Insights KI Neuigkeiten KI-Agenten im Unternehmen skalieren: So klappt der Sprung
KI-Agenten im Unternehmen skalieren: So klappt der Sprung (KI-generiert)KI-generiert

KI Neuigkeiten

17 Nov. 2026

Read 12 min

KI-Agenten im Unternehmen skalieren: So klappt der Sprung

KI-Agenten im Unternehmen skalieren: Daten, Regeln und Prozesse schaffen messbaren Nutzen.

Wer KI-Agenten im Unternehmen skalieren will, braucht mehr als leistungsfähige Modelle. Entscheidend sind verlässliche Daten, klar definierte Abläufe und verbindliche Regeln. Erst wenn Fachbereiche, IT und Führung gemeinsam Verantwortung übernehmen, werden aus einzelnen Tests digitale Kollegen, die Geschäftsprozesse unterstützen und messbaren Nutzen liefern. SAP und Infosys beschreiben, welche Grundlagen dafür nötig sind.

Das Wichtigste in Kürze

  • Eine gemeinsame Datenbasis mit Geschäftskontext bildet die Grundlage für verlässliche KI-Agenten.
  • Unternehmen sollten Anwendungsfälle nach Wirkung, Machbarkeit und Skalierbarkeit auswählen.
  • Klare Zugriffsrechte, laufende Überwachung und menschliche Verantwortung gehören von Anfang an zur Einführung.
  • SAP und Infosys sehen KI zunehmend als Bestandteil des gesamten Betriebsmodells statt als einzelne IT-Aufgabe.

Bislang konnten Unternehmen KI oft in einem abgegrenzten Projekt testen. Mit Agenten verändert sich die Aufgabe: Sie sollen Arbeitsschritte ausführen, Daten aus mehreren Anwendungen nutzen und bei Ausnahmen Menschen einschalten. Damit greifen sie direkt in Abläufe ein, auf denen das Geschäft beruht.

Darüber sprechen Thorsten Leiduck, SVP und globaler Leiter des SAP Business AI Platform Ecosystem, und Satinder Pal Singh, Associate VP bei Infosys für SAP BAIP und SAP AI Strategy in Nordamerika, im Podcast Business Lab. Die Folge entstand in Partnerschaft mit Infosys. Ihre Aussagen beschreiben deshalb auch die Sicht zweier beteiligter Anbieter.

Warum bleiben viele KI-Projekte im Pilotbetrieb stecken?

Viele KI-Projekte bleiben stecken, weil einzelne Teams eigene Lösungen auf getrennten Datenbeständen entwickeln. Laut Leiduck entstehen dadurch doppelte Arbeit, schwankende Ergebnisse und fehlende Wege für einen breiteren Einsatz.

Singh beschreibt eine weitere Falle: Unternehmen gründen ein KI-Team, das zu weit vom Tagesgeschäft entfernt arbeitet. Es baut technisch überzeugende Lösungen, die jedoch nicht zu den tatsächlichen Problemen der Fachbereiche passen. Die Technik sucht dann nach einer Aufgabe statt umgekehrt.

Die Alternative ist eine gemeinsame Verantwortung. Fachbereiche definieren den Bedarf, IT-Teams schaffen die technischen Grundlagen und die Führung legt Ziele fest. Wer den Einsatz von KI-Agenten im Unternehmen ausweiten möchte, muss deshalb auch Zuständigkeiten und Arbeitsabläufe verändern. Eine neue Software allein löst diese Aufgabe nicht.

Wie lassen sich KI-Agenten im Unternehmen skalieren?

KI-Agenten lassen sich skalieren, wenn eine gemeinsame Plattform Daten, Prozesswissen und Regeln verbindet. Leiduck betont, dass KI vollständig von ihrer Datengrundlage abhängt.

Dabei reicht es nicht, möglichst viele Dokumente und Tabellen bereitzustellen. Die Daten müssen auch ihre geschäftliche Bedeutung behalten. Ein Agent muss erkennen können, wie Informationen zusammenhängen und welche Abläufe sie betreffen. Die Quelle nennt dafür eine semantisch reichhaltige, vernetzte Datenschicht.

Geschäftskontext statt allgemeiner Muster

Ein kundenspezifischer Wissensgraph bildet Beziehungen zwischen Daten, Prozessen und Regeln ab. Er hilft Agenten, sich an der Realität des Unternehmens zu orientieren statt nur an allgemeinen Mustern eines Sprachmodells. Deshalb gehört auch die nachvollziehbare Datenherkunft für agentische KI zur Diskussion über eine belastbare Grundlage.

Der Prozess bestimmt die nötige Genauigkeit

Leiduck unterscheidet klar zwischen einem E-Mail-Entwurf und einem kritischen Geschäftsprozess. Bei einem Entwurf können 80 Prozent Genauigkeit ausreichen, wenn ein Mensch nacharbeitet. Für Lieferketten oder den Finanzabschluss bezeichnet er dieses Niveau dagegen als sehr schlechtes Ergebnis. Eine brauchbare Demo belegt somit noch keine Eignung für den produktiven Betrieb.

Welche Anwendungsfälle verdienen zuerst Budget?

Vorrang verdienen Anwendungen, die messbaren Nutzen bringen, mit vorhandenen Mitteln umsetzbar sind und sich später übertragen lassen. Singh empfiehlt dafür drei Prüfschritte.

  • Wirkung: Verändert der Agent relevante Kennzahlen wie Umsatz, Kosten, gebundenes Kapital oder Risiken?
  • Machbarkeit: Reichen Datenqualität, Plattform und Fähigkeiten der Beschäftigten für die Umsetzung aus?
  • Skalierbarkeit: Kann das Unternehmen eine erfolgreiche Lösung auf weitere Abläufe oder Einheiten übertragen?

Diese Reihenfolge verhindert, dass ein attraktiver Anwendungsfall eine fehlende Grundlage verdeckt. Ein hoher möglicher Nutzen macht eine Lösung noch nicht umsetzbar. Singh bringt den dritten Punkt auf eine einfache Formel: Ein Pilot, der nicht skalieren kann, bleibt ein Experiment.

Für die Planung empfiehlt er eine Mischung aus schnellen Erfolgen, mittelfristigen Vorhaben und wenigen langfristigen Investitionen. Wer KI-Agenten unternehmensweit skalieren möchte, sollte außerdem vor dem Start klare Messgrößen festlegen. Dazu zählen Bearbeitungszeit, Genauigkeit und Kosten pro Vorgang. Leiduck weist ausdrücklich darauf hin, dass menschliche Arbeit bei manchen Aufgaben wirtschaftlicher oder wirksamer bleibt.

Welche Aufgaben übernimmt die SAP Business AI Platform?

Die SAP Business AI Platform soll Entwicklung, Geschäftskontext und Governance auf einer gemeinsamen Grundlage zusammenführen. Leiduck beschreibt dafür drei Säulen.

  • Entwickeln: Unternehmen und Partner erstellen oder erweitern Agenten, Anwendungen und Arbeitsabläufe.
  • Kontext bereitstellen: Vernetzte Unternehmensdaten, Sprachmodelle und Wissensgraphen unterstützen die Verarbeitung geschäftlicher Informationen.
  • Steuern: Der SAP Agent Hub soll den Lebenszyklus von Agenten verwalten und ihre Nutzung überwachen.

SAP will dabei bestehende Datenplattformen wie Databricks und Snowflake einbinden, ohne Daten dafür ständig verschieben zu müssen. Infosys ergänzt nach eigener Darstellung Branchenwissen, Umsetzung und vorbereitete Anwendungsfälle. Entscheidend für Kunden ist damit nicht nur die Auswahl eines Modells, sondern das Zusammenspiel der gesamten Umgebung.

Welche Ergebnisse nennen SAP und Infosys?

Singh nennt zwei Kundenprojekte, die Verbesserungen bei Finanzprozessen und Entwicklungsarbeit zeigen sollen. Die Zahlen stammen aus seiner Darstellung im Gespräch.

Bei einem globalen Hersteller koordiniert ein übergeordneter Agent fünf spezialisierte Agenten für Aufgaben rund um den Monatsabschluss. Dazu gehören Umsatzrealisierung, konzerninterne Verrechnung und die Erstellung von Prüfspuren. Laut Singh werden mehr als 300 monatliche Supportfälle ohne menschlichen Eingriff bearbeitet. Das Finanzteam könne sich dadurch stärker auf vorausschauende Analysen konzentrieren.

Bei einem nordamerikanischen Versorger sank der Aufwand für komplexe SAP-Spezifikationsdokumente laut Infosys von 86 auf sechs Stunden. Singh nennt eine Reduktion um 92 Prozent und eine Validierung über 51 SAP-Aufgabentypen bei 95 Prozent Genauigkeit. Diese Werte beziehen sich auf das konkrete Projekt, nicht auf eine allgemeine Leistungszusage für KI-Agenten.

Wie verhindert Governance spätere Unterbrechungen?

Governance verhindert vermeidbare Unterbrechungen, indem sie Befugnisse, Kontrollen und Verantwortung vor dem Einsatz klärt. Singh warnt davor, fehlende Regeln mit schneller Einführung gleichzusetzen: Ohne Governance häufen sich ungelöste Risiken an.

Sein Rahmen besteht aus drei Ebenen:

  • Richtlinien: Das Unternehmen legt fest, was Agenten selbstständig dürfen, wie Daten genutzt werden und wer Ergebnisse verantwortet.
  • Plattform: Verzeichnisse, überprüfbare Identitäten, begrenzte Zugriffsrechte und laufende Überwachung machen eingesetzte Agenten sichtbar.
  • Prozesse: Wiederkehrende Risikoprüfungen, Prüfungen auf Verzerrungen und Leistungsvergleiche halten die Kontrolle aufrecht.

So erhält jeder weitere Anwendungsfall einen bekannten Freigabeweg. Das erleichtert es, KI-Agenten im Unternehmen kontrolliert zu skalieren. Zugleich bleibt die Verantwortung bei Menschen, auch wenn Agenten einzelne Schritte selbstständig ausführen.

Unsere Einordnung

Aus unserer Sicht liegt der eigentliche Wandel im Übergang von hilfreichen Einzelwerkzeugen zu Systemen, die Geschäftsabläufe mitgestalten. Ein Textentwurf lässt sich vor der Nutzung prüfen. Ein Agent, der mehrere Anwendungen verbindet, braucht dagegen klare Grenzen während seiner gesamten Arbeit. Das betrifft besonders IT-Verantwortliche, Entwickler und Fachabteilungen in Unternehmen, auch in Deutschland und der EU.

Die genannten Projekte zeigen mögliche Vorteile, beantworten aber eine offene Frage nicht: Wie hoch ist der laufende Aufwand für Datenpflege, Überwachung und menschliche Ausnahmebehandlung im Verhältnis zur Einsparung? Die Beispiele liefern dazu keine vollständige Kostenrechnung. Zudem stammen die Erfolgsangaben von beteiligten Anbietern.

In den nächsten Wochen sollten Entscheider deshalb auf genauer beschriebene Praxisergebnisse achten: Welche Aufgaben laufen tatsächlich autonom, welche Fehler treten auf und wann greifen Menschen ein? Für die eigene Planung ist diese Abgrenzung aussagekräftiger als eine hohe Zahl verfügbarer Agenten. Auch die Übertragbarkeit auf bestehende Systeme bleibt eine zentrale Prüfaufgabe.

Wenn Sie KI-Agenten im Unternehmen skalieren wollen, beginnen Sie mit einem klaren Geschäftsproblem, belastbaren Daten und messbaren Erfolgskriterien. Planen Sie Regeln und neue Zuständigkeiten gleichzeitig mit der Technik. So schaffen Sie die Grundlage dafür, dass aus einem erfolgreichen Versuch ein verlässlicher Teil des Betriebs wird.

(Quelle: https://www.technologyreview.com/2026/11/16/1146070/building-ai-that-can-work-across-the-enterprise/)

Mehr dazu: alle Beiträge in dieser Rubrik

FAQ

Q: Warum bleiben viele KI-Projekte im Pilotbetrieb stecken? A: Häufig entwickeln einzelne Teams Lösungen auf getrennten Datenbeständen, was zu doppelter Arbeit und uneinheitlichen Ergebnissen führt. Außerdem fehlt oft die Verbindung zu den tatsächlichen Problemen der Fachbereiche und ein klarer Weg zur breiteren Nutzung. Q: Welche Datengrundlage brauchen Unternehmen für verlässliche KI-Agenten? A: Nötig ist eine vernetzte, semantisch reichhaltige Datenschicht, die den Geschäftskontext und die Beziehungen zwischen Informationen abbildet. So können Agenten ihre Antworten und Aktionen an den Abläufen des Unternehmens statt an allgemeinen Mustern ausrichten. Q: Wie sollten Unternehmen passende Anwendungsfälle auswählen? A: Singh empfiehlt, mögliche Anwendungen nach Wirkung, Machbarkeit und Skalierbarkeit zu beurteilen. Unternehmen sollten prüfen, ob ein Agent relevante Kennzahlen verbessert, mit den verfügbaren Daten und Fähigkeiten umsetzbar ist und sich auf weitere Abläufe übertragen lässt. Q: Welche Genauigkeit ist bei KI-Agenten erforderlich? A: Die nötige Genauigkeit hängt vom jeweiligen Prozess ab. Bei einem E-Mail-Entwurf können 80 Prozent ausreichen, wenn ein Mensch das Ergebnis prüft; für kritische Abläufe wie Lieferketten oder den Finanzabschluss ist dieses Niveau laut Leiduck unzureichend. Q: Welche Governance-Maßnahmen sollten von Anfang an vorgesehen sein? A: Dazu gehören klare Richtlinien, begrenzte Zugriffsrechte, überprüfbare Identitäten und laufende Überwachung. Regelmäßige Risikoprüfungen und Leistungsvergleiche helfen außerdem, die menschliche Verantwortung für das Verhalten der Agenten aufrechtzuerhalten. Q: Welche Aufgaben bündelt die SAP Business AI Platform? A: Die Plattform soll die Entwicklung von Agenten und Arbeitsabläufen, die Bereitstellung von Geschäftskontext sowie die Steuerung des Agentenlebenszyklus verbinden. Laut Artikel gehören dazu auch die Einbindung bestehender Datenplattformen und die Überwachung von Agenten über den SAP Agent Hub. Q: Welche Ergebnisse aus Kundenprojekten nennen SAP und Infosys? A: Bei einem Hersteller bearbeiteten Agenten laut Singh mehr als 300 monatliche Supportfälle rund um den Monatsabschluss ohne menschlichen Eingriff. Bei einem nordamerikanischen Versorger sank der Aufwand für SAP-Spezifikationsdokumente demnach von 86 auf sechs Stunden; diese Angaben beziehen sich auf die genannten Einzelprojekte. Q: Was ist wichtig, wenn Unternehmen KI-Agenten im Unternehmen skalieren? A: Sie sollten mit einem klaren Geschäftsproblem, belastbaren Daten und vorab festgelegten Erfolgskriterien beginnen. Gleichzeitig müssen sie Zuständigkeiten, Arbeitsabläufe und Regeln anpassen, damit erfolgreiche Tests verlässlich in den Betrieb übergehen.

Weiterlesen und weitermachen

Drei Dinge aus unserer Werkstatt, die zu diesem Thema passen:

  • Diktly ist unser Diktierprogramm für den Mac: Sprache wird komplett auf dem eigenen Rechner zu Text, nichts geht in die Cloud. Kostenlose Version, Basis 14,99 €.
  • 1000+ Prompts für den Alltag ist unser meistgeladenes Paket. Zahl, was du willst, auch 0 €.
  • OpenAI Agent Mode für Anfänger erklärt Schritt für Schritt, wie KI-Agenten Aufgaben für dich erledigen. 19,99 €.

Eigene Produkte von KI-Ecke. Der Newsletter Tech Moments bringt KI und Technik in normaler Sprache, eine Mail, kein Rauschen. Unten eintragen.

Contents