Wenn Sie dieses Jahr auch nur annähernd mit Diskussionen über KI in Unternehmen zu tun hatten, haben Sie immer wieder dieselbe Frage gehört: Sollten wir autonome Agenten entwickeln … oder lieber auf KI mit menschlicher Beteiligung setzen?
Genau diese Spannung war der Grund, warum Jordan Millhausen (einer unserer Solutions Engineers) und ich kürzlich unser Webinar zum Thema „Augmented Intelligence vs. Autonomous Agents” veranstaltet haben. Wir wollten keine weitere Hype-Tour. Wir wollten Teams ein praktisches Handbuch für den Einsatz von KI-Automatisierung in der realen Welt an die Hand geben – wo Menschen, Risikokontrollen und unübersichtliche Daten Teil der Arbeit sind.
Die Realität in der Branche: Das Zeitalter der Makler ist angebrochen, aber auch das „Agent Washing“.
Beginnen wir mit einem ehrlichen Blick auf die Branche. Agentische KI ist derzeit zweifellos ein Top-Trend in Unternehmen. Gartner warnt jedoch auch davor, dass ein Großteil der „agentischen” Projekte bis 2027 aufgrund von Kosten, unklarem Nutzen oder unzureichenden Risikokontrollen eingestellt werden wird. Das Unternehmen kritisiert außerdem das „Agent Washing”, bei dem Anbieter Produkte als „agentisch” bezeichnen, die im Grunde genommen nur Chatbots mit zusätzlichen Funktionen sind.
Die Frage lautet also nicht „Sind Agenten real?“, denn das sind sie. Die Frage lautet vielmehr „Wo gehören sie hin und wie können wir sie sicher in bereits funktionierende Abläufe integrieren?“
Das ist die Frage, mit der Jordan und ich uns beschäftigt haben.
Was wir unter Agenten und erweiterter Intelligenz verstehen
Zu Beginn der Sitzung stützte ich mich auf eine Definition von Gartner, die mir gefällt: KI-Agenten sind autonome oder halbautonome Software-Einheiten, die wahrnehmen, entscheiden und auf Ziele hin handeln. Mit anderen Worten: Sie folgen nicht einfach einem festen Skript. Sie können Werkzeuge auswählen, sich an Bedingungen anpassen und das Ziel weiter verfolgen, auch wenn die Realität – oder die Eingabedaten – nicht mitspielen.
Im Gegensatz dazu ist Augmented Intelligence das, was viele Unternehmen bereits heute tun: KI für einzelne Schritte innerhalb vorhersehbarer Arbeitsabläufe einsetzen. Denken Sie daran, ein Dokument zusammenzufassen, Felder zu extrahieren oder eine Empfehlung zu entwerfen...und dann eine Pause einzulegen, damit eine Person dies überprüfen oder genehmigen kann.
Keines der beiden Modelle ist „besser“. Es handelt sich um unterschiedliche Instrumente. Die Kunst besteht darin, zu wissen, welches wann eingesetzt werden sollte.
Warum die meisten KI-Projekte vor der Produktion ins Stocken geraten
Wir sprachen auch über das offensichtliche Problem: Proofs of Concept gibt es überall, Produktionsimplementierungen hingegen nicht. Ich zitierte Daten, die zeigen, dass die Mehrheit der KI-Initiativen diese Lücke nie überbrücken kann, und die Hindernisse sind immer dieselben: Datenzugriff, Datenschutz, Sicherheit, Governance und Compliance.
In unserer eigenen Umfrage gaben 94 % der Befragten an, dass sie Hindernisse für den effektiven Einsatz von KI sehen, obwohl viele bereits täglich KI nutzen. Der Grund dafür? Es ist einfach, KI anhand sauberer Offline-Daten zu demonstrieren. Es ist jedoch schwierig, KI mit realen Unternehmenssystemen zu verbinden, ohne Sicherheitslücken zu öffnen.
Aus diesem Grund tauchen auch Standards wie das Model Context Protocol (MCP) überall auf : MCP schafft eine einheitliche Client-Server-Methode, mit der Modelle Tools und Datenquellen ohne individuelle Einmalintegrationen aufrufen können. Stellen Sie sich das wie „USB-C für KI” vor.
Das führt uns zum Kern des Webinars: Wie entscheidet man sich in der Praxis für Augmented oder Agentic?.
Die drei wichtigsten Erkenntnisse aus dem Webinar
1) Verwenden Sie eine einfache Entscheidungsregel: Überprüfbarkeit vs. Geschwindigkeit
Hier ist die Faustregel, die ich geteilt habe:
„Deterministische Überprüfbarkeit, wo es darauf ankommt, probabilistische Geschwindigkeit, wo es darauf ankommt.“
Wenn das Ergebnis vollständig nachvollziehbar sein muss (d. h. regulatorische Schritte, Genehmigungen mit hohem Risiko, alles, wo Sie eine wasserdichte Aufzeichnung von „wer/was/warum“ benötigen), benötigen Sie Augmented Intelligence mit klaren menschlichen Kontrollpunkten.
Wenn es bei der Aufgabe eher um Durchsatz und Ausfallsicherheit geht und die Kosten für das Warten auf Menschen höher sind als die Kosten für gelegentliche Ausnahmen, spricht dies stark für eine agentenbasierte Ausführung, vorausgesetzt, diese erfolgt innerhalb der vorgegebenen Richtlinien.
Anders formuliert: Fragen Sie nicht „Kann ein Makler das tun?“ , sondern „Sollte ein Makler das angesichts des Geschäftsrisikos tun?“
2) „Human in the loop“ ist ein Drehknopf, kein Schalter.
Eines der häufigsten Missverständnisse, das ich beobachte: Menschen betrachten Aufsicht als binäre Angelegenheit. Entweder ist ein Agent vollständig autonom, oder Menschen genehmigen alles. Beide Extreme sind falsch.
In der Sitzung haben wir über die Festlegung von Konfidenzschwellen und Ausnahmepfaden gesprochen, damit der Agent nur dann eskaliert, wenn Unsicherheit besteht oder wenn die Richtlinie dies vorschreibt. Auf diese Weise können sich die Menschen auf Grenzfälle konzentrieren und müssen sich nicht um die Automatisierung kümmern.
Der eigentliche Leistungsindikator (KPI) ist nicht „wie viele Schritte automatisiert sind“. Es ist eine Mischung aus:
- Auto-Auflösungsrate
- Ausnahmequote
- Verbesserung der Zykluszeit
- Menge an manuellen Überprüfungen
Wenn Sie die Überwachung in einen Feedback-Kreislauf verwandeln, wird das System besser. Wenn Sie die Überwachung in eine Kontrolle bei jedem Schritt verwandeln, haben Sie lediglich manuelle Arbeit mit neuen Werkzeugen neu geschaffen.
3) Governance + Interoperabilität sind der Weg zu sicherer Skalierbarkeit
Jordans Demo hat dies anschaulich gezeigt. Wir begannen mit einem erweiterten Ablauf: Intelligent Document Processing (IDP) extrahierte eine PDF-Datei in strukturiertes JSON und hielt dann zur Überprüfung an. Als Nächstes wechselten wir zu einem agentenbasierten Ablauf, der Salesforce aktualisierte, reale Fehlerbedingungen (wie Feldlängenbeschränkungen) behandelte und ohne Zusammenbruch des Workflows weiterlief.
Was dies sicher machte, war nicht das Modell. Es war die geregelte Werkzeugschicht:
- Einmal erstellte Tools, die von allen Agenten wiederverwendet werden können
- Mit APIM-Richtlinien und RBAC-Berechtigungen umschlossen
- Vollständig beobachtbar mit Trace/Telemetrie
Und genau hier kommt MCP in Unternehmensumgebungen ins Spiel. SnapLogic-Pipelines können als MCP-Server (die verwaltete Tools für externe Agenten verfügbar machen) und als MCP-Clients (die auf externen MCP-Servern gehostete Tools aufrufen) fungieren. So profitieren Sie von Interoperabilität, ohne die Kontrolle zu verlieren.
Kurz gesagt: Sichere Skalierbarkeit entsteht durch standardisierten Zugriff auf Tools und Unternehmens-Governance, nicht durch die Hoffnung, dass sich ein LLM so verhält, wie Sie es erwarten – und dies auch bei unübersichtlichen Daten konsistent tut.
Wie geht es nun weiter?
Wenn Sie sich eine Sache aus dieser Sitzung merken möchten, dann diese:
Agenten und Augmented Intelligence ergänzen sich gegenseitig. Das erfolgreiche Unternehmensmodell ist augmentiert, wenn Vertrauen wichtig ist , und agentenbasiert, wenn Geschwindigkeit wichtig ist, wobei alles durch wiederverwendbare Tools und Richtlinien geregelt wird.
Der Hype-Zyklus wird sich weiterdrehen. Einige agentenbasierte Projekte werden scheitern. Aber die Teams, die erfolgreich sein werden, sind diejenigen, die Autonomie als eine Fähigkeit betrachten, die man sich verdienen muss, und nicht als eine Checkbox, die man kaufen kann.
Wenn Sie sich die Demo noch einmal ansehen oder sie mit Ihrem Team teilen möchten, laden Sie sich die Aufzeichnung herunter. Und wenn Sie gerade dabei sind, die Entscheidung „augmentiert vs. agentenbasiert” für einen realen Workflow zu treffen, bin ich jederzeit gerne bereit, Notizen zu vergleichen.
