KI Agenten im Unternehmen

KI Agenten gehen weit über Chatbots hinaus: Sie planen Schritte, treffen Entscheidungen und handeln in Prozessen – von E-Mail-Entwürfen bis zur autonomen Ausführung. Wir klären Definition & Komponenten, ordnen Agentic Automation vs. Orchestration ein, zeigen Use Cases und ein 5-Schritte-Vorgehen für den schnellen Einstieg.

Hört sich das nicht faszinierend an? Ein Arbeitskollege, der selbstständig arbeitet, Entscheidungen trifft und niemals müde wird. Genau das ist das Versprechen von KI Agenten: eine Art digitale Person, die agieren kann wie ein Mitarbeiter oder Kollege – nur eben rund um die Uhr.

Dieses Thema ist vor allem deshalb so aktuell, weil die letzten Jahre einen enormen Durchbruch in der Entwicklung von Large Language Models (LLMs) gebracht haben. Wir haben gesehen, wie rasant sich diese Technologie entwickelt und wozu die Modelle fähig sind. Gleichzeitig ist deutlich geworden, dass es gar nicht so einfach ist, aus dieser reinen Leistungsfähigkeit echten Geschäftsmehrwert zu generieren.

Um das Zusammenspiel von KI-Agenten mit messbaren Effizienzgewinnen besser einzuordnen, hilft ein Blick auf die Effizienz-Pyramide (Abbildung 1). Sie zeigt, auf welchen Ebenen der Einsatz von KI wirken kann – angefangen bei einzelnen Mitarbeitern, über ganze Teams und Abteilungen, bis hin zur unternehmensweiten Transformation.

Damit wird deutlich: KI kann auf unterschiedlichen Ebenen wirken – doch die eigentliche Herausforderung besteht darin, diese Wirkung in konkrete Mehrwerte zu übersetzen.

Genau an dieser Schnittstelle – zwischen dem Versprechen von KI Agenten und dem Bedarf an messbaren Mehrwerten – tauchen weitere Begriffe auf, die derzeit häufig diskutiert werden: Agentic Orchestration und Agentic Workflows. Dieser Blogartikel möchte die wichtigsten Konzepte klären und aufzeigen, warum sie für Unternehmen relevant sind.

Bevor wir tiefer in die konkreten Anwendungsfelder einsteigen, ist es hilfreich, die zentralen Begriffe zu klären. Denn in der Diskussion rund um KI Agenten Workflows und Orchestrierung werden häufig Schlagworte verwendet, deren Bedeutung nicht immer trennscharf ist. Mit den folgenden Definitionen schaffen wir ein gemeinsames Fundament, um die Unterschiede und Zusammenhänge besser zu verstehen.

Large Language Models (LLMs)

Large Language Models – bekannt durch Systeme wie ChatGPT oder Gemini – sind im Kern große Sprachmodelle, die auf gewaltigen Datenmengen trainiert wurden. Ihr Prinzip ist im Wesentlichen das einer Wortvorhersagemaschine: Sie berechnen mit hoher Präzision, welches Wort mit welcher Wahrscheinlichkeit als Nächstes sinnvoll erscheint. Damit können sie Texte generieren, Fragen beantworten oder Konversationen führen – und bilden die Basis für viele aktuelle KI-Anwendungen.

Agentic Workflow

Aufbauend auf dieser Technologie lassen sich LLMs in vordefinierte Arbeitsabläufe einbetten. Ein Agentic Workflow ist ein Workflow oder Prozess, in dem an bestimmten Stellen ein LLM zum Einsatz kommt – beispielsweise um automatisch eine E-Mail vorzuformulieren oder Informationen zusammenzufassen. Die Abläufe sind dabei noch klar strukturiert, das Modell übernimmt nur einzelne, klar abgegrenzte Aufgaben.

Agentic Orchestration

Bei der Agentic Orchestration gehen wir einen Schritt weiter. Zwar basiert auch hier alles auf definierten Prozessen, doch an bestimmten Stellen erhalten die Agents die Möglichkeit, eigenständig Entscheidungen über den nächsten Schritt zu treffen. Sie bewegen sich innerhalb eines begrenzten Handlungsraums, in dem sie eigenständig handeln dürfen – etwa indem sie selbstständig eine E-Mail verschicken oder ein Postfach durchsuchen. Das bedeutet: Sie orchestrieren nicht nur vordefinierte Schritte, sondern gestalten den Prozessverlauf aktiv mit.

KI Agenten

Der letzte und zugleich umfassendste Begriff ist der des KI Agenten. Hierbei handelt es sich um die Vorstellung eines vollständig eigenständig agierenden Mitarbeiters. Ein KI Agent kann autonom entscheiden, was er tut, wann er es tut und in welcher Reihenfolge er vorgeht. Er benötigt lediglich eine Aufgabe als Input und übernimmt dann selbstständig Planung, Ausführung und Priorisierung – ähnlich wie ein digitaler Kollege, der nie ermüdet. KI Agenten kombinieren wie in Abbildung 2 dargestellt dafür KI-Modelle mit einem Gedächtnis-Speicher und nutzen dies zur Interaktion mit anderen Tools und Systemen.

Fokus Energieversoger – Kundenservice-Agenten

Ein besonders anschauliches Beispiel für den Mehrwert von Agentic AI ist der Kundenservice im Energiesektor (siehe Abbildung 3). Arvato Systems hat hierfür Kundenservice-Agenten entwickelt, die eingehende Anfragen automatisch verarbeiten, koordinieren und an die richtigen Stellen weiterleiten. So werden Kundenanliegen nicht nur schneller, sondern auch effizienter bearbeitet – bei gleichzeitiger Entlastung der Servicemitarbeitenden.

Weitere Use Cases rund um KI Agenten

1. Agentic AI: SAP BANF Agent

Ein SAP BANF Agent unterstützt bei der automatisierten Erstellung, Prüfung und Freigabe von Bestellanforderungen (BANFen) im SAP-System. Er entlastet Mitarbeiter, indem er Routineaufgaben wie die Bedarfsermittlung, Datenvalidierung und Weiterleitung in den Genehmigungsworkflow eigenständig übernimmt.

2. Agentic Orchestration: E-Commerce Retourenbearbeitung

Im E-Commerce wird ein Retourenprozess orchestriert. Ein Agent entscheidet eigenständig, ob eine Rücksendung eine Erstattung, einen Umtausch oder eine Prüfung durch den Kundenservice erfordert. Der Ablauf ist grundsätzlich vorgegeben, doch die Entscheidung über den nächsten Schritt trifft der Agent selbst.

3. Agentic Automation: Versicherungs-Schadensmeldungen vorstrukturieren

Ein Versicherungsunternehmen nutzt einen Workflow, in dem ein LLM automatisch Schadensmeldungen zusammenfasst und für die Sachbearbeitung vorstrukturiert. Der Prozess ist festgelegt, das LLM übernimmt nur eine klar definierte Aufgabe (Textanalyse & Vorformulierung).

Auf den ersten Blick wirken Begriffe wie Agentic Workflows oder AI Agents oft komplex. Doch der Einstieg ist leichter, als es scheint. Wichtig ist vor allem, sich nicht zu früh in einzelne Use Cases zu verfangen, sondern zunächst eine klare Vision zu entwickeln und diese zu priorisieren.

Nach einem ersten Proof of Concept sollte außerdem schnell über Skalierung nachgedacht werden. Nur so entfaltet sich das volle Potenzial – von ersten Effizienzgewinnen bis hin zur nachhaltigen Transformation von Prozessen und Organisationsstrukturen.

Unser erprobtes Vorgehen bei Arvato Systems unterstützt Unternehmen dabei, Schritt für Schritt in die Welt von Agentic AI einzusteigen: