Agentic AI und die Zukunft der Kundenbeziehung

Auf der diesjährigen AWS re:Invent 2025 in Las Vegas stand ein Thema besonders im Mittelpunkt: Agentic AI, also intelligente, handlungsfähige Agenten, die nicht nur Antworten geben, sondern Prozesse planen, Tools ansteuern und eigenständig Aufgaben erledigen. In Keynotes und Hintergrundgesprächen wurde deutlich, wie weit AWS mit neuen Nova-Frontier-Modellen, «Build-your-own»-Sprachmodellen, Automated Reasoning und AgentCore-Services bereits ist. Damit stellt sich die Frage, wie diese Bausteine die Gestaltung von Kundenbeziehungen und Customer Experience in den kommenden Jahren verändern werden.

Der Anruf im Kundenservice: Wenn Fraud-Erkennung zur CX-Frage wird

In Swami Sivasubramanians Keynote-Szene beginnt alles mit einem Moment, der jedem Kunden oder jeder Kundin vertraut sein dürfte: Colleen ruft beim Kreditkartenanbieter an, weil sie verdächtige Transaktionen entdeckt – und das mitten auf einer Geschäftsreise, mit nur einer Karte im Portemonnaie. Früher bedeutete das: lange Warteschleifen, manuelle Prüfungen, Kartenblockade und Unsicherheit, ob andere Konten betroffen sind.

In der Demo übernimmt ein Agent, der in Amazon Connect integriert ist, große Teile dieser Arbeit: Er verifiziert Colleens Identität, analysiert in Echtzeit ihre Transaktionshistorie, erkennt das Muster eines Skimming-Falls, erstellt automatisch einen Polizeibericht, sperrt nur die physische Karte, lässt Apple Pay weiterlaufen und schlägt ein passenderes, sichereres Konto mit Reise-Benefits vor. Gleichzeitig setzt der Agent eine Überwachung über weitere Konten auf und erklärt Colleen transparent, was vorgefallen ist. Der menschliche Servicemitarbeitende bleibt im Lead, aber mit einem Agenten «im Rücken», der Daten sichtet, Muster erkennt und Handlungsvorschläge liefert.

Diese Szene wirft unweigerlich die Frage auf, ob Agenten noch Zukunftsmusik oder bereits Realität sind.

Technisch reif: Modelle, eigene Daten und Sicherheit

Damit solche oder ähnliche direkte Kundeninteraktionen über einen Show-Case hinaus funktionieren, muss die Technik «produktionsfähig» sein. Swami Sivasubramanian, Vice President Agentic AI bei AWS, fasst Agenten als Systeme zusammen, die ihre Umgebung wahrnehmen, Ziele in Schritte zerlegen, Tools aufrufen, Code ausführen und sich mit jeder Episode verbessern – im Unterschied zu Chatbots, die primär Fragen beantworten. Technisch bestehen diese Agenten aus einem Modell als «Gehirn» (etwa aus der Amazon-Nova-2-Familie), einer Agentenbeschreibung (Rolle, Befugnisse, Spielregeln) und angebundenen Tools – von internen APIs bis zu Wissensbasen und Web-Diensten.

Matt Garman, CEO von AWS, positioniert die Nova-2-Modelle dabei als Frontier-Modelle mit «frontier-level intelligence»: Amazon Nova 2 Lite als kosteneffizientes Arbeitspferd für Instruktionsbefolgung, Toolnutzung und Code, Nova 2 Pro für komplexe agentische Aufgaben, Nova 2 Sonic für Echtzeit-Sprache und Nova 2 Omni für multimodale Szenarien, in denen Text, Bilder, Audio und Video zusammenlaufen. Chris Keller, Managing Director Central Europe bei AWS, sieht das innovativste Element in Amazon NovaForge in «Build-your-own-Large-Language-Model»: Unternehmen können an der Nova-Trainingspipeline andocken, eigene, proprietäre Daten einspeisen und erhalten so ein Modell, das die eigene Branche, Sprache und Use Cases wirklich versteht, statt «über Gott und die Welt» zu reden.

Sicherheit und Steuerbarkeit adressiert AWS mit Automated Reasoning und formalen Policies. Swami Sivasubramanian beschreibt, wie Richtlinien für Agenten, gemeint sind Fragen nach Systemen, Betragsgrenzen oder Aktionen, die erlaubt sind, in einer formalen Sprache wie beispielsweise Cedar ausgedrückt und automatisch auf Konsistenz geprüft werden. Bevor Agenten kritische Schritte ausführen oder generierter Code produktiv geht, wird gegen diese Regeln verifiziert. Byron Cook, Director der AWS Automated Reasoning Group, nennt das einen neuro-symbolischen Ansatz (neurosymbolic AI und formal resoning), der statistische LLMs mit mathematisch überprüfbaren Garantien kombiniert. Ergänzend bringt Amazon Bedrock AgentCore Policy feingranulare Steuerung in die Laufzeit: Agentenaktionen werden vor dem Zugriff auf Tools oder Daten in Millisekunden gegen formale Richtlinien (Policies) geprüft. Ein Punkt, den Chris Keller als entscheidend für regulatorisches Vertrauen in Europa hervorhebt.

Wo Unternehmen heute stehen – besonders in Europa

Die technische Botschaft von der re:Invent ist: Agentic AI ist baubar und skalierbar. Die wirkliche Frage für europäische Unternehmen lautet: Wo stehen wir, und welche Hürden sind spezifisch für unseren Markt? Chris Keller verweist auf eine AWS-Studie, nach der in der Schweiz bereits rund 46 Prozent der Unternehmen KI nutzen, deutlich mehr als im EU-Durchschnitt. «Wir starten erst», sagt Chris Keller und beschreibt eine Phase, in der viele Unternehmen KI bereits intern zur Produktivitätssteigerung einsetzen, aber noch zögern, Agenten im direkten Kundenkontakt großflächig zuzulassen.

Ein strukturelles Thema ist Sprache, und zwar im doppelten Sinn. Zum einen im Wörtlichen: Europäische Märkte sind sprachlich fragmentiert, was hochqualitative Modelle mit Deutsch, Französisch, Italienisch oder Schwedisch erfordert. Hier hebt Chris Keller die Multimodalität und Sprachvielfalt von Nova 2 Sonic und Omni hervor. Zum anderen im kulturellen Sinn: Tom Soderstrom, Director of Enterprise Strategy bei AWS, beobachtet, dass Begriffe wie «Transformation» oder «Disruption» in vielen Organisationen eher Ängste auslösen. Zudem erwarten Führungskräfte schnellen Return-on-Investment (ROI) aus GenAI- oder Agenten-Projekten, während Teams vielmehr Unsicherheit spüren – sei es, dass KI Jobs ersetzt oder Prozesse überfordert. Deshalb brauche es jetzt einen bewussten kulturellen Wandel, in dem Experimente erlaubt sind, Fehler als Lernschritte gelten und Mitarbeitende aktiv eingeladen werden, Agenten mitzugestalten, statt sie nur «vorgesetzt» zu bekommen, so Tom Soderstrom weiter. Nur wenn Führungskräfte diesen Rahmen schaffen und selbst sichtbar mit neuen Arbeitsweisen vorangehen, kann sich Vertrauen entwickeln und der Einsatz von Agenten über erste Leuchtturmprojekte hinaus in den Alltag diffundieren.

Zudem wirken Regulierung und Compliance: Tom Soderstrom, spricht davon, dass in Europa «fast die Hälfte der IT-Investitionen in Compliance statt in Innovation» fließt. Für ihn ist die zentrale Frage weniger Technologie als Fähigkeiten und Rahmenbedingungen: «Die meisten unserer Kund:innen haben Zugriff auf moderne Cloud- und KI-Services. Die Frage ist, ob sie die Fähigkeiten aufgebaut haben, sie richtig zu nutzen.» Use Cases wie Sony, Lyft und Reddit zeigen, wie das gelingen kann: Sony bündelt im «Sony Data Ocean» Daten aus über 500 Quellen und nutzt AWS, um sowohl eine Enterprise-AI-Plattform für 57.000 Mitarbeitende als auch eine Konzern-weite Engagement-Plattform für Fans aufzubauen. Lyft verkürzt mit Agenten die Bearbeitungszeit im Support um rund 87 Prozent und Reddit trainiert mit Amazon Nova Forge ein moderationsspezifisches Modell, das Community-Regeln besser versteht.

Future of Work: Skills, Teams und CX

Agenten verändern nicht nur Technologie, sondern auch Arbeitsweisen. Andy Warfield, Vice President und Distinguished Engineer bei AWS, beschreibt, wie Entwickler:innen heute mit «Agententeams» arbeiten: Ein Agent unterstützt bei Implementierung und Routinecode, ein zweiter ist als Review-Agent konfiguriert, dessen «Jobbeschreibung» vorsieht, Codequalität zu sichern, Fehler zu finden und schlechte Patterns zu kritisieren. «Diese Agenten sind nicht wie vollwertige Senior-Kolleg:innen, sondern eher wie sehr produktive Praktikant:innen, die Führung brauchen», sagt Warfield. Sie benötigen klare Aufgaben, Grenzen und Reviews. Gleichzeitig beobachtet er, dass Senior-Leute «wieder deutlich mehr hands-on» sind und dank Agenten tiefer in Code und Daten einsteigen, statt sich nur auf Berichte zu stützen.

Ähnliches gilt für datengetriebene Teams. Andy Warfield verweist auf Pinterest: Früher brauchten neue Analyst:innen Monate, um Tausende SQL-Tabellen zu verstehen; ein vorgeschalteter Agent, der Datenquellen inventarisiert und Abfragen übersetzt, verkürzt diese Einarbeitungszeit auf etwa eine Woche. Der Weg von «Observation to Decision» wird massiv kürzer. Für CX- und Service-Teams bedeutet das: weniger Zeit für das Suchen und Aufbereiten von Informationen, mehr Zeit für die Gestaltung der Customer Experience und das Führen komplexer Gespräche. Olawale Oladehin, Managing Director for North America Segments bei AWS, formuliert es so: «Agent:innen haben dadurch mehr Zeit für das eigentliche Gespräch, da sie deutlich weniger Zeit für die Nachbearbeitung anfällt». Aber der eigentliche Hebel liegt in neuen, proaktiven Services und personalisierten Journeys.

Matthias Patzak spricht in diesem Kontext von einem «Skills- eher als Technologieproblem»: Statt primär in Tools zu investieren, sollten Unternehmen Rollenprofile und Kompetenzen der eigenen Mitarbeitenden neu denken – von Agent Designer und Policy Owner über CX-Architekt:innen, die Customer Journeys gemeinsam mit Agenten orchestrieren, bis zu «Technologie-Teenagern» im Management, die selbst mit LLMs und Agenten experimentieren. Tom Soderstrom geht sogar so weit und rät, Mitarbeitende nicht durch «fertige» KI-Expert:innen zu ersetzen, sondern sie in kleinen, cross-funktionalen Teams mit realen, aber überschaubaren KI-Projekten weiterzuentwickeln.

Agentic AI auf der Management-Agenda

Tom Soderstrom beschreibt drei zentrale Stolpersteine, die sich in Gesprächen mit Führungskräften weltweit wiederholen: unrealistische Erwartungen («sofortige Kostensenkung»), Vertrauenslücken (zwischen Menschen, zwischen Mensch und Agent sowie perspektivisch zwischen Agenten selbst) und zu große, unscharf definierte Vorhaben. Seine Antwort fasst er in sechs Wörtern zusammen: «Think big, start small, scale fast.» Zuerst gehe es darum, groß zu denken, warum das Unternehmen existiert und welche Rolle Agenten entlang der Wertschöpfung spielen könnten, dann aber klein und konkret zu starten.

Für CMO, Serviceleiter:innen, CX- und Sales-Verantwortliche lassen sich daraus pragmatische nächste Schritte ableiten:

• Klarer Business-Fokus: Ein bis zwei Use Cases wählen, die unmittelbar Customer Experience betreffen, wie Fraud-Handling im Beispiel von Colleen zu Beginn, proaktive Service-Benachrichtigungen oder Agenten, die Servicemitarbeitende bei komplexen Fällen unterstützen, statt sie zu ersetzen.
• Daten- und Souveränitätsfundament legen: Daten so organisieren, dass Agenten sie sicher nutzen können; klare Policies für Zugriff, Betragsgrenzen, sensible Attribute definieren; prüfen, welche Workloads in eine EU-Sovereign-Cloud-Umgebung gehören.
• Agenten kontrolliert produktiv machen: Erste Agenten als «Co-Piloten» in bestehenden Workflows einsetzen, wie zum Beispiel im Amazon Connect-Szenarium, in dem der Agent recherchiert, zusammenfasst und Vorschläge macht, während der Mensch entscheidet. Agent Core Policy und Evaluations helfen dabei, Verhalten zu begrenzen und systematisch zu testen.
• Skills und Kultur adressieren: Mitarbeitende zu aktiven Gestalter:innen machen, sei es durch Training on the job in gemischten Teams aus Business, IT und Security; ein Narrativ etablieren, das Agenten als Verstärker und nicht als Bedrohung positioniert.
• Erfolge sichtbar machen und skalieren: Früh messbare Verbesserungen (Bearbeitungszeit, NPS, First-Contact-Resolution, Umsatzimpulse) definieren, kommunizieren und als Basis nutzen, um Use Cases zu priorisieren und zu skalieren.

Tom Soderstrom bringt es abschließend auf den Punkt: «Saving money immediately ist eine unrealistische Erwartung. Zuerst investiert man doppelt, nämlich in Alt und Neu. Der Return entsteht, wenn man daraus lernt und dann konsequent skaliert.» Matthias Patzak ergänzt: «Cloud und KI sind kein Selbstzweck. Sie sollen Unternehmen helfen, schneller bessere Entscheidungen zu treffen und näher an ihre Kund:innen zu rücken.» Agentic AI verschiebt diese Nähe: weg von reiner Effizienz, hin zu einer Customer Experience, in der intelligente Agenten und gut vorbereitete Menschen gemeinsam Probleme lösen, bevor Kund:innen sie überhaupt vollständig beschreiben können.