Doch kaum jemand weiß, wie man leistungsstarke Agenten wirklich entwickelt.

Das Hype-Problem 

KI-Agenten sind derzeit allgegenwärtig: in Strategien, Roadmaps, Produktdemos und Vorstandsgesprächen. Sie versprechen mehr Automatisierung, höhere Geschwindigkeit und grundlegende Transformation. 

Doch hinter der Begeisterung verbirgt sich eine Herausforderung, die viele Unternehmen erst bemerken, wenn es bereits zu spät ist. 

Viele Organisationen sprechen selbstbewusst darüber, KI-Agenten zu entwickeln. Nur wenige können jedoch klar erklären, wie ein erfolgreicher Agent überhaupt entsteht und welche Voraussetzungen geschaffen werden müssen, bevor die erste technische Entscheidung fällt. 

Die eigentliche Herausforderung liegt nicht darin, einen Agenten zu implementieren, zu konfigurieren oder zu präsentieren. Entscheidend ist, ob er von Anfang an richtig konzipiert wurde. 

Genau diese fehlende Klarheit bleibt zu Beginn oft unsichtbar – und ist gleichzeitig der Grund, warum viele Initiativen ins Stocken geraten oder schließlich scheitern. 

Der grundlegende Fehler 

Die Gartner-Prognose wurde vielfach zitiert: Bis zu 80 % aller KI-Initiativen liefern nicht den erwarteten Mehrwert. Die Gründe sind unterschiedlich, doch ein Muster zeigt sich immer wieder: 

Unternehmen beginnen häufig mit der Lösung, bevor sie das eigentliche Problem verstanden haben. 

„Wir sollten einen Agenten entwickeln, damit Informationen schneller gefunden werden.“ 

„Lassen Sie uns einen KI-Assistenten für unsere Teams bauen.“ 

Das klingt innovativ. Es fühlt sich nach Fortschritt an. 

Doch wer beim Agenten startet statt beim Problem, landet fast zwangsläufig bei denselben Herausforderungen: 

• Unklarer Umfang 

• Unscharfer Geschäftswert 

• Unrealistische Erwartungen 

• Lösungen, die von Beginn an fragil sind 

Ich habe Projekte erlebt, in denen KI-Agenten zur automatisierten Fehlererkennung in Lieferkettenprozessen entwickelt werden sollten – nur um später festzustellen, dass die Fehlererkennung bereits mit vorhandenen Werkzeugen möglich war. 

Das eigentliche Problem lag ganz woanders: 

• Verantwortlichkeiten waren unklar. 

• Die Ergebnisse wurden nicht ausreichend vertraut. 

• Es gab keinen abgestimmten Prozess für den Umgang mit erkannten Fehlern. 

Ein Agent hätte diese Probleme nicht gelöst. Er hätte lediglich zusätzliche Komplexität geschaffen. 

Ein Agent, der auf diese Weise entsteht, besitzt kein stabiles Fundament. Ohne ein klares Designkonzept bleibt er eine Idee auf der Suche nach einem Zweck.

Was ein KI-Agent wirklich ist 

Ein KI-Agent ist weit mehr als ein Chatbot, ein Prompt oder eine intelligente Automatisierung. 

Im Kern handelt es sich um ein System, das Entscheidungen treffen kann. Und gute Entscheidungen benötigen starke Grundlagen. 

Ein KI-Agent: 

• versteht Zusammenhänge, 

• bewertet Optionen, 

• handelt zielorientiert, 

• und arbeitet mit einem gewissen Grad an Autonomie. 

Sein Erfolg wird daher meist entschieden, bevor überhaupt eine Technologie ausgewählt wird. 

Die DNA eines erfolgreichen KI-Agenten 

Bevor Entwicklung oder Implementierung beginnen, muss die „DNA“ eines Agenten in fünf zentralen Dimensionen definiert werden: 

Problem 

Welcher konkrete Engpass oder welche Ineffizienz soll beseitigt werden? 

Entscheidungen 

Welche Entscheidungen unterstützt der Agent – oder trifft er eigenständig? 

Daten 

Auf welche Informationen greift er zu? Sind diese Daten verfügbar, relevant und vertrauenswürdig? 

Aktionen 

Welche Handlungen darf der Agent ausführen und an welchen Stellen bleibt der Mensch in Kontrolle? 

Erfolg 

Woran wird gemessen, ob der Agent tatsächlich erfolgreich ist? 

Ohne Antworten auf diese Fragen entsteht häufig nur zusätzliche Komplexität – ähnlich wie bei einem schwach performenden Team, dem weitere Mitarbeitende hinzugefügt werden, ohne die eigentlichen Ursachen zu beheben. 

Der oft übersehene Schritt: 

Erst verstehen, dann entwickeln 

Viele Unternehmen überspringen genau den Moment, in dem diese DNA definiert werden sollte. 

Sie wechseln direkt von: 

„Wir sollten einen Agenten bauen“ 

zu 

„Lassen Sie uns ihn implementieren.“ 

Dazwischen liegt jedoch die entscheidende Phase: 

Envisioning 

Envisioning ist weit mehr als Brainstorming oder frühes Lösungsdesign. 

Es handelt sich um strukturierte Gespräche mit Führungskräften und Fachbereichen – noch bevor technische Teams involviert werden. 

Hier werden die entscheidenden Fragen gestellt: 

• Wo schafft Autonomie tatsächlich Mehrwert? 

• Welche Entscheidungen sind komplex, inkonsistent oder zeitkritisch? 

• Welche Daten benötigt der Agent? 

• Existieren diese Daten überhaupt? 

• Sind sie zugänglich und zuverlässig genug? 

In vielen Projekten zeigte sich erst durch diese Fragen, dass entscheidende Voraussetzungen fehlten. 

Manchmal wurden die benötigten Daten gar nicht erfasst. 

Manchmal waren sie nicht zugänglich. 

Und manchmal waren sie schlicht nicht verlässlich genug, um autonome Entscheidungen zu ermöglichen. 

Ohne Envisioning wären diese Probleme erst deutlich später sichtbar geworden – nachdem bereits Zeit, Budget und Erwartungen investiert worden waren. 

Genau hier entsteht die DNA eines Agenten – oder seine Schwachstellen werden offenbart.

Wie das in der Praxis aussieht 

Ein Kunde wollte einen Agenten entwickeln, der Mitarbeitenden hilft, Informationen schneller zu finden. 

Auf den ersten Blick ein sinnvoller Anwendungsfall. 

Doch in den Workshops zeigte sich ein anderes Bild: 

• Mitarbeitende hatten keinen einheitlichen Informationszugriff. 

• Daten waren über verschiedene Systeme verteilt. 

• Einige Teams nutzten die offiziellen Quellen gar nicht. 

Das Problem war nicht Geschwindigkeit. 

Das Problem war fehlende Konsistenz. 

Ein Agent hätte diese Situation nicht verbessert. Er hätte sie übernommen und sogar verstärkt. 

In einem anderen Fall sollte ein Chatbot Dokumente aus einer bestimmten Datenbank abrufen. 

Technisch existierte die Datenbank. 

Operativ wurde sie jedoch kaum genutzt. 

Dokumente lagen in parallelen Systemen und informellen Ablagestrukturen. 

Das eigentliche Problem war daher nicht die Suche nach Informationen, sondern das Fehlen einer gemeinsamen und gelebten „Single Source of Truth“. 

Diese Muster begegnen uns immer wieder: 

• Optimierung von Systemen, die kaum genutzt werden. 

• Vorschläge für Agenten, obwohl bereits ausreichende Automatisierung existiert. 

• Erwartungen an Autonomie, obwohl die notwendigen Daten fehlen oder unzuverlässig sind. 

Die Ursache liegt selten in der Technologie selbst. 

Meist wurden die Grundlagen nie sauber definiert. 

Wie wir bei Hitachi KI-Agenten entwickeln 

Viele Unternehmen starten mit der Technologie. 

Wir beginnen mit den operativen Herausforderungen und Entscheidungsprozessen, die Menschen täglich erleben. 

Bei Hitachi werden Agenten nicht einfach entwickelt. 

Sie werden entworfen, bevor sie geboren werden. 

Wir analysieren: 

• Wo Prozesse ins Stocken geraten. 

• Wo Informationen verloren gehen. 

• Wo Entscheidungen von Erfahrungswissen einzelner Personen abhängen. 

• Wo Menschen als Schnittstelle zwischen verschiedenen Systemen agieren müssen. 

Denn wenn es keinen relevanten Reibungspunkt gibt, gibt es auch keinen Grund für einen Agenten. 

Anschließend betrachten wir die zugrunde liegenden Entscheidungen: 

• Wo entstehen Verzögerungen? 

• Wo werden ähnliche Entscheidungen unterschiedlich getroffen? 

• Wo ist Kontext wichtiger als feste Regeln? 

• Wo kompensieren Mitarbeitende bestehende Systemlücken? 

Denn nicht Aufgaben definieren die Rolle eines Agenten – sondern Entscheidungen. 

Erst danach definieren wir seine DNA: 

• Verantwortlichkeiten 

• Entscheidungsbefugnisse 

• Autonomiegrade 

• Menschliche Kontrollpunkte 

• Erfolgskriterien 

Hier nimmt der Agent Gestalt an – zunächst fachlich und organisatorisch, nicht technisch. 

Und genau das macht den Unterschied zwischen einem Agenten, der echten Mehrwert schafft, und einem, der nie über die Pilotphase hinauskommt. 

 

Die wichtigste Erkenntnis 

Alle sprechen über KI-Agenten. 

Doch die Entscheidungen, die über ihren Erfolg bestimmen, werden meist lange getroffen, bevor die erste Zeile Code geschrieben wird. 

Wenn Sie nicht klar erklären können: 

• welches Problem Ihr Agent löst, 

• welche Entscheidungen er verantwortet, 

• und warum Autonomie in diesem Kontext sinnvoll ist, 

dann liegt die Herausforderung nicht bei der Technologie. 

Sie liegt im Ausgangspunkt. 

Die meisten KI-Agenten scheitern nicht während der Entwicklung. 

Sie scheitern bereits bei ihrer Entstehung. 

Nun wissen wir, warum so viele Agenten scheitern, bevor sie überhaupt existieren. 

Die nächste Frage lautet: 

Wie entwickelt man einen KI-Agenten, der wirklich performant ist? 

In Episode 02 teilt Dr. Oliver Höllriegl aus unserem deutschen Team seine Erfahrungen aus realen Kundenprojekten. 

Seine wichtigste Erkenntnis dürfte viele überraschen: 

Technologie ist der einfache Teil.