitende bearbeiten weniger Einzelschritte. Sie definieren Ziele, prüfen Ausnahmen und übernehmen Entscheidungen an kritischen Punkten.

Der Vorsprung entsteht nicht durch maximale Autonomie. Er entsteht durch gut gestaltete Autonomie. Unternehmen gewinnen, wenn sie Agentenidentitäten, Berechtigungen, Audit-Trails, Kostenkontrollen und menschliche Freigaben als Teil des Prozessdesigns behandeln.

Achten Sie auf diese Signale in Ihrem Unternehmen

Signal 1: Sie testen Agenten, können aber keinen vollständigen Workflow benennen, den der Agent verbessern soll.
Signal 2: Sie messen eingesparte Minuten, aber nicht die Zeit für Prüfung, Korrektur und Eskalation.
Signal 3: Der Agent hat Zugriff auf Systeme, aber weder eine eigene Identität noch klar begrenzte Berechtigungen.
Signal 4: „Human in the Loop“ steht im Konzept, doch niemand hat definiert, welches Risiko eine Freigabe auslöst.
Signal 5: Für den Piloten gibt es einen Sponsor, aber für den laufenden Betrieb keinen Owner mit Kennzahl und Verantwortung.

Der strategische Schritt der Woche

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

Wählen Sie einen echten End-to-End-Workflow in Finance, HR, Einkauf oder Operations. Zeichnen Sie jeden Systemwechsel, jede Entscheidung und jede Freigabe auf. Definieren Sie dann genau einen begrenzten Abschnitt, den ein Agent übernehmen darf.

Geben Sie diesem Agenten eine eindeutige Identität, minimale Berechtigungen, eine Wirkungskennzahl und eine Sicherheitskennzahl. Legen Sie außerdem fest, bei welchem Ereignis er stoppen und einen Menschen hinzuziehen muss. Messen Sie neben dem Ergebnis auch die Nacharbeit.

Nicht der autonomste Agent gewinnt. Der Agent gewinnt, dessen Arbeit im Alltag verlässlich anschlussfähig ist.

Schlussgedanke

KI-Agenten sind keine Beschaffungsfrage. Sie sind eine Führungs-, Systemdesign- und Organisationsfrage. Die Technologie kann Arbeit übernehmen. Sie kann aber nicht selbst entscheiden, wie Verantwortung in Ihrem Unternehmen verteilt sein soll.

Wer jetzt nur Tools einkauft, bekommt zusätzliche Komplexität. Wer Prozesse, Grenzen und menschliche Entscheidungspunkte gestaltet, baut eine neue operative Architektur. Genau dort entsteht der Vorsprung.

All the best
Tim Cortinovis

Agenten im Einsatz: Die Transformative Rolle von KI-Agenten in Unternehmen und die Notwendigkeit von Governance und Kontrolle

Tim Cortinovis — Thu, 08 Oct 2026 06:10:06 +0000

Agenten im Einsatz

Was KI-Agenten heute schon in Unternehmen verändern.

Edition Title

Die neue Schicht: Überwachen, Ausführen, Verantworten

Wenn Sie nur eine Minute haben

Diese Woche zeigt weniger „neue Agenten-Ideen“ als eine neue Unternehmensrealität: Agenten müssen kontrollierbar werden. Parallel tauchen Governance-Plattformen auf, die Echtzeit-Überwachung und durchgängige Sicherheit vom Testing bis zum Deployment adressieren. Das ist ein Reifegrad-Signal: Agenten verlassen den Spielplatz und werden in betriebsreife Systeme gezwungen.

Für Unternehmen heißt das: Der Engpass verschiebt sich von der Modellleistung hin zu Systemdesign, Verantwortlichkeit und kontrolliertem Betrieb. Wer das ignoriert, produziert Risiken mit hohem Wiederbeschaffungsaufwand: nachträgliches Auditing, unklare Ownership und Automatisierungen, die im Ernstfall niemand verantwortet.

Jetzt besonders aufmerksam werden sollten Geschäftsführer, Revenue- und Operations-Leader. Nicht weil „KI schneller ist“, sondern weil Agenten zunehmend End-to-End-Prozesse ansteuern und damit Steuerung, Compliance und Prozessverantwortung neu organisiert werden müssen.

Diese Entwicklungen sollten Sie nicht übersehen

Classie Supervise startet als erste Plattform für Echtzeit-Überwachung von Enterprise-AI-Agenten

Was passiert ist

Classie bringt mit Supervise eine Plattform auf den Markt, die Enterprise-AI-Agenten in Echtzeit überwachen, steuern und abrechenbar machen soll. Laut Ankündigung zielt das Produkt darauf, Richtlinien durchzusetzen und Vorfälle mit vollständiger Chain-of-Custody zu auditieren – inklusive Betrachtung von sanctioned und unsanctioned Agenten.

Warum das wichtig ist

Das adressiert eine konkrete Lücke, die bei Agenten schnell größer wird als bei klassischen KI-Use-Cases: Sobald ein System autonom Entscheidungen trifft oder Tools anstößt, braucht es eine Nachverfolgbarkeit, die nicht erst im Incident nachgebaut werden kann. „Chain-of-Custody“ ist hier kein Detailbegriff, sondern die Voraussetzung dafür, dass Governance praktisch wird und nicht nur dokumentiert.

Wo der Einsatz konkret wird

Der Fokus liegt auf Betrieb und Kontrolle im laufenden Agenten-Umfeld: Richtliniendurchsetzung, Echtzeit-Überwachung und Auditierbarkeit von Vorfällen. Damit betrifft es vor allem Umgebungen, in denen Agenten unterschiedliche Aktionen ausführen dürfen – und in denen die Abgrenzung zwischen „erlaubt“ und „nicht erlaubt“ operationalisiert werden muss.

Wer dadurch Hebel bekommt

Hebel entstehen besonders bei Governance-, Security- und Compliance-Verantwortlichen sowie bei Teams, die Agenten produktiv in Unternehmensprozesse integrieren. Auch Engineering- und Plattformteams profitieren, weil Auditierbarkeit und Kontrolle direkt in den Betrieb eingebaut werden statt als nachgelagerte Disziplin.

Wer jetzt unter Druck gerät

Unter Druck geraten diejenigen, die Agenten „schnell“ ausrollen wollen, ohne kontrollierte Betriebsmodelle zu definieren. Ebenso herausgefordert werden interne Anbieter- oder Tool-Strategien, die Governance als Stempel nach dem Deployment behandeln, statt sie zur Betriebsfunktion zu machen.

DigitalOcean führt Agent Droplets und Managed Agents als integrierte Cloud-Plattform für skalierbare KI-Agenten ein

Was passiert ist

DigitalOcean führt „Agent Droplets“ und „Managed Agents“ ein. Laut Beschreibung handelt es sich um eine verwaltete agentic Infrastruktur mit isolierten MicroVM-Sandboxes, Serverless-Inference, persistentem Speicher und governed Tool-Zugriff – mit dem Ziel planbarer Kosten und skalierbarer Workflows.

Warum das wichtig ist

Das verschiebt den Fokus von Experimentierarchitekturen hin zu operativ tragfähigen Laufzeitumgebungen. Agent Droplets und Managed Agents sind im Kern eine Antwort auf die Frage: Wie betreibt man agentische Workloads so, dass Kosten, Isolation und Tool-Berechtigungen nicht zum Zufallsfaktor werden, wenn der Pilot wächst.

Wo der Einsatz konkret wird

Der Einsatzpunkt ist die Cloud-Layer: Isolation (MicroVM-Sandboxes), skalierbare Inferenz (serverless) und persistenter Speicher, plus governed Tool-Zugriff. Damit sind vor allem agentische Workflows betroffen, die mehrere Schritte ausführen und Daten über die Laufzeit hinaus benötigen.

Wer dadurch Hebel bekommt

Hebel bekommen Cloud-Plattform-Teams, IT-Leiter und Verantwortliche für agentische Produkt-Workflows. Auch Revenue- und Ops-Organisationen profitieren indirekt, weil planbarer Betrieb Voraussetzung ist, um Agenten aus „Beweisen“ in „wiederholbare Ausführung“ zu bringen.

Wer jetzt unter Druck gerät

Unter Druck geraten Organisationen, die agentische Projekte als reine Prototypaufgaben behandeln und ihre Infrastruktur nicht als Produktplattform organisieren. Herausgefordert werden außerdem Teams, die Governance nur über menschliche Freigaben ersetzen wollen – wenn Tool-Zugriff bereits in der Laufzeit governed sein muss.

GoodData.AI präsentiert den Agentic Serving Plane als neue Datainfrastruktur-Kategorie für Enterprise-KI-Agenten

Was passiert ist

GoodData.AI stellt mit dem „Agentic Serving Plane“ eine neue Kategorie von Enterprise-Dateninfrastruktur vor. Beschrieben wird ein governed Execution-Layer für kontextreiche, hoch-parallele Agenten-Workloads, inklusive Contextual Grounding, Access Control und agentenspezifischem Workload Serving.

Warum das wichtig ist

Agenten scheitern im Unternehmen selten an „zu wenig Output“. Sie scheitern an Kontext, Berechtigungen und Last: Welcher Agent darf was sehen? Welche Datenversion wird genutzt? Wie wird Parallelität beherrscht? Ein „Serving Plane“ deutet darauf hin, dass Daten und Execution nicht mehr getrennt gedacht werden können, wenn Agenten zuverlässig arbeiten sollen.

Wo der Einsatz konkret wird

Der Einsatz liegt in der datenseitigen Ausführung: Contextual Grounding für Agentenkontexte, Access Control für Berechtigungen und Workload Serving pro Agent. Das betrifft Workflows, in denen mehrere Agenten parallel und mit unterschiedlichen Berechtigungen arbeiten müssen.

Wer dadurch Hebel bekommt

Hebel bekommen Data & Analytics-Leads, Plattform- und Architekturteams sowie diejenigen, die agentische Anwendungen aus Unternehmensdaten speisen. Besonders relevant wird es für Organisationen, die Datenverwaltung, Berechtigungen und Kontextaufbereitung bisher getrennt gelöst haben und es jetzt zusammenführen müssen.

Wer jetzt unter Druck gerät

Unter Druck geraten Unternehmen, die Datenqualität und Zugriffslogik als „Hintergrundarbeit“ betrachten. Wenn Agenten hochparallel und kontextrelevant arbeiten sollen, wird Governance in der Datenlogik unvermeidlich – und damit auch die Verantwortung, die heute oft zwischen Teams hin- und hergeschoben wird.

Stuut sichert 52,5 Mio. US-Dollar Series B, um KI-Agenten über den gesamten Order-to-Cash-Prozess in Enterprise-Finance auszurollen

Was passiert ist

Stuut erhält laut den angegebenen Quellen 52,5 Mio. US-Dollar Series B zur Expansion von KI-Agenten über den gesamten Order-to-Cash-Prozess. In den gelieferten Informationen werden bereits starke operative Effekte beschrieben: mehr als 3 Milliarden US-Dollar Verarbeitung über mehr als 150 Unternehmen, über 95 % automatische Zahlungszuordnung, über 81 % der Collections ohne Menschen und eine durchschnittliche Reduktion der Days Sales Outstanding um 47 %.

Warum das wichtig ist

Hier wird ein Muster sichtbar: Agenten sind nicht nur „Assistenz“. Sie werden als funktionale Teile von End-to-End-Prozessen eingesetzt, inklusive Automatisierungsgrad und messbarer Ergebniswirkung. Funding ist kein Beweis für Dauerhaftigkeit – aber die dargestellten Kennzahlen zeigen, dass agentische Ausführung in einem Kernbereich wie Finance bereits wirtschaftlich greift.

Wo der Einsatz konkret wird

Order-to-Cash als Prozesskette: Zahlungszuordnung und Collections. Das sind Bereiche, in denen Fehler teuer sind, Prozesse reglementiert sind und Nachvollziehbarkeit eine Rolle spielt – also genau dort, wo Agenten-Governance auch operational gebraucht wird.

Wer dadurch Hebel bekommt

Hebel bekommen CFO-Organisationen, Revenue Operations mit finanzieller Schnittstelle und Finance-Transformationsteams. Auch Sales- und Customer-Teams profitieren indirekt, weil Order-to-Cash über die Abwicklung die Beziehung zwischen Auftragsprozess, Rechnungsfluss und Zahlungsperformance beeinflusst.

Wer jetzt unter Druck gerät

Unter Druck geraten traditionelle Prozess-Setups, in denen Automatisierung auf einzelne Schritte begrenzt bleibt. Herausgefordert werden auch diejenigen, die KI nur dort einsetzen wollen, wo man sie leicht wieder zurückbauen kann – denn Order-to-Cash verlangt durchgängige Verantwortlichkeit über mehrere Prozessstationen.

NVIDIA startet die Open Agent Safety Platform für durchgängige Sicherheit von KI-Agenten von Test bis Deployment

Was passiert ist

NVIDIA startet eine „Open Agent Safety Platform“, die Agenten von Testing bis Deployment absichern soll. Laut Beschreibung geht es um eine durchgängige Sicherheits- und Governance-Schicht mit Full-Stack-Kontrolle über Software und Hardware, um potenziell „rogue“ Agents einzudämmen und steuerbar zu halten.

Warum das wichtig ist

Wenn Agenten produktiv werden, müssen Sicherheitskonzepte sich am Lebenszyklus ausrichten: Nicht nur Modell-Sicherheit, sondern Sicherheitskontrolle während Ausführung und Übergang in den Betrieb. Eine Plattform, die „von Test bis Deployment“ positioniert wird, deutet darauf hin, dass Unternehmen die Sicherheitsarbeit standardisieren und in den Engineering-Workflow integrieren wollen.

Wo der Einsatz konkret wird

Der Einsatzpunkt ist der gesamte Delivery- und Betriebsprozess: Testing, Deployment und die Kontrolle über Ausführungsschichten bis hin zu Software- und Hardware-Ebene. Damit adressiert es besonders Umgebungen, in denen Agenten neue Fähigkeiten bekommen oder Tool-Zugriff erweitert wird.

Wer dadurch Hebel bekommt

Hebel bekommen Sicherheitsarchitekten, Plattformteams und diejenigen, die für sichere Freigabeprozesse verantwortlich sind. Auch größere IT-Organisationen profitieren, weil standardisierte Sicherheits- und Governance-Schichten helfen, Konsistenz über Projekte hinweg zu schaffen.

Wer jetzt unter Druck gerät

Unter Druck geraten Organisationen, die Agenten-Governance nur als Richtlinienpapier führen. Herausgefordert werden außerdem Teams, deren Sicherheitskontrollen nicht an der konkreten Ausführung ansetzen, sondern erst nachgelagert.

Was das für den Einsatz von KI-Agenten bedeutet

Das Muster der Woche ist klar: Agenten rücken in den Betrieb vor. Damit werden drei Plattformlogiken gleichzeitig relevant. Erstens: Kontrolle. Echtzeit-Überwachung, Richtlinien und Auditierbarkeit werden zur Grundanforderung. Zweitens: Ausführung. Verwaltete agentische Laufzeiten mit Isolation, persistentem Speicher und governed Tool-Zugriff werden der „Wasserhahn“, über den Agenten skalierbar genutzt werden. Drittens: Datenkontext. Ein Agentic Serving Plane macht deutlich, dass Kontext, Berechtigungen und parallele Ausführung als zusammenhängendes System gedacht werden müssen.

Welche Prozesse als Erstes betroffen sind, lässt sich aus den News ableiten: End-to-End-Prozesse mit messbaren Ergebnissen und klaren Verantwortlichkeiten. Order-to-Cash ist ein Beispiel dafür, dass Agenten dort landen, wo Automatisierung nicht nur Spielerei, sondern Performancehebel ist. Gleichzeitig werden Governance-Fragen ernster: Sobald eine Kette aus mehreren Aktionen läuft, braucht es Verantwortungsdesign entlang des Lebenszyklus. Agenten sind damit mehr als ein Tool. Sie sind Systemkomponenten, die geführt werden müssen.

Unternehmen mit Vorsprung sind die, die Governance, Plattformbetrieb und Prozessdesign gemeinsam behandeln. Nicht parallel in drei Projekten, sondern als ein zusammenhängendes Zielbild: Wer darf was tun? Wie wird es überwacht? Wie werden Datenkontext und Berechtigungen abgesichert? Und wie wird der Erfolg im Prozess gemessen, ohne dass man das Risiko später teuer „wegproduzieren“ muss.

Achten Sie auf diese Signale in Ihrem Unternehmen

Signal 1: Sie testen einzelne Agenten-Funktionen, aber Sie definieren keine durchgängigen Verantwortlichkeiten für den End-to-End-Workflow.
Signal 2: Sie automatisieren Aufgaben, aber Sie bauen keine kontrollierte Laufzeit auf (Isolation, governed Tool-Zugriff, nachvollziehbare Ausführung).
Signal 3: Sie sprechen über Effizienz, aber Sie investieren nicht in Auditierbarkeit und Chain-of-Custody für agentische Aktionen.
Signal 4: Sie behandeln Datenkontext und Berechtigungen als „Datenproblem“, obwohl Agenten dadurch konkret falsch oder unzulässig handeln können.
Signal 5: Sie erwarten Skalierung, ohne ein Betriebsmodell für Sicherheit von Testing bis Deployment zu etablieren.

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, der nicht „einen Agenten zeigt“, sondern die Kontrollkette für einen echten End-to-End-Prozess aufbaut. Wählen Sie dafür einen Workflow, der eine messbare Business-Wirkung verspricht (z. B. aus dem Umfeld Order-to-Cash, wo bereits Agenten-Effekte sichtbar sind) und definieren Sie vor dem ersten Automatisierungsversuch drei Artefakte: (1) Policy- und Berechtigungsmodell inklusive governed Tool-Zugriff, (2) Echtzeit-Überwachungs- und Auditpfad (inkl. Chain-of-Custody), (3) Datenseite als Execution-Layer, der Kontext und Access Control für die Agentenbereitstellung sicherstellt. Der Erfolg des Piloten ist nicht die Demo-Qualität, sondern die nachweisbare, kontrollierte Ausführung mit klarer Ownership entlang der Prozesskette.

Schlussgedanke

Die nächste Welle von KI-Agenten ist keine Modellwelle. Es ist eine Betriebs- und Verantwortungswelle. Unternehmen, die jetzt Governance als echte Funktion im Agentenbetrieb verankern, werden schneller skalieren, weil sie Risiko beherrschbar machen. Agenten werden zur Führungsaufgabe, sobald sie End-to-End-Entscheidungen treffen und damit Organisationsrealität verändern.

All the best
Tim Cortinovis

Die Zukunft der Arbeitsumgebungen: KI-Agenten als entscheidende Akteure in Unternehmen

Tim Cortinovis — Thu, 01 Oct 2026 06:07:30 +0000

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

KI-Agenten in Unternehmen: Von der Innovation zur systematischen Steuerung und Verantwortung

Tim Cortinovis — Thu, 24 Sep 2026 06:11:31 +0000

Agenten im Einsatz

Was KI-Agenten heute schon in Unternehmen verändern.

Vom Tool-Experiment zum kontrollierten Arbeitskollegen

Wenn Sie nur eine Minute haben

Diese Woche zeigt einen klaren Richtungswechsel: KI-Agenten werden nicht mehr nur in einzelne Tasks eingeführt, sondern in Plattformen, Governance-Layer und kontrollierbare Laufwege gedrückt. Gleichzeitig taucht die Kehrseite stärker auf: Wenn Agenten Werkzeuge ansteuern, entstehen neue Angriffsflächen und neue Anforderungen an Verantwortlichkeit.

Für Unternehmen ist das relevant, weil die nächste Stufe nicht „noch ein Modell“ ist, sondern Systemdesign: Datenherkunft, Zugriff, Nachvollziehbarkeit und Abschaltung müssen genauso geplant werden wie Use-Cases. Besonders gefragt ist jetzt Führung, die Verantwortung operationalisiert – nicht nur Innovation zulässt.

Wenn Sie diese Entwicklung ignorieren, landen Sie bei einer Toollandschaft ohne Steuerung. Dann entscheiden Zufall, Plattform-Fähigkeiten und „wer es zuerst gebaut hat“ darüber, was Agenten dürfen. Das ist nicht nur riskant, es verhindert auch Skalierung.

Diese Entwicklungen sollten Sie nicht übersehen

Alation erweitert AIOS um Agent-Governance und agentische Lineage für Enterprise-AI

Was passiert ist

Alation kündigt eine Erweiterung von AIOS an, die Agent-Governance sowie „agentische Lineage“ in den Mittelpunkt stellt. Die Kommunikation ordnet das als Beschleuniger der AI-Transformation ein.

Warum das wichtig ist

Das ist ein Signal für Reifegrad: Agenten werden zunehmend als „durchlaufende Prozesse“ verstanden, nicht als isolierte Chat-Schnittstelle. Governance wird dabei nicht als nachträglicher Audit verstanden, sondern als integrierter Kontroll- und Herkunftslayer. Wenn „Lineage“ auf Agenten ausgeweitet wird, wird Nachvollziehbarkeit zur Voraussetzung für verlässlichen Betrieb über mehrere Plattformen hinweg.

Wo der Einsatz konkret wird

Relevant ist das besonders für Umgebungen, in denen Agenten auf Unternehmensdaten und über mehrere Systeme hinweg arbeiten. Der zentrale Punkt ist die Steuerung von Compliance und Daten-Governance über Plattformgrenzen hinweg – also genau dort, wo es in der Praxis sonst an Klarheit fehlt, welche Daten ein Agent genutzt hat und warum.

Wer dadurch Hebel bekommt

Vor allem Data-Governance-, Compliance- und zentrale IT-Organisationen bekommen Hebel: Sie können Agentenbetrieb nicht nur „freigeben“, sondern anhand von Herkunft und Kontrollregeln steuern. Auch Verantwortliche für Enterprise-AI-Programme profitieren, weil Governance zur skalierenden Infrastruktur wird.

Wer jetzt unter Druck gerät

Unter Druck geraten Teams, die Agenten als reine Anwendungsebene betrachten und Governance erst später „dranhängen“. Außerdem geraten Organisationen unter Druck, die Datenkataloge und Berechtigungsmodelle nicht agententauglich gemacht haben. Wenn Lineage und Governance jetzt als Enterprise-Funktion gedacht werden, wird „wir haben es getestet“ schnell unzureichend.

Safari 27 wird zum Agenten-Browser: Apple liefert nativen MCP-Server ohne Enterprise-Kill-Switch

Was passiert ist

Die Meldung beschreibt, dass Safari 27 einen nativen MCP-Server mitliefert. Entscheidend ist der Governance-Aspekt: Es wird berichtet, dass Unternehmen keinen Weg haben, diese Funktion einfach abzuschalten.

Warum das wichtig ist

Das verschiebt die Angriffs- und Steuerungsflächen. Ein Browser wird damit nicht nur zur Darstellung, sondern potenziell zur programmierbaren Agentenoberfläche. Wenn ein Bestandteil in Endgeräten aktiv ist, ohne dass Unternehmen ihn zentral per „Kill Switch“ kontrollieren können, steigt der Druck auf interne Sicherheitsarchitektur und App-/Policy-Management.

Wo der Einsatz konkret wird

Für Use-Cases bedeutet das: Agenten können stärker „am Rand“ der Unternehmensumgebung andocken – über Browser-gestützte Interaktionen und Plattform-Integrationen. Genau diese Nähe zum Endgerät macht es für Security und IT Operations anspruchsvoll, weil Kontrolle an mehreren Ebenen gleichzeitig nötig wird.

Wer dadurch Hebel bekommt

Hebel bekommen Security-Teams, die ihre Endpoint-Policies, Logging-Standards und Incident-Prozesse für agentenfähige Browser-Interaktionen nachziehen. Auch Plattformverantwortliche bekommen Gelegenheit, klare Migrations- und Betriebsmodelle zu definieren: Was ist erlaubt, was nicht, und wie wird es nachweisbar?

Wer jetzt unter Druck gerät

Unter Druck geraten Unternehmen mit „BYOD-ähnlichen“ Lücken oder ohne konsequente Gerätekontrolle. Ebenso unter Druck geraten IT-Organisationen, die Governance primär auf Server-Seite denken, Endpunkt-Änderungen aber nicht als echte Agenten-Risiken behandeln.

Sicherheits-Roundup: Plugin4Shell-RCE bei Coding-Agenten und erste Datenschutzmeldung durch autonomen Agenten

Was passiert ist

Die Sicherheitsübersicht nennt einen RCE-Vorfall bei Coding-Agenten (Plugin4Shell) sowie eine erste Datenschutzmeldung, die durch einen autonomen Agenten ausgelöst worden sein soll.

Warum das wichtig ist

Das ist die nüchterne Bestätigung: Agenten operieren nicht im luftleeren Raum. Wenn Coding-Agenten auf Plugins und Erweiterungen zugreifen, entstehen konkrete Angriffsketten. Und wenn autonome Agenten Datenschutzereignisse auslösen, wird klar: Compliance ist nicht nur eine Policy-Frage, sondern eine Runtime-Frage. Governance muss die Laufzeit erreichen.

Wo der Einsatz konkret wird

Betroffen sind besonders Entwicklungs- und Automationsszenarien: Coding-Agenten, die Plugins nutzen oder Code-/Konfigurationsänderungen anstoßen. Gleichzeitig wird die Datenschutzdimension relevant für autonome Workflows, bei denen der Agent Aktionen ausführt, die ohne vorhersehbare menschliche Freigaben passieren können.

Wer dadurch Hebel bekommt

Hebel bekommen Security & Risk-Teams, die Agenten-Execution mit Logging, Zugriffsbeschränkungen und deterministischen Freigabeprozessen koppeln. Auch die Verantwortlichen für Datenschutz und Legal bekommen Substanz: Sie können Runtime-Mechanismen einfordern, statt nur „Regeln“ zu schreiben.

Wer jetzt unter Druck gerät

Unter Druck geraten Organisationen, die Agenten als „weniger kritisch“ einstufen als klassische Automatisierung. Ebenso unter Druck geraten Teams, die Plugins/Extensions ohne saubere Vertrauenskette einsetzen oder die Freigabegrenzen für autonome Aktionen zu grob definieren.

Zendesk September-Updates: Agentic Email, Messaging-Logik und QA-Modell-Refresh für Support-AI-Agenten

Was passiert ist

Zendesk bringt neue Funktionen in den Support-Bereich: agentic Email, Messaging-Logik und einen Refresh des QA-Modells. Zielrichtung ist laut Release-Kontext, Handovers und gesteuerte Automatisierung präziser zu machen.

Warum das wichtig ist

Das zeigt, wie Agenten in standardisierte Unternehmensprozesse wandern: Support ist ein Feld, in dem Output, Übergabe und Qualität messbar sein müssen. Wenn die Produktlogik für Messaging und QA aktualisiert wird, wird Agentenbetrieb zunehmend als Prozesskette verstanden – mit klarer Schnittstelle zum Menschen.

Wo der Einsatz konkret wird

Der Einsatz liegt im Kundenservice: agentische E-Mail und Messaging-Workflows, die Kommunikation steuern und anschließend in definierte Handovers übergehen. Relevant sind zudem QA-Mechanismen, die den Agenten-Output validieren oder die Qualität der Antwortlogik verbessern sollen.

Wer dadurch Hebel bekommt

Hebel bekommen Support-Leitung, Customer Operations und Revenue-nahe Teams: Wenn Übergaben besser werden und QA-Logik aktualisiert ist, sinkt der Betriebsschmerz. Außerdem profitieren Teams, die Support als Teil der Customer Journey behandeln, weil Agenten hier direkt messbare Auswirkungen auf Kontaktqualität haben.

Wer jetzt unter Druck gerät

Unter Druck geraten Organisationen mit „human-in-the-loop“-Erklärungen ohne tatsächliche Übergabelogik. Wenn Plattformen stärker auf Handovers und QA ausrichten, wird es schwer, lokale Workarounds zu rechtfertigen.

Was das für den Einsatz von KI-Agenten bedeutet

Diese Woche verdichtet drei Muster. Erstens: Plattformen und Anbieter rücken Governance nach vorne. Die Erweiterung um agentische Lineage und der Fokus auf Datenschutzmeldungen zeigen, dass Nachvollziehbarkeit und Compliance nicht später kommen, sondern zur Produktanforderung werden.

Zweitens: Agenten verlagern Interaktion in neue Umgebungen. Der nativen MCP-Server im Browser-Kontext macht deutlich, dass Oberflächen zu Integrationspunkten werden. Das fordert von Unternehmen eine Endpunktstrategie, nicht nur eine Modellstrategie.

Drittens: Der „erste echte Einsatz“ findet dort statt, wo Output und Übergabe bereits Prozessbestandteil sind. Support-Workflows sind dafür ein gutes Beispiel: Wenn Messaging-Logik und QA-Modelle aktualisiert werden, wird Agentenarbeit als orchestrierte Kette behandelt.

Agenten sind damit mehr als ein weiteres KI-Tool. Sie sind eine Systemdesign-Aufgabe mit Rollenverschiebung: Aus „wir automatisieren“ wird „wir steuern Ausführung“. Das betrifft Ownership, Freigabegrenzen und Laufzeit-Governance. Unternehmen mit einem Vorsprung werden diejenigen sein, die Governance als Architektur behandeln – mit Kontrollpunkten, Logging und klaren Verantwortlichkeiten entlang des gesamten agentenfähigen Workflows.

Achten Sie auf diese Signale in Ihrem Unternehmen

Signal 1: Man testet Agenten-Tools, aber niemand definiert, welche Datenherkunft und welche Berechtigungen im Agentenbetrieb gelten. Ohne agententaugliche Governance bleibt jede Demo ein Risiko.
Signal 2: Man automatisiert einzelne Aufgaben, aber baut keine End-to-End-Workflows mit definierten Handovers und Qualitätsprüfungen. Dann übernimmt später niemand die Verantwortung für Übergaben.
Signal 3: Man spricht über Sicherheit als „Policy“, aber hat keine Runtime-Kontrollen für Plugin-/Extension-Zugriffe. Coding-Agenten und agentische Erweiterungen sind keine Randdetails.
Signal 4: Man erlaubt Agenten auf Endgeräten, ohne die Möglichkeit zu berücksichtigen, dass neue Integrationen nicht abschaltbar sind. Wenn die Kontrolle fehlt, fehlt die Grundlage für Compliance.
Signal 5: Man erwartet Skalierung, ohne Lineage-, Logging- und Nachvollziehbarkeitsmechanismen vorzubereiten. Sobald Vorfälle auftreten, bricht das operative Lernen ab.

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-Support- oder Coding-Workflows mit klaren Kontrollpunkten: definieren Sie vor dem ersten Agentenlauf (1) Datenherkunft/Lineage-Anforderungen, (2) Freigabegrenzen für autonome Aktionen, (3) Audit-Logging bis auf Prozessschritte und (4) ein verbindliches Handover-Modell an den Menschen. Der Pilot soll nicht „Agenten testen“, sondern Agentenbetrieb als Steuerungs- und Verantwortungsfunktion bauen.

Schlussgedanke

Agenten im Einsatz sind jetzt weniger eine Technologiefrage als eine Führungs- und Systemdesignfrage. Wer sie erfolgreich skaliert, behandelt Governance als Teil des Arbeitsflusses, nicht als nachgelagertes Reporting. Die nächste Wette ist klar: Kontrolle, Nachvollziehbarkeit und saubere Rollen werden zum Wettbewerbsvorteil – nicht das neueste Modell. Entscheider müssen deshalb Ownership für agentenfähige Prozesse übernehmen, bevor Agenten die Prozessverantwortung faktisch mit übernehmen.

All the best
Tim Cortinovis

Agenten im Einsatz: Wie KI-Agenten Unternehmensprozesse transformieren

Tim Cortinovis — Thu, 17 Sep 2026 06:05:00 +0000

Agenten im Einsatz

Was KI-Agenten heute schon in Unternehmen verändern.

Vom Chat zum Mitläufer: Agenten drängen in End-to-End-Workflows

Diese Woche ist weniger ein „neues Modell“-Update als ein Reifegrad-Signal: KI-Agenten werden nicht mehr nur als Chat-Schnittstelle gezeigt, sondern als „job-ready“ Komponenten in bestehende Unternehmensabläufe integriert. Entscheidend ist dabei die Long-Horizon-Logik und die Aussicht, dass Orchestrierung, Kontext und Delegation nicht als Demo enden, sondern in Produktivsystemen wiederholbar werden.

Für Unternehmen ist das relevant, weil sich der Schwerpunkt verschiebt: Weg von isolierten Automatisierungen, hin zu agentischen Prozessen, die über mehrere Schritte hinweg arbeiten, Systeme ansteuern und dabei Zuständigkeiten berühren. Genau deshalb sollten vor allem Revenue-, Service- und Prozessverantwortliche aufmerksam sein. Wer das ignoriert, läuft Gefahr, weiter in Tool-Tests zu investieren, während die Arbeitsrealität im Unternehmen bereits neu verteilt wird.

Diese Entwicklungen sollten Sie nicht übersehen

Salesforce erweitert Agentforce mit jobbereiten KI-Agenten und Agentforce Coworker

Was passiert ist

Salesforce stellt mehrere spezialisierte Agentforce-Agenten in Aussicht, die als „job-ready“ mit Long-Horizon-Runtime in Produktion gehen sollen. Dazu wird ein Ansatz „Agentforce Coworker“ skaliert, und der Einsatz wird über mehrere Funktionsbereiche hinweg adressiert, inklusive Rollouts wie bei Adecco.

Warum das wichtig ist

Der Kern ist nicht die Anzahl der Agenten, sondern die Produktisierung: Agenten werden als wiederverwendbare Bausteine gedacht, die in längeren Abläufen handeln können. Das ist ein Unterschied zu „ein Prompt liefert eine Antwort“. Zudem zeigt die Rollout-Logik, dass Plattformanbieter den Übergang von Pilot zu Betrieb aktiv gestalten wollen.

Wo der Einsatz konkret wird

Aus den Quellen ergibt sich eine Breite über den Unternehmensalltag: Vertrieb und Service, Commerce sowie HR/IT und Supply Chain. Damit zielt der Ansatz auf mehrere Prozessketten, nicht auf einen einzelnen Use-Case.

Wer dadurch Hebel bekommt

Hebel bekommen Teams, die heute ohnehin mit Prozessübergaben arbeiten: Sales Operations, Customer Service Management, Commerce-Operations und Prozessverantwortliche entlang HR/IT sowie Supply-Chain-Prozessen. Wo Zuständigkeiten und Datenflüsse zwischen Abteilungen hängen, können agentische Orchestrierungen besonders spürbar wirken.

Wer jetzt unter Druck gerät

Unter Druck gerät vor allem die Annahme, dass Agenten „nur ergänzend“ sind. Wenn Anbieter agentische Abläufe produktionsnah verfügbar machen, werden bestehende Prozessverantwortlichkeiten neu verhandelt: Wer besitzt den End-to-End-Workflow? Wer verantwortet Qualität über mehrere Schritte? Und wer interpretiert Ergebnisse, wenn der Agent nicht nur assistiert, sondern handelt?

OpenAI startet Agents API im Public Beta und öffnet Codex-Harness für langlaufende Cloud-Workflows

Was passiert ist

OpenAI bringt eine Agents API ins öffentliche Beta. Laut den Quellen geht es um das Aufsetzen von produktionsreifen Agenten, inklusive Orchestrierung, Kontextkompression, Tool-Suche und Multi-Agent-Delegation über einen Endpunkt. Dazu wird Codex-Harness als Bestandteil für langlaufende, multiagentische Cloud-Workflows genannt.

Warum das wichtig ist

Das ist eine Plattformverschiebung hin zu agentischen Workflows als Infrastrukturbaustein: nicht nur ein Modellaufruf, sondern ein Laufzeit- und Orchestrierungsrahmen. Für Unternehmen heißt das: Agenten werden zunehmend „komponierbar“ und damit besser integrierbar in Governance, Monitoring und Betrieb.

Wo der Einsatz konkret wird

Die Quelle beschreibt Funktionslogik statt Branchen-Use-Cases: Orchestrierung über mehrere Schritte, Kontextkompression, Tool-Suche und Delegation zwischen mehreren Agenten. Solche Muster passen zu Workflows, die Informationen über Zeit aggregieren und Tools/Services sequenziell nutzen.

Wer dadurch Hebel bekommt

Hebel bekommen Entwickler- und Architekturteams, die agentische Systeme in bestehende Softwarelandschaften bringen müssen. Ebenso profitieren Prozessverantwortliche, wenn Agenten als wiederholbare Ablauf-Instanzen statt als Einmalautomatisierung bereitgestellt werden.

Wer jetzt unter Druck gerät

Unter Druck gerät der „Tool-by-Tool“-Ansatz ohne Laufzeit- und Kontrollkonzept. Wenn Orchestrierung, Delegation und Kontextmanagement über eine API in den Vordergrund rücken, wird es schwieriger zu argumentieren, dass man Agenten „später“ als Infrastruktur betrachtet. Gleichzeitig steigen die Erwartungen an Transparenz und Betrieb.

ByteDance integriert Doubao-Agenten, Feishu und Volcengine zu einem Agenten-Office-Stack

Was passiert ist

ByteDance verbindet Doubao-Agenten und Feishu (Feishu 8.0) mit Volcengine zu einem agentenbasierten Enterprise-AI-Office-Stack. Laut den Quellen geht es um kollaborative Agenten, hunderte Agent-CLI-Endpunkte sowie Doubao Work Partners und tief integrierte Workflow-Automatisierungen.

Warum das wichtig ist

Hier wird „Agent als Teammitglied im digitalen Büro“ greifbar: Agenten werden nicht nur in einer separaten Umgebung genutzt, sondern in eine Office-Logik integriert, inkl. Schnittstellen für Agentenaktionen. Das signalisiert, dass agentische Fähigkeiten in den Arbeitsalltag wandern: in Dokumente, Kollaboration und strukturierte Prozesse.

Wo der Einsatz konkret wird

Feishu als Kollaborations-Umgebung ist der sichtbare Anker. Der Stack soll agentische Workflows durch integrierte Automatisierungen ermöglichen und über viele Agent-CLI-Endpunkte steuerbar sein.

Wer dadurch Hebel bekommt

Hebel bekommen Organisationen, die viele wissensbasierte Workflows über Office-Prozesse abwickeln: Produktmanagement, Marketing Operations, HR-nahe Prozesse sowie Teams, die mit kollaborativen Dokumenten und wiederkehrenden Freigaben arbeiten.

Wer jetzt unter Druck gerät

Unter Druck gerät die Trennung zwischen „Office-Automation“ und „AI-Projekten“. Wenn Agenten-Workflows direkt im Office-Stack verankert werden, verlieren isolierte Pilotteams an Relevanz, während Betriebs- und Prozesskompetenz in den Fachbereichen wichtiger wird.

Workiva führt Agent Studio und agentische Lösungen für regulierte Berichts- und Prüfprozesse ein

Was passiert ist

Workiva führt mit Agent Studio eine No-Code-Plattform für KI-Agenten ein. Außerdem werden orchestrierte Evidence-, Attribute- und Testing-Agents für regulatorische Offenlegung erwähnt, die in Produktionsprozessen eingesetzt werden sollen.

Warum das wichtig ist

Das ist ein Governance-orientiertes Reifegradzeichen. Bei regulierten Workflows reicht eine Automatisierung ohne Belegkette nicht. Evidence-, Attribute- und Testing-Agents deuten darauf hin, dass Agenten nicht nur Ergebnisse liefern, sondern überprüfbar gemacht werden sollen. Das verschiebt agentische Projekte von „wir sparen Zeit“ hin zu „wir können nachweisen“.

Wo der Einsatz konkret wird

Im Umfeld regulierter Berichts- und Prüfprozesse, also in Finance-, Accounting- und Compliance-nahen Ketten, in denen Offenlegung und Nachvollziehbarkeit zentral sind.

Wer dadurch Hebel bekommt

Hebel bekommen Finance-Operations, Accounting, Compliance und interne Prüfung. Auch Führungskräfte, die bisher Agenten in „unproblematischen“ Bereichen halten wollten, erhalten eine Perspektive, wie Agenten mit prüfbaren Automatisierungen in regulierte Prozesse eingebunden werden können.

Wer jetzt unter Druck gerät

Unter Druck gerät jede Organisation, die den Agenten-Einsatz auf „nicht-regulierte“ Aufgaben reduziert, weil Governance zu teuer oder zu unklar scheint. Wenn agentische Evidence- und Testing-Schichten als Produktbausteine auftauchen, wird die Frage nach Verantwortlichkeit und Prüfbarkeit nicht mehr nur intern gelöst, sondern stärker als Marktstandard erwartet.

Microsoft veröffentlicht einen Entwurf des Humanist AI Code of Conduct mit Chain-of-Command

Was passiert ist

Microsoft veröffentlicht einen Entwurf für den Humanist AI Code of Conduct. In den Quellen wird ein Chain-of-Command-Autoritätsmodell beschrieben, ergänzt durch Minimalprivilegien und absolute Constraints für agentische KI-Workloads.

Warum das wichtig ist

Governance wird hier nicht als „Policy-Dokument“ behandelt, sondern als Architekturprinzip für agentische Systeme: Wer darf was? Unter welchen Bedingungen? Mit welchen Einschränkungen? Das ist genau die Art von Kontrolllogik, die bei Multi-Step-Agenten und delegierten Aktionen entscheidend wird.

Wo der Einsatz konkret wird

Die Quelle adressiert agentische Workloads allgemein. Praktisch ist das besonders relevant für Prozesse, in denen Agenten privilegierte Systeme ansteuern oder weitreichende Aktionen ausführen könnten.

Wer dadurch Hebel bekommt

Hebel bekommen CIO/CTO, Security & Risk sowie Leiter von Compliance- und Governance-Funktionen. Sie erhalten einen Rahmen, um agentische Systeme nicht nur zu testen, sondern sicher und kontrolliert zu betreiben.

Wer jetzt unter Druck gerät

Unter Druck gerät die verbreitete Praxis, Governance erst nach dem Pilot nachzureichen. Wenn Chain-of-Command und Constraints als Standardlogik in die Diskussion rücken, wird die Lücke zwischen „Agent läuft“ und „Agent ist verantwortbar“ schneller sichtbar.

Was das für den Einsatz von KI-Agenten bedeutet

Die Muster der Woche laufen auf eine klare Richtung hinaus: Agenten werden von „Assistenz“ zu „Ablauf“ gedacht. Realistisch werden zuerst solche Einsätze, die entweder (a) wiederholbare Prozessketten besitzen oder (b) nachweisbar gemacht werden müssen. Deshalb tauchen produktionsnahe Rollouts und regulierte Evidence-/Testing-Logiken gleichzeitig auf.

Plattformlogik gewinnt an Bedeutung, weil Agenten ohne Orchestrierung, Kontextführung und Laufzeitkontrolle nicht skalieren. Genau diese Bausteine werden in den Quellen betont: Long-Horizon-Runtime, Orchestrierung, Delegation, sowie Integration in Office- und Unternehmensstacks. Damit werden Agenten zunehmend Teil der Systemarchitektur – nicht nur Teil der KI-Landschaft.

Prozesse zuerst betroffen sind End-to-End-Ketten mit Übergaben: von Sales- und Service-Abwicklung über kollaborative Office-Workflows bis zu regulierten Berichtsketten. Entsprechend verschieben sich Rollen: Prozessowner müssen Ownership über agentische Schritte übernehmen; Governance wird zum Entwurfsparameter; Betrieb und Qualitätssicherung werden Teil des Designs statt eines Nachtrags.

Welche Unternehmen einen Vorsprung bekommen können? Die, die Agenten als Führungs- und Organisationsfrage behandeln: Zuständigkeit, Belegbarkeit, Freigaben und Grenzen werden früh definiert. Wer hingegen nur „mehr Automatisierung“ will, wird den Unterschied zwischen Agenten und Tools unterschätzen und später teuer nachsteuern müssen.

Achten Sie auf diese Signale in Ihrem Unternehmen

Signal 1: Man testet Agenten mit einzelnen Aufgaben, aber man definiert keine End-to-End-Ownership für den gesamten Ablauf (wer startet, wer genehmigt, wer bewertet, wer haftet).
Signal 2: Man automatisiert „Antworten“, plant aber keine Orchestrierung über mehrere Schritte mit klaren Grenzen (Delegation und Long-Horizon werden nur halb verstanden).
Signal 3: Effizienz ist das einzige Ziel, aber es fehlt ein Nachweis- und Prüfkonzept (vor allem dort, wo Evidence relevant ist).
Signal 4: Governance wird als Zugabe behandelt statt als Architektur- und Rollenmodell (Minimalprivilegien, Constraints und Chain-of-Command fehlen).
Signal 5: Man erwartet Skalierung, ohne Monitoring, Zustandsmanagement und Qualitätsregeln für agentische Workflows zu bauen.

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, aber behandeln Sie ihn wie ein Systemprojekt: Definieren Sie einen Prozess, bei dem ein Agent mehr als einen Schritt ausführen muss, und koppeln Sie ihn an ein Governance-Board aus Prozessowner, Security/Risk und Quality/Compliance. Der Pilot sollte explizit Chain-of-Command-Entscheidungen und Constraints abbilden (wer darf delegieren, wer darf eingreifen), und er muss eine Beleglogik enthalten, falls der Workflow prüfbar sein soll. So vermeiden Sie den typischen Fehler: „Agent macht schon irgendwie“, statt „Agent ist kontrolliert und verantwortbar im Prozess“.

Schlussgedanke

Agenten im Einsatz sind keine Zukunftsvision mehr, sie sind eine nächste Stufe der Unternehmensprozesse. Entscheidend ist nicht, welcher Anbieter den besten Agenten verspricht, sondern ob Sie Agenten wie Infrastruktur führen: mit Ownership, Grenzen, Betrieb und Nachweisbarkeit. Wer das früh als Führungsaufgabe und Systemdesign-Frage angeht, gewinnt Geschwindigkeit ohne Kontrollverlust. Wer es vertagt, wird von der Prozessrealität überrollt, die andere bereits produktiv machen.

All the best
Tim Cortinovis

Agenten im Einsatz: Wie KI-Agenten Unternehmensprozesse transformieren

Tim Cortinovis — Thu, 10 Sep 2026 06:29:55 +0000

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

Die neue Rolle von KI-Agenten: Von der Testphase zur produktiven Verantwortung in Unternehmen

Tim Cortinovis — Thu, 03 Sep 2026 06:05:23 +0000

Agenten im Einsatz

Was KI-Agenten heute schon in Unternehmen verändern.

Vom Experiment zur verhandelbaren Verantwortung

Diese Woche ist weniger ein „neues Modell“-Thema als ein Reifegrad-Signal: Plattformen rücken nach vorn, die KI-Agenten nicht nur starten, sondern sie beherrschen. Der Fokus geht auf Governance, sicheren Betrieb und kontrollierten Zugriff auf Unternehmens- bzw. Kundendaten.

Das ist relevant, weil die nächsten Projekte nicht an Prompts scheitern werden, sondern an Ownership, Auditierbarkeit und Prozessgrenzen. Wenn Agenten produktiv werden, wird aus „wir testen“ eine echte Systemfrage: Wer verantwortet Entscheidungen? Wer genehmigt Aktionen? Welche Daten dürfen wie fließen?

Vor allem Revenue- und Innovationsverantwortliche sollten jetzt aufpassen. Wer nur auf Use-Case-Ideen setzt, aber keine agentische Betriebssicherheit mitdenkt, verschiebt Risiko in die Fachbereiche. Ignoriert man diese Entwicklung, bleibt man in der Pilotphase stecken oder landet in der späteren Governance-Krise: Wenn Agenten erst laufen, ist es teuer, sie wieder zu begrenzen.

Diese Entwicklungen sollten Sie nicht übersehen

AccuKnox launcht AgentZ als Sicherheits- und Governance-Plattform für KI-Agenten

Was passiert ist

AccuKnox stellt mit „AgentZ“ eine Plattform vor, die den Aufbau, Betrieb und die Governance von KI-Agenten adressiert. Laut Meldung ist sie sicherheitszentriert und modell-agnostisch ausgerichtet – also darauf, Agenten in Unternehmenskontexte zu bringen, ohne an ein einzelnes Modell gebunden zu sein.

Warum das wichtig ist

Das Neue ist nicht „noch ein Agent-Framework“, sondern die Verlagerung der Wertschöpfung in Richtung Betrieb: Governance wird zu einem Produktbestandteil, nicht zu einer internen Behelfslösung. Damit wird klar, woran Skalierung künftig hängt: weniger an Machbarkeit, mehr an kontrolliertem, wiederholbarem Deployments- und Sicherheitsdesign.

Wo der Einsatz konkret wird

Typisch sind agentische Workflows, die in Unternehmen nicht beliebig agieren dürfen: etwa Prozesse, in denen Agenten Informationen sammeln, Entscheidungen vorbereiten und Aktionen nur innerhalb definierter Grenzen durchführen sollen. Genau dafür positioniert AccuKnox eine Plattform für sicheren Betrieb und Governance.

Wer dadurch Hebel bekommt

IT-Security, Enterprise-Architektur und Governance-nahe Rollen bekommen einen Hebel: Sie können Standards für Agenten durchsetzen, statt nur einzelne Projekte zu „überwachen“. Gleichzeitig profitieren Produkt- und Innovationsverantwortliche, weil Governance planbar wird und nicht erst im Nachhinein zum Gatekeeper wird.

Wer jetzt unter Druck gerät

Unternehmen, die Agenten als „Tool-Pilot“ behandeln, geraten unter Druck. Wenn Plattformen wie diese Governance als skalierbares Betriebsmodell anlegen, wird es schwer, später zu erklären, warum man bei agentischen Aktionen keine klaren Sicherheits- und Verantwortungsgrenzen definiert hat.

Tealium erweitert seine Plattform um agentische Konfigurations- und Governance-Funktionen für KI-Agenten

Was passiert ist

Tealium erweitert seine agentische Plattform um „Configuration MCP“ und ein Natural-Language-Interface sowie neue APIs. Ziel ist ein streng kontrollierter Zugriff auf Kundenkontext und Konfigurationen – mit dem Effekt, Governance und Produktivität in datengetriebenen Teams zu erhöhen.

Warum das wichtig ist

Hier wird ein Kernproblem sichtbar: Agenten brauchen Kontext, aber Kontext ist sensibel. Tealium adressiert das, indem es einen agentischen Konfigurationskanal beschreibt, der nicht „alles“ freigibt, sondern strukturiert. Das ist ein Schritt in Richtung agentischer Systeme, die datengetrieben arbeiten, ohne das Governance-Modell zu unterlaufen.

Wo der Einsatz konkret wird

Der Einsatz liegt nahe an Kunden- und Marketing-nahem Kontext: Agenten, die auf Basis kontrollierter Kundendaten Entscheidungen treffen oder Konfigurationen anstoßen müssen. „Governed customer context“ deutet darauf, dass der Zugriff in Workflows als definierter Bestandteil eingebettet wird.

Wer dadurch Hebel bekommt

Marketing- und Datenplattform-Teams bekommen einen stärkeren Hebel, weil Konfiguration und Kontext nicht mehr als manuelle Übersetzung zwischen Systemen laufen, sondern als agentisch nutzbare Schnittstellen. Auch Sales/Revenue-Operations profitieren indirekt, wenn kundenbezogene Inhalte konsistenter, auditierbarer und schneller konfigurierbar werden.

Wer jetzt unter Druck gerät

Unter Druck kommen Teams, die Datenzugriff für Agenten als „Feature“ betrachten, aber keine kontrollierte Zugriffslogik in den Prozess einziehen. Wer Kundenkontext nicht als governed Asset behandelt, wird spätestens bei Skalierung auf Reibung stoßen: Agenten sind dann schneller als die Regeln.

Broadcom positioniert VMware Tanzu als sichere Enterprise-Agentenplattform mit AI-ready Data Foundations

Was passiert ist

Broadcom positioniert die VMware Tanzu Platform mit neuen „AI-ready Data Foundations“ als sichere Enterprise-Agentenplattform. Der Anspruch: KI-Agenten und autonome Workflows sollen auf einem unternehmensweiten Datenfundament orchestriert werden – inklusive Sicherheitsrahmung.

Warum das wichtig ist

Das Muster der Woche verdichtet sich: Agenten werden als Teil einer Enterprise-„Betriebsschicht“ gedacht. Wenn Datenfundamente als „AI-ready“ verkauft werden, verschiebt sich die Frage von „welches Modell“ zu „wie ist Datenzugriff orchestriert“. Für viele Unternehmen ist das der Engpass, weil Agenten in der Praxis über Datenflüsse funktionieren, nicht über Chat-Oberflächen.

Wo der Einsatz konkret wird

Die Nachricht zielt auf unternehmensweite Orchestrierung autonomer Workflows. Das sind typischerweise End-to-End-Prozesse, in denen mehrere Systeme beteiligt sind und agentische Aktionen koordinieren müssen – auf einem Datenfundament, das sicher und konsistent bereitgestellt wird.

Wer dadurch Hebel bekommt

Enterprise-IT, Plattform-Teams und Architekturverantwortliche gewinnen an Gestaltungsmacht: Sie können agentische Workflows in die vorhandene Systemlandschaft integrieren, statt sie als Inseln zu betreiben. Ebenso profitieren Produktteams, weil „Orchestrierung“ und Sicherheitsrahmen die Reife für produktive Automatisierung erhöhen.

Wer jetzt unter Druck gerät

Unter Druck geraten alle, die Agenten als „einfaches Automationsskript“ betrachten und hoffen, dass Governance sich später „irgendwie“ ergänzt. Wenn die Unternehmensplattform den Anspruch erhebt, Agenten zu orchestrieren, verlieren Insellösungen an Rechtfertigung – besonders bei Sicherheitsanforderungen.

Indien startet mit Gnani Artha einen souveränen Agentic-AI-Stack für regulierte Unternehmen

Was passiert ist

Gnani AI startet „Gnani Artha“ als souveränen Agentic-AI-Stack. Laut Darstellung umfasst er indiksprachige Modelle und die agentische Plexus-Plattform und zielt explizit auf regulierte Branchen sowie On-Prem-Workloads.

Warum das wichtig ist

Das Neue hier ist die klarere Regional-/Compliance-Strategie: Agentik wird als Stack gedacht, der On-Prem und regulatorische Anforderungen berücksichtigt. Für internationale Unternehmen ist das ein Warnsignal: „Souverän“ wird ein Einkaufs- und Architekturparameter. Agenten werden dadurch weniger austauschbar.

Wo der Einsatz konkret wird

Der Fokus liegt auf regulierten Unternehmen und öffentlichen Institutionen mit On-Prem-Ansätzen. Agentische Workflows, die dort laufen müssen, brauchen einen Stack, der Datenhoheit und regulatorische Rahmenbedingungen direkt in der Architektur mitliefert.

Wer dadurch Hebel bekommt

Compliance-nahe Verantwortliche und CIO-/CTO-Teams bekommen eine klare Option: Agentik unter Einhaltung von Daten- und Betriebsanforderungen umzusetzen. Gleichzeitig profitieren Fachbereiche in regulierten Bereichen, weil agentische Automatisierung nicht gegen ihre Vorgaben arbeitet.

Wer jetzt unter Druck gerät

Unter Druck geraten Unternehmen, die bei Agenten „cloud-first“ planen, ohne die On-Prem-Option und regulatorische Architekturpfade zu klären. Wenn souveräne Stacks als Standard werden, entsteht schnell die politische Frage: Warum hat man agentische Prozesse nicht gleich mit den nötigen Betriebsmodellen entworfen?

Google bündelt neue Gemini-Agentenfähigkeiten und erweitert die Gemini Enterprise Agent Platform

Was passiert ist

Google berichtet über August-Updates, in denen Gemini-Agentenfähigkeiten gebündelt werden. Genannt werden „Gemini 3.7 Flash“ für kosteneffiziente Agenten, „Gemini 3.5 Transcribe“ für Voice-Workflows und „Omni 1.1 Flash“ für Video-Agenten. Diese Fähigkeiten werden in die „Gemini Enterprise Agent Platform“ integriert.

Warum das wichtig ist

Auch hier geht es um Produktivität in End-to-End-Szenarien. Wenn Voice- und Video-Agentenfähigkeiten in eine Enterprise-Agent-Plattform integriert werden, steigt der Druck auf Unternehmen, nicht nur Text-Use-Cases zu priorisieren. Agenten werden multimodaler – und damit werden auch die Betriebsanforderungen (z.B. Audio-/Video-Verarbeitung, Verantwortlichkeit, Prozessgrenzen) realistischer relevant.

Wo der Einsatz konkret wird

Voice-Workflows und Video-Agenten sind naheliegende Einsatzfelder. Das betrifft Teams, die mit Gesprächs- oder Mediendaten arbeiten und Prozesse entlang dieser Eingaben automatisieren müssen. Die Integration in eine Enterprise-Plattform deutet darauf, dass solche Szenarien als Unternehmensfunktion betrieben werden sollen.

Wer dadurch Hebel bekommt

Customer Operations, Vertrieb und Support-Teams bekommen mehr Hebel, wenn agentische Workflows Sprache/Video in operative Schritte überführen können. Gleichzeitig profitieren IT- und Security-Teams eher indirekt: Eine Enterprise-Plattform ist ein Versuch, diese Fähigkeiten in kontrollierbare Bahnen zu lenken, statt sie als Experiment zu betreiben.

Wer jetzt unter Druck gerät

Unter Druck geraten Organisationen, die Agenten nur als Text-Chat betrachten und Prozessgrenzen nur für „Dokumente“ definieren. Multimodale Agenten machen die Verantwortung sichtbarer: Wenn Sprache oder Video zu Aktionen führen, muss die Genehmigungskette klar sein.

Was das für den Einsatz von KI-Agenten bedeutet

Die Woche zeigt ein Muster: Agenten rücken von „konfigurierbar“ zu „governable“. Die Plattformlogik, die sich abzeichnet, ist dreifach: (1) sichere Bereitstellung und Betrieb, (2) kontrollierter Zugriff auf Kunden- und Unternehmenskontext, (3) Orchestrierung auf einem Datenfundament oder Stack, der regulatorische Anforderungen nicht als Afterthought behandelt.

Realistische Einsatzmöglichkeiten entstehen zuerst in Prozessen, in denen Kontexte streng sind: Kundenkontext, sicherer Zugriff auf Daten, Orchestrierung über Unternehmenssysteme. Deshalb sehen wir Governance- und Sicherheitsplattformen neben agentischen Konfigurationsschnittstellen. Agenten werden damit mehr als ein Tool: Sie sind ein Prozessausführungsmodell. Und sobald Prozesse ausgeführt werden, verschieben sich Rollen. Ownership wandert von „wer hat das Prompt?“ zu „wer verantwortet die Aktion?“.

Governance wird ernster, weil Plattformen Skalierung adressieren. Wer diese Entwicklung ignoriert, riskiert, dass Agenten zwar funktionieren, aber nicht als Betriebssystem für die Organisation genehmigungsfähig sind. Einen Vorsprung bekommen Unternehmen, die agentische Workflows als Systemdesign behandeln: Prozesslandkarte, klare Grenzen, und ein Betriebsmodell, das Security und Datenzugriff mitliefert.

Achten Sie auf diese Signale in Ihrem Unternehmen

Signal 1: Man testet Agenten-Tools, aber man hat keine Prozessgrenzen definiert, innerhalb derer Agenten handeln dürfen.
Signal 2: Man automatisiert einzelne Schritte, aber baut keine End-to-End-Workflows, bei denen Governance durchgängig mitläuft.
Signal 3: Man spricht über Effizienz, aber nicht über Verantwortlichkeit: Wer genehmigt Aktionen, wer auditierte Ergebnisse bewertet?
Signal 4: Man erlaubt Zugriff auf Kunden- oder Unternehmenskontext ohne kontrollierte Konfigurations- und Zugriffslogik.
Signal 5: Man erwartet Skalierung, ohne das Datenfundament, Sicherheitsrahmen oder (wo nötig) On-Prem-/Souveränitätsanforderungen geklärt zu haben.

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 als „Agent-Prototyp“, sondern als agentenfähigen End-to-End-Workflow mit klaren Governance-Gates: definieren Sie einen konkreten Prozess, in dem ein Agent handeln soll, legen Sie fest, welche Daten (Kundenkontext/Unternehmensdaten) kontrolliert verfügbar sind, und bestimmen Sie eine menschliche Aufsicht für die entscheidenden Aktionen. Parallel dazu erstellen Sie ein kleines Agenten-Board für Ownership und Auditierbarkeit: Wer ist verantwortlich für Betrieb, Sicherheit und Freigaben?

Genau dieses Muster (Governance + kontrollierter Kontext + Plattform-/Betriebsfähigkeit) ist in mehreren Nachrichten der Woche erkennbar. Nutzen Sie die Dynamik: Nicht warten, bis „die Plattform“ fertig ist, sondern Ihren Workflow so entwerfen, dass er mit einer governbaren Betriebsschicht wirklich skalieren kann.

Schlussgedanke

KI-Agenten werden gerade in die Betriebsebene verschoben: Sicherheit, Zugriffskontrolle und Orchestrierung werden zu den entscheidenden Produktmerkmalen. Wer das als Tool-Frage behandelt, verliert Zeit und Vertrauen innerhalb der Organisation. Wer es als Systemdesign begreift, gewinnt Tempo, ohne das Risiko zu vervielfachen. Agentik ist damit eine Führungsaufgabe, eine Organisationsfrage und eine Architekturentscheidung zugleich.

All the best
Tim Cortinovis

Agenten im Einsatz: KI-gestützte Workflows revolutionieren Unternehmensprozesse

Tim Cortinovis — Thu, 27 Aug 2026 06:06:27 +0000

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

Die neue Ära der KI-Agenten: Von Workflow-Transformationen bis hin zu Governance-Herausforderungen in Unternehmen

Tim Cortinovis — Thu, 20 Aug 2026 06:05:05 +0000

Agenten im Einsatz

Was KI-Agenten heute schon in Unternehmen verändern.

Edition Title

Von autonomen Ideen zu Governance-Pflichten

Wenn Sie nur eine Minute haben

Diese Woche zeigt ein klares Muster: KI-Agenten rücken von „Assistenz“ in Richtung „Workflow-Ausführung“. Gleichzeitig wird die harte Gegenkraft sichtbar – Governance, Verifikation und Kontrolle werden zur zentralen Engstelle. Das ist kein Detailthema mehr, sondern der Unterschied zwischen Pilot und Betrieb.

Für Unternehmen ist das relevant, weil Agenten nicht nur Antworten liefern, sondern Prozesse anstoßen und Ergebnisse erzeugen, die später Entscheidungen stützen. Genau dort wird Verantwortung messbar: Wer genehmigt, wer haftet, was gilt als zitierfähig, und wie wird der Zugriff auf Daten abgesichert?

Diese Entwicklung sollte jetzt vor allem Revenue-, Legal- und IT-/Risk-Owner auf den Plan rufen, nicht nur Innovationsteams. Wenn man das ignoriert, skaliert man entweder an der falschen Stelle (zu früh, zu breit) oder man baut Systeme, die im Ernstfall nicht standhalten – technisch, rechtlich und organisatorisch.

Diese Entwicklungen sollten Sie nicht übersehen

40% of Enterprise Apps Will Have AI Agents by 2026, Are Yours Ready or Will They Collapse?

Was passiert ist

Die Nachricht greift eine Prognose auf, nach der bis 2026 ein großer Anteil von Enterprise-Apps KI-Agenten enthalten wird. Der gleiche Kontext warnt zugleich vor einer hohen Ausfallquote: Viele Projekte könnten bis 2027 scheitern, weil Governance-Risiken nicht sauber adressiert werden.

Warum das wichtig ist

Das ist der Reifegrad-Indikator: Agenten werden nicht mehr als isolierte Funktion betrachtet, sondern als Bestandteil produktiver Unternehmenssoftware. Damit verschiebt sich das zentrale Steuerungsproblem von „Kann das technisch?“ zu „Ist das betrieblich verantwortbar?“. Governance ist dabei keine Compliance-Nachricht, sondern Teil der Architektur.

Wo der Einsatz konkret wird

Die Aussage zielt auf den breiten Einbau in Enterprise-Apps. Das bedeutet in der Praxis: Agenten werden in bestehenden Applikationslandschaften landen, wo sie Informationen verarbeiten, Entscheidungen vorbereiten und Workflows auslösen sollen – und wo ein Governance-Fehler nicht im Sandbox-Test auffällt, sondern in echten Betriebsabläufen.

Wer dadurch Hebel bekommt

Teams mit sauberer Prozess- und Architekturverantwortung bekommen einen Hebel: IT-Architecture, Security/Risk, Compliance-nahe Einheiten sowie die Prozess-Owner, die definieren können, welche Agenten welche Schritte ausführen dürfen. Auch Sales- und Revenue-Teams profitieren indirekt, weil agentische Prozesse planbarer werden, wenn Freigaben und Grenzen stehen.

Wer jetzt unter Druck gerät

Unter Druck geraten vor allem Organisationen, die Agenten als „add-on“ behandeln: schnelle Experimente ohne klares Betriebsmodell, ohne Ownership und ohne messbare Verifikations- und Genehmigungslogik. Ebenso Anbieter/Teams, die Governance als nachgelagertes Thema ansehen, statt es als integralen Bestandteil des Rollouts zu planen.

ATTOM INTRODUCES SPECIALIZED AI AGENTS TO ADVANCE ATTOM INTELLIGENCE

Was passiert ist

ATTOM bringt drei spezialisierte KI-Agenten für Property Intelligence an den Start. Laut Meldung basieren sie auf einem erweiterten MCP-Server und sollen unterschiedliche Aufgabenbereiche abdecken: Immobilien-Insights, Marktanalysen und automatisierte Report-Erstellung.

Warum das wichtig ist

Neu ist hier weniger „KI im Immobilienkontext“, sondern die Art des Einsatzes: spezialisierte Agenten, die auf analytischen Workflows zielen und Ergebnisse als Reports bereitstellen. Das ist ein Schritt hin zu wiederholbaren, workflowfähigen Enterprise-Use-Cases. MCP als erwähnte Grundlage signalisiert dabei: Agenten werden in daten- und systemnahen Integrationslogiken gedacht.

Wo der Einsatz konkret wird

Die konkreten Anwendungsfelder sind Property Intelligence und die direkt anschließenden Arbeitsprodukte: Marktanalysen sowie die Erstellung von Reports. Damit wandelt sich der Workflow von „Analyst erstellt manuell“ zu „Agent liefert strukturierte Ausgaben“, die danach in bestehenden Entscheidungs- und Reporting-Routinen verwendet werden.

Wer dadurch Hebel bekommt

Hebel entstehen bei Teams, die regelmäßige Analysen und Reports benötigen: Marktforschung, Sales Enablement, Strategieeinheiten in Immobilien-nahen Organisationen sowie alle, die wiederkehrende Auswertungen in Zeitfenstern liefern müssen. Der Vorteil liegt darin, dass Spezialisierung und Automatisierung typischerweise die Durchlaufzeit und Standardisierung verbessern.

Wer jetzt unter Druck gerät

Unter Druck geraten vor allem reine „Content-/Insights“-Workflows, die bisher stark von manueller Aufbereitung leben, aber keine agentenfähige Prozesskette besitzen. Auch Verantwortliche, die Daten- und Reportingqualität nur auf der Menschenebene sichern, müssen sich fragen, wie Verlässlichkeit entsteht, wenn ein Agent die erste Version liefert.

eDiscovery AI Introduces Next Generation of CaseBot™

Was passiert ist

eDiscovery AI stellt eine nächste Generation von CaseBot vor. Kernpunkt ist, dass Skill Agents in den Workflow eingebaut sind, um strukturierte Legal-Workflows umzusetzen – mit Blick auf zitierfähige Ergebnisse. Die Meldung beschreibt den Anspruch, von der Faktenermittlung bis zur Fallvorbereitung durchgängig zu unterstützen.

Warum das wichtig ist

Rechtliche Workflows sind ein härtester Praxis-Test für Agenten. Wenn eine Lösung explizit auf strukturierte, zitierfähige Outputs sowie eine kontrollierte Quellenlage abzielt, dann wird sichtbar: Agenten müssen nicht nur „gut formulieren“, sondern beweisbar und nachvollziehbar arbeiten. Das ist ein Qualitätsanspruch, der über viele Marketingversprechen hinausgeht.

Wo der Einsatz konkret wird

Die Nachricht verortet den Einsatz in eDiscovery- und Legal-Workflows: Faktenermittlung, strukturierte Aufbereitung und Unterstützung bei der Fallvorbereitung. Entscheidend ist dabei der Fokus auf strukturierte Ergebnisse, die sich zitieren lassen.

Wer dadurch Hebel bekommt

Hebel bekommen Legal Operations, Litigation-Teams, Compliance-nahe Einheiten und Funktionen, die eDiscovery koordinieren. Ebenso profitieren Organisationen, die Tempo und Konsistenz brauchen, aber im rechtlichen Kontext nicht auf Nachvollziehbarkeit verzichten dürfen.

Wer jetzt unter Druck gerät

Unter Druck geraten Ansätze, die Legal-Automatisierung auf „Recherche-Suche“ reduzieren oder ausschließlich auf Geschwindigkeit ohne Zitierfähigkeit setzen. Auch interne Freigabeprozesse geraten unter Druck, wenn der Agent Teile der Vorarbeit übernimmt: Wer prüft in welcher Phase, und wie wird dokumentiert, was als Grundlage gilt?

Chainlink: The Industry-Standard Oracle Platform – Chainlink for Agents

Was passiert ist

Chainlink führt „Chainlink for Agents“ ein. Laut Beschreibung handelt es sich um eine Oracle-Plattform, die KI-Agenten im Blockchain- und Compliance-Kontext verbinden soll. Genannt werden Funktionen wie sichere Kopplung an Blockchains, Off-Chain-Daten sowie Compliance- und Privacy-Funktionen.

Warum das wichtig ist

Das Signal ist strategisch: Agenten bekommen einen Platz in Umgebungen, in denen Datenintegrität, Nachvollziehbarkeit und regulatorische Anforderungen besonders sensibel sind. Eine Oracle-Infrastruktur ist dabei nicht nur „Technik“, sondern ein Baustein, um agentische Workflows verlässlich an verteilte Systeme anzudocken.

Wo der Einsatz konkret wird

Die Meldung nennt Finance, Tokenisierung und digitale Infrastruktur als Kontext, in dem autonome Workflows möglich werden sollen. Praktisch bedeutet das: Agenten können durch die Oracle-Anbindung mit On-Chain und Off-Chain Daten arbeiten, während Compliance-/Privacy-Aspekte in die Verknüpfung eingebettet werden sollen.

Wer dadurch Hebel bekommt

Hebel bekommen Organisationen, die agentische Prozesse in regulierten Domänen einsetzen wollen, insbesondere in Finance-nahen Use-Cases. Auch Architektur- und Governance-Teams profitieren, wenn die Plattformlogik das sichere Zusammenspiel mit Datenquellen stärker systematisiert.

Wer jetzt unter Druck gerät

Unter Druck geraten Unternehmen, die Blockchain-/Compliance-Themen isoliert behandeln und Agenten nur als zusätzliche UI-Schicht sehen. Wenn autonome Workflows künftig über Oracle-Logik und Compliance-/Privacy-Funktionen gedacht werden, wird die Lücke zwischen „Agent macht Vorschläge“ und „Agent handelt innerhalb von Regeln“ sichtbarer.

Was das für den Einsatz von KI-Agenten bedeutet

Die Muster der Woche sind eindeutig: Erstens werden Agenten schneller „operationalisiert“ – als Bestandteil von Enterprise-Apps und als Bausteine in spezifischen Domänen-Workflows. Zweitens steigt der Druck auf Governance, weil Agenten nicht nur Ergebnisse erzeugen, sondern Prozessverantwortung berühren. Drittens gewinnen Integrations- und Infrastrukturbausteine an Bedeutung, weil agentische Systeme verlässlich mit Datenquellen, Compliance-Randbedingungen und nachvollziehbaren Outputs arbeiten müssen.

Realistische Einsatzmöglichkeiten entstehen dort, wo Prozesse ohnehin stark standardisiert sind: Analyse und Report-Erstellung, strukturierte Vorbereitungsworkflows im Legal-Kontext sowie agentische Kopplung an Daten- und Regelumgebungen in sensiblen Bereichen. Agenten werden damit mehr als ein weiteres KI-Tool: Sie sind Systemdesign-Projekte, weil sie Berechtigungen, Freigaben, Verifikation und Nachweisführung im Alltag verankern.

Die Rollenverschiebung ist spürbar: Prozess-Owner und Governance-Owner rücken näher an die Implementierung. Wer bislang nur „Modellqualität“ betrachtete, muss jetzt „Betriebsqualität“ definieren: Welche Schritte sind agentisch erlaubt? Wie wird Zitierfähigkeit oder Datenherkunft gesichert? Und wie wird verhindert, dass eine schnelle Automatisierung später zum Ausfallrisiko wird?

Vorsprung bekommen Unternehmen, die Governance nicht als Gate am Ende sehen, sondern als Designprinzip für agentenfähige Workflows. Das gilt besonders, wenn Agenten in produktive Umgebungen wandern und Ergebnisse in Entscheidungen einfließen.

Achten Sie auf diese Signale in Ihrem Unternehmen

Signal 1: Man testet agentische Fähigkeiten in isolierten Demos, aber definiert keine Verantwortlichkeit für Freigaben, Fehlerfälle und Nachweisführung.
Signal 2: Man automatisiert einzelne Aufgaben, statt End-to-End-Workflows umzubauen – und wundert sich dann, dass das Ergebnis nicht „betrieblich verwendbar“ ist.
Signal 3: Man priorisiert Tempo und Output-Volumen, aber klärt nicht, wie Zitierfähigkeit, Quellenlage und Verifizierbarkeit in den Workflow integriert werden.
Signal 4: Man plant Integrationen ohne Governance-Logik (Datenzugriff, Compliance-/Privacy-Randbedingungen, sichere Anbindung) und behandelt das als späteres Thema.
Signal 5: Man erwartet Skalierung, obwohl Prozessstandardisierung, Datenqualität und Rollen-/Berechtigungsmodelle nicht verbindlich dokumentiert sind.

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, der eine klare „Zitier-/Nachweis“-Anforderung oder eine definierte Compliance-/Governance-Grenze hat. Wählen Sie dabei keinen Aufgaben-Clip, sondern die Kette: Input aus relevanten Systemen → agentische Ausführung → Ergebnisbereitstellung → menschliche Freigabe mit dokumentierten Kriterien. Setzen Sie ein Agenten-Ownership-Modell auf (wer verantwortet Genehmigung, wer entscheidet bei Abweichungen, wer prüft die Verifizierbarkeit) und messen Sie Betriebskriterien, nicht nur Antwortqualität.

Schlussgedanke

KI-Agenten sind in dieser Phase keine „Feature-Reihe“, sondern eine Organisations- und Systemdesign-Frage. Wer agentische Workflows einführt, muss Governance so behandeln, wie man Sicherheit oder Architektur behandelt: als Konstruktion, nicht als nachträgliche Prüfung. Die nächsten Wettbewerbsvorteile entstehen nicht durch die coolsten Modelle, sondern durch klare Verantwortlichkeit, verlässliche Outputs und saubere Prozessketten.

All the best
Tim Cortinovis

Transformative Power of AI Agents in Modern Enterprises: Beyond Chat to Operational Integration

Tim Cortinovis — Thu, 13 Aug 2026 06:07:58 +0000

Agenten im Einsatz

Was KI-Agenten heute schon in Unternehmen verändern.

Wenn aus Bots „Betrieb“ wird

Wenn Sie nur eine Minute haben

Diese Woche ist weniger ein „Quantensprung“ in der Modellleistung als ein Reife-Signal auf Betriebsebene: Agenten werden so gebaut, dass sie nicht nur antworten, sondern Arbeit erledigen müssen, inklusive Toolzugriff, Zuständigkeiten und Prozessketten. Damit wandert der Fokus weg vom Chat hin zu Systemdesign, Governance und messbaren Outcomes.

Relevanz hat das für Unternehmen, weil sich damit die Engpässe verschieben: Weg vom Finden guter Prompts, hin zum sauberen End-to-End-Prozess (inklusive Eskalation), zur Sicherheit gegen Prompt Injection und zur Frage, wer im Unternehmen verantwortlich ist, wenn Agenten Aktionen ausführen. Besonders Führungskräfte mit Verantwortung für Umsatz, Betrieb oder Compliance müssen jetzt aufhören, Agenten als „Feature“ zu behandeln.

Wenn man diese Entwicklung ignoriert, bleibt man bei isolierten Pilotversuchen stehen – und verliert die Gelegenheit, agententaugliche Prozesse früh zu standardisieren. Später wird man dann Teams nachrüsten müssen, die eigentlich schon beim Start hätten mitgedacht werden müssen.

Diese Entwicklungen sollten Sie nicht übersehen

Naïve: Series A für Infrastruktur, die Agenten beim „Running a Business“ einsetzt

Was passiert ist

Naïve hat laut TechCrunch eine Series-A-Finanzierung über 28,5 Mio. US-Dollar erhalten. Die Richtung: Infrastruktur, die KI-Agenten die „Bulk“-Arbeit beim Betreiben eines Unternehmens übernehmen lässt – von der Unternehmensgründung bis hin zu operativen Setups wie E-Mail-Inboxen, Telefon-Provisioning, Cloud-Ressourcen und Integrationen wie Stripe.

Warum das wichtig ist

Das ist keine „Agent-App“, sondern ein Hinweis darauf, dass Agenten in Richtung Geschäftsorchestrierung weiterwachsen. Der Engpass verlagert sich damit von „App bauen“ zu „Betrieb aufnehmen“ – also zu rechtlichen, konfigurations- und integrationsgetriebenen Schritten. Genau in dieser Lücke entstehen in Unternehmen neue Abteilungen für Prozessdesign, Auditierbarkeit und Policy-Management rund um Agenten.

Wo der Einsatz konkret wird

Die beschriebenen Workflows reichen von der Einbindung einer realen Firma über die Einrichtung von Kommunikationskanälen bis zur Bereitstellung von Infrastruktur und Zahlungsverarbeitung. Der Fokus liegt auf End-to-End-Automation, nicht auf einzelnen Schritten.

Wer dadurch Hebel bekommt

Teams, die Business-Prozesse „vom Nullpunkt“ aufsetzen – z. B. Legal/Compliance-Nahe Einheiten für Setup-Prozesse, Revenue Ops für Onboarding- und Abrechnungslogik, sowie Engineering-Plattformteams, die Toolzugriffe und Credential-Handling beherrschen – bekommen einen Hebel. Auch der Blick „vom Prototyp zur operativen Einheit“ wird für Produkt- und Innovationsverantwortliche praktischer.

Wer jetzt unter Druck gerät

Unternehmen, die Agenten bislang nur als Code-Assistenten oder Wissenswerkzeuge einsetzen, geraten unter Druck, weil der Wert nun dort entsteht, wo Setup und Betriebsketten funktionieren. Gleichzeitig werden Governance- und Compliance-Rollen härter gefordert: Wenn Agenten sign-in- und zahlungsnahe Schritte durchführen, steigt die Erwartung an Verantwortungsmodelle und Audit-Trails.

x.ai Grok Bot: Agenten als „teammates“ mit Always-on-Computer und Cross-App-Ausführung

Was passiert ist

x.ai hat Grok Bot angekündigt und als Produkt positioniert, das Agenten als Teamkollegen beschreibt. Die Bots sollen laut Ankündigung in einem eigenen Cloud-Computer dauerhaft arbeiten, sich in bestehende Plattformen einloggen (z. B. E-Mail, CRM, Ticketing) und Aufgaben bis zum Abschluss erledigen – mit Rückkehr erst bei Entscheidungen oder Freigaben. Nutzer sollen Aufgaben in natürlicher Sprache übergeben können.

Warum das wichtig ist

Neu ist hier die Operationalisierung des „Agent als Arbeiter“-Gedankens: nicht nur Orchestrierung in einem kontrollierten Prototyp, sondern Arbeit über mehrere bestehende Tools. Dass das System als Beta für bestimmte Abos verfügbar ist, zeigt außerdem: Die Marktseite testet nicht erst ein Konzept, sondern verteilt Agenten-Arbeit in den Alltag von Power-Usern und Entwicklungsteams.

Wo der Einsatz konkret wird

Genannt werden u. a. Sales Outbound, Marketingkampagnen, Office-Operations und Bug-Fixes. Zentral ist die Cross-App-Arbeit, also das Nutzen von Tools, die nicht zwingend saubere APIs oder Agent-Context-Mechanismen bereitstellen.

Wer dadurch Hebel bekommt

Revenue- und Operations-Teams bekommen einen Hebel, weil Aufgaben dort am stärksten sind, wo Systeme bereits vorhanden sind: CRM, Ticketing, Inbox-Prozesse. Auch Engineering-Teams profitieren, wenn Bot-gestützte Bug-Fixes und wiederkehrende Büro-Workflows als Teamkapazität skaliert werden.

Wer jetzt unter Druck gerät

Unter Druck geraten vor allem Organisationen, die Agenten nur „vor“ den Tools einsetzen (Text/Entwürfe), aber nicht „zwischen“ den Tools (Ausführung). Ebenso unter Druck geraten Team-Operating-Modelle: Wenn Agenten kontinuierlich arbeiten und Kontext mitnehmen sollen, müssen Prozesse für Eskalation, Qualitätskontrolle und Zuständigkeiten neu gedacht werden.

Salesforce State of Sales 2026: Agenten als Top-Wachstumstakt – und messbar am Umsatz

Was passiert ist

Die State-of-Sales-Auswertung (laut Futurum Group) zeigt: 87% der Organisationen nutzen irgendeine Form von KI im Sales, 54% setzen AI Agents über den Sales Cycle ein. Agenten werden mit mehr als einem Drittel weniger Forschungszeit und 36% weniger Content-Erstellungszeit verbunden. Zusätzlich verschiebt sich die Erfolgskennzahl: „direkter finanzieller Impact“ wird wichtiger als reine Produktivitätsgewinne.

Warum das wichtig ist

Der wichtigste Reifegrad-Hinweis ist nicht nur Adoption, sondern die Messlogik: Wenn Entscheider Agenten zunehmend an Revenue- und Profit-Kennzahlen ausrichten, wird Agentenbetrieb zu einer Management-Disziplin. Das verändert Budget- und Portfolioentscheidungen: Agenten müssen nicht nur Zeit sparen, sondern Deal- und Pipeline-Mechaniken verbessern.

Wo der Einsatz konkret wird

Der Sales Cycle wird in mehrere Agenten-nahe Aufgaben aufgeteilt: Research-Prozesse, Forecast-Unterstützung, Onboarding, Quoting/Proposal Generation und – in fortgeschritteneren Szenarien – 24/7 Prospecting. Außerdem wird die Verbindung zu CRM-, Content- und Messaging-Workflows sichtbar.

Wer dadurch Hebel bekommt

Sales Leader und Revenue Ops bekommen den stärksten Hebel, weil hier die Messfähigkeit am besten ist. Marketing- und Enablement-Teams profitieren indirekt, wenn Outreach und Content-Erstellung als zusammenhängende Pipeline-Bausteine gedacht werden – nicht als getrennte Aktivitäten.

Wer jetzt unter Druck gerät

Unter Druck geraten „Proof-of-Concept“-Ansätze ohne Revenue-KPIs. Ebenso geraten Teams, die Agenten nur als Schreibmaschine für Entwürfe betreiben, weil sich die Erfolgsdefinition Richtung finanzielle Wirkung verschiebt. Wer kein klares Messkonzept für agentenbasierte Pipeline-Mechaniken hat, wird schwer erklären können, warum Agenten Budget bekommen sollen.

UAE: Nationales Projekt für agentic AI in föderalen Government-Workflows

Was passiert ist

In den Berichten zum UAE-Projekt wird ein „strategic track“ innerhalb eines nationalen agentic-AI-Programms beschrieben. Mehr als 100 föderale Offizielle sollen an einem Workshop teilgenommen haben. Zielrichtung: Agentic AI soll in einem wesentlichen Anteil föderaler Workflows bis 2026 integriert werden.

Warum das wichtig ist

Das ist ein Signal, dass agentic AI nicht mehr nur als Unternehmensinitiative diskutiert wird, sondern in die Logik staatlicher Prozesssteuerung rückt. Genau dadurch werden Governance, Sicherheitsarchitektur und Audit-Tauglichkeit zu zentralen Wettbewerbsvorteilen. In Government-Kontexten wird „Automation ohne Verantwortungsmodell“ politisch und operativ teuer.

Wo der Einsatz konkret wird

Genannt werden als mögliche Felder u. a. Permit Processing, Benefits Administration, Document Verification und Bürgeranfragen. Außerdem wird das Prinzip „human-in-the-loop“ für Ausnahmen als Ansatz zum Vertrauensaufbau beschrieben, ergänzt durch die Idee, Agenten 24/7 für Routinefälle einzusetzen.

Wer dadurch Hebel bekommt

Public-Sector-Entscheider, Compliance-nahe IT-Teams und Plattformverantwortliche, die auf souveräne Infrastrukturen setzen, bekommen Rückenwind. Auch Anbieter-Ökosysteme rund um agentic on-premises und Governance-Features werden dadurch stärker nachgefragt.

Wer jetzt unter Druck gerät

Unter Druck geraten Organisationen, die Governance erst nachträglich „aufsetzen“. Sobald Agenten wirklich Workflows antreiben sollen, werden Rollen für Zugriff, Audit und Eskalation zu einem Muss – nicht zu einer optionalen Phase.

AI Builders Digest: Infrastruktur-Readiness (Vercel) und Prompt-Injection-Defenses rücken ins Zentrum

Was passiert ist

Das Digest hebt hervor, dass große Unternehmen interne Agenten auf Web-Hosting-Infrastruktur (u. a. Vercel) bauen. Gleichzeitig wird Prompt Injection als Bedrohung beschrieben, die den direkten Systemzugriff auf sensible Stacks bisher gebremst hat. Als Antwort wird ein mehrschichtiges Defense-Setup genannt (Training, Input-Probes, Intent-Classifier) mit dem Ergebnis „near zero“ bei indirekten Prompt-Injection-Angriffen auf unbekannte Threats.

Warum das wichtig ist

Das Neue ist die Kombination: Agenten sind operativ machbar (Infrastruktur), und Sicherheitsarbeit ist nicht nur Theorie, sondern wird in den Agent-Pipeline integriert. Damit entsteht ein klarerer Pfad: Wer agentic AI in Produktion will, muss sowohl Skalierung/Integration als auch Threat-Modeling als Teil des Produktivitätsversprechens behandeln.

Wo der Einsatz konkret wird

Der praktische Anker ist „interne Agenten“ im Unternehmensumfeld, einschließlich solcher, die gegen Prompt Injection geschützt sind. Ergänzend wird die Idee betont, dass Enterprises Agenten auch lokal/zu geringeren Kosten betreiben können, was Souveränitäts- und Wartungsoptionen erweitert.

Wer dadurch Hebel bekommt

Die Hebel liegen bei Plattformteams, die Agenten hosten und überwachen müssen, sowie bei Security/Compliance, die nicht nur Freigaben geben, sondern Security Controls als Engineered Requirement liefern. Entwickler- und Plattformorganisationen, die ihre Hosting- und Orchestrierungslogik als „Enterprise AI Wars“ verstehen, bekommen den strategischen Antrieb.

Wer jetzt unter Druck gerät

Unter Druck geraten Unternehmen, die Agenten „einfach anschließen“ wollen: Ohne Input-Validierung, Intent-Kontrolle und Auditfähigkeit wird agentic Automation zur Risikoquelle. Ebenso unter Druck geraten Entscheider, die Sicherheit als Blocker sehen, statt als notwendige Produktionsfähigkeit.

Was das für den Einsatz von KI-Agenten bedeutet

Realistisch werden diese Woche vor allem End-to-End-Use-Cases: Agenten, die nicht nur Vorschläge machen, sondern Workflows ausführen und dabei Zustände über Tools hinweg koordinieren. Die Plattformlogik verschiebt sich von „ein Tool, eine Aufgabe“ hin zu „ein Workflow, viele Systeme“ – inklusive der Frage, wo Eskalation und Freigaben liegen.

Agenten sind damit mehr als ein weiteres KI-Tool, weil sie Rollen im Prozess verändern: Der Mensch wird häufiger zur Genehmigungs- und Zieldefinitionseinheit, während Ausführung in Richtung „persistent agents“ wandert. Das betrifft zuerst Funktionen mit klaren Kennzahlen und wiederkehrenden Ketten: Sales, Support, Finance-Operationen und Setup-/Onboarding-Prozesse. Je höher die Autonomie, desto ernster werden Governance-Fragen: Ownership, Audit Trails, Zugriffskontrolle, und Schutz vor Prompt Injection.

Vorsprung können sich Unternehmen erarbeiten, die Agenten früh als Systemdesign-Aufgabe behandeln: Sie bauen agentenfähige Prozesslandkarten, definieren Verantwortlichkeiten und integrieren Security in die Agent-Pipeline. Wer dagegen nur Tools testet, ohne Prozesse umzubauen, wird zwar Pilot-Ergebnisse sehen, aber keine skalierbaren Betriebs- und Revenue-Effekte.

Achten Sie auf diese Signale in Ihrem Unternehmen

Signal 1: Man testet Agenten in Chats oder Entwurfsaufgaben, aber redesign’t keine End-to-End-Workflows, in denen Agenten wirklich ausführen müssten.
Signal 2: Effizienz wird als Ziel genannt, aber Verantwortlichkeit (wer genehmigt, wer haftet, wie eskaliert wird) bleibt unklar oder wird später „irgendwie“ ergänzt.
Signal 3: Man lässt Agenten sensible Systeme erreichen, ohne die Bedrohung durch Prompt Injection und damit verbundene Intent-/Input-Defenses als Architekturkomponente zu behandeln.
Signal 4: Die Erfolgsmessung bleibt bei „Zeitersparnis“, obwohl sich die Richtung in Sales bereits klar Richtung finanzieller Impact verschiebt.
Signal 5: Man plant Skalierung, ohne Governance und Audit-Trails vorzudenken, die bei agentgetriebenen Aktionen (inkl. Systemzugriff) zwingend werden.

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, der bereits jetzt als Prozesskette existiert (z. B. ein klar abgegrenzter Sales-Cycle-Abschnitt mit Research, Content/Proposal und dem nächsten ausführbaren Schritt). Definieren Sie dafür im Vorfeld ein Governance-Modell mit expliziten Freigabepunkten (human-in-the-loop) für Entscheidungen, ein Audit-Trail-Konzept für jede agenteninitiierte Aktion und ein Sicherheitsdesign gegen Prompt Injection im Input/Tool-Zugriff. Messen Sie nicht nur Zeitgewinn, sondern direkt die finanzielle Wirkung in dem Workflow-Ausschnitt, den Sie steuern können.

Schlussgedanke

Agenten verlassen diese Phase nicht wegen besserer Prompts, sondern weil Unternehmen sie in Betriebsketten zwingen: über Tools, über Zuständigkeiten und mit messbaren Ergebnissen. Das macht KI-Agenten zu einer Führungsaufgabe, weil Verantwortung und Erfolgskriterien neu zugeordnet werden. Es ist auch ein Systemdesign-Thema, weil Sicherheits- und Auditfähigkeit Bestandteil der Produktivitätslogik werden. Und letztlich ist es eine Organisationsfrage: Wer jetzt Prozess-Ownership und Governance sauber aufsetzt, wird im nächsten Schritt echte Skalierung erreichen.

All the best
Tim Cortinovis