THESENPAPIER 2026 · KI-AGENTEN

    KI-Agenten im Mittelstand: Entscheidungsfähigkeit, Wertschöpfung und Governance in der Agentenökonomie

    30. Juli 2026 · Christiane Brandes-Visbeck mit Diana Perez und Rick Centeno

    Titelbild zum Thesenpapier KI-Agenten im Mittelstand
    Foto: Deutsche Digitale Beiräte e.V.

    Acht Thesen der Deutschen Digitalen Beiräte e. V. für Geschäftsführung, Beiräte und Aufsichtsgremien

    Anspruch und Abgrenzung dieses Thesenpapiers

    Dieses Thesenpapier ordnet die strategische Bedeutung von KI-Agenten für mittelständische Unternehmen ein. Es formuliert acht Thesen zu Wertschöpfung, Entscheidungsfähigkeit, Organisation, Wirtschaftlichkeit, Cyberresilienz sowie Governance und leitet daraus zentrale Fragen für Geschäftsführung, Beiräte und Aufsichtsgremien ab. Das Papier bietet einen Orientierungsrahmen für die unternehmerische Diskussion. Aus Sicht von Geschäftsführung und Gremien steht weniger die Frage im Vordergrund, ob KI-Agenten technologisch möglich sind. Entscheidend ist, unter welchen Bedingungen sie wirtschaftlich sinnvoll, organisatorisch beherrschbar und aufsichtsrechtlich verantwortbar eingesetzt werden können. Geschäftswert, Risikoprofil, Datenreife, Governance und Eingriffsfähigkeit bilden deshalb den Maßstab für jede Agentenentscheidung.

    Leitfrage: Was ist für mittelständische Unternehmen jetzt der nächste sinnvolle Schritt?

    Eine allgemeingültige Roadmap kann es dafür nicht geben. Der geeignete nächste Schritt hängt vom Geschäftsmodell, vom konkreten Anwendungsfall, vom Reifegrad der Organisation, von der Datenlage und vom jeweiligen Risiko ab.

    Das Papier erhebt keinen Anspruch auf eine vollständige Implementierungsanleitung. Es soll vielmehr helfen, aus den acht Thesen konkrete Prüf- und Entscheidungsfragen für Geschäftsführung, Beiräte und Aufsichtsgremien abzuleiten.

    Einordnung: Zwischen Agenten-Washing und echter Handlungsfähigkeit

    KI-Agenten zählen zu den meistdiskutierten Entwicklungen der Künstlichen Intelligenz. Softwareanbieter versehen inzwischen Chatbots, Assistenten, Automatisierungslösungen und bestehende Produkte mit dem Etikett „Agent“. Gartner spricht von „Agent Washing“ und schätzt, dass lediglich rund 130 von mehreren Tausend entsprechend vermarkteten Angeboten über substanziell agentische Fähigkeiten verfügen. Zugleich erwartet Gartner, dass Unternehmen mehr als 40 Prozent der heute gestarteten Agentic-AI-Projekte bis Ende 2027 aufgrund steigender Kosten, unklaren Geschäftsnutzens oder unzureichender Risikokontrollen einstellen.

    „They need to cut through the hype to make careful, strategic decisions.“

    Anushree Verma, Senior Director Analyst, Gartner, Gartner

    Eine klare Einordnung beginnt mit eindeutigen Begriffen

    Ein KI-Assistent reagiert auf eine Anfrage, recherchiert Informationen, erstellt Inhalte oder formuliert Empfehlungen. Der Mensch stößt die einzelnen Arbeitsschritte an und entscheidet über ihre weitere Verwendung.

    Ein KI-Agent verfolgt innerhalb eines definierten Rahmens ein Ziel. Er plant mehrere Arbeitsschritte, greift auf Daten und digitale Werkzeuge zu, bewertet Zwischenergebnisse und führt Aktionen aus. Dazu kann er Informationen aus verschiedenen Systemen zusammenführen, Vorgänge anlegen, Nachrichten versenden, Termine koordinieren oder Prozesse an Menschen und andere Agenten übergeben.

    Ein Multi-Agenten-System verbindet mehrere spezialisierte Agenten. Ein Agent analysiert beispielsweise einen Auftrag, ein weiterer prüft Daten, ein dritter führt Aktionen aus und ein Kontrollagent überwacht die Ergebnisse.

    Der entscheidende Unterschied liegt in der delegierten Handlungsfähigkeit: Ein Agent erhält die Befugnis, innerhalb festgelegter Grenzen selbstständig zu handeln. Damit verändert sich die Rolle von KI im Unternehmen. Aus einem Werkzeug wird ein digitaler Akteur im Prozess.

    Für die Gremienarbeit ist diese Unterscheidung wesentlich, weil sich aus jeder Stufe andere Anforderungen an Kontrolle, Haftung, Datenschutz, Mitbestimmung, Informationssicherheit und Wirtschaftlichkeitssteuerung ergeben. Je stärker ein System selbst handelt, desto weniger genügt eine klassische Softwarefreigabe. Geschäftsführung und Gremien müssen festlegen, welche Ziele Agenten verfolgen, welche Daten sie nutzen, welche Entscheidungen sie vorbereiten, welche Aktionen sie ausführen und an welchen Punkten Menschen eingreifen. Dafür braucht es ein Betriebsmodell mit klaren Rechten, Grenzen, Prüfmechanismen und Verantwortlichkeiten. Diese Entwicklung erweitert die Handlungsfähigkeit von Unternehmen und erhöht zugleich ihre Steuerungsverantwortung.

    Quellen: Gartner: Agent Washing und Projektrisiken

    These 1: Deutschlands KI-Engpass liegt im Transfer von Forschung in skalierbare Wertschöpfung

    Deutschland verfügt über eine leistungsfähige Forschungslandschaft, technologische Kompetenzen und einen industriell starken Mittelstand. Die Schwäche liegt im Transfer in marktfähige Anwendungen und in der Skalierung. UnternehmerTUM beschreibt Deutschland als führend in der Forschung, zugleich bleiben Kommerzialisierung und Wachstum vieler Innovationen hinter dem vorhandenen Potenzial zurück. Auch die Europäische Kommission sieht strukturelle Defizite bei der Überführung akademischer Forschung in marktfähige Produkte.

    Beim Einsatz von KI nimmt die Dynamik zu. Laut KI-Index Mittelstand 2026 nutzen oder testen 51,2 Prozent der rund 700 befragten mittelständischen Unternehmen KI-Lösungen. 16,6 Prozent setzen bereits KI-Agenten ein; im Vorjahr lag der Anteil bei 8,7 Prozent. Effizienzsteigerung, Produktivitätsgewinne und Kostensenkung stehen im Mittelpunkt der Erwartungen.

    Entscheidend ist jedoch, ob aus dieser Nutzung belastbare Prozessverbesserungen und messbare Geschäftsergebnisse entstehen.

    „KI-Agenten sind besonders interessant und zeigen die größte Wachstumsdynamik.“

    Marc S. Tenbieg, Geschäftsführender Vorstand des Deutschen Mittelstands-Bundes, KI-Index Mittelstand 2026

    Der Schritt vom Pilotprojekt zur breiten Wertschöpfung gelingt bislang nur einem kleineren Teil der Unternehmen. International berichten 23 Prozent der von McKinsey befragten Organisationen, dass sie mindestens ein agentisches System skalieren. Weitere 39 Prozent experimentieren mit KI-Agenten. In einzelnen Unternehmensfunktionen liegt der Anteil skalierter Anwendungen jeweils bei höchstens zehn Prozent.

    Damit beginnt die entscheidende Phase: Unternehmen müssen aus technologischen Möglichkeiten produktive, wirtschaftliche und steuerbare Anwendungen entwickeln. Geeignete Prozesse, klare Ziele, belastbare Daten und verlässliche Verantwortlichkeiten bestimmen, ob aus einem erfolgreichen Piloten ein skalierbares Betriebsmodell entsteht.

    Fünf Entwicklungsstufen – von Assistenz zu kontrollierter Autonomie

    Die Stufen dienen der Standortbestimmung. Die höchste Stufe ist kein allgemeines Ziel; entscheidend ist die Passung zu Geschäftswert, Risiko, Datenlage und Regulierung.

    1. KI-Assistenten – Menschen initiieren und prüfen jeden Schritt; das System führt keine eigenständigen Aktionen aus.
    2. KI-gestützte Workflows – KI unterstützt klar definierte Prozessschritte; Regeln und klassische Automatisierung dominieren.
    3. Überwachte Agenten – Agenten bearbeiten mehrstufige Aufgaben; kritische Aktionen benötigen eine menschliche Freigabe.
    4. Koordinierte Agenten – Mehrere Agenten arbeiten über Systeme hinweg; Rechte, Monitoring und Eskalationen sind abgestuft.
    5. Autonome Betriebsdomänen – Agenten steuern klar abgegrenzte Prozesse weitgehend selbstständig; Menschen überwachen Ausnahmen und Ergebnisse.

    Skalierung bedeutet damit nicht maximale Autonomie. Sie bedeutet, für jeden Anwendungsfall die wirtschaftlich und regulatorisch passende Stufe zu wählen.

    Die Wettbewerbsfähigkeit des Mittelstands entscheidet sich zunehmend an seiner Fähigkeit, KI aus der Erprobung in die Wertschöpfung zu führen.

    Quellen: Europäische Kommission: Länderbericht Deutschland 2026, Salesforce/DMB: KI-Index Mittelstand 2026, McKinsey: The State of AI

    These 2: Bessere Automatisierung erhöht den Wert menschlicher Urteilskraft

    KI-Agenten können große Informationsmengen durchsuchen, Daten aus verschiedenen Quellen verknüpfen, Widersprüche identifizieren und Entscheidungsvorlagen erstellen. Damit verkürzen sie die Zeit zwischen einer Fragestellung und einer belastbaren Informationsgrundlage.

    T-Systems berichtet aus einem Projekt, dass ein KI-gestütztes System den Aufwand für die Recherche und Aufbereitung komplexer Berichte von rund sechs Stunden auf weniger als eine Stunde reduzierte. Der Agent stellte selbstständig Anfragen an unterschiedliche Systeme, bewertete Ergebnisse und prüfte, ob weitere Quellen relevant sein könnten.

    Für Führungsgremien verschiebt sich dadurch der Schwerpunkt. Informationsbeschaffung und Aufbereitung beanspruchen weniger Zeit. Relevanzbewertung, Plausibilitätsprüfung, Abwägung und Verantwortung gewinnen an Gewicht.

    Auch Gremien erhalten nicht nur schnellere Informationen, sondern müssen die grundlegenden Annahmen, Quellen, Grenzen und Konsequenzen prüfen. Damit besteht eine zentrale Gremienaufgabe darin, nicht nur schnellere Entscheidungsvorlagen zu begrüßen, sondern deren Annahmen, Quellen, Grenzen und Konsequenzen systematisch zu hinterfragen.

    Entscheidungen werden wichtiger als Informationen.

    Agenten können Muster erkennen und Handlungsmöglichkeiten vorbereiten. Sie kennen jedoch weder den vollständigen unternehmerischen Kontext noch sämtliche Interessen, informellen Erfahrungen und langfristigen Konsequenzen einer Entscheidung. Menschen müssen weiterhin Zielkonflikte sichtbar machen, Annahmen hinterfragen, Risiken einordnen und die Folgen verantworten.

    Der Microsoft Work Trend Index 2026 zeigt, wie groß die organisatorische Lücke derzeit ausfällt. Nur 26 Prozent der befragten KI-Nutzenden erleben ihre Unternehmensführung beim Thema KI als klar und konsistent ausgerichtet. 65 Prozent fürchten, ohne schnelle Anpassung den Anschluss zu verlieren. Gleichzeitig halten 45 Prozent die Konzentration auf bestehende Ziele für sicherer als eine grundlegende Neugestaltung ihrer Arbeit.

    „Workers are ready. Their organizations aren’t.“

    Microsoft, 2026 Work Trend Index, Microsoft WorkLab

    Diese Verschiebung verlangt organisatorische Entwicklung. Unternehmen müssen Erfahrungswissen aus analytischen und operativen Rollen systematisch in Entscheidungslogiken, Eskalationsregeln, Qualitätskontrollen und Managementrollen überführen. Für Beiräte und Aufsichtsgremien entsteht daraus die Aufgabe, die Qualität maschinell erzeugter Entscheidungsgrundlagen einzuschätzen und zugleich die menschliche Entscheidungsfähigkeit zu stärken. Dazu gehören kritisches Denken, Ambiguitätskompetenz, Erfahrung, ethische Abwägung und ein klares Verständnis der Unternehmensstrategie.

    Je schneller Agenten Informationen bereitstellen, desto wichtiger werden in der Führung Urteilskraft, Orientierung und verantwortliche Entscheidungen.

    Quellen: Telekom Data Intelligence Hub, Microsoft: 2026 Work Trend Index

    These 3: KI-Agenten verändern das Operating Model grundlegend - sie verändern Aufgaben, statt ganze Stellen zu ersetzen

    Ein KI-Agent ergänzt selten nur einen einzelnen Arbeitsschritt. Er kann ganze Prozessketten bearbeiten, Informationen über Systemgrenzen hinweg koordinieren, Zwischenergebnisse prüfen und Vorgänge eigenständig weiterführen. Damit verändert er Rollen, Übergaben, Freigaben und Eskalationswege. Vor einer Einführung von Agentic AI sollte der Prozess beschrieben werden: Welche Aufgabe soll erledigt werden? Welche Informationen werden benötigt? Welche Entscheidungspunkte entstehen? Wo darf automatisiert gehandelt werden? Wo braucht es menschliche Freigabe? Erst aus dieser Prozesssicht lässt sich ableiten, ob ein Assistent, ein Workflow oder ein Agent die passende Lösung ist.

    Viele digitalisierte Prozesse von heute werden bald in der Agentenökonomie Legacy-Prozesse sein. Sie wurden entlang bestehender Systemgrenzen, funktionaler Zuständigkeiten und manueller Übergaben gestaltet und digitalisiert. KI-Agenten organisieren Arbeit dagegen stärker vom angestrebten Ergebnis her: Sie koordinieren Informationen, Entscheidungen und Aktionen über mehrere Anwendungen hinweg und können den Ablauf situativ anpassen. Unternehmen sollten deshalb nicht nur bestehende Prozesse automatisieren. Sie müssen prüfen, welche Prozesslogik unter agentischen Bedingungen überhaupt noch sinnvoll ist.

    Die größte Wirkung entsteht, wenn Unternehmen Prozesse rund um die jeweiligen Stärken von Menschen und Agenten neu denken. Menschen übernehmen häufiger Zielsetzung, Ausnahmebehandlung, Verhandlung, Empathie und Urteilskraft. Agenten übernehmen Recherche, Koordination, Standardentscheidungen und dokumentierbare Ausführung. So entsteht eine hybride Workforce.

    „The constraint is no longer what people can do, it is how work is structured around them.“

    Microsoft, Work Trend Index 2026, Microsoft Blog

    McKinsey stellt fest, dass Unternehmen mit hohem KI-Wertbeitrag ihre Workflows deutlich häufiger grundlegend neu gestalten. Bislang berichten 39 Prozent der befragten Organisationen von einem KI-Beitrag zum unternehmensweiten EBIT. Knapp zwei Drittel haben die Skalierung von KI über das gesamte Unternehmen noch nicht begonnen.

    Aus der Praxis: Agenten verändern zusammenhängende Prozesse

    Der familiengeführte Logistikdienstleister FIEGE zeigt, wie sich ein mehrstufiger Prozess verändern kann. Das Carrier Claims Management bearbeitet Reklamationen zu verlorenen oder beschädigten Paketen, prüft Einreichungen, gleicht Informationen ab und verfolgt offene Vorgänge. Seit September 2024 verarbeitet das System nach Angaben des Unternehmens rund 10.000 Beschwerden pro Monat und löst 70 Prozent davon automatisiert. Der Fall zeigt, dass der größte Hebel häufig in der Koordination zusammenhängender Prozessschritte liegt.

    Endress+Hauser verfolgt einen ähnlichen Ansatz im technischen Kundenservice. Ein Service-Agent soll Wissensartikel, Produktinformationen und historische Servicedaten verbinden, geeignete Anfragen bearbeiten und komplexe Fälle strukturiert an Fachleute übergeben. Das Unternehmen erwartet, dass der Agent rund 47.500 Fälle pro Jahr autonom bearbeiten kann. Die prognostizierten Werte von 30 Prozent Produktivitätssteigerung und 212 Prozent Kapitalrendite über drei Jahre stammen aus der gemeinsamen Planung von Endress+Hauser und Salesforce und müssen sich im Betrieb noch bestätigen. Der Case macht deutlich, wie eng Domänenwissen, Datenbasis und ein sauber gestalteter Übergang zum Menschen zusammengehören.

    Weitere Mittelstandsbeispiele zeigen die Breite möglicher Einsatzfelder: Alfred Horn und ORBIT erproben einen Service-Agenten, der Produktdaten nutzt, Verfügbarkeiten prüft und Bestellungen auslösen kann. Vaylens erweitert einen Support-Agenten im Live-Betrieb schrittweise um Wissen und Fähigkeiten. Schmetterling International testet einen Agenten, der inaktive Kunden identifiziert, Angebote vorbereitet und personalisierte Ansprachen über mehrere Systeme hinweg ermöglicht. Gemeinsam ist diesen Ansätzen der begrenzte Start mit einem klaren Job-to-be-done und messbaren Lernschritten.

    Diese Beispiele zeigen: Agenten ersetzen selten eine vollständige Berufsrolle. Sie verändern die Zusammensetzung der Aufgaben. Menschen bearbeiten häufiger Ausnahmen, komplexe Fragestellungen und Situationen, in denen Erfahrung, Empathie oder Verhandlungskompetenz zählen.

    Unternehmen müssen deshalb früh klären:

    • Welche Prozesse sollen neu gestaltet werden?
    • Welche Prozesse Aufgaben übernimmt der Agent?
    • Welche Entscheidungen bleiben beim Menschen?
    • Wie funktionieren Übergaben und Eskalationen?
    • Wer kontrolliert Qualität und Kosten?
    • Wie entwickeln sich Aufgabenprofile und Kompetenzen?

    Die Einführung von KI-Agenten ist eine bereichsübergreifende Transformation des Operating Models.

    Quellen: McKinsey: The State of AI, FIEGE, Salesforce: Endress+Hauser, ORBIT / Alfred Horn, vaylens im KI-Index 2026, Schmetterling International

    These 4: Starke Governance ermöglicht größere Autonomie für KI-Agenten

    Die Risiken eines KI-Systems hängen von seiner Handlungsfähigkeit, seinen Datenzugriffen und seiner Einbindung in Geschäftsprozesse ab. Ein System mit reinem Lesezugriff benötigt andere Kontrollen als ein Agent, der Kundendaten bearbeitet, Bestellungen auslöst, Verträge vorbereitet oder Zahlungen anstößt.

    Gartner unterscheidet vier Autonomiestufen: beobachten, beraten, mit Freigabe handeln und autonom handeln. Mit jeder Stufe erweitern sich Zugriffsrechte, Aktionsmöglichkeiten und potenzielle Auswirkungen. Gartner erwartet, dass 40 Prozent der Unternehmen autonome Agenten bis Ende 2027 zurückstufen oder abschalten, weil sie Governance-Lücken erst nach Vorfällen im Produktivbetrieb erkennen.

    „Agents operate at different autonomy levels and across different trust boundaries.“

    Shiva Varma, Senior Director Analyst, Gartner, Gartner

    Eine kontrollierte Autonomie verlangt eine Governance, die sich am jeweiligen Risiko orientiert:

    • eindeutig definierte Ziele und Einsatzgebiete,
    • eigene Identitäten für Agenten,
    • rollenbasierte Zugriffs- und Aktionsrechte,
    • dokumentierte Freigabe- und Eskalationswege,
    • Protokollierung relevanter Handlungen,
    • kontinuierliches Qualitäts- und Verhaltensmonitoring,
    • Möglichkeiten zur Korrektur und Rückabwicklung,
    • Budgetgrenzen und Abbruchregeln,
    • benannte fachliche, technische und rechtliche Verantwortliche.

    Verantwortungskette für eine praktikable Governance

    1. Beirat und Aufsichtsgremium – setzen den strategischen Rahmen, definieren den Risikoappetit und beaufsichtigen Wertbeitrag, Abhängigkeiten und wesentliche Risiken.
    2. Geschäftsführung oder AI Steering Committee – steuern Portfolio, Standards, Budgets, Eskalationen und Vorfälle.
    3. Business Owner – verantworten Geschäftsergebnis, Prozessqualität und Akzeptanz des jeweiligen Agenten.
    4. CIO, CTO und AI Product Owner – verantworten Architektur, Modell- und Werkzeugauswahl, Integration, Betrieb und Lebenszyklus.
    5. Security, Risk, Legal, Datenschutz und Betriebsrat – sichern Kontrollen, Compliance, Mitbestimmung, Auditierbarkeit und Resilienz.
    6. Human Approver und Operations – entscheiden über Freigaben, Ausnahmen, Eingriffe und Rückabwicklung und liefern fachliches Feedback.

    FIEGE hat fünf unternehmensweite KI-Leitlinien eingeführt: Erklärbarkeit, Transparenz, Gerechtigkeit, Datenschutz und Robustheit. Entscheidungen und Empfehlungen auf Grundlage von KI sollen nachvollziehbar bleiben; Mitarbeitende und Kunden sollen erkennen können, wo das Unternehmen KI einsetzt.

    „Zentrale Voraussetzung dafür ist Transparenz.“

    Kenza Ait Si Abbou, ehemalige Vorständin und CTO bei FIEGE, FIEGE

    Governance schafft damit einen verlässlichen Handlungsrahmen. Sie ermöglicht schnellere Entscheidungen und größere operative Freiheit, weil Zuständigkeiten, Grenzen und Kontrollmechanismen bereits vor dem produktiven Einsatz feststehen und Ad-hoc-Eingriffe seltener werden. In einer solchen Verantwortungskette setzen Beirat und Aufsichtsgremium den strategischen Rahmen, definieren den Risikograd und beaufsichtigen Wertbeitrag, Abhängigkeiten, wesentliche Risiken und die Wirksamkeit der Steuerungsmechanismen.

    Je größer die Autonomie eines Agenten, desto präziser muss das Unternehmen seinen Handlungsspielraum definieren.

    Quellen: Gartner: Governance Across AI Agents, FIEGE: KI-Leitlinien, McKinsey: Seizing the Agentic AI Advantage

    These 5: Wirtschaftlichkeit misst sich am Geschäftsergebnis

    Agentische KI verändert die Kostenlogik digitaler Arbeit. Klassische Softwarekosten richten sich häufig nach Lizenzen, Arbeitsplätzen oder festen Abonnements. Ein Agent recherchiert, verarbeitet Kontext, ruft Werkzeuge auf, prüft Ergebnisse, korrigiert Fehler und startet bei Bedarf neue Versuche. Die Kosten wachsen mit Umfang, Dauer und Komplexität seiner Arbeit.

    Mit der Verbreitung agentischer Systeme gewinnen verbrauchsabhängige Preismodelle an Bedeutung. Das oberste Prozent der KI-Nutzenden verbrauchte im Juni 2026 mehr als 600-mal so viele Tokens wie der Median. Welche Fehlanreize entstehen können, wenn intensive Nutzung als Produktivitätsnachweis gilt, zeigt das Forschungs- und Entwicklungskommando der US-Armee: Ein für ein Jahr vorgesehenes Kontingent von 100 Millionen Tokens war innerhalb eines Monats aufgebraucht.

    „Gen AI is a consumption economy from the first call.“

    David Tepper, Gründer und CEO von Pay-i, McKinsey Quarterly

    McKinsey nennt sechs wesentliche Kostentreiber: lange Kontextketten, Korrektur- und Prüfschleifen, schwankende Lösungswege, überdimensionierte Modelle, aufwendige Orchestrierung und ineffizient strukturierte Informationen. Bei analysierten agentischen Aufgaben entfielen rund 60 Prozent der Kosten auf Prüfung, Verbesserung und erneute Verifikation. Für dieselbe Programmieraufgabe schwankte der Tokenverbrauch einzelner Durchläufe um den Faktor 30.

    Eine McKinsey-Befragung vom Mai 2026 zeigt zusätzlich, wie schnell die finanzielle Steuerung hinter der Nutzung zurückbleibt: 93 Prozent der qualifizierten Befragten berichteten von Überschreitungen ihrer KI-Budgets. Beim Übergang vom Experiment zum breiteren Einsatz stiegen die Ausgaben im Durchschnitt nahezu auf das Vierfache.

    Goldman Sachs Research erwartet, dass sich der weltweite Tokenverbrauch durch Agentic AI zwischen 2026 und 2030 um den Faktor 24 erhöht. Sinkende Kosten je Token können diesen Mengeneffekt nur teilweise ausgleichen.

    Steigende Kosten bewegen Unternehmen weg vom blinden Hochskalieren der KI-Nutzung und hin zu einem gezielteren Einsatz. Denn hohe Nutzung sind kein Beleg für hohen Wertbeitrag. Modelle, Werkzeuge und Agenten sollten dort zum Einsatz kommen, wo sie den größten wirtschaftlichen Beitrag und die beste Rendite auf das eingesetzte Kapital erzielen. Tokenverbrauch, Modellaufrufe und Nutzungshäufigkeit zeigen Aktivität. Über den geschäftlichen Wert entscheiden kürzere Durchlaufzeiten, geringere Fehlerquoten, höhere Servicequalität, zusätzliche Umsätze und frei werdende Kapazitäten. Um ein realen Wertbeitrag ermitteln zu können, sollten je Geschäftsvorgang sollten Kosten, Qualitätsabweichungen, menschliche Eingriffe und Folgekosten erfasst werden.

    Jeder relevante Agentenprozess braucht deshalb:

    • einen klaren geschäftlichen Auftrag,
    • ein Kosten- und Nutzenmodell,
    • eine geeignete Modell- und Werkzeugauswahl,
    • Budget- und Verbrauchsgrenzen,
    • Qualitäts- und Eskalationskennzahlen,
    • definierte Abbruchkriterien.

    Die zentrale Messgröße bildet der abgeschlossene Geschäftsvorgang: ein gelöster Servicefall, ein geprüfter Schaden, ein qualifizierter Lead oder ein fehlerfrei bearbeiteter Auftrag.

    Unternehmen sollten maschinelle Arbeit mit derselben Disziplin steuern wie Personal, Kapital, Risiken und operative Prozesse.

    Quellen: McKinsey: Cost versus Value, J.P. Morgan Private Bank, t3n: Token-Kontingent US-Militär, McKinsey: Agentic Economics, McKinsey: The Cost of Intelligence, Goldman Sachs Research

    These 6: Unternehmenseigenes Wissen und eine vertrauenswürdige Infrastruktur werden zum entscheidenden Wettbewerbsvorteil.

    Die KI-Modelle selbst werden zur verfügbaren Standardtechnologie. Entscheidend wird, was ein Unternehmen daraus macht – mit eigenen Daten, Prozessen, Fachwissen und Anwendungen. Der spezifische Wettbewerbsvorteil entsteht durch proprietäre Daten, Prozesswissen, Rollen, Regeln, Entscheidungshistorien und einer sicheren technischen Umgebung. Ein Agent wird erst dann unternehmensfähig, wenn er den relevanten Geschäftskontext kennt und verlässlich mit ERP, CRM, Wissensplattformen, Produktionssystemen und anderen Agenten zusammenarbeiten kann.

    McKinsey zufolge nennen acht von zehn Unternehmen Einschränkungen ihrer Datenbasis als Hindernis für die Skalierung von Agentic AI. Verteilte Datenbestände, widersprüchliche Informationen und historisch gewachsene IT-Landschaften erschweren durchgängige agentische Prozesse.

    Das US-amerikanische National Institute of Standards and Technology hat 2026 eine eigene AI Agent Standards Initiative gestartet. Im Mittelpunkt stehen sichere Interoperabilität, technische Standards, Identität und Autorisierung. Agenten sollen eindeutig identifizierbar sein, verlässlich im Auftrag ihrer Nutzer handeln und sicher mit anderen Systemen zusammenarbeiten können.

    „Agents function securely on behalf of users and interoperate smoothly across the digital landscape.“

    National Institute of Standards and Technology (NIST), AI Agent Standards Initiative, NIST

    Zur vertrauenswürdigen Infrastruktur gehören:

    • leistungsfähige Netze und skalierbare Rechenkapazität,
    • souveräne Cloud- und Datenräume,
    • eindeutige Agentenidentitäten,
    • differenzierte Zugriffs- und Aktionsrechte,
    • standardisierte und abgesicherte Schnittstellen,
    • Interoperabilität zwischen Modellen, Anwendungen und Agenten,
    • Protokollierung und kontinuierliche Überwachung,
    • Schutz vor manipulierten, kompromittierten oder gefälschten Agenten.

    Damit erweitert sich die Rolle von Telekommunikations- und Infrastrukturunternehmen. Sie verbinden künftig Menschen, Daten, Anwendungen und KI-Agenten innerhalb geschützter digitaler Ökosysteme.

    T-Systems betreibt seine Agentic-AI-Lösung „Talk to your data“ vollständig in der eigenen Cloud-Infrastruktur und verbindet Modelle, Sicherheitsmechanismen und skalierbare Rechenleistung. Sensible Daten bleiben nach Unternehmensangaben innerhalb der geschützten Umgebung.

    Die Architektur muss zugleich regulatorische Anforderungen abbilden. Je nach Anwendungsfall können insbesondere der EU AI Act, Art. 22 DSGVO zu automatisierten Entscheidungen, Mitbestimmungsrechte nach dem Betriebsverfassungsgesetz, NIS2 sowie die neue EU-Produkthaftungsrichtlinie relevant werden. Technische Standards und rechtliche Anforderungen sollten deshalb bereits im Design und nicht erst vor dem Go-live berücksichtigt werden.

    Wer die vertrauenswürdige Infrastruktur für die Agentenökonomie bereitstellt, gestaltet einen wesentlichen Teil der digitalen Wertschöpfung von morgen.

    Quellen: McKinsey: Foundations for Agentic AI at Scale, NIST: AI Agent Standards Initiative, Telekom Data Intelligence Hub, EU AI Act, DSGVO Art. 22, BetrVG § 87, BetrVG § 90, NIS2, EU-Produkthaftungsrichtlinie 2024/2853

    These 7: Cyberresilienz und menschliche Eingriffsfähigkeit entscheiden über Vertrauen

    Mit zunehmender Autonomie wächst die Angriffsfläche. Agenten greifen auf Identitäten, Daten, Schnittstellen und Werkzeuge zu und können Handlungen über mehrere Systeme hinweg ausführen. Dadurch gewinnen Prompt Injection, Model Poisoning, Identitäts- und Rechtekompromittierung, schädliche Werkzeugnutzung, Agent-zu-Agent-Angriffe, Lieferkettenrisiken und kaskadierende Fehler an Bedeutung.

    „Agentic AI introduces a fundamentally new threshold of security challenges, and we are already seeing real incidents emerge across industry.“

    John Sotiropoulos, OWASP GenAI Security Project, OWASP

    Cybersecurity verdient deshalb eine eigene strategische Betrachtung. Notwendig sind Zero-Trust-Prinzipien, eindeutige Identitäten, Least-Privilege-Rechte, kontinuierliche Autorisierung, Monitoring und Anomalieerkennung, Red-Team-Tests, abgesicherte Lieferketten, Incident Response sowie technisch wirksame Stop-, Override- und Rollback-Mechanismen.

    Menschliche Aufsicht darf nicht nur formal vorgesehen sein. Sie muss rechtzeitig, fachlich kompetent und technisch in der Lage sein, einen Agenten zu begrenzen, eine Aktion zu stoppen oder einen früheren Zustand wiederherzustellen. Jeder geschäftskritische Agent benötigt deshalb einen dokumentierten Notfallmodus und klar definierte Verantwortliche und regelmäßig getestete Eingriffsverfahren.

    Ein autonomer Agent ist nur so vertrauenswürdig wie die Fähigkeit des Unternehmens, ihn zu überwachen, zu stoppen und seine Handlungen rückgängig zu machen.

    Quellen: OWASP: Top 10 for Agentic Applications, NIST: Agentic Security – Emerging Threats, NIST: Monitoring Deployed AI Systems, ENISA: Cybersecurity and AI

    These 8: Auch Beiräte tragen strategische Verantwortung

    KI-Agenten greifen in Wertschöpfung, Organisation, Kostenstrukturen, Datenhaushalt, Kundenbeziehungen und Risikoprofile ein. Sie gehören deshalb als regelmäßiger Gegenstand auf die Agenda von Geschäftsführung, Beiräten und Aufsichtsgremien.

    „As use of Artificial Intelligence rapidly becomes ubiquitous across the global economy, boards must understand the technology, its potential and its risks.“

    Leonard Stein, SVP Global Affairs, Splunk Inc., World Economic Forum

    Gremien müssen keine einzelnen Werkzeuge auswählen und keine operativen Pilotprojekte steuern. Ihre Aufgabe liegt in der strategischen Einordnung, der risikoorientierten Aufsicht und der Sicherung unternehmerischer Handlungsfähigkeit. Sie prüfen Geschäftswert, Reifegrad, Governance, Cyberresilienz, organisatorische Fähigkeiten und Abhängigkeiten von Modellen, Plattformen und Anbietern.

    Der Microsoft Work Trend Index zeigt, dass eine klare Führungsausrichtung, sichtbare Vorbilder und geeignete organisatorische Rahmenbedingungen den wahrgenommenen Wert und das Vertrauen in agentische KI erheblich erhöhen. Gartner berichtet zugleich, dass lediglich 13 Prozent der Organisationen ihre Governance für die wachsende Zahl von KI-Agenten als angemessen einschätzen.

    Digitalkompetenz im Gremium bedeutet deshalb, technologische Möglichkeiten mit Geschäftsmodell, Governance, Organisation und Risikosteuerung zu verbinden. Die zentralen Leitfragen für die Gremienarbeit sind im DDB-Praxisimpuls am Ende dieses Papiers gebündelt.

    Der Beirat muss keine KI-Agenten programmieren. Er muss beurteilen können, wo sie Wert schaffen, welche Risiken sie auslösen und ob das Unternehmen sie verantwortungsvoll steuert.

    Beiräte können der Geschäftsführung Orientierung geben, Zielkonflikte sichtbar machen, Investitionsentscheidungen hinterfragen und den Aufbau geeigneter Steuerungsstrukturen unterstützen. Damit stärken sie die Fähigkeit des Unternehmens, auch unter hoher technologischer Dynamik fundiert und verantwortlich zu entscheiden.

    Quellen: World Economic Forum: AI Governance Toolkit, Microsoft: 2026 Work Trend Index, Gartner: AI Agent Sprawl

    Fazit: Vom KI-Piloten zum handlungsfähigen Unternehmen

    Erfolgreiche mittelständische Unternehmen führen KI-Agenten schrittweise ein. Sie beginnen mit einem klar abgegrenzten Geschäftsproblem, begrenzten Rechten und menschlicher Aufsicht, messen den Wertbeitrag und erweitern Autonomie erst auf Grundlage belastbarer Ergebnisse. Strategie, Daten, Operating Model, Governance, Wirtschaftlichkeit und Cyberresilienz bilden dabei ein zusammenhängendes Transformationsprogramm.

    Wo agentische Transformation keinen ausreichenden Mehrwert bietet, bleiben KI-Assistenten oder klar begrenzte Automatisierungen die bessere Lösung. Reife zeigt sich nicht an maximaler Autonomie, sondern an der Fähigkeit, die passende Technologie sicher, wirtschaftlich und verantwortbar einzusetzen.

    Der nächste sinnvolle Schritt beginnt mit einer ehrlichen Standortbestimmung: Welches Geschäftsproblem soll gelöst werden? Welche Form von Assistenz, Automatisierung oder agentischer Handlungsfähigkeit ist dafür angemessen? Sind Wertbeitrag, Datenbasis, Verantwortlichkeiten, Governance und Cyberresilienz ausreichend geklärt? Darauf folgt ein begrenzter Anwendungsfall mit messbaren Erfolgskriterien und wirksamen menschlichen Eingriffsmöglichkeiten. Erst wenn Nutzen und Beherrschbarkeit belegt sind, sollte das Unternehmen den Einsatz skalieren oder die Autonomie erweitern.

    Die Deutschen Digitalen Beiräte verstehen KI-Agenten als strategische Führungs- und Governance-Aufgabe. Digitale Beiräte unterstützen den Mittelstand dabei, technologische Möglichkeiten in tragfähige Entscheidungen, kontrollierte Autonomie und messbare Wertschöpfung zu übersetzen.

    Boardroom Check

    Zehn Leitfragen für die nächste Gremiensitzung

    Die Fragen übersetzen die acht Thesen in einen ersten Gesprächs- und Prüfrahmen. Sie ersetzen keine unternehmens- und anwendungsbezogene Analyse.

    1. Welche Geschäftsziele verfolgt das Unternehmen mit KI-Agenten?
    2. Welche Prozesse, Rollen und Entscheidungen verändern sich?
    3. Welchen messbaren Wertbeitrag erwarten wir – und wie werden Gesamtkosten und ROI pro Geschäftsvorgang ermittelt?
    4. Welche Daten, Systeme und Ressourcen dürfen Agenten nutzen?
    5. Welche Aktionen führen sie eigenständig, nach Freigabe oder ausschließlich durch Menschen aus?
    6. Wer trägt die fachliche, technische, wirtschaftliche und rechtliche Verantwortung?
    7. Wie überwacht das Unternehmen Qualität, Kosten, Abweichungen und Vorfälle?
    8. Welche Abhängigkeiten entstehen von Modellen, Plattformen und Infrastrukturpartnern?
    9. Welche Kompetenzen fehlen in Geschäftsführung, Gremien und Organisation?
    10. Wie bleibt das Unternehmen bei Störungen, Angriffen oder einem Anbieterwechsel handlungsfähig – einschließlich Stop-, Override- und Rollback-Mechanismen?

    Für den Mittelstand entscheidet sich der Nutzen von KI-Agenten nicht an maximaler Autonomie, sondern an klaren Verantwortungsgrenzen. Rollen, Freigaben und Protokollierung sollten so gestaltet sein, dass Menschen bei kritischen Entscheidungen wirksam eingreifen können und aus Fehlern systematisch gelernt wird. Welche Governance-Kennzahlen nutzen Sie, um neben Produktivität auch Nachvollziehbarkeit und Risiko zu messen?

    Haben Sie Fragen?

    In unseren FAQ finden Sie kompakte Antworten zu den wichtigsten Fragen.

    FAQ ansehen