Agentic AI (deutsch: agentische KI) bezeichnet KI-Systeme, die ein vorgegebenes Ziel verfolgen, mehrstufige Aufgaben selbst planen und über angebundene Systeme Aktionen ausführen – innerhalb festgelegter Regeln und Berechtigungen. Anders als ein Chatbot beantwortet ein KI-Agent also nicht nur Fragen, sondern erledigt Arbeitsschritte: Er gleicht etwa Bestände im ERP ab, erkennt einen drohenden Materialengpass und bereitet eine Bestelländerung zur Freigabe vor.
Für Unternehmen ist das vor allem dort interessant, wo Informationen aus mehreren Systemen zusammenkommen und viele manuelle Abstimmungen anfallen – im Einkauf, in Finance, in der Instandhaltung oder im IT-Service. Ein leistungsfähiges KI-Modell allein reicht dafür nicht. Entscheidend sind verlässliche Daten, die Integration in bestehende Prozesse und klare Regeln dafür, was ein Agent selbst tun darf.
In diesem Artikel erfahren Sie, wie Agentic AI funktioniert, worin sie sich von generativer KI und KI-Agenten unterscheidet, welche Beispiele es gibt und wie Unternehmen Agentic AI im SAP-Umfeld einführen.
Was ist Agentic AI (agentische KI)?
Agentic AI ist ein Ansatz der künstlichen Intelligenz, bei dem KI-Systeme Ziele verfolgen, Aufgaben in Teilschritte zerlegen und je nach Berechtigung eigenständig ausführen. Dafür greifen sie auf Datenquellen, Werkzeuge und Schnittstellen zu Unternehmensanwendungen zu. Im Deutschen wird der Begriff meist mit „agentische KI“ oder „agentenbasierte KI“ übersetzt.
Drei Merkmale unterscheiden agentische KI von klassischen KI-Anwendungen:
- Zielorientierung: Der Agent erhält ein Ziel, keine Einzelanweisung, und bestimmt den Weg dorthin selbst.
- Werkzeugnutzung: Er ruft Daten ab, nutzt APIs und löst Aktionen in Systemen wie SAP S/4HANA aus.
- Rückkopplung: Er prüft Zwischenergebnisse und passt die nächsten Schritte an.
Ein Beispiel: Ein Agent gleicht Bestände, offene Bestellungen und den Produktionsbedarf ab. Erkennt er eine Unterdeckung, prüft er Alternativen und bereitet eine Bestellung vor. Je nach Berechtigung löst er sie selbst aus oder bittet den zuständigen Einkäufer um Freigabe.
Agentic AI ist kein einzelnes Produkt, sondern ein Gestaltungsprinzip. Wie viel Autonomie sinnvoll ist, hängt von der Aufgabe und den Folgen einer Fehlentscheidung ab.
Wie funktioniert Agentic AI?
Ein KI-Agent verbindet ein Sprachmodell mit einer Aufgabe, den nötigen Daten und Werkzeugen wie Datenbanken, APIs, Suchfunktionen oder freigegebenen Unternehmensanwendungen. Typisch ist ein Ablauf in fünf Schritten:
- Aufgabe verstehen: Der Agent erhält ein Ziel und die dafür geltenden Regeln.
- Informationen beschaffen: Er ruft die benötigten Daten ab und ordnet sie fachlich ein.
- Schritte planen: Er leitet ab, welche Aktionen nötig sind, und legt die Reihenfolge fest.
- Aktionen ausführen: Er nutzt Werkzeuge, etwa um Daten abzugleichen, einen Vorgang vorzubereiten oder einen Workflow anzustoßen.
- Ergebnis prüfen: Er bewertet, ob das Ziel erreicht ist, und reagiert auf Lücken oder unerwartete Ergebnisse.
Der Ablauf kann mehrere Schleifen enthalten. Fehlt etwa eine Lieferterminbestätigung, fordert der Agent sie an oder übergibt den Vorgang an den Einkauf.
Wichtig ist der Unterschied zwischen Planen und Ausführen. Ein Sprachmodell kann einen guten Vorschlag formulieren. Damit daraus eine Bestellung oder Buchung im ERP wird, braucht der Agent eine technische Integration und die passenden Berechtigungen.
Agentic AI vs. KI-Agent vs. generative KI: Wo liegt der Unterschied?
Kurz gesagt: Generative KI erzeugt Inhalte, ein KI-Agent erledigt eine Aufgabe, und Agentic AI ist der übergeordnete Ansatz, KI zielgerichtet handeln zu lassen.
| Begriff | Bedeutung | Beispiel |
|---|---|---|
| Generative KI | Erzeugt Texte, Zusammenfassungen, Bilder oder Code auf Anfrage | Ein Assistent fasst einen Lieferantenvertrag zusammen |
| KI-Agent | System, das eine konkrete Aufgabe mit KI, Daten und Werkzeugen bearbeitet | Ein Agent prüft Rechnungsabweichungen gegen Bestellung und Wareneingang |
| Agentic AI | Ansatz, bei dem KI Aufgaben plant und innerhalb definierter Grenzen ausführt | Mehrere Prozesse werden agentisch statt regelbasiert gesteuert |
| Multi-Agent-System | Mehrere spezialisierte Agenten teilen sich eine Aufgabe | Ein Agent prüft Bestände, ein zweiter fragt Alternativen bei Lieferanten an |
| Agentic Enterprise | Unternehmen, in dem Agenten systematisch in Prozesse und Systeme eingebunden sind | Siehe Agentic Enterprise |
Die Grenzen sind fließend. Ein KI-Agent nutzt meist ein generatives Sprachmodell, um eine Anfrage zu verstehen, und feste Regeln, um zu entscheiden, welche Aktionen erlaubt sind.
Mehr Agenten sind nicht automatisch besser. Multi-Agent-Systeme erhöhen den Aufwand für Koordination, Überwachung und Fehleranalyse. Für viele Anwendungsfälle reicht ein einzelner Agent.
Welche Vorteile bietet Agentic AI für Unternehmen?
Der größte Nutzen entsteht, wenn ein Agent mehrere zusammenhängende Arbeitsschritte verbindet, die heute über Abteilungen und Systeme verteilt sind.
- Weniger manuelle Arbeit: Der Agent ruft Informationen ab, gleicht Daten ab und bereitet Folgeaktionen vor. Mitarbeiter konzentrieren sich auf Ausnahmen und Entscheidungen.
- Kürzere Durchlaufzeiten: Entfällt die manuelle Übergabe zwischen Schritten, sinken Wartezeiten – besonders bei abteilungsübergreifenden Prozessen.
- Bessere Nutzung verteilter Daten: ERP, Dokumente und E-Mails werden für eine Aufgabe zusammengeführt, sofern der Agent Zugriff hat.
- Entscheidungsvorlagen statt Rohdaten: Der Agent vergleicht Alternativen und bereitet Vorschläge vor. Die Verantwortung bleibt bei den zuständigen Personen.
- Schnellere Reaktion auf Abweichungen: Definierte Auslöser wie verspätete Lieferungen werden sofort bearbeitet statt erst bei der nächsten Durchsicht.
Ob diese Vorteile eintreten, zeigt nur die Messung im Prozess. Sinnvolle Kennzahlen sind Bearbeitungszeit, Fehlerquote, Kosten pro Vorgang und der Anteil manuell nachbearbeiteter Fälle.
Agentic AI Beispiele: Anwendungsfälle im Unternehmen
Agentic AI lohnt sich dort, wo eine Aufgabe mehrere Schritte umfasst und Informationen aus unterschiedlichen Quellen braucht. In Industrieunternehmen sind das vor allem diese fünf Bereiche:
| Bereich | Ausgangslage | Was der Agent übernimmt | Wo die Grenze liegt |
|---|---|---|---|
| Einkauf und Supply Chain | Ein Lieferant verschiebt einen zugesagten Liefertermin | Betroffene Bestellungen und Produktionsaufträge finden, Bestände prüfen, Alternativen anfragen, Bestelländerung vorbereiten | Bestelländerungen über einer Wertgrenze nur mit Freigabe |
| Finance | Rechnung, Bestellung und Wareneingang stimmen nicht überein | Belege zusammenführen, Abweichung erklären, Klärungsfall mit allen Informationen anlegen | Buchungen und Zahlungen nur bei erfüllten Kontrollen |
| Produktion und Instandhaltung | Eine Maschine meldet eine Störung | Meldungen, Wartungshistorie und Dokumentation auswerten, ähnliche Fälle finden, Ursachen vorschlagen | Eingriffe in laufende Anlagen nur nach Sicherheitsvorgaben |
| Kundenservice | Ein Kunde fragt nach Bestellung, Liefertermin und Reklamation | Anfrage einordnen, Daten abrufen, Antwortentwurf erstellen | Preiszusagen und Vertragsänderungen nur mit Freigabe |
| IT-Service | Wiederkehrende Störungsmeldungen | Tickets kategorisieren, Logs auswerten, Lösungen vorschlagen oder Standardfälle schließen | Kritische Systeme und unklare Ursachen an Mitarbeiter übergeben |
Allen Beispielen gemeinsam: Der Agent bereitet vor und führt aus, was klar geregelt ist. Alles mit finanziellen, rechtlichen oder sicherheitsrelevanten Folgen bleibt an eine Freigabe gebunden.
Agentic AI im SAP-Umfeld: Joule Agents und Joule Studio
In SAP-Landschaften wird Agentic AI vor allem über Joule umgesetzt, den KI-Assistenten von SAP. Mit dem Agent Builder in Joule Studio, einer Funktion von SAP Build, erstellen Fach- und IT-Anwender eigene Agenten. Diese planen über SAP- und Nicht-SAP-Systeme hinweg, koordinieren mehrstufige Prozesse, rufen APIs auf und arbeiten mit Dokumenten, Nutzern oder anderen Agenten zusammen (SAP).
Damit ein Agent in SAP zuverlässig arbeitet, reicht Lesezugriff nicht. Er muss den fachlichen Kontext verstehen, Aktionen über freigegebene Schnittstellen ausführen und die Regeln des Prozesses einhalten. Drei Punkte entscheiden darüber:
- Clean Core: Agenten greifen über stabile, freigegebene APIs zu statt über Eigenentwicklungen im ERP-Kern. Das hält S/4HANA upgradefähig.
- Semantisch saubere Daten: Stamm- und Bewegungsdaten müssen konsistent sein. Sonst zieht der Agent falsche Schlüsse – und das schneller als jeder Mensch.
- Berechtigungen und Freigaben: Pro Agent ist festgelegt, was er lesen, vorbereiten und selbst buchen darf.
Das ERP bleibt dabei das führende System für Daten und Transaktionen (System of Record). Agenten bilden eine Ausführungsebene darüber (System of Action) – sie ersetzen SAP nicht, sondern erweitern es. Wie diese Architektur im Unternehmen aussieht, beschreibt cbs ausführlich im Beitrag zum Agentic Enterprise.
Voraussetzungen und Risiken von Agentic AI
Ob ein Agent im Alltag zuverlässig arbeitet, hängt weniger vom KI-Modell ab als von Daten, Prozessen und Integration. Jede fehlende Voraussetzung erzeugt ein konkretes Risiko:
| Voraussetzung | Was dafür nötig ist | Risiko, wenn sie fehlt | Gegenmaßnahme |
|---|---|---|---|
| Verlässliche Daten | Aktuelle, konsistente Stamm- und Bewegungsdaten | Falsche Vorschläge oder Aktionen | Datenqualität vor dem Go-live prüfen und laufend überwachen |
| Klare Prozesse | Definierte Regeln, Ausnahmen und Abschlusskriterien | Der Agent automatisiert einen unklaren Ablauf | Prozess erst modellieren, dann automatisieren |
| Geeignete Schnittstellen | Kontrollierte Zugriffe auf genau die nötigen Systeme | Datenschutzverstöße, Zugriff auf sensible Daten | Minimale Berechtigungen pro Agent |
| Nachvollziehbarkeit | Protokolle über verwendete Daten und ausgeführte Aktionen | Fehler lassen sich nicht aufklären | Logging, Tests, Eskalationswege |
| Klare Verantwortung | Benannte Verantwortliche für Qualität, Rechte und Betrieb | Unbeabsichtigte Aktionen bleiben unbemerkt | Freigaben für kritische Schritte, Human-in-the-Loop |
Hinzu kommt ein wirtschaftliches Risiko: Lange Bearbeitungsketten und unnötige Wiederholungen treiben die Kosten pro Vorgang. Deshalb gilt: den Handlungsspielraum klein beginnen und erst erweitern, wenn ein Anwendungsfall nachweislich stabil läuft.
Agentic AI einführen: in 6 Schritten zum ersten produktiven Agenten
Der Einstieg beginnt bei einem Geschäftsproblem, nicht bei der Wahl eines KI-Modells.
- Anwendungsfall auswählen: ein wiederkehrender Prozess mit mehreren manuellen Schritten, verfügbaren Daten und überschaubarem Risiko.
- Ist-Prozess analysieren: Ablauf, Systeme und typische Ausnahmen dokumentieren und eine Ausgangsmessung festhalten – ohne sie lässt sich der Nutzen später nicht belegen.
- Erlaubte Aktionen festlegen: welche Daten der Agent nutzt, was er selbst tun darf und wann ein Mitarbeiter entscheidet.
- In die Systemlandschaft integrieren: Datenquellen und Anwendungen anbinden, inklusive Berechtigungen, Fehlerbehandlung, Protokollierung und Übergabe an Mitarbeiter.
- Ergebnisse und Grenzfälle testen: neben Standardfällen auch unvollständige, widersprüchliche und ungewöhnliche Daten prüfen. Kennzahlen sind Bearbeitungszeit, Fehlerquote, manuelle Eingriffe und Kosten pro Vorgang.
- Schrittweise erweitern: neue Aufgaben erst hinzufügen, wenn der erste Fall stabil läuft und messbar Nutzen bringt.
Wer KI gezielt mit Geschäftsprozessen und der bestehenden SAP-Landschaft verbinden will, findet mehr unter Business AI.
Häufige Fragen zu Agentic AI (FAQ)
Was bedeutet agentische KI?
Agentische KI ist die deutsche Bezeichnung für Agentic AI: KI-Systeme, die ein Ziel verfolgen, Aufgaben selbst planen und über angebundene Systeme Aktionen ausführen – innerhalb festgelegter Regeln und Berechtigungen.
Was ist der Unterschied zwischen Agentic AI und einem KI-Agenten?
Ein KI-Agent ist ein konkretes System, das eine bestimmte Aufgabe bearbeitet. Agentic AI ist der übergeordnete Ansatz, KI zielgerichtet und mehrstufig handeln zu lassen. Jeder KI-Agent ist eine Form von Agentic AI.
Ist ChatGPT Agentic AI?
In der Grundform nicht: Ein Chatbot beantwortet Anfragen. Agentisch wird ein solches Sprachmodell erst, wenn es Werkzeuge nutzt, Schritte plant und Aktionen in anderen Systemen auslöst.
Welche Beispiele für Agentic AI gibt es in Unternehmen?
Typisch sind die Reaktion auf Lieferverzögerungen im Einkauf, die Klärung von Rechnungsabweichungen in Finance, die Störungsanalyse in der Instandhaltung, Antwortentwürfe im Kundenservice und die Ticketbearbeitung im IT-Service.
Ersetzt Agentic AI SAP S/4HANA?
Nein. S/4HANA bleibt das führende System für Daten und Transaktionen. Agenten ergänzen es um eine Ausführungsebene, die Aufgaben über Systeme hinweg koordiniert.
Wie fangen Unternehmen mit Agentic AI an?
Mit einem einzelnen, gut abgegrenzten Prozess, einer Ausgangsmessung und klaren Regeln, was der Agent selbst tun darf. Erst nach stabilem Betrieb wird der Einsatz erweitert.
Fazit: Agentic AI muss sich im Geschäftsprozess bewähren
Agentic AI erweitert klassische Automatisierung und generative KI um die Fähigkeit, mehrstufige Aufgaben zu planen und definierte Aktionen in Geschäftssystemen auszuführen. Der Nutzen entsteht nicht durch maximale Autonomie, sondern durch einen klaren Anwendungsfall, verlässliche Daten, saubere Schnittstellen und nachvollziehbare Regeln.
Im SAP-Umfeld liegt das größte Potenzial dort, wo das operative Geschäft ohnehin stattfindet: in S/4HANA und den angebundenen Systemen. Unternehmen sollten mit einem konkreten Prozess starten, den Nutzen messen und den Handlungsspielraum erst erweitern, wenn der Agent zuverlässig arbeitet.
