Neulich fiel in einem Gespräch ein Satz, der mir seitdem nachgeht: „Mein Agent macht das schon.“ Gemeint war kein Mensch, sondern ein kleiner KI-Workflow, der Anfragen vorsortiert, Informationen zusammensucht und einen ersten Antwortentwurf erstellt. Der Satz war beiläufig gesagt, fast erleichtert und genau deshalb fand ich ihn interessant. Denn er zeigt, wie schnell sich unsere Sprache verändert, wenn Technologie nicht mehr nur unterstützt, sondern Aufgaben übernimmt.
Mit KI-Agenten meine ich genau solche Systeme: nicht mehr nur Chatbots, die eine Frage beantworten, sondern digitale Akteure, die Aufgabenketten übernehmen. Sie recherchieren, sortieren, formulieren, stoßen Workflows an, geben Empfehlungen oder erledigen wiederkehrende Tätigkeiten weitgehend selbstständig. In meinen Projekten sehe ich gerade, wie schnell diese Entwicklung in den Unternehmen ankommt. Erst wird ein kleiner Assistent für die Angebotserstellung gebaut. Dann einer für den Kundenservice. Dann einer für interne Recherchen, für Produktdaten, für Schulungsunterlagen oder für die Vorbereitung von Vertriebsbesuchen. Und plötzlich entsteht eine kleine digitale Belegschaft, ohne dass jemand sie je als solche geplant hat.
Da balancieren wir zwischen Chance und neuer Herausforderung. Denn solange KI nur als Werkzeug verstanden wird, fragen viele vor allem: Spart sie Zeit? Liefert sie brauchbare Ergebnisse? Bei Agenten, die eigenständig Schritte ausführen, Informationen verknüpfen und mit Menschen interagieren, müssen wir viel genauer hinschauen. Nicht nur auf das Ergebnis, sondern wie es entsteht.
Vor einigen Tagen habe ich ein Whitepaper gelesen, das diese Frage sehr konkret aufgreift. Es beschreibt ein Assessment Center für KI-Agenten und verweist unter anderem darauf, dass laut einer Deloitte-Studie nur jedes fünfte Unternehmen bereits über ein ausgereiftes Governance-Modell für autonome KI-Agenten verfügt. Genau das beobachte ich auch in der Praxis: Unternehmen bauen und nutzen Agenten deutlich schneller, als sie Qualitätsmaßstäbe, Zuständigkeiten und Prüfprozesse dafür entwickeln.
Bad Practice: Agenten werden einmal eingerichtet und danach selten wieder systematisch überprüft. Prompts werden ergänzt, Workflows erweitert, Datenquellen angebunden, Zuständigkeiten verschoben und irgendwann weiß niemand mehr ganz genau, warum der Agent eigentlich so antwortet, wie er antwortet. Vielleicht klingt er plötzlich zu forsch oder lässt wichtige Ausnahmen weg oder trifft Annahmen, die in der Praxis nicht stimmen. Oder er arbeitet fachlich ordentlich, passt aber im Ton überhaupt nicht zur Art, wie ein Unternehmen mit seinen Kunden sprechen möchte.
Deshalb gefällt mir der Gedanke eines Assessment Centers für Agenten. Nicht, weil ein weiteres Prüfverfahren automatisch alles besser macht. Sondern weil es den Blick verändert. Wir würden einen neuen Kollegen ja auch nicht einfach an den Schreibtisch setzen, ihm Zugang zu allen Systemen geben und dann hoffen, dass es schon gut geht. Auch bei KI-Agenten brauchen wir professionelle Führung.
1. Ein klares Sollbild. Was soll der Agent leisten? Welche Entscheidungen darf er vorbereiten, aber nicht treffen? Welche Daten darf er nutzen? Wie soll er mit Unsicherheit umgehen? Wann muss er abbrechen und einen Menschen einbeziehen?
2. Transparenz. Welche Quellen wurden genutzt? Welche Regeln haben gegriffen? Welche Annahmen wurden getroffen? Gerade wenn Agenten mit Unternehmensdaten, Kundendaten oder externen Tools arbeiten, wird diese Nachvollziehbarkeit zur Voraussetzung für Vertrauen.
3. Regelmäßige Überprüfung. KI-Systeme verändern sich. Modelle werden aktualisiert, Datenbestände wachsen, Prozesse entwickeln sich weiter. Ein Agent, der heute sauber funktioniert, kann in sechs Monaten anders reagieren.
Wir führen künftig nicht nur Menschen, Prozesse und Maschinen, sondern auch digitale Akteure, die Arbeit übernehmen und Wirkung erzeugen. Manchmal reicht schon die Frage: Wer schaut sich eigentlich regelmäßig an, ob unser Agent noch das tut, was wir von ihm erwarten? Wer entscheidet, ob sein Ton zu unserer Marke passt? Wer merkt, wenn ein Workflow fachlich korrekt, aber praktisch unbrauchbar ist? Es geht um Verlässlichkeit, um Differenzierung und am Ende auch um die Frage, wie viel eigene Handschrift ein Unternehmen in einer zunehmend automatisierten Arbeitswelt behalten will.