Was KI-Agenten für den produktiven Einsatz brauchen

Meike Tarabori live vom AWS Summit Zurich 2026

„Today is the slowestday of the rest of ourlives“

Mit diesem Satz eröffnete Felix Schönherr, neuer Schweizer AWS Country Manager, den AWS Summit Zurich 2026 in der Messe Zürich. Die Aussage stand sinnbildlich für den thematischen Rahmen der Keynote: Künstliche Intelligenz entwickelt sich mit hoher Geschwindigkeit weiter und soll zunehmend nicht mehr nur Informationen bereitstellen oder einzelne Arbeitsschritte unterstützen, sondern eigenständig Aufgaben innerhalb definierter Prozesse übernehmen. 

AWS gliederte diese Entwicklung in mehrere Bereiche. Agenten sollen die tägliche Arbeit unterstützen, Softwareentwicklung und Sicherheitsprozesse begleiten und Unternehmen ermöglichen, eigene agentische Anwendungen für spezifische Aufgaben aufzubauen. Für Customer Experience und Customer Service ist insbesondere die Frage relevant, unter welchen Voraussetzungen solche Systeme im Unternehmensalltag sinnvoll eingesetzt werden können. 

Von der Unterstützung zur Prozessbearbeitung 

Rory Richardson, Director of Next Generation Developer Experience, GenAI GTM bei AWS, griff zunächst ein bekanntes Problem vieler digitaler Arbeitsumgebungen auf. Informationen verteilen sich über E-Mails, Chats, Dokumente, Dashboards und weitere Anwendungen. KI-Assistenten können den Zugriff darauf vereinfachen, lösen jedoch nicht automatisch das Problem fragmentierter Prozesse. Häufig bleibt es beim Nutzer, Informationen zusammenzuführen, Zusammenhänge herzustellen und nächste Schritte einzuleiten. Richardson beschrieb diese Einschränkung mit den Worten, manche bisherigen KI-Assistenten seien letztlich kaum mehr als eine etwas schnellere Suchfunktion. 

Agentische Systeme sollen darüber hinausgehen. Statt lediglich einzelne Fragen zu beantworten, sollen sie ein definiertes Ziel berücksichtigen, relevante Informationen aus verschiedenen Quellen heranziehen und mehrere Arbeitsschritte nacheinander ausführen können. Unter dem Begriff «Work» zeigte AWS beispielsweise, wie Informationen für ein Kundengespräch aus unterschiedlichen Quellen zusammengeführt und daraus Unterlagen oder weitere Aktionen abgeleitet werden können. Unter den Begriffen «Build» und «Secure» stellte AWS zudem verschiedene agentische Anwendungen vor. Diese sollen unter anderem Softwareentwicklung, Modernisierung und Sicherheitsprozesse unterstützen.  

Für die Einordnung aus Customer-Management-Sicht ist weniger die jeweilige technische Lösung entscheidend. Interessanter ist die grundsätzliche Entwicklung: KI-Systeme werden zunehmend für Aufgaben konzipiert, die mehrere Prozessschritte sowie den Zugriff auf unterschiedliche Datenquellen erfordern. 

Pictet: Innovation unter regulatorischen Bedingungen 

Wie eng technologische Entwicklung und Governance miteinander verbunden sind, zeigte der Auftritt von Martin Kunz, Group CTO von Pictet. Die Schweizer Privatbank setzt seit mehreren Jahren Cloud- und KI-Technologien ein, verbindet deren Nutzung jedoch mit klaren Anforderungen an Sicherheit, Vertraulichkeit und Datenhaltung. Kunz formulierte diese Priorität deutlich: 

„Preserving our customers assets and their confidentiality will always come first.“ 

So hat Pictet seine Daten- und KI-Infrastruktur schrittweise aufgebaut. Ein konkretes Beispiel aus der Keynote betraf den Einsatz generativer KI im Investment Research. Ein Fondsmanager arbeitet mit einem Universum von rund 2’500 Unternehmen und reduziert dieses auf eine deutlich kleinere Auswahl potenzieller Investments. Die Recherche zu einem einzelnen Unternehmen hat früher für einen Junior Portfolio Manager mehrere Tage beansprucht, doch mithilfe der neuen Anwendung kann dieser Prozess heute innerhalb von Minuten vorbereitet und anschliessend weiter vertieft werden. 

Der Fall verdeutlicht, dass der Nutzen nicht allein vom verwendeten Modell abhängt. Ausschlaggebend ist ebenso, auf welche Informationen ein System zugreifen kann, wie diese Informationen eingebunden werden und welche Sicherheits- und Zugriffsregeln gelten. Für regulierte Unternehmen dürfte genau diese Verbindung von Innovation und Kontrolle eine zentrale Voraussetzung für den breiteren Einsatz agentischer Systeme bleiben. 

Kontext wird zur Voraussetzung 

Rory Richardson formulierte weiter einen weiteren Aspekt der Keynote wie folgt: „The agents that matter to you most, to your business, are the ones that only you can create.“  Hinter dieser Aussage steht vor allem die Bedeutung von Unternehmenskontext, denn ein allgemeines Sprachmodell kennt weder die spezifischen Kundenbeziehungen eines Unternehmens noch dessen Prozesse, Produkte, Richtlinien oder Verantwortlichkeiten. Damit ein Agent eine Aufgabe zuverlässig bearbeiten kann, muss er auf relevante und möglichst aktuelle Informationen zugreifen können. Richardson fasste dies entsprechend zusammen: 

„The right answer requires context. And context lives in your data.“

Für Unternehmen ergeben sich daraus mehrere praktische Fragen. Welche Informationen benötigt ein Agent für seine Aufgabe? Welche Datenquellen gelten als verbindlich? Auf welche Systeme darf er zugreifen? Welche Aktionen kann er selbstständig ausführen und wo ist eine menschliche Freigabe notwendig? Damit rücken schliesslich neben der Modellauswahl vor allem Datenqualität, Zugriffsrechte, Prozessgestaltung und Governance in den Vordergrund. 

Gerade im Customer Service ist dies hoch relevant, denn ein agentisches System kann eine Kundenanfrage nur dann sachgerecht bearbeiten, wenn es beispielsweise auf Produktinformationen, Kundenhistorie, Vertragsdaten, Prozessvorgaben und aktuelles Unternehmenswissen zugreifen kann. Gleichzeitig muss sichergestellt sein, dass Zugriffsrechte eingehalten und nur jene Informationen genutzt werden, die für den jeweiligen Prozess und Nutzer vorgesehen sind. Agentic AI erhöht damit die Anforderungen an Daten- und Wissensmanagement eher, als dass sie diese reduziert. 

Fehlerhafte, veraltete oder widersprüchliche Informationen können sich unmittelbar auf die Qualität automatisierter Entscheidungen und Antworten auswirken. Je stärker Systeme eigenständig agieren, desto wichtiger werden daher verlässliche Datenquellen und klar definierte Prozessregeln. 

Nexthink: Agenten für konkrete operative Aufgaben 

Einen zweiten praxisnahen Einblick lieferte Nexthink. Samuele Gantner, Chief Product Officer bei Nexthink, stellte den Einsatz von KI-Agenten im IT-Support vor. Ausgangspunkt ist das Problem sogenannter «Digital Friction», technischer Schwierigkeiten, die Mitarbeitende im Arbeitsalltag Zeit kosten und Supportorganisationen belasten. Nexthink verarbeitet nach eigenen Angaben Daten von mehr als 25 Millionen Endgeräten und setzt bereits umfangreiche Automatisierungen ein. Mit dem KI-Agenten «Spark» soll ein Teil der bislang schwer automatisierbaren Supportfälle bearbeitet werden. 

Der Agent kann technische Probleme erkennen, Mitarbeitende unterstützen und bestimmte Störungen selbstständig beheben. Laut Gantner löst Spark AI mittlerweile 77 Prozent der IT-Probleme beim ersten Kontakt. Weiter beschreibt er die Rolle von KI dabei wie folgt: 

„What AI does in this game is that it opens opportunities that were not possible in the past.“

Der Nexthink-Case ist deshalb interessant, weil er nicht bei der Technologie ansetzt, sondern bei einem konkreten operativen Problem. KI wird dort eingesetzt, wo klassische, regelbasierte Automatisierung an Grenzen stösst und zusätzliche Kontextverarbeitung erforderlich ist. 

Wenn Agenten Teil realer Prozesse werden 

Die Keynote des AWS Summit Zurich 2026 machte deutlich, dass sich die Diskussion um KI weiter konkretisiert. Im Vordergrund steht zunehmend weniger die Frage, was ein Sprachmodell grundsätzlich leisten kann, sondern wie KI-Agenten verlässlich in reale Prozesse eingebunden werden können. Dabei geht es nicht darum, möglichst viele Agenten einzusetzen, sondern vielmehr um die umgekehrte Betrachtung: Welche Prozesse, Kundenanliegen oder wiederkehrenden Aufgaben liessen sich bisher nur deshalb nicht sinnvoll automatisieren, weil Kontext, Interpretation oder situative Entscheidungen notwendig waren? Genau dort können Agenten jetzt neue Möglichkeiten eröffnen. Voraussetzung dafür sind belastbare Daten, klar geregelte Zugriffe, definierte Verantwortlichkeiten und nachvollziehbare Vorgaben dazu, welche Aufgaben ein Agent selbstständig übernehmen darf und wo menschliche Kontrolle erforderlich bleibt. 

Damit wird Agentic AI zunehmend zu einer Frage von Prozessdesign, Customer Experience und Unternehmensführung. Entscheidend ist nicht, wo sich ein Agent einsetzen lässt, sondern welches relevante Problem sich mit ihm besser lösen lässt als bisher. Daran dürfte sich letztlich zeigen, ob aus Agenten-Prototypen produktive Anwendungen mit messbarem Mehrwert werden.