Warum KI-Agenten mehr als gute KI brauchen

Vor wenigen Jahren war das Sprachmodell oft der schwierigste Teil einer KI-Anwendung. Heute lässt sich ein erster Agent mit Plattformen wie Microsoft Copilot Studio vergleichsweise schnell erstellen und teilweise sogar in natürlicher Sprache konfigurieren. Die eigentliche Herausforderung beginnt häufig danach: Welche Daten darf der Agent nutzen? Welche davon sind verbindlich? Welche Aktionen darf er ausführen? Und wer trägt die Verantwortung, wenn etwas nicht wie erwartet funktioniert?

In den ersten beiden Teilen dieser Reihe haben wir gezeigt, wie sich Copilot, Agenten und klassische Automation unterscheiden und wo Agenten heute bereits sinnvoll eingesetzt werden können. Doch je stärker KI vom Assistenten zum eigenständig handelnden System wird, desto wichtiger wird die Umgebung, in der sie arbeitet: Datenqualität, Unternehmenskontext, Berechtigungen und Governance werden damit vom begleitenden IT-Thema zur Voraussetzung für produktive KI-Agenten.

Antworten auf die wichtigsten Fragen

Solange KI vor allem Fragen beantwortet oder Texte erstellt, bleiben die Risiken vergleichsweise überschaubar: Ein falscher Vorschlag kann geprüft, eine Zusammenfassung korrigiert und eine Antwort verworfen werden. Bei KI-Agenten verändert sich diese Situation. Sie können auf Unternehmensdaten zugreifen, Anwendungen nutzen und abhängig vom jeweiligen Szenario Aktionen ausführen.

Ein Service-Agent könnte beispielsweise nicht nur erklären, wie ein Reklamationsprozess funktioniert, sondern Kundendaten abrufen, einen Vorgang anlegen und die Bearbeitung anstoßen. Ein Finance-Agent könnte nicht nur nach einer Kennzahl gefragt werden, sondern Abweichungen erkennen, Informationen aus verschiedenen Quellen zusammenführen und eine Kommentierung vorbereiten.

Damit bekommt die KI Handlungsspielraum und genau deshalb reicht es nicht mehr, nur über die Qualität ihrer Antworten nachzudenken. Unternehmen müssen zusätzlich festlegen, worauf ein Agent zugreifen darf, welche Werkzeuge er nutzen kann und wo eine menschliche Freigabe notwendig bleibt. Vereinfacht gesagt: Ein Agent ist nicht nur KI, sondern Software mit Berechtigungen.

Mehr Daten machen einen Agenten nicht automatisch besser

Naheliegend wäre, einem Agenten möglichst viel Unternehmenswissen zur Verfügung zu stellen. Doch gerade bei geschäftskritischen Anwendungen führt mehr Datenzugriff nicht automatisch zu besseren Ergebnissen. Entscheidend ist vielmehr, ob der Agent weiß, welche Informationen für eine Aufgabe relevant und welche Definitionen verbindlich sind.

Das wird beispielsweise im Reporting schnell sichtbar: Fragt ein Nutzer nach dem Umsatz eines Geschäftsbereichs, muss die KI nicht nur Zahlen finden, sondern auch wissen, welche Gesellschaften dazugehören, welche Periode gemeint ist, welche Währung gilt und welche Kennzahl im Unternehmen überhaupt als „Umsatz“ definiert wurde. Liegen dazu mehrere Versionen in Excel-Dateien, einem ERP-System und einer Präsentation vor, hilft der reine Zugriff auf alle Quellen wenig.

Genau hier gewinnt der Semantic Layer an Bedeutung. Er sorgt, vereinfacht gesagt, dafür, dass zentrale Geschäftsbegriffe und Kennzahlen einheitlich definiert sind. Ergänzend braucht der KI-Agent Kontext: Welche Datenquelle ist für diese Frage maßgeblich? Welche Rolle hat der Nutzer? Welche Informationen dürfen miteinander kombiniert werden? Statt möglichst vieler Daten benötigt ein produktiver Agent also vor allem die richtigen Daten im richtigen Zusammenhang.

KI-Agenten in Unternehmen brauchen klare Identitäten und Rechte

Je stärker Agenten selbstständig arbeiten, desto wichtiger wird eine Frage, die Unternehmen aus klassischen IT-Systemen längst kennen: Wer darf eigentlich was? Bei menschlichen Mitarbeitenden wird diese Frage über Benutzerkonten, Rollen und Zugriffsrechte beantwortet. Für Agenten entwickelt sich zunehmend eine vergleichbare Logik. Auch Microsoft baut diesen Ansatz im Copilot-Umfeld aus: Agenten erhalten definierte digitale Identitäten und lassen sich dadurch gezielter mit Berechtigungen versehen, überwachen und verwalten.

Das Prinzip dahinter ist einfach: Ein Agent sollte nur auf die Daten und Funktionen zugreifen können, die er für seine Aufgabe tatsächlich benötigt. Ein HR-Agent braucht keinen Zugriff auf Vertriebsdaten, ein Reporting-Agent muss nicht automatisch Änderungen im ERP-System durchführen dürfen. Und ein Agent, der einen Vorgang vorbereitet, muss ihn nicht zwangsläufig selbst freigeben können.

Diese Begrenzung reduziert nicht nur Sicherheitsrisiken, sondern macht Agenten auch leichter nachvollziehbar und beherrschbar: Je klarer Aufgabe und Berechtigungen definiert sind, desto einfacher lässt sich prüfen, warum ein Agent eine bestimmte Information genutzt oder eine Aktion ausgelöst hat.

Governance muss im laufenden Betrieb funktionieren

Viele Unternehmen haben inzwischen KI-Richtlinien formuliert. Für agentische Systeme reicht eine allgemeine Policy jedoch nicht aus: Sobald Agenten produktiv handeln, muss Governance Teil des täglichen Betriebs werden.

Dazu gehört beispielsweise, nachvollziehen zu können, welche Agenten im Unternehmen eingesetzt werden, auf welche Daten sie zugreifen und welche Aktionen sie durchführen. Bei kritischen Vorgängen können Freigabeschritte erforderlich sein. Aktivitäten sollten protokolliert und Berechtigungen regelmäßig überprüft werden, das heißt: Ändert sich ein Prozess oder verlässt ein Verantwortlicher das Unternehmen, muss sich auch der Agent entsprechend anpassen lassen.

Die Microsoft-Welt zeigt exemplarisch, wohin sich diese Entwicklung bewegt. Copilot Studio verbindet Agenten mit Unternehmensdaten und Workflows, während Identitäts-, Security- und Compliance-Funktionen aus dem bestehenden Microsoft-Ökosystem zunehmend auch auf agentische Anwendungen übertragen werden. Governance wird damit weniger zu einer einmaligen Freigabe und stärker zu einer laufenden Managementaufgabe.

Kleine Agenten bleiben leichter kontrollierbar

Damit schließt sich der Kreis zum zweiten Teil dieser Reihe. Dort haben wir gezeigt, warum erfolgreiche KI-Projekte häufig mit überschaubaren Aufgaben beginnen. Das gilt nicht nur für den schnellen Nachweis eines Nutzens, sondern auch für Sicherheit und Governance.

Denn ein Agent mit einer klaren Aufgabe, wenigen definierten Datenquellen und eindeutigen Verantwortlichkeiten lässt sich leichter testen und kontrollieren als ein System, das gleichzeitig Reporting, Kundenservice und Genehmigungsprozesse übernehmen soll. Erst wenn ein Szenario zuverlässig funktioniert, sollte der Handlungsspielraum schrittweise erweitert werden.

Auch mehrere spezialisierte Agenten können dabei sinnvoller sein als ein möglichst mächtiger Universalagent. Sie lassen sich gezielt für einzelne Aufgaben konfigurieren und bei Bedarf miteinander verbinden. Der entscheidende Punkt bleibt jedoch derselbe: Autonomie sollte nicht Selbstzweck sein. Ein Agent sollte nur so viel Handlungsspielraum erhalten, wie für einen konkreten Nutzen tatsächlich erforderlich ist.

Fazit: Produktive KI beginnt hinter dem Modell

KI-Agenten in Unternehmen werden leistungsfähiger und gleichzeitig einfacher zu erstellen. Somit liegt der Umsetzungsengpass mittlerweile woanders: Es geht immer weniger darum, welches Sprachmodell verwendet wird oder wie schnell ein erster Agent gebaut werden kann. Wichtiger wird, ob dieser Agent auf verlässliche Daten zugreift, ob er die Geschäftslogik versteht, klar begrenzte Rechte besitzt und sich im laufenden Betrieb zuverlässig kontrollieren lässt.

Damit werden Datenplattform, Semantic Layer, Berechtigungsmanagement und Governance zu zentralen Bausteinen einer agentischen KI-Landschaft. Anders gesagt: Ein Agent braucht nicht möglichst viele Informationen und möglichst viel Autonomie, sondern die richtigen Informationen, den notwendigen Kontext und genau den Handlungsspielraum, den seine Aufgabe erfordert.

Das ist zugleich die zentrale Erkenntnis dieser Blogreihe: Copilot, Agenten und Automation sind heute keine abstrakten Zukunftsthemen mehr. Doch ob daraus produktive Unternehmenslösungen entstehen, entscheidet immer weniger die KI allein. Vielmehr geht es darum, wie gut Daten, Prozesse und Governance auf ihren Einsatz vorbereitet sind.

Hast Du Fragen?

Viele Unternehmen können heute erstaunlich schnell erste Copilot-Agenten entwickeln. Schwieriger wird die Frage, wie diese Agenten zuverlässig auf Unternehmensdaten zugreifen, welche Berechtigungen sie erhalten und wie sich ihr Einsatz dauerhaft kontrollieren lässt.

Wenn du vor ähnlichen Fragen stehst, lohnt sich häufig zunächst eine gemeinsame Bestandsaufnahme von Anwendungsfall, Datenbasis und Governance. So lässt sich früh erkennen, wo ein Agent sinnvoll eingesetzt werden kann und welche Voraussetzungen dafür noch fehlen.