KI-Transformation: Intelligentere Agenten, nicht größere Modelle, sind der nächste Schritt.

Für Organisationen, die sich durch den Einsatz von KI- Tools einen Wettbewerbsvorteil verschaffen wollen , drehten sich Debatte und Entscheidung hauptsächlich um große Sprachmodelle.

Jede neue Version verspricht bessere Denkfähigkeiten, höhere Genauigkeit und Funktionen, die die des Vorgängers übertreffen.

Da aber die Basismodelle immer leistungsfähiger und breiter verfügbar werden, wird der entscheidende Faktor für Unternehmen nicht mehr sein, welches Modell sie wählen, sondern wie effektiv sie Proxy-KI einsetzen , um reale Geschäftsprobleme zu lösen.

Jay Florence

Lösungsingenieur bei Digital Modus.

Auf dem kürzlich stattgefundenen Gartner Data & Analytics Summit 2026 war die Botschaft der Analysten eindeutig: Standalone-KI-Modelle verlieren an Bedeutung, die Zukunft gehört autonomen, vernetzten KI-Agenten. Um jedoch wirklich von Agenten-KI zu profitieren, müssen IT-Verantwortliche „Anwendungsfälle mit hoher Wiederholungsrate und geringer Komplexität“ priorisieren, präventive Maßnahmen implementieren und die Mitarbeiter weiterbilden.

Ich möchte dieser Aussage hinzufügen, dass es in der nächsten Phase der KI für Unternehmen nicht darum geht, das größte Modell zu entwickeln, sondern darum, bessere Agenten zu schaffen.

Das bedeutet, künstliche Intelligenz nicht länger nur als einen weiteren Chatbot zu betrachten, sondern sie als operative Fähigkeit zu behandeln, die Mitarbeiter unterstützen, wiederkehrende Aufgaben automatisieren und die Effizienz im gesamten Unternehmen steigern kann.

Die größte Chance für künstliche Intelligenz liegt nicht in der Diskussion.

Für viele bedeutet künstliche Intelligenz immer noch, eine Frage auf ChatGPT zu stellen und eine Antwort zu erhalten. Das ist sicherlich eine Anwendungsmöglichkeit, und dialogbasierte Schnittstellen haben maßgeblich dazu beigetragen, KI zugänglicher zu machen. Doch das ist nur ein kleiner Teil dessen, was möglich ist.

Einige der wertvollsten Anwendungen von KI-Agenten konzentrieren sich auf operative Prozesse anstatt auf die Konversation. Beispielsweise unterstützen KI-Agenten im Hochschulbereich Studierende bei der Nutzung von Serviceangeboten, indem sie Routinefragen zur Einschreibung, zu Campus-Einrichtungen oder administrativen Abläufen beantworten und so das Personal für komplexere Anliegen entlasten.

Im Transportsektor können Agenten Fahrplaninformationen, anschließende Reiseoptionen und Kundensupport in einer einzigen Interaktion integrieren, wodurch den Nutzern die Mühe erspart wird, mehrere Dienste zu durchsuchen.

In anderen Bereichen nutzen Organisationen KI-Agenten, um Verkaufsanfragen zu qualifizieren, komplexe Dokumente zusammenzufassen und Informationen aus Verträgen zu extrahieren – Aufgaben, die zuvor stundenlange manuelle Arbeit erforderten.

Gemeinsames Merkmal dieser Agenten ist nicht nur, dass sie Fragen beantworten können, sondern auch, dass sie administrative Belastungen beseitigen und es den Menschen ermöglichen, sich auf Aufgaben zu konzentrieren, die Urteilsvermögen, Fachwissen und menschliche Interaktion erfordern.

Die besten Agenten fangen mit besseren Problemen an.

Eines der größten Missverständnisse im Zusammenhang mit Proxy-KI ist die Annahme, dass Unternehmen zunächst festlegen müssen, wo sie einen KI-Proxy einsetzen wollen.

Für Organisationen, die ihre KI-Angebote weiterentwickeln möchten, sollte die erste Frage nicht lauten: „Wo können wir KI einsetzen?“, sondern vielmehr: „Welches Geschäftsproblem wollen wir lösen?“

Der Fokus auf Technologie führt Unternehmen oft dazu, dass sie Systeme entwickeln, die wenig Mehrwert bieten, weil sie die falschen Prozesse automatisieren. Die Unternehmen mit dem größten Nutzen sind diejenigen, die zunächst operative Schwächen identifizieren – Bereiche, in denen Mitarbeiter zu viel Zeit mit sich wiederholenden administrativen Aufgaben, der Informationssuche oder dem manuellen Datentransfer zwischen Systemen verbringen.

Wenn diese Herausforderungen klar verstanden werden, wird Proxy-KI zu einem effektiven operativen Werkzeug und nicht nur zu einer Technologie, die nach einem Anwendungsfall sucht.

Die Bedeutung der Umsetzung ist wichtiger als die Bedeutung des Modells.

Führende KI-Modelle entwickeln sich heutzutage in einem außergewöhnlichen Tempo. Sie werden immer leistungsfähiger, schneller und kostengünstiger, was bedeutet, dass sich der Wettbewerbsvorteil verschiebt.

Unternehmen werden ihre Wettbewerber kaum übertreffen, indem sie sich einfach für ein bestimmtes Kernmodell entscheiden. Vielmehr wird der Erfolg zunehmend von allen Faktoren abhängen, die das Modell umgeben.

Die Datenqualität ist einer der wichtigsten Unterscheidungsmerkmale. Ein KI-System ist nur so gut wie die Informationen, auf denen es basiert. Widersprüchliche Dokumentationen, inkonsistente Richtlinien oder mangelhaftes Wissensmanagement mindern zwangsläufig die Qualität seiner Ergebnisse.

Die Bearbeitung von Schadenfällen ist eine weitere, oft unterschätzte Kompetenz. Die Gestaltung eines Schadenbearbeiters beschränkt sich nicht darauf, ihm Anweisungen zu geben und gleichbleibende Ergebnisse zu erwarten. Gut konzipierte Schadenfälle setzen klare Grenzen, definieren die Verantwortlichkeiten des Bearbeiters und stellen sicher, dass er sich auf sein Ziel konzentriert.

Dasselbe gilt für die Governance. Ein guter Agent sollte nicht jede Frage beantworten. Stattdessen sollte er seine Rolle kennen, wissen, wann er Anfragen ablehnen muss, die außerhalb seiner Befugnisse liegen, und nur mit den Informationen und Berechtigungen handeln, die er wirklich benötigt. Die Anwendung des Prinzips der minimalen Berechtigungen ist nicht nur eine gute Sicherheitspraxis, sondern verbessert auch die Effizienz, indem unnötige Verarbeitungsprozesse minimiert und die Kosten kontrolliert werden.

Letztendlich ist die Qualität der Ausführung weitaus wichtiger als die Größe des Basismodells.

Selbstvertrauen entsteht durch Wiederholung, nicht durch Ehrgeiz.

Ein weiterer häufiger Irrglaube ist die Annahme, dass Proxy-KI in groß angelegten Transformationsprogrammen eingesetzt werden sollte. In Wirklichkeit ist meist das Gegenteil der Fall.

Organisationen, die aussagekräftige Ergebnisse erzielen, beginnen in der Regel mit einem klar definierten Anwendungsfall, der messbaren Mehrwert liefert. Dies fördert das Vertrauen der Mitarbeiter, belegt den Return on Investment und ermöglicht eine verbesserte Steuerung, bevor komplexere Arbeitsabläufe eingeführt werden.

Agenten-KI sollte als ein Produkt betrachtet werden, das sich im Laufe der Zeit weiterentwickelt, und nicht als ein Projekt, das mit dem Start abgeschlossen ist. Dies verändert jedoch auch die Herangehensweise von Organisationen an das Testen.

Herkömmliche Software ist darauf ausgelegt, stets identische Ergebnisse zu liefern. KI-Systeme hingegen arbeiten probabilistisch, wodurch Konsistenz ebenso wichtig wird wie Funktionalität. Daher sind kontinuierliches Testen, Überwachen und Optimieren unerlässlich für eine erfolgreiche Implementierung.

Ebenso wichtig ist es, dass die Mitarbeiter in diesen Prozess einbezogen werden. Vertrauen entsteht nicht dadurch, dass man einen KI-Agenten nach seiner Fertigstellung präsentiert, sondern dadurch, dass man die Teams während des gesamten Entwicklungsprozesses einbindet und ihnen hilft zu verstehen, wie Entscheidungen getroffen werden, wo Sicherheitsvorkehrungen getroffen werden und wie die Technologie ihre Expertise ergänzen und nicht ersetzen soll.

Bessere Agenten werden die nächste Phase der künstlichen Intelligenz prägen.

Es ist unausweichlich, dass die KI-Branche weiterhin schnellere, kostengünstigere und leistungsfähigere Basismodelle entwickeln wird. Ungewiss ist jedoch, ob Unternehmen diese Fähigkeiten in einen echten kommerziellen Nutzen umsetzen können.

Das nächste KI-Rennen wird nicht von denen gewonnen, die das größte Modell haben. Gewonnen haben werden diejenigen, die zuverlässige, gut gesteuerte Agenten entwickeln, die in der Lage sind, operative Probleme der realen Welt zu lösen.