Vom AI Chaos zur kontrollierten Ausführung

Auf der ServiceNow Knowledge in Las Vegas ging es nicht nur um neue AI-Funktionen. Der interessantere Punkt war ein anderer: Wie lässt sich AI so in Unternehmen einbinden, dass aus vielen einzelnen Copilots, Chatbots, Modellen und AI-Agenten kein neues AI Chaos entsteht, sondern ein kontrollierbarer, nachvollziehbarer und messbarer Beitrag zur Arbeit im Unternehmen?

Diese Frage zog sich durch die Eröffnungs-Keynotes, Produktankündigungen und Kundengespräche in Las Vegas. ServiceNow rückte dabei weniger die Leistungsfähigkeit einzelner Sprachmodelle in den Vordergrund als deren operative Einbettung: Welche Aufgaben darf ein AI-Agent übernehmen? Auf welche Daten darf er zugreifen? Welche Regeln gelten? Wer kontrolliert ihn? Und wie lässt sich belegen, ob er tatsächlich Wert schafft?

Bill McDermott, Chairman und CEO von ServiceNow, sprach in diesem Zusammenhang von einem «AI blind spot». Viele AI-Initiativen begännen beim Sprachmodell. Das sei nachvollziehbar, aber nicht ausreichend. Die eigentliche Differenzierung liege zunehmend «in the orchestration surrounding the models». Sein zugespitzter Satz dazu: «Governance isn’t a feature. It’s the whole ballgame.»

Im Gespräch mit Nick Tzitzon, Vice Chairman von ServiceNow, wurde McDermott noch deutlicher: «You can’t have a probabilistic solution for an enterprise. It has to be deterministic and it has to be right at every time.» Damit beschreibt er den Kern des Problems: Sprachmodelle können probabilistisch arbeiten, Unternehmen aber benötigen verlässliche, regelkonforme und nachvollziehbare Ausführung.

Darin liegt der rote Faden der aktuellen ServiceNow-Erzählung: AI nicht als isolierte Intelligenz, sondern als Teil einer kontrollierten Arbeitsarchitektur. Denn ohne Transparenz, Regeln und Steuerbarkeit droht AI nicht automatisch Produktivität zu schaffen, sondern neue Komplexität: zusätzliche Tools, weitere Schnittstellen, unklare Verantwortlichkeiten und schwer messbaren Nutzen.

Vom Modell zur Ausführung

In der Keynote wurde deutlich zwischen AI, die denken kann, und Workflows, die handeln, unterschieden. McDermott formulierte es so: Unternehmen bräuchten «a model that thinks and workflow that acts with integration and intelligence». Der Satz ist relevant, weil er den Schwerpunkt verschiebt: weg von der reinen Modellleistung, hin zur Frage, ob AI in der Lage ist, im Unternehmenskontext verlässlich und regelkonform Arbeit auszuführen.

Diese Perspektive trifft einen wunden Punkt vieler Unternehmen. In den vergangenen Monaten wurden zahlreiche Copilots, Chatbots und AI-Assistenten eingeführt. Doch häufig bleiben sie an einzelne Anwendungen gebunden. Sie beantworten Fragen, fassen Informationen zusammen oder geben Empfehlungen. Der Schritt in die Ausführung — also in Genehmigungen, Fallbearbeitung, Preislogik, Kundennachrichten, Zugriffsrechte oder Sicherheitsprozesse — ist deutlich anspruchsvoller.

ServiceNow spricht deshalb von einer Plattform, die über vier Schritte funktionieren soll: Sense, Decide, Act, Secure. Sie soll Signale aus Daten, Geräten, Identitäten und Systemen erfassen, Entscheidungen mit Unternehmenskontext unterstützen, Arbeit über AI-Spezialisten und Workflows ausführen und jeden Schritt über Governance absichern. ServiceNow beschreibt dies als Weg, AI von der Ambition in konkrete Ausführung über Workflows, Systeme und Abteilungen hinweg zu übersetzen.

Für Unternehmen ist das relevant, weil viele AI-Initiativen genau an dieser Stelle hängen bleiben: Sie liefern Intelligenz, aber keine verlässliche operative Umsetzung. ServiceNow argumentiert, dass AI-Agenten nur dann produktiv skaliert werden können, wenn sie in bestehende Prozess-, Daten- und Governance-Strukturen eingebettet sind. Sonst entsteht nicht Automatisierung, sondern ein neues Mass an Komplexität.

AI Control Tower: Sichtbarkeit, Kontrolle, Wertmessung

Der AI Control Tower war eines der zentralen Themen in Las Vegas. Er soll Unternehmen einen Überblick darüber geben, welche Modelle, Agenten, Datenquellen, Workflows und Identitäten im Einsatz sind. Damit adressiert ServiceNow genau jenes AI Chaos, das entstehen kann, wenn AI dezentral, schnell und ohne übergreifende Governance eingeführt wird.

Die erweiterte Version des AI Control Tower soll fünf Aufgaben abdecken: Discover, Observe, Govern, Secure und Measure.

Konkret bedeutet das: AI-Assets erkennen, Agentenverhalten laufend beobachten, Risiken und Compliance automatisiert bewerten, Identitäten und Berechtigungen absichern sowie Kosten und ROI messbar machen. ServiceNow verweist dabei unter anderem auf mehr als 30 Integrationen, darunter AWS, Google Cloud, Microsoft Azure sowie Enterprise-Anwendungen wie SAP, Oracle und Workday.

McDermott beschrieb den AI Control Tower als Antwort auf eine Frage, die ihm CEOs immer wieder stellten: «What happens when an agent does something I didn’t expect?» Die Antwort von ServiceNow darauf ist eine Kontrollinstanz, die Agenten, Modelle, Workflows und Identitäten sichtbar macht — inklusive der Möglichkeit, Prozesse anzuhalten oder Agenten zu deaktivieren.

Amit Zavery, President, COO und Chief Product Officer von ServiceNow, ordnete den AI Control Tower als Erweiterung bestehender Plattformfähigkeiten ein. «A year ago, AI Control Tower gave enterprises visibility into their AI. Today it governs the entire AI lifecycle across every agent, model, dataset, asset, and identity, across every cloud and enterprise system», sagte Zavery.

Wichtig ist dabei nicht nur Kontrolle, sondern auch Messbarkeit. Der AI Control Tower soll Adoption, Nutzung, Kosten, Produktivität und ROI nachvollziehbar machen. Jon Sigler, Executive Vice President und General Manager AI Platform bei ServiceNow, fasste dies so zusammen: «Unternehmen stünden unter Druck, AI einzuführen und Ergebnisse zu zeigen, doch zwischen Adoption und Accountability gebe es eine grosse Lücke. Genau dort soll der AI Control Tower ansetzen.»

Wenn Agenten Fehler machen

Warum Governance praktisch relevant ist, zeigte eine Demo zum Thema Prompt Injection. Darin erhielt ein AI-Agent versteckte Anweisungen, Preisregeln zu ignorieren und Versandkosten falsch zu setzen. Kritisch war nicht nur die falsche Entscheidung, sondern auch die Anweisung, die Anpassung nicht zu protokollieren. Das Beispiel zeigte, wie ein einzelner Agent Auswirkungen auf Fulfillment, Order Management, Billing, Revenue und Kundenkommunikation haben kann.

Die Demo war bewusst zugespitzt. Sie verweist aber auf eine reale Herausforderung: Wenn AI-Agenten nicht mehr nur Text generieren, sondern in operative Prozesse eingreifen, werden Zugriffskontrolle, Audit Trails und Eingriffsmöglichkeiten zur Voraussetzung. ServiceNow demonstrierte dies mit einem «Kill Switch», der Berechtigungen entzieht, den Agenten deaktiviert, einen Sicherheitsvorfall erzeugt und die Vorgänge dokumentiert.

Die Sicherheitslogik geht über klassische IT hinaus. Durch die Einbindung von Veza und Armis will ServiceNow nicht nur menschliche Identitäten, sondern auch Maschinen-, Geräte- und AI-Agenten-Identitäten sowie verbundene Assets besser sichtbar und kontrollierbar machen. John Aisien, SVP und GM Security & Risk bei ServiceNow, formulierte es so: ServiceNow liefere ein Sicherheitsbild mit Identitäts- und Berechtigungstransparenz für jeden Menschen und jeden Agenten sowie einem Überblick über vernetzte Assets vom Code bis zu physischen Anlagen.

Für Unternehmen ist das weniger eine technische Detailfrage als eine Governance-Frage:

• Welche Aufgaben dürfen Agenten übernehmen?
• Welche Rechte erhalten sie?
• Wie werden ihre Entscheidungen überprüft?
• Und wann muss ein Mensch eingreifen?

Kundensicht: AI braucht klare Workflows und verlässliche Daten

Dass diese Fragen nicht nur Anbieterlogik sind, zeigte der Auftritt von FedEx. Vishal Talwar, CDIO von FedEx Corporation und President von FedEx Dataworks, stellte Vertrauen und Sicherheit in den Mittelpunkt. Für FedEx, dessen Marke seit Jahrzehnten mit Verlässlichkeit verbunden sei, gebe es «no room for error». Um AI sicher zu skalieren, brauche es aus seiner Sicht drei Dinge: klare Workflows, integre Daten und ein starkes Orchestrierungs- und Governance-Framework.

Talwar formulierte es deutlich: «We are not just throwing automation at the problem.» FedEx beginne damit, Geschäftsprozesse end-to-end zu verstehen und gezielt zu identifizieren, wo AI entlang der Wertschöpfung tatsächlich Nutzen stiften könne.

Ebenso zentral sei die Datenbasis: «AI is only as good as the data that feeds it.»

Besonders interessant war seine Einordnung von AI-Agenten als digitale Arbeitskräfte. FedEx behandle sie mit derselben Strenge und denselben Richtlinien wie menschliche Teams. Genau hier sieht Talwar die Rolle von Werkzeugen wie dem AI Control Tower: Er biete eine einheitliche Sicht auf Nachvollziehbarkeit und Sichtbarkeit über AI-Deployments hinweg und ermögliche es, AI verantwortungsvoll zu skalieren.

Auch andere Kundenbeispiele unterstreichen die operative Perspektive. HDFC Bank bezeichnet AI Governance als «foundational» und nutzt den AI Control Tower als gemeinsame Governance-Schicht über IT und Risk hinweg. Die NHL wiederum sieht in der Plattform eine Möglichkeit, fragmentierte Abläufe über 32 Clubs und mehr als 1’300 Spiele pro Saison in intelligentere Workflows zu überführen.

FedEx-CEO Raj Subramaniam ergänzte die strategische Perspektive. Die Grenze zwischen Business und Technologie beginne zu verschwimmen: «Business is technology and technology is business.» Für ein globales Logistikunternehmen ist das keine abstrakte Aussage. FedEx bewegt täglich Millionen von Sendungen und sieht in den eigenen Daten einen Hebel, Lieferketten nicht nur vorhersehbarer, sondern auch effizienter zu machen.

Autonomous CRM: Von der Erfassung zur Erledigung

Auch im CRM-Kontext wurde deutlich, wie ServiceNow AI versteht: nicht primär als Assistenzfunktion, sondern als Möglichkeit, Arbeit auszuführen. Unter dem Begriff «Autonomous CRM» beschreibt das Unternehmen AI-gestützte Prozesse, die Anliegen verstehen, Geschäftsregeln anwenden und Fälle entweder lösen oder an die richtige Stelle weiterleiten, bevor ein Mensch eingreifen muss.

Der Unterschied zu klassischem CRM liegt in der Perspektive. Traditionelle CRM-Systeme erfassen Kundendaten, dokumentieren Interaktionen, unterstützen Vertriebspipelines und verwalten Servicefälle.

ServiceNow legt den Fokus stärker auf die operative Bearbeitung:

• Was muss passieren, damit ein Kundenanliegen wirklich gelöst wird?
• Welche Abteilungen, Systeme und Prozesse sind beteiligt?
• Welche Regeln gelten?

In der Keynote wurde dies so beschrieben: «On the service side, we put agentic AI to work across every single channel of your business. It understands intent, it applies business rules, and it either resolves or routes issues before a human agent ever has to get involved. That’s Autonomous CRM.» Damit rückt CRM näher an Customer Operations heran: Es geht nicht mehr nur darum, Kundeninteraktionen festzuhalten, sondern sie über Workflows tatsächlich bis zur Lösung zu führen.

Auch Vertriebsprozesse wurden in diese Logik einbezogen. Mit «Autonomous Quoting» und «Conversational Sales» sollen Vertriebsmitarbeitende weniger Zeit mit administrativen Aktualisierungen verbringen und mehr Zeit für Kundenbeziehungen gewinnen. Für CX- und Service-Verantwortliche ist diese Entwicklung relevant, weil viele Kundenerlebnisse nicht am ersten Kontakt scheitern, sondern an Übergaben im Hintergrund: zwischen Service, Backoffice, Technik, Abrechnung, Field Service oder Fulfillment.

Autonomous CRM adressiert damit nicht nur die Oberfläche der Kundeninteraktion, sondern die operative Leistungsfähigkeit dahinter. Genau hier liegt die strategische Frage: Wird CRM künftig vor allem daran gemessen, wie gut es Kundeninformationen verwaltet, oder daran, wie zuverlässig es Arbeit bis zur Lösung ausführt?

Employee Experience: Otto als Zugangspunkt zur Arbeit

Ein ähnlicher Gedanke zeigt sich im Bereich Employee Experience. Mit EmployeeWorks soll eine AI-gestützte Eingangstür für Mitarbeitende entstehen. Mitarbeitende sollen nicht mehr in verschiedenen Portalen, Copilots und Systemen suchen müssen, sondern über eine zentrale Erfahrung Fragen stellen, Informationen abrufen und Aufgaben anstossen können.

ServiceNow beschreibt Otto als neue Enterprise-AI-Erfahrung, die Now Assist, Moveworks und AI Experience zusammenführt. Otto soll Conversational AI, autonome Workflows und Enterprise Search in einer Oberfläche bündeln und Arbeit über Abteilungen und Systeme hinweg abschliessen. Die Produktlogik dahinter ist klar: Viele AI-Anwendungen beantworten Fragen, können aber Arbeit nicht über Systemgrenzen hinweg fertigstellen. Genau diese Lücke soll Otto adressieren.

Bhavin Shah, SVP und GM Employee Experience and AI bei ServiceNow, formulierte es so: «Moveworks understood what employees needed. ServiceNow could do the work. Together, we built ServiceNow Otto, an AI experience that completes work, across any system, department, or any workflow.»

Mitarbeitende müssten nicht mehr wissen, wohin sie gehen oder wen sie fragen sollen; sie fragten Otto, und die Anfrage werde innerhalb der notwendigen Unternehmensleitplanken bearbeitet.

Damit wird Employee Experience nicht als reines HR-Thema behandelt. Es geht um IT, HR, Finance, Workplace, Legal, Procurement und andere Unternehmensfunktionen. Siemens beschreibt den Nutzen aus Mitarbeitendensicht: Conversational AI werde direkt zu Mitarbeitenden gebracht, wodurch IT-Support und interne Kommunikation nahtloser würden, administrative Reibung sinke und institutionelles Wissen erhalten bleibe. Medtronic verweist darauf, mehr als 100 Custom Use Cases mit Moveworks und ServiceNow aufgebaut zu haben, damit Mitarbeitende schneller finden, was sie brauchen.

Auch die Autonomous Workforce passt in dieses Bild. ServiceNow spricht von AI-Spezialisten für IT, CRM, Employee Service Teams sowie Security & Risk. Anders als reine Task-Automation sollen diese Spezialisten definierte Rollen übernehmen und End-to-End-Prozesse ausführen – mit Audit Trails, rollenbasierten Berechtigungen und Unternehmenskontext.

Jensen Huang: AI soll Arbeit tun

Aufschlussreich war der Auftritt von NVIDIA-CEO Jensen Huang. Er ordnete die Entwicklung von generativer zu agentischer AI ein: Zunächst habe AI vor allem Inhalte generiert. Heute gehe es darum, dass AI Absichten, Kontext und Probleme versteht, Lösungswege plant, Werkzeuge nutzt und Arbeit erledigt. «Generative AI generates information, but ultimately what we all want to do is to do work», sagte Huang.

Für Unternehmen sei deshalb entscheidend, AI sicher einzusetzen. Huang verglich AI-Agenten mit menschlichen Akteuren, weil sie auf Informationen zugreifen, kommunizieren und handeln können. Deshalb müssten sie in kontrollierte Umgebungen eingebettet werden – mit Richtlinien, Zugriffskontrollen, Netzwerkregeln und klaren Rollen. «Now you have human agents, you have AI agents, and they basically govern the same way», sagte Huang.

Diese Logik spiegelt sich auch in der erweiterten Zusammenarbeit zwischen ServiceNow und NVIDIA. Mit Project Arc kündigte ServiceNow einen autonomen Desktop-Agenten an, der durch NVIDIA OpenShell abgesichert und durch den ServiceNow AI Control Tower gesteuert werden soll. Die Idee: Agentische AI soll nicht nur auf Anwendungsebene, sondern vom Desktop bis zum Rechenzentrum kontrollierbar werden.

Seine wirtschaftliche Einordnung war ebenfalls bemerkenswert. Führungskräfte sollten Produktivität nicht nur als Kostensenkung betrachten, sondern als Möglichkeit, Ambitionen zu erhöhen: «I think you should think productivity and therefore ambition elevation.»

Einordnung: Die bekannte Plattformlogik wird auf AI übertragen

Am Ende bleibt die Frage, wie stark ServiceNow hier tatsächlich eine neue Rolle formuliert. Die plausiblere Einordnung ist: ServiceNow erfindet sich nicht neu, sondern überträgt seine bekannte Workflow- und Plattformlogik auf die nächste technologische Phase. Was bisher als System of Action, Automatisierung und Enterprise Service Management erzählt wurde, wird nun auf AI-Agenten, autonome Workflows und Governance angewendet.

Damit verschiebt sich der Fokus weg vom einzelnen Sprachmodell hin zur operativen Einbettung von AI. Entscheidend ist nicht nur, was ein Modell erkennt oder empfiehlt, sondern ob ein AI-Agent im Unternehmenskontext verlässlich handeln darf: mit klaren Berechtigungen, nachvollziehbaren Entscheidungen, messbaren Ergebnissen und der Möglichkeit, bei Fehlverhalten einzugreifen.

Das zuvor beschriebene AI Chaos ist damit weniger ein Schlagwort als die Konsequenz fehlender Architektur: Viele Unternehmen führen AI schneller ein, als sie Governance, Datenqualität und Verantwortlichkeiten klären. Genau darin liegt der eigentliche Punkt der ServiceNow-Botschaft. Autonome Arbeit wird erst dann unternehmensfähig, wenn sie nicht nur technisch möglich ist, sondern auch gesteuert, kontrolliert und verantwortet werden kann.