Was sind agentische KI-Systeme? Und wie SAP sie zum Leben erweckt

Gartner prognostiziert, dass bis Ende 2026 40 % der Unternehmensanwendungen aufgabenspezifische KI-Agenten enthalten werden, gegenüber weniger als 5 % im Jahr 2025 (Gartner, 2025). Eine Verachtfachung in einem einzigen Jahr. Kein gradueller Wandel. SAP gehört zu den Unternehmen, die diesen Wandel vorantreiben: mit 14 neuen Joule Agents, die an der SAP Connect 2025 angekündigt wurden, und über 400 KI-Anwendungsfällen, die in die Anwendungen eingebettet sind.

Aber was macht KI eigentlich “agentisch”? Und ist die Technologie produktionsreif, oder schauen wir immer noch Demos zu?

TL;DR: Agentische KI-Systeme warten nicht auf Anweisungen. Sie beobachten, planen und führen mehrstufige Workflows autonom aus. SAP hat über 40 Joule Agents in Finanzen, HR, Beschaffung und CX im Einsatz. Gartner rechnet damit, dass der Markt für agentische KI bis 2035 auf 450 Milliarden US-Dollar wächst (Gartner, 2025). Die Technologie ist real, aber Governance und Datenbereitschaft entscheiden, ob sie bei Ihnen funktioniert.

Was macht KI “agentisch”?

McKinseys State-of-AI-Umfrage vom November 2025: 23 % der Organisationen skalieren agentische KI bereits, weitere 39 % experimentieren damit (McKinsey, 2025). Die Verbreitung geht schnell voran, weil das Konzept eine echte Einschränkung traditioneller KI löst.

Agentische KI bezeichnet Systeme, die mit einem klaren Ziel arbeiten. Anders als Tools, die darauf warten, dass jemand einen Prompt eintippt, beobachten, interpretieren und handeln diese Systeme selbstständig. Der KI-Agent ist Software, die in digitalen Umgebungen Aufgaben auf Basis aktueller Bedingungen ausführt, nicht auf Basis vorgeschriebener Befehle.

Diese Agenten folgen einer Logik, die auf Ergebnisse ausgelegt ist. Sie erkennen einen stockenden Prozess, bewerten Optionen und gehen den nächsten Schritt, ohne dass ihnen jemand sagt, was zu tun ist. Ob sie Kundenanfragen bearbeiten, Lieferantenänderungen verarbeiten oder interne Tickets lösen: Der Wert liegt in ihrer Fähigkeit, Dinge zu Ende zu bringen. Das ist der Unterschied zwischen der Unterstützung von Menschen und dem faktischen Handeln als Teammitglied.

Wie unterscheidet sich agentische KI von generativer KI?

Generative KI produziert Inhalte auf Anfrage. Eine Nachricht schreiben, einen Bericht zusammenfassen.

Agentische KI nimmt dieselben Informationen und handelt danach. Sie erledigt die Aufgabe und kümmert sich um das, was danach kommt.

Am einfachsten formuliert: Generative KI entwirft eine E-Mail. Agentische KI versendet sie, überwacht die Antwort und plant eine Nachfassaktion basierend auf dem Ergebnis. Die eine erstellt. Die andere handelt.

Was sind die Kernfähigkeiten agentischer KI-Systeme?

Der Markt für agentische KI soll von 7,55 Milliarden US-Dollar im Jahr 2025 auf 199 Milliarden US-Dollar bis 2034 wachsen, ein CAGR von 43,84 % (Precedence Research, 2025). Diese Investitionen fliessen in vier Fähigkeiten, die agentische Systeme von einfacher Automatisierung unterscheiden.

Zieldekomposition

Agentische KI bewältigt komplexe Ziele, indem sie diese in strukturierte, nachverfolgbare Schritte zerlegt. Im HR-Bereich kann ein Agent beispielsweise den Rekrutierungsfortschritt überwachen, Engagement-Niveaus beurteilen und die Stimmung im Kandidaten-Feedback interpretieren. Er hilft Teams, sich auf die richtigen Einstellungen zu konzentrieren und gleichzeitig die Mitarbeiterbindung im Blick zu behalten.

Autonome Entscheidungsfindung

KI-Agenten treffen operative Entscheidungen selbstständig, innerhalb vordefinierter Parameter. Wiederkehrende Rechnungen genehmigen. Serviceanfragen sortieren. Probleme nach Dringlichkeit eskalieren. Ohne dass jedes Mal ein Mensch eingreifen muss. Genau hier entstehen die echten Zeitgewinne.

Kontextbewusstsein

KI-Agenten arbeiten mit vollem Bewusstsein für die umgebenden Geschäftsbedingungen. Sie erfassen Live-Signale aus den Systemen: Lagerverfügbarkeit, Kundenprioritäten, frühere Interaktionen. Jede Entscheidung spiegelt den aktuellen Zustand wider.

Ein Agent kann die Anfrage eines wertvollen Kunden priorisieren, wenn der Lagerbestand knapp ist, oder einen Liefertermin an die regionale Lagerkapazität anpassen. Diese Entscheidungen verändern sich dynamisch, sobald neue Daten eintreffen. Das ist elegant. Und es ist etwas, das regelbasierte Automatisierung schlicht nicht kann.

Kontinuierliche Feedback-Schleife

Agentische Systeme lernen aus den Ergebnissen jeder Aktion. Sie werten Resultate aus und passen ihr zukünftiges Verhalten an, werden also mit der Zeit präziser. Das unterscheidet sie von regelbasierter Automatisierung: Sie werden besser. Kontinuierlich.

Welche Vorteile bringt agentische KI in Unternehmensumgebungen?

McKinsey-Forschung zeigt, dass KI-gestützte “Next Best Experience”-Ansätze die Kundenzufriedenheit um 15-20 % verbessern, den Umsatz um 5-8 % steigern und die Servicekosten um 20-30 % senken (McKinsey, 2025). Agentische KI verstärkt diese Gewinne, indem sie den menschlichen Engpass aus routinemässigen Entscheidungsketten entfernt.

Reibungslosere Abläufe

Was ich in der Praxis beobachte: Agentische KI beschleunigt nicht bloss einzelne Aufgaben. Sie verändert, wie Verantwortlichkeiten zwischen Menschen, Teams und Systemen wandern. In vielen Unternehmen durchläuft ein einzelner Workflow mehrere Hände, bevor er abgeschlossen ist. KI-Agenten durchbrechen das, indem sie zusammenhängende Aktionen von Anfang bis Ende ausführen und Verzögerungen durch Verantwortungslücken eliminieren. Genau hier setzt der Zinseszinseffekt ein.

Schnellere Durchlaufzeiten

Agenten reagieren sofort auf Systemauslöser. Aufgaben starten in dem Moment, in dem neue Daten auftauchen. Das zählt am meisten in kundennahen Szenarien, wo die Reaktionszeit direkt Zufriedenheit und Konversion beeinflusst. Minuten machen den Unterschied.

Personalisierung im grossen Massstab

Agenten passen Angebote, Support oder Timing auf Basis von Echtzeitverhalten an. Sie helfen Ihnen, in hohem Tempo zu personalisieren, ohne das Team zu vergrössern. McKinsey stellte fest, dass Personalisierung 5-15 % Umsatzsteigerung bringt und führende Unternehmen 40 % mehr Umsatz aus Personalisierung erzielen als der Durchschnitt (McKinsey, 2025). Diese Lücke sollten Sie im Blick behalten.

Bessere Datennutzung

Agentische KI ist besonders effektiv dort, wo Datenannotation oder Prüfarbeit Zeit frisst. In Pilotprojekten in Fintech und Gesundheitswesen reduzierten Agenten die gesamte Annotationszeit um 52 %, indem sie risikoarme Daten selbstständig verwalteten und nur unsichere Fälle zur menschlichen Prüfung markierten. Die langweilige Arbeit, automatisch erledigt.

Tiefere Betriebskosten

KI senkt die Kosten im Kundenservice um durchschnittlich 25-30 %, wobei die Kosten pro Interaktion von 6-8 US-Dollar (Mensch) auf 0,50-0,70 US-Dollar (KI) fallen (Master of Code, 2026). Je mehr Routineentscheidungen an Agenten delegiert werden, desto stärker summieren sich die Einsparungen. Und zwar schnell.

Wo setzt SAP agentische KI heute ein?

SAPs Systeme betreiben agentische KI bereits im Tagesgeschäft. Mit über 400 KI-Anwendungsfällen über alle Anwendungen hinweg und Joule Studio, das in Q1 2026 allgemein verfügbar wird (AIMultiple, 2026), erstrecken sich diese Agenten über Finanzen, Beschaffung, Service, HR und CX.

Streitbeilegung in der Debitorenbuchhaltung

SAPs Finanztools nutzen agentische KI, um Streitigkeiten bei Kundenrechnungen zu bearbeiten. Ein Agent scannt eingehende Nachrichten, identifiziert mögliche Probleme, erstellt eine Fallzusammenfassung und empfiehlt Lösungen. Alles, bevor ein Mensch das Ticket überhaupt öffnet. Ein solider Zeitgewinn für jedes Debitorenteam mit hohem Volumen.

Automatisierung funktionsübergreifender Finanzprozesse

Joule-Agenten schliessen Lücken zwischen isolierten Systemen in Finanzen, Betrieb und Kundenservice. Bei der Validierung eines Zahlungsstreits kann ein Agent Rechnungsmetadaten extrahieren, den Kundenverlauf abgleichen, den Kontostatus prüfen und Anomalien markieren, ohne manuelles Routing. Allein SAPs Cash Management Agent reduziert den manuellen Aufwand um bis zu 70 % (SAP News Center, 2026).

Effizientere Beschaffung und Lieferantenbewertung

Beschaffungsteams auf SAP können agentische KI einsetzen, um Lieferantenoptionen zu bewerten, ohne Berge fragmentierter Dokumentation zu durchforsten. Ein Agent greift auf Vertrags-PDFs zu, scannt Compliance-Richtlinien, vergleicht Angebote und fasst Vor- und Nachteile nach Unternehmenskriterien zusammen. Er erkennt Warnsignale wie abgelaufene Zertifizierungen oder widersprüchliche Klauseln. Arbeit, für die ein Beschaffungsanalyst Stunden braucht, erledigt in Minuten.

Systemüberbrückung für Prozessautomatisierung

Eine der wertvollsten Anwendungen agentischer KI innerhalb von SAP ist aus meiner Sicht die Systemüberbrückung. Agenten verbinden Module wie S/4HANA, SuccessFactors, Sales Cloud V2 und Drittanwendungen, damit Prozesse ohne Unterbrechung laufen. Einen neuen Mitarbeiter onboarden, einen Verkaufsauftrag erfüllen: Agenten koordinieren Schritte plattformübergreifend, ohne auf menschliche Anstösse angewiesen zu sein. Hier sitzt der eigentliche Unternehmenswert.

Strukturierung von Unternehmensdaten

SAP-Agenten helfen Unternehmen, unstrukturierte Daten zu verwalten, die sonst Entscheidungen verlangsamen würden. Ein Joule-Agent kann eingehende E-Mails lesen, nach Problemtyp klassifizieren, das Wesentliche extrahieren und Routing-Tags für nachgelagerte Teams zuweisen. Keine glamouröse Arbeit. Aber genau die Art von Aufgabe, die manuell Stunden frisst.

Was sollten Sie vor dem Einsatz agentischer KI beachten?

Eine Umfrage unter 1’600 Führungskräften in acht Ländern ergab, dass Organisationen aktuell eine Rendite von 16 % auf ihre KI-Investitionen sehen, die sich innerhalb von zwei Jahren voraussichtlich fast verdoppeln wird (SAP News Center, 2025). Aber diese Rendite hängt davon ab, ob die Grundlagen stimmen. Die meisten Unternehmen unterschätzen diesen Teil.

Datenbereitschaft

KI-Agenten treffen Entscheidungen auf Basis dessen, was sie in Echtzeit sehen. Sind die zugrunde liegenden Daten unvollständig oder veraltet, steigt das Risiko fehlerhafter Aktionen. Prüfen Sie den Zustand Ihrer Datenpipelines. Stellen Sie sicher, dass die Systeme, die agentische Workflows speisen, verbunden und synchronisiert sind. Nicht vergessen: Garbage in, garbage out gilt für KI-Agenten genauso wie für Tabellenkalkulationen.

Prozesstransparenz

Bevor Sie Agenten mit der Ausführung von Aufgaben betrauen, brauchen Sie einen klaren Blick darauf, wie diese Aufgaben heute tatsächlich ablaufen. Welche Schritte sind involviert, wo entstehen Engpässe, welche Teams sind verantwortlich. Ein kartierter Prozess lässt sich weit einfacher automatisieren als einer, der nur in den Köpfen der Mitarbeitenden existiert.

Governance und Kontrolle

Autonomie erfordert Aufsicht. Setzen Sie agentische Systeme mit definierten Grenzen, Entscheidungsrechten und Nachvollziehbarkeit ein. In compliance-intensiven Branchen sind diese Kontrollen nicht optional. SAP unterstützt das durch eingebaute Erklärbarkeitsfunktionen, die Teams zeigen, wie ein Agent zu einer Entscheidung gekommen ist. Wenn Sie in einer regulierten Branche arbeiten: Bestehen Sie vom ersten Tag an darauf.

Zusammenarbeit von Mensch und KI

Agentische KI sollte nicht isoliert arbeiten. Sie muss innerhalb von Teamstrukturen und menschlicher Entscheidungsautorität funktionieren. Werden Agenten als Mitarbeitende statt als Ersatz positioniert, verbessert sich die Akzeptanz und der Wertbeitrag wächst. Klare Rollendefinition schafft Vertrauen. Überspringen Sie diesen Schritt, ernten Sie Widerstand von genau den Menschen, die täglich mit diesen Agenten arbeiten sollen.

Ist Ihre Organisation bereit für agentische KI?

Unternehmens-KI hat den Punkt erreicht, an dem Systeme Workflows nicht mehr nur unterstützen. Sie helfen, sie zu führen. SAP zählt bereits 34’000 Kunden, die Business AI nutzen (SAP News Center, 2025), und die Joule-Adoption hat sich im Verlauf von 2025 verneunfacht (Futurum Group, 2026). Das passiert nicht in der Zukunft. Es passiert jetzt.

Die Frage ist nicht, ob agentische KI realisierbar ist. Sondern ob Ihre Abläufe darauf vorbereitet sind, sie gut zu nutzen. Das bedeutet: Teams ausrichten, Datenflüsse bereinigen und klare Rollen dafür festlegen, wann und wie Agenten handeln. Die Technologie ist bereit. Die Frage ist, ob Sie es sind.

FAQ

Was ist der Unterschied zwischen agentischer KI und klassischer Automatisierung?

Klassische Automatisierung folgt vordefinierten Regeln: Wenn X passiert, tue Y. Agentische KI bewertet den Kontext, plant ein mehrstufiges Vorgehen und passt sich anhand der Ergebnisse an. Sie kann Situationen bewältigen, für die sie nicht explizit programmiert wurde, solange Ziel und Grenzen definiert sind. Stellen Sie sich Automatisierung als Förderband vor. Agentische KI ist eher ein Logistikkoordinator, der unterwegs umrouten kann.

Was ist ein Beispiel für agentische KI im Unternehmenseinsatz?

SAPs Cash Management Agent. Er analysiert Cash-Positionen über Konten hinweg, identifiziert Abweichungen, gleicht Buchungen ab und markiert Anomalien. Reduziert den manuellen Aufwand um bis zu 70 % (SAP News Center, 2026). Er arbeitet innerhalb definierter Leitplanken, wickelt den Workflow aber vollständig autonom ab.

Basiert agentische KI auf grossen Sprachmodellen?

Häufig, ja. Viele agentische Systeme nutzen LLMs für Schlussfolgerungen und das Verstehen natürlicher Sprache. SAPs Joule wählt je nach Aufgabe dynamisch aus mehreren LLMs (OpenAI, Microsoft, Google), ist also nicht auf ein einzelnes Modell festgelegt. Aber agentische KI ist ein Designmuster, keine spezifische Technologie per se. Sie kann auch auf regelbasierten Systemen laufen, die mit Machine Learning erweitert sind.

Wie gross ist der Markt für agentische KI?

Precedence Research beziffert den Markt 2025 auf 7,55 Milliarden US-Dollar und prognostiziert 199 Milliarden US-Dollar bis 2034 bei einem CAGR von 43,84 % (Precedence Research, 2025). Gartner rechnet damit, dass agentische KI bis 2035 über 450 Milliarden US-Dollar Umsatz mit Unternehmenssoftware treiben könnte, gegenüber 2 % des Umsatzes im Jahr 2025.

Ist agentische KI produktionsreif?

Kommt auf den Anwendungsfall an. Strukturierte Aufgaben mit klaren Ergebnissen (Rechnungsverarbeitung, Fallklassifizierung, Datenrouting) funktionieren heute gut. Offene Aufgaben, die subjektives Urteilsvermögen erfordern, reifen noch. SAPs Joule Studio (allgemein verfügbar in Q1 2026) erleichtert das Erstellen und Ausrollen eigener Agenten, aber Governance und Datenqualität bleiben die Torwächter. Ich schätze, das bleibt noch mindestens ein, zwei Jahre so.