Thought Leadership
KI-Agenten halten mit hoher Geschwindigkeit Einzug in Unternehmensanwendungen. Gartner erwartet, dass bis Ende 2026 rund 40 Prozent der Unternehmensapplikationen aufgabenspezifische KI-Agenten integrieren werden – gegenüber weniger als fünf Prozent im Jahr 2025.
Auch SAP hat auf der Sapphire 2026 mit der SAP Business AI Platform und der Vision des „Autonomous Enterprise“ deutlich gemacht, in welche Richtung sich der Markt entwickelt: Menschen und KI sollen geschäftskritische Prozesse künftig gemeinsam, sicher und mit einem deutlich höheren Automatisierungsgrad ausführen.
Besonders sichtbar wird dieses Potenzial in der Datenanalyse. Analytische KI-Agenten können komplexe Fragestellungen erfassen, relevante Datenquellen identifizieren, fachliche und technische Zusammenhänge berücksichtigen und Analyseergebnisse in den passenden Geschäftskontext einordnen. Innerhalb klar definierter Berechtigungs- und Governance-Rahmen leiten sie daraus Handlungsempfehlungen ab, holen Freigaben ein oder stoßen nachgelagerte Prozessschritte an.
Ein Sales-Agent verdeutlicht, wie dies in der Praxis aussehen kann: Er analysiert kontinuierlich Markt- und Absatzdaten aus der SAP Business Data Cloud, verknüpft sie mit internen Geschäftskennzahlen und erzeugt daraus automatisiert Berichte für Management und Controlling. Verändert sich die Marktstimmung, erkennt der Agent entsprechende Signale frühzeitig, informiert die Verantwortlichen und schlägt mögliche Gegenmaßnahmen vor. Unternehmen gewinnen dadurch wertvolle Reaktionszeit und können Risiken adressieren, bevor sie sich vollständig im Absatz niederschlagen.
Mit KI-Agenten lassen sich Data-Analytics-Prozesse automatisieren, Erkenntnisse in Echtzeit gewinnen und Entscheidungen effizienter unterstützen.
Rico Schirmer, Management- und IT-Beratung MHP
Win-Win für Mitarbeitende und Unternehmen
Für Mitarbeitende bedeutet diese Entwicklung vor allem Entlastung. Repetitive und zeitintensive Tätigkeiten lassen sich reduzieren, während mehr Raum für strategische Fragestellungen, Innovation und wertschöpfende Entscheidungen entsteht. KI-Agenten werden damit zu digitalen Sparringspartnern, die Teams und Führungskräften relevante Erkenntnisse bereitstelle und technisches wie fachliches Wissen kontextbezogen nutzbar machen.
Für Unternehmen ergeben sich daraus schnellere Reaktionszeiten, effizientere Prozesse, eine höhere Entscheidungsqualität und eine geringere Abhängigkeit von knappem Expertenwissen.
Die Herausforderungen unter der Oberfläche
So groß das Potenzial ist, so hoch sind die Anforderungen an eine erfolgreiche Einführung. Gerade im analytischen Kontext entscheidet nicht allein die eingesetzte KI-Technologie über die Qualität der Ergebnisse. Ebenso entscheidend sind die Qualität der zugrunde liegenden Daten, ihre fachliche Bedeutung und ein belastbarer Governance-Rahmen.
In vielen Unternehmen sind Datenlandschaften jedoch historisch gewachsen, heterogen und stark fragmentiert. Datensilos erschweren es KI-Agenten, Informationen zuverlässig zu finden, Zusammenhänge korrekt zu bewerten und Analyseergebnisse konsistent zu interpretieren. Besonders kritisch ist eine uneinheitliche Geschäftssemantik: Werden Kennzahlen wie Umsatz oder Marge in unterschiedlichen Bereichen abweichend definiert, entstehen inkonsistente Analysen, widersprüchliche Aussagen und unnötig hohe KI-Verbrauchskosten.
Ebenso zentral ist die Governance. Transparente Zugriffsrechte, klar definierte Kontrollen und nachvollziehbare Entscheidungslogiken stellen sicher, dass Agenten im Einklang mit Unternehmensrichtlinien agieren. Abhängig vom Risikoprofil eines Anwendungsfalls kann ein Agent selbstständig analysieren, einen Vorschlag vorbereiten oder eine Aktion erst nach menschlicher Freigabe ausführen.
Die KI-fähige Business Data Fabric als Fundament
Um diese Anforderungen zu erfüllen, benötigen Unternehmen eine KI-fähige Business Data Fabric. Sie verbindet Datenmanagement, semantische Modellierung, Governance und KI-Fähigkeiten zu einem belastbaren Fundament für vertrauenswürdige analytische Agenten. Orientiert am Data-Mesh-Prinzip werden Daten entlang von Geschäftsdomänen organisiert und als standardisierte Datenprodukte mit klarer Verantwortung, Qualitätssicherung und Dokumentation bereitgestellt. Semantische Modellierung und KI-gestützte Anreicherung schaffen daraus eine verlässliche Wissensbasis. Auf dieser Grundlage greifen Agenten nicht nur auf Daten zu, sondern verstehen auch fachliche Zusammenhänge, Kennzahlenlogiken und relevante Kontextinformationen.
In SAP-orientierten Landschaften kann die SAP Business Data Cloud diese Rolle übernehmen. SAP Databricks erweitert Datenprodukte beispielsweise um Prognose- und Machine-Learning-generierte Erkenntnisse. SAP Datasphere unterstützt die fachliche und semantische Modellierung, während die SAP Business AI Platform Funktionen bereitstellt, um KI-Agenten zu entwickeln und sicher zu skalieren. Der Zugriff auf Daten und Anwendungen erfolgt über klar definierte, abgesicherte Schnittstellen, etwa auf Basis von Standards wie dem Model Context Protocol. Ergänzend sorgt ein AgentOps-Modell für Monitoring, Evaluation, Kostenkontrolle und kontinuierliche Verbesserung. Die gleichen Prinzipien lassen sich auch auf hybride und Non-SAP-Landschaften übertragen.
Wer Data Analytics mit KI-Agenten beschleunigt, braucht ein solides Vorgehensmodell: Use Cases, Datenbasis und Operating Model müssen gemeinsam und iterativ wachsen.
Li Chen, Management- und IT-Beratung MHP
Use Case first: Daten und KI gemeinsam skalieren
Eine KI-fähige Datenlandschaft entsteht ebenso wenig über Nacht wie ein belastbares Portfolio produktiver KI-Agenten. Unternehmen sollten deshalb nicht auf die vermeintlich perfekte Datenplattform warten, zugleich aber vermeiden, Agenten ohne tragfähiges Fundament in die Breite auszurollen. Erfolgversprechend ist ein agiles, ROI-orientiertes Vorgehen, bei dem Datenbasis, KI-Anwendungsfälle und Operating Model parallel und schrittweise weiterentwickelt werden.
Zu Beginn empfiehlt es sich für Unternehmen, ihr Zielbild für Daten und KI zu schärfen und eine passende Business Data Fabric zu definieren. Diese sollte insbesondere Funktionen für Datenprodukte, semantische Modellierung, Governance sowie standardisierte KI- und Tool-Schnittstellen bereitstellen.
Darauf aufbauend wird ein klar abgegrenzter analytischer Use Case für eine Datendomäne priorisiert. Für diesen Anwendungsfall entsteht zunächst eine minimale, aber tragfähige Datenbasis. Parallel wird der Agent mit klaren Aufgaben, Werkzeugen und Autonomiegrenzen umgesetzt. So lässt sich früh ein messbarer Nutzen erzielen, während das Feedback der Anwender über Agent-Ops kontinuierlich in die Weiterentwicklung einfließt.
Mit jedem weiteren Use Case wächst die gemeinsame Grundlage: Zusätzliche Datendomänen werden erschlossen, semantische Modelle erweitert und Governance-Mechanismen standardisiert. Die Abbildung verdeutlicht diesen iterativen Aufbau: Auf jede neue Datendomäne folgt ein Agentenzyklus aus Umsetzung, Betrieb und kontinuierlicher Verbesserung.
Mit diesem pragmatischen Vorgehen gelangen Unternehmen schrittweise und kontrolliert in eine agentenbasierte Analytics- Welt. Wer heute mit einem wertstiftenden Use Case beginnt, schafft die Voraussetzungen für eine neue Form der Unternehmenssteuerung: schneller, intelligenter und stärker automatisiert als je zuvor.
