Der Einsatz von KI-Agenten lohnt sich nicht automatisch, sondern erfordert eine umfangreiche Evaluierung.sdecoret / Shutterstock Die Unternehmensberatung Deloitte prognostiziert, dass im Jahr 2025 ein Viertel der Unternehmen, die generative KI einsetzen, Pilotprojekte oder Proofs of Concept (PoCs) mit Agentic AI starten werden, 2027 bereits 50 Prozent. Allerdings sind nicht alle Geschäftsprozesse für agentenbasierte KI geeignet, weshalb sich die Investition in KI nicht immer lohnt. Einige Marktbeobachter gehen davon aus, dass eine Alternative – die deterministische Automatisierung – in diesem Jahr weiterhin dominieren wird. Um sicherzustellen, dass sich agentenbasierte KI für einen bestimmten Workflow auszahlt, sollten Unternehmen folgende Punkte berücksichtigen. Geschäftsausrichtung, Wert und Risiko „Eine erfolgreiche agentenbasierte KI-Strategie beginnt mit einer klaren Definition dessen, was die KI-Agenten erreichen sollen“, erklärt Prashant Kelker, Chief Strategy Officer und Partner beim IT-Beratungsunternehmen ISG. „Es ist wichtig, die Ziele der KI mit den allgemeinen Unternehmenszielen in Einklang zu bringen. Ohne einen klar definierten Zweck ist es, als würde man ein Schiff ohne Ziel aufs Meer schicken.“ Die Entscheidung darüber, ob ein Geschäftsprozess für die Umstellung auf KI-Agenten in Frage kommt, würde zunächst nach denselben internen Prozessen getroffen, die auch für die Bewertung des Einsatzes neuer Geschäfts- oder Technologielösungen gelten, meint Reiko Feaver, Partner bei der auf KI spezialisierten Anwaltskanzlei CM Law. Eine Kosten-Nutzen-Analyse kann Aufschluss darüber geben, ob Agentic AI das bietet, was in den aktuellen Prozessen fehlt, und einen Return on Investment (ROI) liefert. Sollte diese Analyse positiv ausfallen, kann ein Unternehmen sich mit den erforderlichen Ressourcen, einschließlich Geld, Personal und Zeit, beschäftigen. Allerdings erschwert die Tatsache, dass die Preisgestaltung für KI-Angebote von Anbietern komplex und noch nicht vollständig geklärt sein kann, die Entscheidung. Der Grad der Autonomie, die erhöhten Ressourcen und die Komplexität der agentengestützten KI für einen oder mehrere bestimmte Prozesse stellten ebenfalls Herausforderungen dar, die es zu berücksichtigen gilt, so Feaver. Die Bewältigung dieser Herausforderungen könne ein Indikator dafür sein, ob die Prozesse für agentenbasierte KI bereit sind. Feaver führt weiter aus: „Verfügt das Unternehmen über die anfänglichen und laufenden Ressourcen zur Unterstützung und kontinuierlichen Verbesserung der Agentic AI-Technologie, einschließlich der Infrastruktur und der erforderlichen Daten?“ Und: „Verfügt es bereits über eine Struktur, um die Einhaltung der Vorschriften bei Inbetriebnahme einer spezifischen agentenbasierten KI zu überprüfen und zu überwachen? die KI-Agenten zu überwachen und zu korrigieren, wenn Probleme auftreten, den Erfolg zu messen und über die geltenden Gesetze und Vorschriften auf dem Laufenden zu bleiben?“ Zusätzlich gilt es zu überprüfen, ob sich das Unternehmen einen Ausfall der agentenbasierten KI in einem Geschäftsprozess leisten kann, in Hinblick auf Performance und Compliance. Daten und umsetzbare Frameworks Ein weiteres wichtiges Merkmal eines guten Anwendungsfalls für Agentic AI ist die Qualität der Daten, die zur Unterstützung eines Prozesses verwendet werden. „Um einen greifbaren Wert und ROI aus agentenbasierter KI zu ziehen, müssen Unternehmen sicherstellen, dass sie über qualitativ hochwertige Daten verfügen“, erklärt Saket Srivastava, CIO beim Anbieter der Work-Management-Plattform Asana. „Sind die Daten, auf deren Grundlage die Agenten agieren, veraltet, nicht aussagekräftig oder nicht mit den Unternehmenszielen vereinbar, werden Unternehmen keinen wertvollen Output von diesen KI-Agenten erhalten.“ KI-Agenten benötigen auch Informationen darüber, wer für bestimmte Aufgaben verantwortlich ist, welche Ziele verfolgt werden, wann Aktionen durchgeführt werden müssen und wie der Prozess abläuft. „Ohne diesen handlungsorientierten Rahmen werden selbst die fortschrittlichsten KI-Systeme kaum einen sinnvollen Wert liefern“, so Srivastava. Für Asana spielt Agentic AI eine zentrale Rolle bei den Bemühungen des Unternehmens, das Arbeitsmanagement intern und für seine Kunden zu verändern. Im vergangenen Jahr wurden KI-Agenten eingeführt, die über Prioritäten beraten, Arbeitsabläufe steuern und Maßnahmen ergreifen, während sie sich gleichzeitig an die individuellen Arbeitsweisen von Einzelpersonen und Teams anpassten, so der Asana-CIO. Außerdem hat Asana kürzlich Asana AI Studio eingeführt, das KI-Agenten einsetzt, um Teams die Möglichkeit zu geben, KI-gestützte Workflows ohne Code zu erstellen. „Diese Workflows ermöglichen es den KI-Agenten, repetitive manuelle Aufgaben zu erledigen, etwa Projektanfragen zu triangulieren, Schriftsätze zu entwerfen oder Tätigkeiten zuzuweisen“, erklärt Srivastava. Dadurch werde die Zeit, die Teams mit Routinearbeiten verbringen, erheblich reduziert. „Wir haben allen unseren Mitarbeitern die Möglichkeit gegeben, AI Studio für bestimmte Aufgaben zu nutzen, beispielsweise für die Recherche und den Entwurf von Plänen, um sicherzustellen, dass genaue Übersetzungen von Inhalten oder Assets den Markenrichtlinien entsprechen“, so der Asana-CIO. Das Cybersicherheitsteam von Asana nutzt AI Studio beispielsweise, um Alarmmüdigkeit zu verringern und den Arbeitsaufwand zu reduzieren, den das Team zuvor für die Bearbeitung von Alarmen und Schwachstellen aufgewendet hatte. Die IT-Abteilung setzt Asana AI Studio für das Vendoren-Management ein, um Helpdesk-Anfragen zu unterstützen und um sicherzustellen, dass die Anforderungen an das Software- und Compliance-Management erfüllt werden. Kundenbetreuung als idealer Agentic AI Use Case Ein Bereich, der sich ideal für den Einsatz agentenbasierte KI eignet, ist der Kundenservice. Sheldon Monteiro, Chief Product Officer und Head of Generative AI beim Technologieberatungsunternehmen Publicis Sapient, erklärt dazu: „Unternehmen setzen schon seit einiger Zeit interaktive Sprachdialogsysteme (IVR) und einfache Chatbots ein, um Kundeninteraktionen zu automatisieren.“ Allerdings seien diese regelbasiert und arbeiten nur innerhalb fester, vordefinierter Arbeitsabläufe. „IVRs verlassen sich auf starre Entscheidungsbäume, was bedeutet, dass sie sich mit komplexen oder unerwarteten Anfragen schwertun. Das führt oft zur Frustration der Kunden, die in Endlosschleifen stecken bleiben oder gezwungen sind, sich zu wiederholen“, so Monteiro. Im Gegensatz dazu basierten ältere Chatbots auf dem Abgleich von Schlüsselwörtern und vorformulierten Antworten, was bei einfachen, strukturierten Anfragen, wie der Kontostandabfrage durchaus funktionieren kann. „Sie versagen jedoch, wenn Kunden ihre Fragen auf unerwartete Weise formulieren, mehrere Themen einbringen oder ein kontextbezogenes Verständnis benötigen“, führt er aus. „Beiden Ansätzen mangelt es an echter Anpassungsfähigkeit und dynamischer Problemlösung, was zu häufigen Eskalationen zu menschlichen Agenten und schlechten Kundenerfahrungen führt“, konstatiert Monteiro. Agentic AI führe ein neues Paradigma ein, das von der regelbasierten Automatisierung zu kontextbewussten, sich selbst verbessernden und autonomen Kundenservice-Agenten übergehe. „Der Kundenservice stellt einen leistungsstarken Anwendungsfall dar, da die Lösung von Kundenproblemen, die häufig komplex und mehrstufig sind, erfordert”, erklärt der Vertreter von Publicis Sapient. „Darüber hinaus weisen sie oft Abhängigkeiten auf, die ein kontextbezogenes Verständnis, das Verstehen von Nuancen sowie das Durchdenken von Kundenproblemen und Anpassungen auf der Grundlage sich ändernder Bedingungen erfordern”, so Monteiro. Kundenservice-Interaktionen umfassten unstrukturierte Daten wie Text, Bilder und Sprache und finden in dynamischen Umgebungen statt, die ständiges Lernen und Anpassung in Echtzeit erforderten. “Entsprechend können Wettbewerbsvorteile durch sofortige, autonome Lösungen und die Nutzung von Feedback zur Verbesserung im Laufe der Zeit maximiert werden”, erklärt er. “Bei älteren Chatbots und IVRs ging es um die Automatisierung von Aufgaben. Bei der agentenbasierten KI liegt der Fokus auf der Lösung von Problemen und der Bereitstellung von anpassungsfähigen und personalisierten Kundenerlebnissen in Echtzeit.” Die Vorzüge von Agentic AI Neben Kundenservice-Workflows sehen Experten vier generische Prozessszenarien, die sinnvolle Anwendungsfälle für agentenbasierte KI darstellen könnten. 1. Hybride Geschäftsprozesse aufwerten „Agentic AI eignet sich am besten für Geschäftsprozesse, bei denen programmatische und manuelle Aufgaben in einem einzigen Prozess miteinander verwoben sind“, erklärt Priya Iragavarapu, Vice President of Data Science and Analytics beim globalen Management- und Technologieberatungsunternehmen AArete. Ein Beispiel hierfür wäre ein Workflow zur Bearbeitung von Versicherungsansprüchen, bei dem strukturierte Daten wie Policennummern oder Deckungsdaten automatisch validiert und mit dem manuellen Testbericht von unstrukturierten Dokumenten wie medizinischen Berichten oder Ausnahmefällen, die eine menschliche Interpretation erfordern, kombiniert werden. 2. Orchestrierung silo-übergreifender Workflows Ein weiteres Szenario, in dem Agentic AI sinnvoll zum Einsatz kommen kann, ist der Fall, dass sich ein Geschäftsprozess über mehrere, voneinander getrennte Teams erstreckt und jedes Team keinen Einblick oder Zugriff auf die Daten oder Systeme der anderen Teams hat. In einem solchen Fall sei es empfehlenswert, einen KI-Agenten zu entwickeln, der funktionsübergreifend geschult werden könne, so Iragavarapu. Als Beispiel verweist sie auf einen Order-to-Cash-Prozess in einem großen Unternehmen, in dem die Teams von Vertrieb, Finanzen und Logistik jeweils mit separaten Systemen arbeiten. Der KI-Agent könne Daten aus all diesen Systemen integrieren und aggregieren und so eine einheitliche Sichtweise bieten, um Engpässe zu erkennen, proaktive Warnungen über Verzögerungen zu senden und bei Abstimmungsaufgaben zu helfen, so die Datenwissenschaftlerin. Der Agent fungiere somit quasi als Brücke zwischen den Teams, um reibungslosere Arbeitsabläufe und Entscheidungsprozesse zu gewährleisten. Wenn sich Prozesse über mehrere Teams oder Abteilungen hinweg verlaufen und einen hohen Koordinationsaufwand erfordern, können sie von der Fähigkeit der KI profitieren, als Orchestrator zu fungieren, bestätigt Asana-CIO Srivastava. Die Agenten von Asana könnten optimale Arbeitsabläufe vorschlagen und durch die Verfolgung des Teamfortschritts die Verantwortlichkeit sicherstellen. „Dies stellt sicher, dass die Arbeit mit den Zielen übereinstimmt und verringert das Risiko von Fehlkommunikation oder verpassten Terminen“, erklärt er. 3. Aggregierte Automatisierung durch mehrere, sich wiederholende Schritte „Prozesse, die routinemäßige, repetitive Handlungen beinhalten, etwa Dateneingabe, Aufgabenzuweisung oder Berichterstellung, eignen sich hervorragend für [agentenbasierte] KI“, so Srivastava. „Diese Aufgaben nehmen oft viel Zeit der Mitarbeiter in Anspruch, erfordern aber kein tiefgreifendes kreatives oder strategisches Denken. KI-Agenten können diese Arbeitsabläufe automatisieren, sodass sich die Mitarbeiter auf höherwertige Tätigkeiten konzentrieren können.“ ISG setzt die Agentic AI für einige Komponenten seiner Sourcing-Plattform ISG Tango ein. „Wir aktualisieren [das Tool], um KI-Elemente zu integrieren, und testen Anwendungsfälle in den Bereichen Beschaffung, Sourcing und Lieferantenmanagement, die den Großteil unserer Beratungsleistungen ausmachen“, erklärt Kelker. „Wir verfolgen diese Anwendungsfälle, bei denen wir über das traditionelle maschinelle Lernen hinausgehen und autonom handeln können, um Aufgaben zu erledigen und Entscheidungen zu treffen.“ Schritte, die sich häufig wiederholen und klar definierten Regeln folgen, sind laut Kelker erstklassige Kandidaten für Agentic AI. „So führte beispielsweise der Abgleich der Rechnungsverarbeitung im Lieferantenmanagement zu unserem Angebot der Rechnungsforensik, das sicherstellt, dass Unternehmen keine doppelten Zahlungen für Dienstleistungen leisten“, führt er an. „Die ideale Kombination ist, wenn die Regeln klar sind und sich die Schritte häufig wiederholen.“ 4. Ersatz von kostspieligen manuellen Aufgaben Ein weiteres Szenario, das sich für agentengestützte KI eignet, ist, wenn ein Geschäftsprozess einen manuellen Ansatz beinhaltet und es zu teuer wäre, Mitarbeiter für die Erledigung dieser Aufgaben einzustellen. Iragavarapu führt als Beispiel den Kunden-Support in einem schnell wachsenden Unternehmen an. Anstatt ein großes Team einzustellen, das routinemäßige Kundenanfragen wie Aktualisierungen des Auftragsstatus, Kontoprobleme oder grundlegende Fehlerbehebungen bearbeitet, könnte ein KI-Agent einen großen Teil dieser Interaktionen selbstständig abwickeln. “Er kann allgemeine Probleme selbstständig lösen, komplexe Fälle an menschliche Agenten weiterleiten und mit der Zeit lernen, seine Antworten zu verbessern”, erklärt Iragavarapu. “Dieser Ansatz senkt die Betriebskosten, verbessert die Reaktionszeiten und ermöglicht es den menschlichen Agenten, sich auf höherwertige Interaktionen zu konzentrieren, wie die Bearbeitung von Streitfällen oder den Aufbau von Kundenbeziehungen.” (mb)
Welche Geschäftsprozesse sich für agentenbasierte KI eignen
Der Einsatz von KI-Agenten lohnt sich nicht automatisch, sondern erfordert eine umfangreiche Evaluierung.sdecoret / Shutterstock Die Unternehmensberatung Deloitte prognostiziert, dass im Jahr 2025 ein Viertel der Unternehmen, die generative KI einsetzen, Pilotprojekte oder Proofs of Concept (PoCs) mit Agentic AI starten werden, 2027 bereits 50 Prozent. Allerdings sind nicht alle Geschäftsprozesse für agentenbasierte KI geeignet, weshalb sich die Investition in KI nicht immer lohnt. Einige Marktbeobachter gehen davon aus, dass eine Alternative – die deterministische Automatisierung – in diesem Jahr weiterhin dominieren wird. Um sicherzustellen, dass sich agentenbasierte KI für einen bestimmten Workflow auszahlt, sollten Unternehmen folgende Punkte berücksichtigen. Geschäftsausrichtung, Wert und Risiko „Eine erfolgreiche agentenbasierte KI-Strategie beginnt mit einer klaren Definition dessen, was die KI-Agenten erreichen sollen“, erklärt Prashant Kelker, Chief Strategy Officer und Partner beim IT-Beratungsunternehmen ISG. „Es ist wichtig, die Ziele der KI mit den allgemeinen Unternehmenszielen in Einklang zu bringen. Ohne einen klar definierten Zweck ist es, als würde man ein Schiff ohne Ziel aufs Meer schicken.“ Die Entscheidung darüber, ob ein Geschäftsprozess für die Umstellung auf KI-Agenten in Frage kommt, würde zunächst nach denselben internen Prozessen getroffen, die auch für die Bewertung des Einsatzes neuer Geschäfts- oder Technologielösungen gelten, meint Reiko Feaver, Partner bei der auf KI spezialisierten Anwaltskanzlei CM Law. Eine Kosten-Nutzen-Analyse kann Aufschluss darüber geben, ob Agentic AI das bietet, was in den aktuellen Prozessen fehlt, und einen Return on Investment (ROI) liefert. Sollte diese Analyse positiv ausfallen, kann ein Unternehmen sich mit den erforderlichen Ressourcen, einschließlich Geld, Personal und Zeit, beschäftigen. Allerdings erschwert die Tatsache, dass die Preisgestaltung für KI-Angebote von Anbietern komplex und noch nicht vollständig geklärt sein kann, die Entscheidung. Der Grad der Autonomie, die erhöhten Ressourcen und die Komplexität der agentengestützten KI für einen oder mehrere bestimmte Prozesse stellten ebenfalls Herausforderungen dar, die es zu berücksichtigen gilt, so Feaver. Die Bewältigung dieser Herausforderungen könne ein Indikator dafür sein, ob die Prozesse für agentenbasierte KI bereit sind. Feaver führt weiter aus: „Verfügt das Unternehmen über die anfänglichen und laufenden Ressourcen zur Unterstützung und kontinuierlichen Verbesserung der Agentic AI-Technologie, einschließlich der Infrastruktur und der erforderlichen Daten?“ Und: „Verfügt es bereits über eine Struktur, um die Einhaltung der Vorschriften bei Inbetriebnahme einer spezifischen agentenbasierten KI zu überprüfen und zu überwachen? die KI-Agenten zu überwachen und zu korrigieren, wenn Probleme auftreten, den Erfolg zu messen und über die geltenden Gesetze und Vorschriften auf dem Laufenden zu bleiben?“ Zusätzlich gilt es zu überprüfen, ob sich das Unternehmen einen Ausfall der agentenbasierten KI in einem Geschäftsprozess leisten kann, in Hinblick auf Performance und Compliance. Daten und umsetzbare Frameworks Ein weiteres wichtiges Merkmal eines guten Anwendungsfalls für Agentic AI ist die Qualität der Daten, die zur Unterstützung eines Prozesses verwendet werden. „Um einen greifbaren Wert und ROI aus agentenbasierter KI zu ziehen, müssen Unternehmen sicherstellen, dass sie über qualitativ hochwertige Daten verfügen“, erklärt Saket Srivastava, CIO beim Anbieter der Work-Management-Plattform Asana. „Sind die Daten, auf deren Grundlage die Agenten agieren, veraltet, nicht aussagekräftig oder nicht mit den Unternehmenszielen vereinbar, werden Unternehmen keinen wertvollen Output von diesen KI-Agenten erhalten.“ KI-Agenten benötigen auch Informationen darüber, wer für bestimmte Aufgaben verantwortlich ist, welche Ziele verfolgt werden, wann Aktionen durchgeführt werden müssen und wie der Prozess abläuft. „Ohne diesen handlungsorientierten Rahmen werden selbst die fortschrittlichsten KI-Systeme kaum einen sinnvollen Wert liefern“, so Srivastava. Für Asana spielt Agentic AI eine zentrale Rolle bei den Bemühungen des Unternehmens, das Arbeitsmanagement intern und für seine Kunden zu verändern. Im vergangenen Jahr wurden KI-Agenten eingeführt, die über Prioritäten beraten, Arbeitsabläufe steuern und Maßnahmen ergreifen, während sie sich gleichzeitig an die individuellen Arbeitsweisen von Einzelpersonen und Teams anpassten, so der Asana-CIO. Außerdem hat Asana kürzlich Asana AI Studio eingeführt, das KI-Agenten einsetzt, um Teams die Möglichkeit zu geben, KI-gestützte Workflows ohne Code zu erstellen. „Diese Workflows ermöglichen es den KI-Agenten, repetitive manuelle Aufgaben zu erledigen, etwa Projektanfragen zu triangulieren, Schriftsätze zu entwerfen oder Tätigkeiten zuzuweisen“, erklärt Srivastava. Dadurch werde die Zeit, die Teams mit Routinearbeiten verbringen, erheblich reduziert. „Wir haben allen unseren Mitarbeitern die Möglichkeit gegeben, AI Studio für bestimmte Aufgaben zu nutzen, beispielsweise für die Recherche und den Entwurf von Plänen, um sicherzustellen, dass genaue Übersetzungen von Inhalten oder Assets den Markenrichtlinien entsprechen“, so der Asana-CIO. Das Cybersicherheitsteam von Asana nutzt AI Studio beispielsweise, um Alarmmüdigkeit zu verringern und den Arbeitsaufwand zu reduzieren, den das Team zuvor für die Bearbeitung von Alarmen und Schwachstellen aufgewendet hatte. Die IT-Abteilung setzt Asana AI Studio für das Vendoren-Management ein, um Helpdesk-Anfragen zu unterstützen und um sicherzustellen, dass die Anforderungen an das Software- und Compliance-Management erfüllt werden. Kundenbetreuung als idealer Agentic AI Use Case Ein Bereich, der sich ideal für den Einsatz agentenbasierte KI eignet, ist der Kundenservice. Sheldon Monteiro, Chief Product Officer und Head of Generative AI beim Technologieberatungsunternehmen Publicis Sapient, erklärt dazu: „Unternehmen setzen schon seit einiger Zeit interaktive Sprachdialogsysteme (IVR) und einfache Chatbots ein, um Kundeninteraktionen zu automatisieren.“ Allerdings seien diese regelbasiert und arbeiten nur innerhalb fester, vordefinierter Arbeitsabläufe. „IVRs verlassen sich auf starre Entscheidungsbäume, was bedeutet, dass sie sich mit komplexen oder unerwarteten Anfragen schwertun. Das führt oft zur Frustration der Kunden, die in Endlosschleifen stecken bleiben oder gezwungen sind, sich zu wiederholen“, so Monteiro. Im Gegensatz dazu basierten ältere Chatbots auf dem Abgleich von Schlüsselwörtern und vorformulierten Antworten, was bei einfachen, strukturierten Anfragen, wie der Kontostandabfrage durchaus funktionieren kann. „Sie versagen jedoch, wenn Kunden ihre Fragen auf unerwartete Weise formulieren, mehrere Themen einbringen oder ein kontextbezogenes Verständnis benötigen“, führt er aus. „Beiden Ansätzen mangelt es an echter Anpassungsfähigkeit und dynamischer Problemlösung, was zu häufigen Eskalationen zu menschlichen Agenten und schlechten Kundenerfahrungen führt“, konstatiert Monteiro. Agentic AI führe ein neues Paradigma ein, das von der regelbasierten Automatisierung zu kontextbewussten, sich selbst verbessernden und autonomen Kundenservice-Agenten übergehe. „Der Kundenservice stellt einen leistungsstarken Anwendungsfall dar, da die Lösung von Kundenproblemen, die häufig komplex und mehrstufig sind, erfordert”, erklärt der Vertreter von Publicis Sapient. „Darüber hinaus weisen sie oft Abhängigkeiten auf, die ein kontextbezogenes Verständnis, das Verstehen von Nuancen sowie das Durchdenken von Kundenproblemen und Anpassungen auf der Grundlage sich ändernder Bedingungen erfordern”, so Monteiro. Kundenservice-Interaktionen umfassten unstrukturierte Daten wie Text, Bilder und Sprache und finden in dynamischen Umgebungen statt, die ständiges Lernen und Anpassung in Echtzeit erforderten. “Entsprechend können Wettbewerbsvorteile durch sofortige, autonome Lösungen und die Nutzung von Feedback zur Verbesserung im Laufe der Zeit maximiert werden”, erklärt er. “Bei älteren Chatbots und IVRs ging es um die Automatisierung von Aufgaben. Bei der agentenbasierten KI liegt der Fokus auf der Lösung von Problemen und der Bereitstellung von anpassungsfähigen und personalisierten Kundenerlebnissen in Echtzeit.” Die Vorzüge von Agentic AI Neben Kundenservice-Workflows sehen Experten vier generische Prozessszenarien, die sinnvolle Anwendungsfälle für agentenbasierte KI darstellen könnten. 1. Hybride Geschäftsprozesse aufwerten „Agentic AI eignet sich am besten für Geschäftsprozesse, bei denen programmatische und manuelle Aufgaben in einem einzigen Prozess miteinander verwoben sind“, erklärt Priya Iragavarapu, Vice President of Data Science and Analytics beim globalen Management- und Technologieberatungsunternehmen AArete. Ein Beispiel hierfür wäre ein Workflow zur Bearbeitung von Versicherungsansprüchen, bei dem strukturierte Daten wie Policennummern oder Deckungsdaten automatisch validiert und mit dem manuellen Testbericht von unstrukturierten Dokumenten wie medizinischen Berichten oder Ausnahmefällen, die eine menschliche Interpretation erfordern, kombiniert werden. 2. Orchestrierung silo-übergreifender Workflows Ein weiteres Szenario, in dem Agentic AI sinnvoll zum Einsatz kommen kann, ist der Fall, dass sich ein Geschäftsprozess über mehrere, voneinander getrennte Teams erstreckt und jedes Team keinen Einblick oder Zugriff auf die Daten oder Systeme der anderen Teams hat. In einem solchen Fall sei es empfehlenswert, einen KI-Agenten zu entwickeln, der funktionsübergreifend geschult werden könne, so Iragavarapu. Als Beispiel verweist sie auf einen Order-to-Cash-Prozess in einem großen Unternehmen, in dem die Teams von Vertrieb, Finanzen und Logistik jeweils mit separaten Systemen arbeiten. Der KI-Agent könne Daten aus all diesen Systemen integrieren und aggregieren und so eine einheitliche Sichtweise bieten, um Engpässe zu erkennen, proaktive Warnungen über Verzögerungen zu senden und bei Abstimmungsaufgaben zu helfen, so die Datenwissenschaftlerin. Der Agent fungiere somit quasi als Brücke zwischen den Teams, um reibungslosere Arbeitsabläufe und Entscheidungsprozesse zu gewährleisten. Wenn sich Prozesse über mehrere Teams oder Abteilungen hinweg verlaufen und einen hohen Koordinationsaufwand erfordern, können sie von der Fähigkeit der KI profitieren, als Orchestrator zu fungieren, bestätigt Asana-CIO Srivastava. Die Agenten von Asana könnten optimale Arbeitsabläufe vorschlagen und durch die Verfolgung des Teamfortschritts die Verantwortlichkeit sicherstellen. „Dies stellt sicher, dass die Arbeit mit den Zielen übereinstimmt und verringert das Risiko von Fehlkommunikation oder verpassten Terminen“, erklärt er. 3. Aggregierte Automatisierung durch mehrere, sich wiederholende Schritte „Prozesse, die routinemäßige, repetitive Handlungen beinhalten, etwa Dateneingabe, Aufgabenzuweisung oder Berichterstellung, eignen sich hervorragend für [agentenbasierte] KI“, so Srivastava. „Diese Aufgaben nehmen oft viel Zeit der Mitarbeiter in Anspruch, erfordern aber kein tiefgreifendes kreatives oder strategisches Denken. KI-Agenten können diese Arbeitsabläufe automatisieren, sodass sich die Mitarbeiter auf höherwertige Tätigkeiten konzentrieren können.“ ISG setzt die Agentic AI für einige Komponenten seiner Sourcing-Plattform ISG Tango ein. „Wir aktualisieren [das Tool], um KI-Elemente zu integrieren, und testen Anwendungsfälle in den Bereichen Beschaffung, Sourcing und Lieferantenmanagement, die den Großteil unserer Beratungsleistungen ausmachen“, erklärt Kelker. „Wir verfolgen diese Anwendungsfälle, bei denen wir über das traditionelle maschinelle Lernen hinausgehen und autonom handeln können, um Aufgaben zu erledigen und Entscheidungen zu treffen.“ Schritte, die sich häufig wiederholen und klar definierten Regeln folgen, sind laut Kelker erstklassige Kandidaten für Agentic AI. „So führte beispielsweise der Abgleich der Rechnungsverarbeitung im Lieferantenmanagement zu unserem Angebot der Rechnungsforensik, das sicherstellt, dass Unternehmen keine doppelten Zahlungen für Dienstleistungen leisten“, führt er an. „Die ideale Kombination ist, wenn die Regeln klar sind und sich die Schritte häufig wiederholen.“ 4. Ersatz von kostspieligen manuellen Aufgaben Ein weiteres Szenario, das sich für agentengestützte KI eignet, ist, wenn ein Geschäftsprozess einen manuellen Ansatz beinhaltet und es zu teuer wäre, Mitarbeiter für die Erledigung dieser Aufgaben einzustellen. Iragavarapu führt als Beispiel den Kunden-Support in einem schnell wachsenden Unternehmen an. Anstatt ein großes Team einzustellen, das routinemäßige Kundenanfragen wie Aktualisierungen des Auftragsstatus, Kontoprobleme oder grundlegende Fehlerbehebungen bearbeitet, könnte ein KI-Agent einen großen Teil dieser Interaktionen selbstständig abwickeln. “Er kann allgemeine Probleme selbstständig lösen, komplexe Fälle an menschliche Agenten weiterleiten und mit der Zeit lernen, seine Antworten zu verbessern”, erklärt Iragavarapu. “Dieser Ansatz senkt die Betriebskosten, verbessert die Reaktionszeiten und ermöglicht es den menschlichen Agenten, sich auf höherwertige Interaktionen zu konzentrieren, wie die Bearbeitung von Streitfällen oder den Aufbau von Kundenbeziehungen.” (mb)
Welche Geschäftsprozesse sich für agentenbasierte KI eignen Der Einsatz von KI-Agenten lohnt sich nicht automatisch, sondern erfordert eine umfangreiche Evaluierung.sdecoret / Shutterstock Die Unternehmensberatung Deloitte prognostiziert, dass im Jahr 2025 ein Viertel der Unternehmen, die generative KI einsetzen, Pilotprojekte oder Proofs of Concept (PoCs) mit Agentic AI starten werden, 2027 bereits 50 Prozent. Allerdings sind nicht alle Geschäftsprozesse für agentenbasierte KI geeignet, weshalb sich die Investition in KI nicht immer lohnt. Einige Marktbeobachter gehen davon aus, dass eine Alternative – die deterministische Automatisierung – in diesem Jahr weiterhin dominieren wird. Um sicherzustellen, dass sich agentenbasierte KI für einen bestimmten Workflow auszahlt, sollten Unternehmen folgende Punkte berücksichtigen. Geschäftsausrichtung, Wert und Risiko „Eine erfolgreiche agentenbasierte KI-Strategie beginnt mit einer klaren Definition dessen, was die KI-Agenten erreichen sollen“, erklärt Prashant Kelker, Chief Strategy Officer und Partner beim IT-Beratungsunternehmen ISG. „Es ist wichtig, die Ziele der KI mit den allgemeinen Unternehmenszielen in Einklang zu bringen. Ohne einen klar definierten Zweck ist es, als würde man ein Schiff ohne Ziel aufs Meer schicken.“ Die Entscheidung darüber, ob ein Geschäftsprozess für die Umstellung auf KI-Agenten in Frage kommt, würde zunächst nach denselben internen Prozessen getroffen, die auch für die Bewertung des Einsatzes neuer Geschäfts- oder Technologielösungen gelten, meint Reiko Feaver, Partner bei der auf KI spezialisierten Anwaltskanzlei CM Law. Eine Kosten-Nutzen-Analyse kann Aufschluss darüber geben, ob Agentic AI das bietet, was in den aktuellen Prozessen fehlt, und einen Return on Investment (ROI) liefert. Sollte diese Analyse positiv ausfallen, kann ein Unternehmen sich mit den erforderlichen Ressourcen, einschließlich Geld, Personal und Zeit, beschäftigen. Allerdings erschwert die Tatsache, dass die Preisgestaltung für KI-Angebote von Anbietern komplex und noch nicht vollständig geklärt sein kann, die Entscheidung. Der Grad der Autonomie, die erhöhten Ressourcen und die Komplexität der agentengestützten KI für einen oder mehrere bestimmte Prozesse stellten ebenfalls Herausforderungen dar, die es zu berücksichtigen gilt, so Feaver. Die Bewältigung dieser Herausforderungen könne ein Indikator dafür sein, ob die Prozesse für agentenbasierte KI bereit sind. Feaver führt weiter aus: „Verfügt das Unternehmen über die anfänglichen und laufenden Ressourcen zur Unterstützung und kontinuierlichen Verbesserung der Agentic AI-Technologie, einschließlich der Infrastruktur und der erforderlichen Daten?“ Und: „Verfügt es bereits über eine Struktur, um die Einhaltung der Vorschriften bei Inbetriebnahme einer spezifischen agentenbasierten KI zu überprüfen und zu überwachen? die KI-Agenten zu überwachen und zu korrigieren, wenn Probleme auftreten, den Erfolg zu messen und über die geltenden Gesetze und Vorschriften auf dem Laufenden zu bleiben?“ Zusätzlich gilt es zu überprüfen, ob sich das Unternehmen einen Ausfall der agentenbasierten KI in einem Geschäftsprozess leisten kann, in Hinblick auf Performance und Compliance. Daten und umsetzbare Frameworks Ein weiteres wichtiges Merkmal eines guten Anwendungsfalls für Agentic AI ist die Qualität der Daten, die zur Unterstützung eines Prozesses verwendet werden. „Um einen greifbaren Wert und ROI aus agentenbasierter KI zu ziehen, müssen Unternehmen sicherstellen, dass sie über qualitativ hochwertige Daten verfügen“, erklärt Saket Srivastava, CIO beim Anbieter der Work-Management-Plattform Asana. „Sind die Daten, auf deren Grundlage die Agenten agieren, veraltet, nicht aussagekräftig oder nicht mit den Unternehmenszielen vereinbar, werden Unternehmen keinen wertvollen Output von diesen KI-Agenten erhalten.“ KI-Agenten benötigen auch Informationen darüber, wer für bestimmte Aufgaben verantwortlich ist, welche Ziele verfolgt werden, wann Aktionen durchgeführt werden müssen und wie der Prozess abläuft. „Ohne diesen handlungsorientierten Rahmen werden selbst die fortschrittlichsten KI-Systeme kaum einen sinnvollen Wert liefern“, so Srivastava. Für Asana spielt Agentic AI eine zentrale Rolle bei den Bemühungen des Unternehmens, das Arbeitsmanagement intern und für seine Kunden zu verändern. Im vergangenen Jahr wurden KI-Agenten eingeführt, die über Prioritäten beraten, Arbeitsabläufe steuern und Maßnahmen ergreifen, während sie sich gleichzeitig an die individuellen Arbeitsweisen von Einzelpersonen und Teams anpassten, so der Asana-CIO. Außerdem hat Asana kürzlich Asana AI Studio eingeführt, das KI-Agenten einsetzt, um Teams die Möglichkeit zu geben, KI-gestützte Workflows ohne Code zu erstellen. „Diese Workflows ermöglichen es den KI-Agenten, repetitive manuelle Aufgaben zu erledigen, etwa Projektanfragen zu triangulieren, Schriftsätze zu entwerfen oder Tätigkeiten zuzuweisen“, erklärt Srivastava. Dadurch werde die Zeit, die Teams mit Routinearbeiten verbringen, erheblich reduziert. „Wir haben allen unseren Mitarbeitern die Möglichkeit gegeben, AI Studio für bestimmte Aufgaben zu nutzen, beispielsweise für die Recherche und den Entwurf von Plänen, um sicherzustellen, dass genaue Übersetzungen von Inhalten oder Assets den Markenrichtlinien entsprechen“, so der Asana-CIO. Das Cybersicherheitsteam von Asana nutzt AI Studio beispielsweise, um Alarmmüdigkeit zu verringern und den Arbeitsaufwand zu reduzieren, den das Team zuvor für die Bearbeitung von Alarmen und Schwachstellen aufgewendet hatte. Die IT-Abteilung setzt Asana AI Studio für das Vendoren-Management ein, um Helpdesk-Anfragen zu unterstützen und um sicherzustellen, dass die Anforderungen an das Software- und Compliance-Management erfüllt werden. Kundenbetreuung als idealer Agentic AI Use Case Ein Bereich, der sich ideal für den Einsatz agentenbasierte KI eignet, ist der Kundenservice. Sheldon Monteiro, Chief Product Officer und Head of Generative AI beim Technologieberatungsunternehmen Publicis Sapient, erklärt dazu: „Unternehmen setzen schon seit einiger Zeit interaktive Sprachdialogsysteme (IVR) und einfache Chatbots ein, um Kundeninteraktionen zu automatisieren.“ Allerdings seien diese regelbasiert und arbeiten nur innerhalb fester, vordefinierter Arbeitsabläufe. „IVRs verlassen sich auf starre Entscheidungsbäume, was bedeutet, dass sie sich mit komplexen oder unerwarteten Anfragen schwertun. Das führt oft zur Frustration der Kunden, die in Endlosschleifen stecken bleiben oder gezwungen sind, sich zu wiederholen“, so Monteiro. Im Gegensatz dazu basierten ältere Chatbots auf dem Abgleich von Schlüsselwörtern und vorformulierten Antworten, was bei einfachen, strukturierten Anfragen, wie der Kontostandabfrage durchaus funktionieren kann. „Sie versagen jedoch, wenn Kunden ihre Fragen auf unerwartete Weise formulieren, mehrere Themen einbringen oder ein kontextbezogenes Verständnis benötigen“, führt er aus. „Beiden Ansätzen mangelt es an echter Anpassungsfähigkeit und dynamischer Problemlösung, was zu häufigen Eskalationen zu menschlichen Agenten und schlechten Kundenerfahrungen führt“, konstatiert Monteiro. Agentic AI führe ein neues Paradigma ein, das von der regelbasierten Automatisierung zu kontextbewussten, sich selbst verbessernden und autonomen Kundenservice-Agenten übergehe. „Der Kundenservice stellt einen leistungsstarken Anwendungsfall dar, da die Lösung von Kundenproblemen, die häufig komplex und mehrstufig sind, erfordert”, erklärt der Vertreter von Publicis Sapient. „Darüber hinaus weisen sie oft Abhängigkeiten auf, die ein kontextbezogenes Verständnis, das Verstehen von Nuancen sowie das Durchdenken von Kundenproblemen und Anpassungen auf der Grundlage sich ändernder Bedingungen erfordern”, so Monteiro. Kundenservice-Interaktionen umfassten unstrukturierte Daten wie Text, Bilder und Sprache und finden in dynamischen Umgebungen statt, die ständiges Lernen und Anpassung in Echtzeit erforderten. “Entsprechend können Wettbewerbsvorteile durch sofortige, autonome Lösungen und die Nutzung von Feedback zur Verbesserung im Laufe der Zeit maximiert werden”, erklärt er. “Bei älteren Chatbots und IVRs ging es um die Automatisierung von Aufgaben. Bei der agentenbasierten KI liegt der Fokus auf der Lösung von Problemen und der Bereitstellung von anpassungsfähigen und personalisierten Kundenerlebnissen in Echtzeit.” Die Vorzüge von Agentic AI Neben Kundenservice-Workflows sehen Experten vier generische Prozessszenarien, die sinnvolle Anwendungsfälle für agentenbasierte KI darstellen könnten. 1. Hybride Geschäftsprozesse aufwerten „Agentic AI eignet sich am besten für Geschäftsprozesse, bei denen programmatische und manuelle Aufgaben in einem einzigen Prozess miteinander verwoben sind“, erklärt Priya Iragavarapu, Vice President of Data Science and Analytics beim globalen Management- und Technologieberatungsunternehmen AArete. Ein Beispiel hierfür wäre ein Workflow zur Bearbeitung von Versicherungsansprüchen, bei dem strukturierte Daten wie Policennummern oder Deckungsdaten automatisch validiert und mit dem manuellen Testbericht von unstrukturierten Dokumenten wie medizinischen Berichten oder Ausnahmefällen, die eine menschliche Interpretation erfordern, kombiniert werden. 2. Orchestrierung silo-übergreifender Workflows Ein weiteres Szenario, in dem Agentic AI sinnvoll zum Einsatz kommen kann, ist der Fall, dass sich ein Geschäftsprozess über mehrere, voneinander getrennte Teams erstreckt und jedes Team keinen Einblick oder Zugriff auf die Daten oder Systeme der anderen Teams hat. In einem solchen Fall sei es empfehlenswert, einen KI-Agenten zu entwickeln, der funktionsübergreifend geschult werden könne, so Iragavarapu. Als Beispiel verweist sie auf einen Order-to-Cash-Prozess in einem großen Unternehmen, in dem die Teams von Vertrieb, Finanzen und Logistik jeweils mit separaten Systemen arbeiten. Der KI-Agent könne Daten aus all diesen Systemen integrieren und aggregieren und so eine einheitliche Sichtweise bieten, um Engpässe zu erkennen, proaktive Warnungen über Verzögerungen zu senden und bei Abstimmungsaufgaben zu helfen, so die Datenwissenschaftlerin. Der Agent fungiere somit quasi als Brücke zwischen den Teams, um reibungslosere Arbeitsabläufe und Entscheidungsprozesse zu gewährleisten. Wenn sich Prozesse über mehrere Teams oder Abteilungen hinweg verlaufen und einen hohen Koordinationsaufwand erfordern, können sie von der Fähigkeit der KI profitieren, als Orchestrator zu fungieren, bestätigt Asana-CIO Srivastava. Die Agenten von Asana könnten optimale Arbeitsabläufe vorschlagen und durch die Verfolgung des Teamfortschritts die Verantwortlichkeit sicherstellen. „Dies stellt sicher, dass die Arbeit mit den Zielen übereinstimmt und verringert das Risiko von Fehlkommunikation oder verpassten Terminen“, erklärt er. 3. Aggregierte Automatisierung durch mehrere, sich wiederholende Schritte „Prozesse, die routinemäßige, repetitive Handlungen beinhalten, etwa Dateneingabe, Aufgabenzuweisung oder Berichterstellung, eignen sich hervorragend für [agentenbasierte] KI“, so Srivastava. „Diese Aufgaben nehmen oft viel Zeit der Mitarbeiter in Anspruch, erfordern aber kein tiefgreifendes kreatives oder strategisches Denken. KI-Agenten können diese Arbeitsabläufe automatisieren, sodass sich die Mitarbeiter auf höherwertige Tätigkeiten konzentrieren können.“ ISG setzt die Agentic AI für einige Komponenten seiner Sourcing-Plattform ISG Tango ein. „Wir aktualisieren [das Tool], um KI-Elemente zu integrieren, und testen Anwendungsfälle in den Bereichen Beschaffung, Sourcing und Lieferantenmanagement, die den Großteil unserer Beratungsleistungen ausmachen“, erklärt Kelker. „Wir verfolgen diese Anwendungsfälle, bei denen wir über das traditionelle maschinelle Lernen hinausgehen und autonom handeln können, um Aufgaben zu erledigen und Entscheidungen zu treffen.“ Schritte, die sich häufig wiederholen und klar definierten Regeln folgen, sind laut Kelker erstklassige Kandidaten für Agentic AI. „So führte beispielsweise der Abgleich der Rechnungsverarbeitung im Lieferantenmanagement zu unserem Angebot der Rechnungsforensik, das sicherstellt, dass Unternehmen keine doppelten Zahlungen für Dienstleistungen leisten“, führt er an. „Die ideale Kombination ist, wenn die Regeln klar sind und sich die Schritte häufig wiederholen.“ 4. Ersatz von kostspieligen manuellen Aufgaben Ein weiteres Szenario, das sich für agentengestützte KI eignet, ist, wenn ein Geschäftsprozess einen manuellen Ansatz beinhaltet und es zu teuer wäre, Mitarbeiter für die Erledigung dieser Aufgaben einzustellen. Iragavarapu führt als Beispiel den Kunden-Support in einem schnell wachsenden Unternehmen an. Anstatt ein großes Team einzustellen, das routinemäßige Kundenanfragen wie Aktualisierungen des Auftragsstatus, Kontoprobleme oder grundlegende Fehlerbehebungen bearbeitet, könnte ein KI-Agent einen großen Teil dieser Interaktionen selbstständig abwickeln. “Er kann allgemeine Probleme selbstständig lösen, komplexe Fälle an menschliche Agenten weiterleiten und mit der Zeit lernen, seine Antworten zu verbessern”, erklärt Iragavarapu. “Dieser Ansatz senkt die Betriebskosten, verbessert die Reaktionszeiten und ermöglicht es den menschlichen Agenten, sich auf höherwertige Interaktionen zu konzentrieren, wie die Bearbeitung von Streitfällen oder den Aufbau von Kundenbeziehungen.” (mb)