Alle reden über KI-Agenten, aber fast niemand weiß, wie man leistungsstarke entwickelt.

Das Hype-Problem

KI-Agenten sind überall: in Roadmaps, Demos und Vorstandsgesprächen. Sie versprechen Autonomie, Beschleunigung und Transformation. Doch hinter diesem Hype klafft oft eine Lücke, die die meisten Organisationen viel zu spät erkennen.

Viele sprechen selbstbewusst darüber, Agenten zu bauen. Nur wenige können klar erklären, wie solche Agenten überhaupt entstehen oder was sie vor ihrer Implementierung eigentlich ausmacht. Die eigentliche Herausforderung ist nicht, ob sie ausgerollt, konfiguriert oder in einer Demo präsentiert werden. Entscheidend ist, ob sie von Anfang an richtig konzipiert sind. Genau dieser Mangel an Klarheit bleibt anfangs meist unsichtbar. Und genau dort stocken die meisten Initiativen, bevor sie scheitern.

Der grundlegende Fehler

Du hast sicher schon diese Gartner-Zahl gehört: Bis zu 80 Prozent der KI-Initiativen schaffen es nicht, echten Wert zu liefern. Die Gründe variieren, doch ein Muster wiederholt sich immer wieder: Viele Organisationen beginnen mit einer Lösung, bevor sie das Problem wirklich verstanden haben, das sie lösen wollen.

„Wir sollten einen Agenten bauen, damit Informationen schneller gefunden werden.“
„Lass uns einen KI-Assistenten für unsere Teams entwickeln.“
Das klingt innovativ. Es fühlt sich nach Fortschritt an. Doch mit dem Agenten statt mit dem Problem zu beginnen, führt fast immer zum selben Ergebnis: unklarer Scope, unklare Wertschöpfung, unrealistische Erwartungen und fragile Lösungen von Tag eins an.

Ich habe selbst erlebt, wie Agentenideen entstehen sollten, um Fehler in Supply-Chain-Prozessen automatisch zu erkennen, nur um später festzustellen, dass die Erkennung mit bestehenden Tools bereits möglich war. Das eigentliche Problem lag woanders: unklare Verantwortlichkeiten, begrenztes Vertrauen in die Ergebnisse und keine abgestimmte Reaktion, sobald Fehler erkannt wurden. Ein Agent hätte das nicht gelöst. Er hätte nur zusätzliche Komplexität auf ohnehin ungeklärte Grundlagen gelegt.

Ein so konzipierter Agent hat keine echte Grundlage. Ohne einen klaren Designrahmen wird er zu einem Konzept auf der Suche nach einem Zweck.

Was ein KI-Agent wirklich ist

Ein KI-Agent geht über einen Chatbot, einen Prompt oder eine smarte Automatisierung hinaus. Im Kern ist er ein System, das dafür gebaut ist, Entscheidungen zu treffen, und Entscheidungen brauchen eine solide Grundlage.

Ein KI-Agent versteht Kontext, bewertet Optionen, handelt mit Blick auf ein Ziel und arbeitet mit einem gewissen Maß an Autonomie. Das heißt: Ob er erfolgreich ist, entscheidet sich schon, bevor überhaupt die erste Technologie ausgewählt wird.

Bevor irgendetwas gebaut wird, sollte die DNA eines Agenten entlang von fünf Dimensionen klar definiert sein:

• Problem: Welche konkrete Reibung oder Ineffizienz soll gelöst werden?

• Entscheidungen: Welche Entscheidungen unterstützt er oder trifft er autonom?

• Daten: Auf welche Informationen stützt er sich, und sind diese Daten real, genutzt und verlässlich?

• Aktionen: Was darf er tun, und wo bleibt der Mensch in der Kontrolle?

• Erfolg: Woran erkennt man konkret, dass es funktioniert?

Ohne diese Antworten entsteht oft nur zusätzliche Komplexität statt ein wirklich nützlicher Agent. Es ist ein bisschen so, als würde man ein leistungsschwaches Team einfach vergrößern, ohne die eigentliche Ursache anzugehen.

Die fehlende Phase: Envisioning vor Engineering

Die meisten Organisationen überspringen genau den Moment, in dem die DNA eines Agenten definiert werden sollte. Sie springen direkt von „Wir sollten einen Agenten bauen“ zu „Lass uns implementieren“. Doch genau dazwischen liegt die Phase, die entscheidet, ob der Agent überhaupt funktionieren kann.

Envisioning ist weit mehr als ein Brainstorming oder ein erster Lösungsskizzenprozess. Es geht um strukturierte Gespräche mit der Führung und den Endanwendern, lange bevor das technische Team überhaupt im Raum sitzt. Genau dort tauchen die schwierigen, aber entscheidenden Fragen früh auf: Wo schafft Autonomie im Alltag wirklich Wert? Welche Entscheidungen sind tatsächlich komplex oder inkonsistent? Auf welchen Daten würde der Agent aufbauen, und existieren diese Daten überhaupt?

In mehreren Projekten, an denen ich gearbeitet habe, begannen Agentenideen erst dann zu kippen, als genau diese letzte Frage gestellt wurde. Manchmal wurden Daten gar nicht erfasst. Manchmal waren sie nicht zugänglich. Manchmal waren sie schlicht zu unzuverlässig, um autonome Entscheidungen zu tragen. Ohne diese Envisioning-Phase wären diese Realitäten viel später sichtbar geworden, nachdem bereits investiert, Erwartungen aufgebaut und Momentum erzeugt worden wäre.

Genau hier formt sich die DNA des Agenten, oder sie wird sichtbar. Ohne diese Phase entsteht kein tragfähiger Rahmen, sondern nur ein Konzept, das noch nach seinem eigentlichen Zweck sucht.

Was das in der Praxis bedeutet

Ein Kunde wollte einmal einen Agenten bauen, der Mitarbeitenden helfen sollte, Informationen schneller zu finden. Auf dem Papier klang das absolut sinnvoll. Doch in den Envisioning-Gesprächen mit den Fachbereichen zeigte sich eine ganz andere Realität. Die Mitarbeitenden hatten nicht auf dieselben Informationen Zugriff. Die Daten waren über mehrere Systeme verteilt, und manche Teams nutzten die offiziellen Quellen nicht einmal. Das Problem war nicht die Geschwindigkeit. Es war eine tiefe Inkonsistenz. Ein Agent hätte dieses Problem nicht gelöst, sondern nur übernommen und verstärkt.

In einem anderen Fall wollte eine Organisation einen Chatbot, der Dokumente aus einer bestimmten Datenbank abrufen sollte. Technisch existierte diese Datenbank. Operativ wurde sie jedoch kaum genutzt. Die Dokumente lagen in parallelen Systemen und informellen Freigaben. Das Problem war nicht das Abrufen. Es war das Fehlen einer gemeinsam genutzten und tatsächlich gelebten Single Source of Truth.

In allen Organisationen wiederholen sich dieselben Muster: den Zugriff auf Systeme optimieren, die Menschen in Wahrheit gar nicht nutzen, Agenten dort vorschlagen, wo Automatisierung längst vorhanden ist, und Autonomie erwarten, obwohl Daten fehlen oder unzuverlässig sind. Diese Probleme entstehen selten durch die Technologie selbst. Meist liegt es daran, dass die Grundlagen nie sauber definiert wurden.

Wie wir bei Hitachi wirklich Agenten entwickeln

Die meisten Organisationen beginnen mit der Technologie. Bei Hitachi gehen wir lieber von den operativen Herausforderungen und den Entscheidungspunkten aus, mit denen Mitarbeitende im Alltag konfrontiert sind.

Bei Hitachi werden Agenten nicht einfach von Grund auf gebaut. Sie werden konzipiert, bevor sie entstehen. Wir betrachten, wo die Arbeit ins Stocken gerät, wo Informationen verloren gehen, wo Entscheidungen auf informellem Wissen beruhen und wo Menschen als Verbindungsglied zwischen Systemen fungieren. Wenn es keine spürbare Reibung gibt, gibt es auch keinen Grund für einen Agenten.

Von dort aus wandeln wir Probleme in Entscheidungsmöglichkeiten um. Wo werden Entscheidungen verzögert oder inkonsistent getroffen? Wo ist Kontext wichtiger als starre Regeln? Wo gleichen Menschen Lücken in den Systemen aus? Denn Entscheidungen und nicht Aufgaben definieren die Rolle eines Agenten.

Bevor wir überhaupt über Modelle oder Tools sprechen, definieren wir dann die DNA des Agenten entlang von fünf Dimensionen. Wofür er verantwortlich ist. Wo er eigenständig handeln darf. Wo Menschen die Kontrolle behalten. Und wie Erfolg konkret aussieht. Genau dort nimmt der Agent Form an, strukturell und nicht technisch. Und genau das macht den Unterschied zwischen einem Agenten, der funktioniert, und einem, der stagniert.

Was man daraus mitnehmen sollte

Alle reden über KI-Agenten, doch die Entscheidungen, die über ihren Erfolg bestimmen, werden meist lange getroffen, bevor ein Entwickler die erste Zeile Code schreibt. Wenn man nicht klar erklären kann, welches Problem der Agent löst, welche Entscheidungen in seinen Verantwortungsbereich fallen und warum Autonomie überhaupt sinnvoll ist, dann liegt das Problem nicht an der Technologie. Es liegt am Ausgangspunkt.

Die meisten Agenten scheitern nicht bei der Entwicklung. Sie scheitern bei ihrer Entstehung.

Jetzt, da klar ist, warum die meisten Agenten scheitern, bevor sie überhaupt existieren, stellt sich die nächste Frage: Wie baut man einen, der wirklich leistungsfähig ist? In Episode 02 teilt Dr. Oliver Höllriegl aus unserem deutschen Team, was er beim Aufbau von KI-Agenten in der Praxis gelernt hat. Sein Ausgangspunkt könnte überraschen: Die Technologie ist der einfachste Teil.

Episode 02 – Wie man einen leistungsfähigen KI-Agenten konzipiert und baut
Erscheint am 24. Juli.

Artikel von Naomie Grillo, Lead Consultant, Pre-Sales, Hitachi Solutions France.