KI-Agenten brauchen eine Wahrheit, keine drei

Agentische KI verspricht Mittelständlern echte Wettbewerbsvorteile durch autonome Prozesse, weniger manuelle Eingriffe und schnellere Entscheidungen. Wer das produktiv umsetzen will, stößt jedoch schnell auf eine unbequeme Wahrheit. Dabei ist das Modell selten das Problem. 

Agentische KI rückt derzeit in den Fokus deutscher Mittelständler. Der Wettbewerbsdruck steigt und die erwarteten Effizienzgewinne könnten darüber entscheiden, ob ein Unternehmen sich am Markt bewähren kann oder nicht. Dabei unterscheidet sich agentische KI besonders in einem Punkt von den sich vielerorts bereits im Einsatz befindlichen Modellen: Agenten sollen nicht mehr nur Inhalte liefern, sondern selbst Entscheidungen vorbereiten und in Fachanwendungen Aktionen anstoßen. Wie stark der Zugzwang inzwischen ist, zeigt eine globale CEO-Umfrage von IBM: Aus Sorge, den Anschluss zu verlieren, investieren 64 Prozent der Befragten in neue Technologien, ohne deren Wert für das Unternehmen zuvor vollständig geklärt zu haben. 

Laut Statistischem Bundesamt nutzten bereits 26 Prozent der deutschen Unternehmen mit mindestens zehn Beschäftigten im letzten Jahr KI. Zum Vergleich waren es bei den Großunternehmen es zu dem Zeitpunkt bereits 57 Prozent. Trotz dieser Zahlen nennen Unternehmen fehlendes Wissen, rechtliche Unsicherheit und inkompatible Systeme als Hürden. Dazu zählen auch Defizite bei der Datenverfügbarkeit und Datenqualität. 

Warum der Engpass oft tiefer liegt 

Wenn agentische KI-Projekte ins Stocken geraten, richtet sich der Blick reflexartig auf das Modell. Dabei liegt das eigentliche Problem meist tiefer als die Modell-Wahl. Operative Daten verteilen sich über Fachanwendungen, Integrationsplattformen und analytische Systeme und werden dabei laufend kopiert und transformiert. Das Ergebnis ist, dass dieselbe betriebliche Realität in mehreren Varianten gleichzeitig existiert. Produktion, Logistik und Qualitätssicherung nutzen oft unterschiedliche Definitionen für identische Begriffe. Die Folge sind asynchrone Systemstände und eine fragmentierte Datenbasis, kurzum: Jede Abteilung arbeitet mit ihrer eigenen ‚Wahrheit‘. Das ist bereits bei klassischen Analysen ein Stolperstein, bei agentischer KI wird es zum Steuerungsrisiko. Ein Agent, der eigenständig handeln soll, braucht Klarheit darüber, ob ein Auftrag freigegeben ist, ob ein Bestand wirklich verfügbar ist und ob ein Vorgang fachlich abgeschlossen wurde. Geben verschiedene Systeme darauf unterschiedliche Antworten, trifft der Agent Entscheidungen auf Basis widersprüchlicher Grundlagen und löst Folgeaktionen aus, die sich kaum noch korrigieren lassen. 

Drei typische Failure-Modes in der Praxis 

Aus der Praxis mittelständischer IT-Projekte kristallisieren sich drei Muster heraus, die agentische KI-Vorhaben regelmäßig ausbremsen. 

Das erste Muster sind Datenkopien als Standardlösung. Jeder neue Use Case beginnt damit, Daten zu identifizieren und für die Anwendung aufzubereiten. Mit der Zeit entstehen so oft eigene Datenhaltungen mit eigenen Schemata, Qualitätsregeln und Verantwortlichkeiten. Jede Kopie braucht Pflege, Monitoring und Zugriffsregeln. Ändert sich ein Datenmodell, müssen mehrere Stellen gleichzeitig angepasst werden, und die Wahrscheinlichkeit, dass dabei Inkonsistenzen entstehen, steigt mit jeder weiteren Kopie. 

Das zweite Muster sind Schnittstellen ohne semantische Eindeutigkeit. Gewachsene IT-Landschaften gelten intern oft als „integriert“, weil Daten technisch zwischen Systemen fließen. Für agentische KI reicht das nicht. Eine API schafft Verbindung, aber keine fachliche Eindeutigkeit. Ein Bestand, der im Lagersystem als verfügbar gilt, kann an anderer Stelle noch gesperrt sein, technisch korrekt, fachlich widersprüchlich. Menschen gleichen solche Unschärfen durch Erfahrung und Kontextwissen aus. Ein Agent tut das nicht ohne weiteren Kontext. 

Das dritte Muster ist die fehlende Nachvollziehbarkeit im Betrieb. Wenn ein Agent in einen Prozess eingreift, muss sich im Nachhinein erklären lassen, auf welcher Datenbasis entschieden wurde, welche Regeln galten und welche Transformationen zwischen Quelle und Aktion lagen. In gewachsenen Architekturen ist diese Rückverfolgung oft schwieriger als erwartet. Ein verzögerter Datenstand oder eine fehlerhafte Transformation führt dazu, dass ein System mit Daten arbeitet, die technisch korrekt, fachlich aber irreführend sind.  

Anspruch und Absicherung fallen oft auseinander 

Auffällig ist, dass der strategische Anspruch bereits weiter ist als die operative Absicherung. McKinsey zeigt, dass 23 Prozent der befragten Unternehmen agentische KI bereits in mindestens einem Bereich skalieren, während weitere 39 Prozent damit experimentieren. Gleichzeitig veranschaulicht eine KPMG-Umfrage, dass 91 Prozent der Unternehmen generative KI im Allgemeinen inzwischen als strategisch wichtig einstufen, aber weniger als 10 Prozent bislang über ein vollständiges Governance-Modell für den EInsatz verfügen. 

Diese Lücke zwischen strategischem Anspruch und operativer Absicherung ist das tatsächliche Risiko, und sie wird mit jedem Agenten-Projekt, das in Produktion geht oder erst gar nicht in Produktion gehen kann, konkreter. 

Hausaufgaben für die Unternehmen, die vor der Einführung von agentischer KI stehen 

Diese Fragen sollten sich Unternehmen stellen und gelöst haben, bevor es zu einer Einführung von agentischer KI in ihren Prozessen zum Einsatz kommt: 

• Gibt es eine gemeinsame operative Realität?
  Bilden die beteiligten Systeme dieselben Zustände, Begriffe und Prozessschritte einheitlich ab, oder existieren parallele Wahrheiten, die manuell abgeglichen werden? 
• Wie viele Datenkopien gibt es pro Use Case? Jede Kopie ist ein neues Produkt, das betrieben, überwacht und bei Änderungen angepasst werden muss. Architekturen, die Datennähe ermöglichen, also operative Daten für verschiedene Zwecke nutzbar machen, ohne neue Pipelines aufzubauen, reduzieren diesen Aufwand strukturell. 
• Halten die Entscheidungen einem Audit stand? Agenten müssen erklären können, warum sie gehandelt haben. Das setzt voraus, dass Kontext-Snapshots reproduzierbar sind, also welche Datenbasis, welche Regeln und welche Berechtigungen die Aktion ausgelöst haben. Ohne durchgängige Korrelation wird Debugging zu einer mühsamen Suche über alle Systeme hinweg. 
• Sind Schreib- und Aktionsrechte nur dokumentiert oder technisch umgesetzt?
  Wenn Agenten Bestände ändern, Workflows starten oder Tickets erstellen, reicht eine Richtlinie im Handbuch nicht. Berechtigungen müssen technisch durchgesetzt und über alle beteiligten Systeme konsistent sein. 

Was Datenplattformen konkret leisten können 

Moderne Plattformen setzen an den drei Schwachstellen an, wo Unternehmen häufig scheitern. Ihr Kernversprechen ist nicht, bestehende Systeme zu ersetzen, sondern die Übergänge zwischen ihnen beherrschbar zu machen. 

Plattformen mit einem zentralen Datenkern lösen das Kopien-Problem auf architektonischer Ebene. Sie machen operative Daten für die Analyse, Automatisierung und für die agentischen Prozessen nutzbar. Auf diese Weise müssen keine redundanten Datenhaltungen für einzelne Anwendungsfälle aufgebaut werden, weshalb der Betriebsaufwand deutlich sinkt. Jede eingesparte Kopie eliminiert gleichzeitig eine potenzielle Quelle für Inkonsistenzen. 

Die semantische Eindeutigkeit entsteht nicht durch bessere Schnittstellen, sondern durch eine einheitliche fachliche Schicht, die Begriffe, Zustände und Prozessschritte systemübergreifend definiert und konsistent hält. Plattformen mit integrierten Interoperabilitätsfunktionen übernehmen genau das: Ein Agent, der auf dieser Grundlage arbeitet, sieht die operative Realität des Unternehmens, nicht den Ausschnitt eines einzelnen Quellsystems. 

Die Nachvollziehbarkeit ist schließlich keine Frage des guten Willens, sondern Teil einer guten Architektur. Wer Datenzugriffe, Transformationsschritte und ausgelöste Aktionen durchgängig protokolliert, kann im Nachhinein rekonstruieren, auf welcher Grundlage ein Agent gehandelt hat. Diesen Standard sollten Unternehmen eigentlich immer einhalten, ob mit Agenten oder durch ausschließlich menschliche Entscheidungsfindung. Für Mittelständler ist das keine Komfortfunktion, sondern eine absolute Notwendigkeit im laufenden Betrieb. 

Der entscheidende Vorteil gegenüber einem gewachsenen Tool-Stack: Wenn Datenhaltung, Integration und Verarbeitung in einer Plattform zusammenrücken, sinkt die Zahl der Systemgrenzen, an denen Fehler entstehen, Verantwortlichkeiten unklar werden und Governance-Regeln auseinanderlaufen. Das macht agentische KI nicht nur technisch möglich, sondern operativ beherrschbar. 

Automatisierung beginnt vor dem Modell 

Ob ein Modell leistungsfähig genug ist, ist selten die entscheidende Frage. Entscheidend ist, ob die Datenarchitektur trägt, ob Zustände konsistent abgebildet werden, ob Entscheidungen nachvollziehbar bleiben und ob Übergänge zwischen Systemen beherrschbar sind. Wer diese Hausaufgaben erledigt, macht aus einem ambitionierten Piloten eine belastbare operative Anwendung. Wer sie überspringt, riskiert, dass der Agent zuverlässig auf Basis falscher Grundlagen handelt, schnell, automatisiert und schwer korrigierbar.