Agentenbasierte KI: Im zweiten Halbjahr 2025 wird’s konkret

Agentenbasierte KI hat sich in den vergangenen Monaten als dominierendes Paradigma der intelligenten Automatisierung in Unternehmen etabliert. Im Unterschied zu regelbasierten Systemen oder klassischen Machine-Learning-Ansätzen verfolgen Agenten eigenständig Ziele, agieren kontextsensitiv und verfügen über eine eigene Planungslogik. Gleichzeitig mit der Etablierung nahmen ethische Debatten über die Kontrolle, Transparenz und Steuerung der autonomen Agenten Fahrt auf.

Nachdem im ersten Halbjahr 2025 entscheidende technische und organisatorische Grundlagen für den Einsatz agentenbasierter KI gelegt wurden, rückt nun in der zweiten Jahreshälfte die operative Umsetzung in den Vordergrund. Pegasystems, The Enterprise Transformation Company, erwartet dabei folgende Entwicklungen:

1. Kombination modularer Agenten: Unternehmen werden modulare KI-Agenten abhängig von der Gesamtaufgabe dynamisch miteinander kombinieren. Diese Agenten sind auf bestimmte Funktionen spezialisiert und führen sie automatisiert aus. Ein übergeordneter Agent orchestriert sie und setzt ihre Ergebnisse zusammen, beispielsweise über Intent-basierte Schnittstellen oder Shared-Blackboard-Architekturen, um die Gesamtaufgabe zu lösen. Das ermöglicht es auch komplexe Geschäftsprozesse Ende-zu-Ende zu automatisieren.
2. Agentengesteuerte RPA: Um komplexe Geschäftsprozesse kontextbezogener zu automatisieren, werden Unternehmen KI-Agenten mit klassischer Robotic Process Automation (RPA) verbinden. Dabei führen RPA-Bots weiterhin konkrete Aktionen aus, während KI-Agenten die Analyse und Steuerung übernehmen. Dadurch werden Automatisierungslösungen mit RPA intelligenter und fehlertoleranter. So kann ein KI-Agent beispielsweise durch die Analyse von Ausnahmen im Rechnungsworkflow eine strukturelle Fehlerquelle erkennen und die RPA-Steuerlogik in Echtzeit anpassen. Dadurch entstehen robuste, adaptive Automatisierungssysteme.
3. Selbstoptimierende Prozessagenten: Es werden zunehmend KI-Agenten zum Einsatz kommen, die nicht nur Aufgaben automatisiert ausführen, sondern dabei auch lernen und ihre eigene Logik kontinuierlich verbessern, um sich dynamisch an Veränderungen anzupassen und die Effizienz und Qualität von Prozessen zu steigern, ohne dass manuelle Eingriffe erforderlich sind. Typische Einsatzfelder werden im Kundenservice sein, wo KI-Agenten auf Basis von Feedbackschleifen ihre Dialogstrategien optimieren. Dafür nutzen sie beispielsweise Reinforcement Learning und kontinuierliche Belohnungsstrukturen für gutes Verhalten wie etwa die schnelle Lösung eines Kundenproblems oder eine hohe Kundenzufriedenheit.
4. Agentengestützte Digitale Zwillinge: KI-Agenten werden Digitale Zwillinge intelligent und handlungsfähig machen. Die Agenten simulieren Prozessabläufe und leiten daraus Empfehlungen für Optimierungen der physischen Systeme ab, die der Digitale Zwilling repräsentiert. Dadurch verwandeln sie ihn von einem statischen Modell in ein autonomes, lernendes System, das aktiv Einfluss auf die reale Welt nimmt. Ein Produktionsunternehmen beispielsweise kann mit einem Agenten-basierten Digitalen Zwilling frühzeitig Abweichungen erkennen und proaktiv Wartungsvorgänge einleiten.
5. Spezialisierte Compliance-Agenten: Durch den Einsatz von KI-Agenten, die auf Compliance spezialisiert sind, werden Unternehmen Risiken minimieren, Audit-Prozesse vereinfachen und die Einhaltung von Regularien effizienter gestalten. Diese Agenten überprüfen Prozesse, Dokumente und Aktivitäten automatisch auf Regelkonformität und warnen oder greifen ein, wenn Verstöße drohen.
6. Governance-Strukturen für agentische Systeme: Unternehmen werden einen Governance-Rahmen für agentenbasierte KI schaffen, der Transparenz, Nachvollziehbarkeit und Sicherheit gewährleistet. Dazu definieren sie klare Verantwortlichkeiten, setzen regelmäßige Audits auf und verankern menschliche Kontrollinstanzen. Damit minimieren sie nicht nur Risiken, sondern verschaffen sich auch Wettbewerbsvorteile, weil sie das Vertrauen in ihre KI-Systeme stärken. Wichtige Bausteine solcher Governance-Strukturen sind Explainability Dashboards, agentische Kontrollhierarchien und rollenbasierte Zugriffssysteme für Audit- und Revisionsprozesse.

«Agentic AI ist der nächste Evolutionsschritt intelligenter Automatisierung: adaptiv, kontextsensitiv, lernfähig – aber nur mit klarer Governance auch vertrauenswürdig», erklärt Florian Lauck-Wunderlich, Head of AI and Advanced Analytics Consulting EMEA bei Pegasystems. «Unternehmen werden in den nächsten Monaten verstärkt daran arbeiten, die Interoperabilität zwischen Agenten und Legacy-Systemen zu verbessern, die Datenqualität und die Kontextmodelle zu optimieren sowie menschliche Kontrollinstanzen in agentische Schleifen einzubinden.»