Vom Chatbot zum digitalen Mitarbeiter: Google greift nach der Steuerzentrale der Unternehmensarbeit

Agentenlogik und Unternehmensprozesse: Was Googles neue KI für den Mittelstand bedeutet

Die neue Ära der KI-Agenten: Welche Rolle spielt Vertrauen in der digitalen Transformation?

In der sich rasant verändernden Welt der digitalen Technologien vollzieht Google mit seinem neuen KI-System Gemini einen grundlegend strategischen Schritt. Anstatt lediglich als ein Sprachmodell zu agieren, zielt Gemini darauf ab, als eigenständiger digitaler Mitarbeiter zu fungieren, der nicht nur Informationen verarbeitet, sondern auch aktiv Entscheidungen trifft und komplexe Aufgaben in Unternehmen übernimmt. Diese Entwicklung markiert einen Paradigmenwechsel in der Nutzung von künstlicher Intelligenz: Die Technologie wird nicht länger nur als punktuelles Produktivitätswerkzeug betrachtet, sondern als integraler Bestandteil betrieblicher Abläufe, der eine Vielzahl von Prozessen automatisieren und optimieren kann.

Mit der Fähigkeit, über längere Zeiträume hinweg komplexe Projekte zu bearbeiten, Informationen aus verschiedenen Anwendungen zu aggregieren und autonom Entscheidungen zu treffen, wird Gemini zu einem entscheidenden Akteur in der modernen Unternehmenslandschaft. Diese Transformation könnte nicht nur die Art und Weise, wie Unternehmen ihre Abläufe steuern, revolutionieren, sondern auch die ökonomische Bedeutung von KI auf ein neues Level heben. In diesem Kontext ist es entscheidend, die Herausforderungen und Chancen zu erkennen, die mit der Einführung solcher agentischen Systeme verbunden sind. Unternehmen müssen sich darauf einstellen, wie sie diese Technologien integrieren, welche Verantwortung sie dabei tragen und wie sie den Nutzen maximieren können, während sie gleichzeitig die Risiken im Blick behalten.

Wer KI-Agenten kontrolliert, kontrolliert künftig Kosten, Prozesse – und einen wachsenden Teil der Wertschöpfung

Google vollzieht mit dem Ausbau von Gemini einen strategischen Schritt, der weit über die nächste Generation eines KI-Assistenten hinausgeht. Im Zentrum steht nicht mehr die Frage, ob ein Sprachmodell überzeugende Antworten formulieren kann, sondern ob ein digitales System eigenständig Ziele versteht, Arbeitsschritte plant, Werkzeuge auswählt, Teilaufgaben verteilt und ein verwertbares Ergebnis in den bestehenden Unternehmenssystemen abliefert. Aus einem Dialogfenster soll damit ein operativer Akteur werden. Diese Verschiebung verändert die ökonomische Bedeutung von künstlicher Intelligenz grundlegend: KI wird vom punktuell genutzten Produktivitätswerkzeug zu einer Ausführungsschicht für betriebliche Abläufe.

Gemini soll komplexe Projekte über Stunden oder sogar Tage bearbeiten, Informationen aus unterschiedlichen Anwendungen zusammenführen, Code schreiben, Planungen koordinieren und mit spezialisierten Unteragenten zusammenarbeiten. Dabei erhält das System eine eigene digitale Identität, kann über E-Mail, Gruppenkommunikation oder direkte Zuweisungen angesprochen werden und hinterlässt nachvollziehbare Aktivitätsspuren. Die entscheidende Innovation besteht folglich nicht nur in einem leistungsfähigeren Modell. Sie liegt in der Verbindung von Modellen, Daten, Berechtigungen, Anwendungen, Kostenkontrolle und Governance zu einer zentralen Plattform. Ökonomisch betrachtet versucht Google damit, die Koordinationskosten wissensintensiver Arbeit zu senken und zugleich die technische Infrastruktur zu kontrollieren, auf der diese Arbeit künftig zunehmend stattfindet.

Der eigentliche Sprung liegt in der Ausführung

Bisherige generative KI erhöhte vor allem die Geschwindigkeit einzelner Tätigkeiten. Sie fasste Texte zusammen, erstellte Entwürfe, übersetzte Inhalte oder schlug Programmcode vor. Der Mensch blieb jedoch die zentrale Schaltstelle: Er formulierte jede Anfrage, übertrug Ergebnisse zwischen Anwendungen, prüfte Zwischenschritte und startete anschließend den nächsten Arbeitsschritt. Der Produktivitätsgewinn war real, aber häufig lokal begrenzt. Ein Beschäftigter arbeitete schneller, während der Prozess als Ganzes weitgehend unverändert blieb.

Agentische Systeme setzen an einer anderen Stelle an. Der Anwender beschreibt ein Ziel und nicht mehr zwingend jeden einzelnen Schritt. Ein Agent kann daraus einen Arbeitsplan entwickeln, passende Datenquellen auswählen, Unteraufgaben parallelisieren, bei Bedarf weitere Agenten einsetzen und das Resultat in den jeweiligen Fachanwendungen hinterlegen. Damit verlagert sich der Schwerpunkt von der Beschleunigung menschlicher Eingaben auf die teilweise Automatisierung vollständiger Arbeitsketten. Genau an diesem Punkt entsteht der größere wirtschaftliche Hebel, weil nicht nur Bearbeitungszeit sinkt, sondern auch Übergaben, Wartezeiten, Rückfragen und Abstimmungsaufwand reduziert werden können.

Der Unterschied ist mit dem Wandel von einer Suchmaschine zu einem ausführenden Dienstleister vergleichbar. Eine Suchmaschine liefert Informationen, während der Nutzer die eigentliche Arbeit erledigt. Ein Agent soll Informationen nicht nur finden, sondern daraus Handlungen ableiten und diese innerhalb definierter Grenzen umsetzen. Das erhöht den Nutzen, vergrößert aber gleichzeitig die Verantwortung des Systems. Jede zusätzliche Handlungsmöglichkeit eröffnet Produktivitätspotenzial und schafft zugleich neue Fehler-, Sicherheits- und Haftungsrisiken.

Eine Milliarde Nutzer als strategischer Startvorteil

Gemini verfügt mit mehr als einer Milliarde monatlich aktiven Nutzern über eine Reichweite, die nur wenige digitale Plattformen jemals erreicht haben. Hinzu kommt die starke Präsenz im Unternehmensmarkt: Nahezu 90 Prozent der Fortune-100-Unternehmen nutzen Gemini Enterprise. Diese Zahlen sind wirtschaftlich nicht nur als Popularitätsindikatoren relevant. Sie zeigen, dass Google die neue Agentenlogik nicht aus einer Nischenposition heraus einführt, sondern auf einer bereits vorhandenen Nutzerbasis, einer globalen Cloud-Infrastruktur und etablierten Geschäftsbeziehungen aufsetzen kann.

Der Vorteil einer großen Nutzerbasis besteht in niedrigeren Verbreitungskosten. Unternehmen müssen ihren Beschäftigten kein vollkommen unbekanntes Bedienkonzept vermitteln, wenn Gemini bereits aus anderen Kontexten bekannt ist. Zugleich kann Google agentische Funktionen in bestehende Verträge, Cloud-Umgebungen und Arbeitsplatzlösungen integrieren. Dadurch sinkt die Hürde vom Pilotprojekt zur breiten Nutzung. Bei Unternehmenssoftware entscheidet häufig nicht das theoretisch beste Einzelprodukt, sondern die Lösung mit der geringsten organisatorischen Reibung, den vorhandenen Schnittstellen und der glaubwürdigsten Skalierbarkeit.

Dennoch sollte die Reichweite nicht mit wirtschaftlichem Erfolg gleichgesetzt werden. Eine Milliarde monatliche Nutzer sagt wenig darüber aus, wie intensiv die Anwendung genutzt wird, welche Aufgaben sie übernimmt und ob Unternehmen daraus messbare Ergebnisverbesserungen erzielen. Ebenso bedeutet die Nutzung durch große Konzerne nicht automatisch, dass Gemini dort bereits geschäftskritische Prozesse autonom ausführt. Zwischen einem verfügbaren Dienst, einem begrenzten Test und einer tiefen operativen Integration liegen erhebliche Unterschiede. Googles Ausgangsposition ist stark, doch der Nachweis nachhaltiger Wertschöpfung muss in den konkreten Prozessen erbracht werden.

Die Plattform wird wichtiger als das einzelne Modell

Der KI-Wettbewerb wurde lange vor allem über Modellleistung ausgetragen. Größere Kontextfenster, bessere Testergebnisse, multimodale Fähigkeiten und niedrigere Fehlerquoten prägten die öffentliche Wahrnehmung. Für Unternehmen verschiebt sich das Entscheidungskriterium jedoch. Ein leistungsfähiges Modell allein genügt nicht, wenn es nicht sicher auf Unternehmensdaten zugreifen, Berechtigungen beachten, Programme bedienen und seine Aktionen dokumentieren kann. Der ökonomische Wert entsteht deshalb zunehmend in der Orchestrierung. Gemeint ist die Fähigkeit, für eine Aufgabe das passende Modell, die richtigen Daten, die notwendigen Werkzeuge und einen kontrollierten Ausführungsweg zusammenzuführen. Wer diese Ebene beherrscht, wird zum Vermittler zwischen menschlichem Auftrag und digitaler Wertschöpfung.

Googles Multi-Modell-Ansatz trägt dieser Entwicklung Rechnung. Neben eigenen Gemini-Modellen können auch Modelle von Drittanbietern wie Anthropics Claude eingesetzt werden; private und offene Modelle sollen das Angebot ergänzen. Damit trennt Google den sichtbaren Agenten von dem jeweils darunterliegenden Modell. Diese Trennung ist strategisch bedeutsam, weil Unternehmen nicht für jede Aufgabe das teuerste und leistungsfähigste Modell benötigen. Komplexe Planung kann ein Spitzenmodell übernehmen, während einfachere Unteraufgaben auf günstigere Modelle verteilt werden. Die Plattform optimiert damit nicht nur Qualität, sondern auch Geschwindigkeit und Kosten.

Aus Sicht der Kunden reduziert eine solche Architektur die Abhängigkeit von einem einzigen Modell. Aus Sicht Googles stärkt sie jedoch die Bindung an die Plattform. Selbst wenn ein Unternehmen verschiedene Modelle nutzen kann, verbleiben Identitätsverwaltung, Datenanbindungen, Überwachung, Kostensteuerung und Agentenregister möglicherweise in Googles Infrastruktur. Der klassische Lock-in verschiebt sich somit vom Modell zur Orchestrierungsebene. Austauschbarkeit auf der Modellschicht kann paradoxerweise eine stärkere Abhängigkeit von der Plattform schaffen, die diese Austauschbarkeit organisiert.

Schnittstellen werden zum ökonomischen Nervensystem

Die Anbindung an Google Workspace, Microsoft 365, Slack, Jira, Confluence, ServiceNow, Snowflake, BigQuery, Databricks, Postgres und weitere Systeme ist nicht bloß eine komfortable Zusatzfunktion. Sie bestimmt, ob ein Agent tatsächlich arbeiten kann. Unternehmenswissen liegt selten an einem einzigen Ort. Es verteilt sich über E-Mails, Dokumente, Ticketsysteme, Datenbanken, Projektplattformen, Kundenmanagement und individuelle Dateien. Ein Agent ohne Zugriff auf diese Quellen bleibt ein intelligenter Beobachter. Erst durch Schnittstellen wird er zu einem ausführenden Teilnehmer am Prozess.

Das Model Context Protocol und andere offene Verbindungsstandards sollen den Zugang zu internen und externen Werkzeugen vereinfachen. Dadurch sinken theoretisch die Integrationskosten, weil nicht für jede Kombination aus Modell und Anwendung eine individuelle Verbindung entwickelt werden muss. Der wirtschaftliche Nutzen ähnelt standardisierten Containern in der Logistik: Nicht das transportierte Gut wird vereinheitlicht, sondern die Schnittstelle, über die sehr unterschiedliche Güter effizient bewegt werden können. Für KI-Agenten könnte ein gemeinsamer Werkzeugstandard eine vergleichbare Skalierungswirkung entfalten.

Mit der Zahl der Verbindungen wächst allerdings die Angriffsfläche. Ein Agent, der Daten nur lesen darf, verursacht andere Risiken als ein System, das Datensätze verändern, Nachrichten versenden, Bestellungen auslösen oder Zugriffsrechte anpassen kann. Besonders kritisch sind verkettete Berechtigungen: Mehrere für sich genommen begrenzte Werkzeuge können zusammengenommen weitreichende Handlungen ermöglichen. Deshalb wird die technische Integration nur dann zum Wettbewerbsvorteil, wenn sie mit einer präzisen Rechteverwaltung, eindeutigen Verantwortlichkeiten und einer laufenden Verhaltenskontrolle verbunden ist.

Produktivität entsteht nicht durch bloßes Draufsetzen

Die Versuchung ist groß, einen Agenten auf bestehende Prozesse zu setzen und sofort hohe Einsparungen zu erwarten. In der Praxis begrenzt diese Vorgehensweise häufig den Nutzen. Viele betriebliche Abläufe sind historisch gewachsen, enthalten doppelte Prüfungen, Medienbrüche und informelle Ausnahmen. Automatisiert ein Unternehmen einen schlechten Prozess, erhält es zunächst vor allem einen schnelleren schlechten Prozess. Der größere wirtschaftliche Effekt entsteht erst, wenn der Ablauf neu gestaltet und die Arbeit sinnvoll zwischen Menschen, regelbasierter Software, generativer KI und autonomen Agenten verteilt wird.

Für standardisierte, häufig wiederkehrende Tätigkeiten bleibt klassische Automatisierung oft günstiger und verlässlicher. Ein Agent ist besonders dort sinnvoll, wo mehrere Schritte koordiniert, unstrukturierte Informationen verarbeitet und wechselnde Situationen beurteilt werden müssen. Bei reiner Dateneingabe kann ein festes Regelwerk überlegen sein. Bei der Analyse eines komplexen Kundenfalls, der Informationen aus Verträgen, E-Mails, Lieferdaten und internen Richtlinien verbindet, kann ein Agent dagegen seine Stärke ausspielen. Die wirtschaftlich kluge Lösung besteht nicht darin, überall Agenten einzusetzen, sondern für jeden Prozess die angemessene Automatisierungsform zu wählen.

Messbare Produktivität muss außerdem mehr umfassen als eingesparte Arbeitsminuten. Relevant sind Durchlaufzeit, Fehlerquote, Nacharbeitsaufwand, Servicequalität, Umsatzwirkung, Kapitalbindung und Risikokosten. Wenn ein Agent eine Aufgabe doppelt so schnell erledigt, aber häufig überprüft oder korrigiert werden muss, kann der Nettoeffekt enttäuschend ausfallen. Umgekehrt kann ein nur moderater Zeitgewinn wirtschaftlich wertvoll sein, wenn das System Engpässe beseitigt, rund um die Uhr verfügbar ist oder die Bearbeitungsqualität stabilisiert.

Die unsichtbare Rechnung der Autonomie

Autonome Systeme verursachen neue Kostenarten. Neben Modellnutzung und Cloud-Infrastruktur fallen Aufwendungen für Datenaufbereitung, Schnittstellen, Tests, Sicherheitsprüfungen, Überwachung, Schulung und organisatorische Anpassung an. Hinzu kommt der Aufwand für die Kontrolle laufender Agenten. Beschäftigte müssen Ergebnisse prüfen, ungewöhnliche Vorgänge untersuchen und bei Fehlern eingreifen. Dieser sogenannte Aufsichtseffekt kann einen erheblichen Teil der erwarteten Produktivitätsgewinne aufzehren, insbesondere wenn Unternehmen dem System noch nicht vertrauen oder die Prozesse schlecht abgegrenzt sind.

Googles Echtzeit-Ausgabenlimits und intelligentes Modell-Routing adressieren einen wichtigen Teil dieses Problems. Bei einem Chatbot ist eine Anfrage meist kurz und ihr Ressourcenverbrauch relativ überschaubar. Ein autonomer Agent kann hingegen zahlreiche Modellaufrufe auslösen, Unteragenten starten und über längere Zeit arbeiten. Eine unpräzise Zielsetzung oder eine Schleife kann dadurch unerwartet hohe Kosten verursachen. Budgetgrenzen pro Projekt, Abteilung oder Agent sind deshalb keine reine Finanzfunktion, sondern ein operatives Sicherheitsinstrument.

Die optimale Kostensteuerung folgt nicht dem Prinzip, jede Aufgabe möglichst billig auszuführen. Ein zu schwaches Modell kann Fehler produzieren, zusätzliche Schleifen auslösen und am Ende teurer sein als ein hochwertigeres Modell beim ersten Versuch. Umgekehrt ist der dauerhafte Einsatz eines Spitzenmodells für Routineaufgaben ökonomisch ineffizient. Entscheidend ist der risikobereinigte Preis eines korrekten Ergebnisses. Plattformen, die Qualität, Latenz, Modellpreis und Folgen eines Fehlers gemeinsam berücksichtigen, können einen größeren Wettbewerbsvorteil entwickeln als Anbieter mit dem nominell leistungsfähigsten Einzelmodell.

Aus Softwarebudgets werden digitale Personalkosten

Mit eigenen Konten, E-Mail-Adressen und zugewiesenen Rollen nähern sich Agenten organisatorisch einer digitalen Belegschaft an. Diese Darstellung ist mehr als Marketing. Sie verändert, wie Kosten geplant und Verantwortlichkeiten verteilt werden. Bisher wurden Softwarelizenzen überwiegend pro Nutzer, Rechenleistung oder Transaktion kalkuliert. Bei autonomen Agenten entsteht eine Mischform: Das System ist Software, verbraucht variable Rechenressourcen und ersetzt oder ergänzt zugleich menschliche Arbeitskapazität.

Für die Unternehmenssteuerung wird deshalb eine neue Kostenrechnung notwendig. Ein Agent sollte nicht nur nach technischen Kennzahlen bewertet werden, sondern nach seinem Beitrag zu einem Prozess. Zu erfassen sind direkte Nutzungskosten, Integrations- und Kontrollaufwand, vermiedene Personalkosten, zusätzliche Erlöse, Qualitätsveränderungen und Risiken. Ohne diese Zuordnung droht eine Situation, in der viele Abteilungen scheinbar günstige Agenten einsetzen, während die Gesamtaufwendungen für Modelle, Schnittstellen und Überwachung unbemerkt wachsen.

Gleichzeitig eröffnet die variable digitale Kapazität neue betriebswirtschaftliche Möglichkeiten. Unternehmen können Spitzenlasten bewältigen, ohne sofort dauerhaft Personal aufzubauen. Ein Agent kann beispielsweise bei Monatsabschlüssen, saisonalen Kundenanfragen oder kurzfristigen Analyseprojekten zusätzliche Kapazität bereitstellen. Dieser Vorteil ähnelt der Elastizität des Cloud-Computings. Arbeit wird teilweise vom fixen zum variablen Kostenblock. Das erhöht Flexibilität, kann aber auch den Druck verstärken, menschliche Tätigkeiten nur noch unter kurzfristigen Kostengesichtspunkten zu betrachten.

Die Quasi-Inhouse-Lösung: Wie Xpert.Digital operative Lücken in B2B-Marketing und Vertrieb schließt – Smart Content-Driven Business - Bild: Xpert.Digital

Xpert.Digital ist ein von Konrad Wolfenstein geführter, datengetriebener B2B-Industry-Hub. Das Unternehmen agiert als externe Quasi-Inhouse-Lösung für Industriepartner und schließt operative Lücken in Marketing, Content und Vertrieb – ohne zusätzlichen Ressourcenaufbau auf Kundenseite.

Mehr dazu hier:

• Die Quasi-Inhouse-Lösung: Wie Xpert.Digital operative Lücken in B2B-Marketing und Vertrieb schließt – Smart Content-Driven Business

Arbeit verschwindet nicht, aber sie wird neu geschnitten

Die unmittelbare Folge agentischer KI dürfte weniger in der vollständigen Abschaffung ganzer Berufe liegen als in der Neuverteilung ihrer Aufgaben. Routinemäßige Recherche, erste Analysen, Dokumentation, Terminabstimmung, Datenaufbereitung und standardisierte Kommunikation lassen sich zunehmend delegieren. Menschen konzentrieren sich stärker auf Zielsetzung, Beurteilung, Beziehungspflege, Verhandlung, Ausnahmefälle und Verantwortung. Diese Verschiebung kann qualifizierte Arbeit aufwerten, wenn Beschäftigte von administrativer Last befreit werden.

Sie kann jedoch ebenso zu einer Aushöhlung von Einstiegsrollen führen. Viele junge Fachkräfte erwerben Urteilsvermögen, indem sie zunächst Daten sammeln, Entwürfe erstellen und Routinefälle bearbeiten. Wenn Agenten genau diese Tätigkeiten übernehmen, müssen Unternehmen neue Lernpfade schaffen. Andernfalls sparen sie kurzfristig Kosten, verlieren aber langfristig den Aufbau eigener Expertise. Ein Unternehmen, das nur noch erfahrene Prüfer benötigt, muss erklären können, woher diese erfahrenen Prüfer künftig kommen sollen.

Auch die Leistungsbewertung verändert sich. Wenn ein Beschäftigter mehrere Agenten steuert, hängt sein Ergebnis nicht mehr allein von eigener Bearbeitungsgeschwindigkeit ab. Wichtiger werden die Qualität der Aufträge, die Auswahl geeigneter Werkzeuge, die Kontrolle kritischer Punkte und die Fähigkeit, Fehler früh zu erkennen. Führungskräfte müssen daher vermeiden, reine Ausgabemengen als Produktivität zu interpretieren. Tausend automatisch erzeugte Dokumente sind kein Fortschritt, wenn nur ein kleiner Teil davon gebraucht wird oder die Prüfung mehr Zeit beansprucht als die Erstellung.

Kontrolle muss Teil der Architektur sein

Die zentrale Aufgabenübersicht, Protokollierung und Echtzeitüberwachung sind notwendige Bausteine, weil autonome Arbeit ohne Sichtbarkeit nicht verantwortbar ist. Eine Aufgaben-Inbox kann zeigen, welche Agenten aktiv sind, wo Rückfragen bestehen, welche Fehler aufgetreten sind und welche Vorgänge abgeschlossen wurden. Audit-Trails ordnen Handlungen einer digitalen Identität zu. Damit lässt sich im Nachhinein nachvollziehen, welcher Agent auf welcher Grundlage eine Aktion ausgelöst hat.

Nachvollziehbarkeit allein verhindert jedoch keinen Schaden. Ein perfektes Protokoll kann erklären, warum ein falscher Datensatz gelöscht wurde, stellt ihn aber nicht automatisch wieder her. Unternehmen benötigen deshalb gestufte Eingriffsrechte. Niedrigriskante, reversible Vorgänge können weitgehend autonom laufen. Finanzielle Verpflichtungen, Veränderungen an Zugriffsrechten, sensible Personalentscheidungen oder irreversible Datenoperationen sollten zusätzliche Freigaben erfordern. Die sinnvolle Grenze richtet sich nicht nur nach der Wahrscheinlichkeit eines Fehlers, sondern nach dessen möglichem Schaden und seiner Umkehrbarkeit.

Das Prinzip der geringstmöglichen Berechtigung gewinnt dadurch an Bedeutung. Ein Agent sollte nur auf jene Daten und Funktionen zugreifen können, die er für seine definierte Aufgabe benötigt. Zeitlich begrenzte Rechte können das Risiko weiter senken. Ebenso wichtig ist eine klare Eigentümerschaft: Für jeden produktiv eingesetzten Agenten muss eine verantwortliche Person oder Funktion benannt sein. Eine digitale Identität darf nicht zu einer organisatorischen Verantwortungsleere führen.

Vertrauen ist eine betriebswirtschaftliche Variable

Der wirtschaftliche Nutzen eines Agenten hängt stark davon ab, wie viel Vertrauen ihm entgegengebracht werden kann. Ist das Vertrauen zu gering, kontrollieren Beschäftigte jeden Schritt und der Effizienzgewinn schrumpft. Ist es zu hoch, werden Fehler unkritisch übernommen und können sich über mehrere Systeme ausbreiten. Die Herausforderung besteht in einem kalibrierten Vertrauen, das sich an Aufgabe, Erfahrung und Risiko orientiert.

Dieses Vertrauen entsteht nicht durch allgemeine Qualitätsversprechen, sondern durch messbare Leistung in einem konkreten Prozess. Unternehmen sollten Erfolgsquote, Korrekturaufwand, Abbruchhäufigkeit, Kosten pro abgeschlossenem Vorgang und Art der Fehler fortlaufend erfassen. Ebenso wichtig sind Tests unter ungewöhnlichen Bedingungen. Ein Agent kann in typischen Fällen hervorragend funktionieren und gerade bei seltenen Ausnahmen versagen, die besonders hohe Schäden verursachen.

Ein weiterer Risikofaktor ist die überzeugende Sprache moderner KI. Flüssige Formulierungen können Unsicherheit verdecken und Nutzern eine nicht vorhandene Verlässlichkeit vermitteln. Bei Agenten verschärft sich dieses Problem, weil die Ausgabe nicht nur gelesen, sondern unmittelbar in Handlungen übersetzt werden kann. Gute Governance muss deshalb nicht nur technische Fehler erkennen, sondern auch menschliche Automatisierungsneigung berücksichtigen. Beschäftigte brauchen die Freiheit und die Kompetenz, dem System zu widersprechen.

Europa zwingt Nutzen und Verantwortung zusammen

Für europäische Unternehmen fällt der Ausbau agentischer Systeme in eine Phase verschärfter Regulierung. Seit August 2026 gelten wesentliche Teile des europäischen KI-Rechts, darunter Transparenzpflichten und Durchsetzungsbefugnisse. Je nach Einsatzgebiet können zusätzliche Anforderungen greifen, insbesondere wenn KI in sensiblen Bereichen wie Beschäftigung, kritischer Infrastruktur oder anderen Hochrisikokontexten verwendet wird. Für Unternehmen bedeutet dies, dass technische Skalierung und regulatorische Einordnung nicht getrennt behandelt werden können.

Die zentrale Plattformarchitektur kann Compliance erleichtern, weil Identitäten, Zugriffe, Protokolle und Freigaben einheitlich verwaltet werden. Gleichzeitig entsteht Konzentrationsrisiko. Wenn zahlreiche Prozesse über eine Plattform laufen, kann eine Fehlkonfiguration eine große Wirkung entfalten. Zudem bleibt der Anwender verantwortlich, seinen konkreten Einsatz zu bewerten. Die Einhaltung allgemeiner Plattformstandards ersetzt keine Analyse des eigenen Prozesses, seiner Daten und der Folgen automatisierter Entscheidungen.

Für deutsche Unternehmen kommen Mitbestimmung, Datenschutz, Informationssicherheit und branchenspezifische Regeln hinzu. Besonders bei personenbezogenen Daten oder Beschäftigteninformationen müssen Zweck, Zugriff und Aufbewahrung klar begrenzt sein. Agentische KI sollte deshalb nicht als reines IT-Projekt gestartet werden. Fachbereiche, Datenschutz, Informationssicherheit, Recht, Personalvertretung und Controlling müssen früh eingebunden werden. Diese Abstimmung verlangsamt den Beginn, erhöht aber die Wahrscheinlichkeit, dass eine Lösung später tatsächlich skaliert werden kann.

Google attackiert mehrere Märkte zugleich

Mit Gemini Enterprise konkurriert Google nicht nur mit OpenAI, Anthropic und Meta um die Qualität von KI-Modellen. Der Konzern greift zugleich Märkte für Bürosoftware, Cloud-Plattformen, Prozessautomatisierung, Datenintegration, Unternehmenssuche und IT-Service-Management an. Sobald ein Agent Aufgaben über mehrere Anwendungen hinweg koordiniert, verschiebt sich Macht von der einzelnen Fachanwendung zur übergeordneten Steuerungsschicht. Die Anwendung bleibt wichtig, doch der Agent entscheidet zunehmend, wann und wie sie genutzt wird.

Damit geraten klassische Softwareanbieter unter Druck. Wenn Nutzer nicht mehr jede Anwendung direkt bedienen, verliert die Benutzeroberfläche einen Teil ihrer strategischen Bedeutung. Entscheidend werden Programmierschnittstellen, Datenqualität und die Fähigkeit, sich in agentische Arbeitsketten einzufügen. Anbieter können darauf mit eigenen Agenten reagieren, Partnerschaften eingehen oder ihre Dienste über Marktplätze anbieten. Das Ergebnis dürfte kein Markt mit nur einem Agenten sein, sondern ein Ökosystem aus universellen Steuerungsagenten und spezialisierten Fachagenten.

OpenAI besitzt starke Markenbekanntheit und eine breite Entwicklerbasis. Anthropic positioniert sich mit leistungsfähigen Modellen und einem ausgeprägten Sicherheitsprofil. Meta treibt offene Modelle voran und kann damit den Preisdruck erhöhen. Googles besondere Stärke liegt in der Kombination aus Modellen, Cloud, Datenplattformen, Arbeitsplatzsoftware, Android und weltweiter Infrastruktur. Gerade im Unternehmensmarkt könnte diese vertikale Integration entscheidend sein, sofern Kunden sie als Vereinfachung und nicht als zu große Abhängigkeit wahrnehmen.

Offenheit entscheidet über die Verhandlungsmacht der Kunden

Die Unterstützung verschiedener Modelle und offener Protokolle wirkt zunächst kundenfreundlich. Sie ermöglicht es Unternehmen, Aufgaben nach Qualität, Kosten oder Datenschutzanforderungen zu verteilen. Eine solche Architektur kann Innovation beschleunigen, weil neue Modelle eingebunden werden, ohne die gesamte Prozesslogik neu zu entwickeln. Sie verbessert zudem die Verhandlungsposition gegenüber einzelnen Modellanbietern.

Entscheidend ist jedoch, ob diese Offenheit praktisch funktioniert. Modelle müssen nicht nur auswählbar sein, sondern vergleichbare Schnittstellen, überprüfbare Leistungsdaten und portable Agentendefinitionen bieten. Auch Protokolle für Identität, Speicher, Werkzeuge und Agentenkommunikation müssen interoperabel sein. Bleiben zentrale Funktionen proprietär, kann ein theoretisch offenes System in der Praxis schwer zu verlassen sein.

Unternehmen sollten daher schon bei der Einführung eine Ausstiegsfähigkeit einplanen. Dazu gehören exportierbare Protokolle, dokumentierte Schnittstellen, getrennte Datenhaltung, austauschbare Modelle und klare vertragliche Regeln für Modelländerungen. Der günstigste Einstiegspreis ist wirtschaftlich wenig wert, wenn spätere Wechselkosten sehr hoch sind. Strategische Beschaffung muss deshalb Gesamtbetriebskosten und Abhängigkeiten über mehrere Jahre betrachten.

Mittelständler gewinnen Zugang, aber nicht automatisch Vorteil

Für mittelständische Unternehmen kann eine zentral verwaltete Agentenplattform den Zugang zu fortgeschrittener KI erleichtern. Eigene Modelle und komplexe Infrastrukturen sind teuer. Vorgefertigte Konnektoren, niedrige Entwicklungshürden und einheitliche Sicherheitsfunktionen senken den Einstieg. Ein Mittelständler könnte dadurch Prozesse automatisieren, die bisher wegen kleiner Fallzahlen für klassische Individualsoftware wirtschaftlich unattraktiv waren.

Der Engpass liegt häufig nicht in der Modellleistung, sondern in Daten und Prozessen. Uneinheitliche Stammdaten, schlecht dokumentierte Abläufe, fehlende Schnittstellen und informelles Wissen begrenzen die Wirkung eines Agenten. Große Konzerne verfügen eher über spezialisierte Teams für Daten, Sicherheit und Integration, leiden dafür aber unter komplexeren Strukturen. Mittelständler können schneller entscheiden, müssen jedoch knappe Fachkräfte gezielt einsetzen.

Ein sinnvoller Einstieg beginnt mit einem klar abgegrenzten Prozess, ausreichendem Volumen und messbarem Nutzen. Geeignet sind beispielsweise Recherche- und Analyseabläufe, Vertriebsunterstützung, technische Dokumentation, interne Wissenssuche oder die Vorbereitung standardisierter Servicefälle. Weniger geeignet sind zu Beginn Vorgänge mit irreversiblen Folgen, unklarer Datenlage oder hoher rechtlicher Tragweite. Der Pilot sollte nicht nur technische Machbarkeit zeigen, sondern einen belastbaren Vergleich vor und nach der Einführung ermöglichen.

Der Business Case braucht härtere Maßstäbe

Ein überzeugender Business Case trennt Brutto- und Nettowirkung. Auf der Bruttoseite stehen eingesparte Bearbeitungszeit, schnellere Durchlaufzeiten, höhere Verfügbarkeit, zusätzliche Kapazität und mögliche Umsatzsteigerungen. Auf der Kostenseite stehen Lizenzen, Rechenverbrauch, Integration, Datenaufbereitung, Schulung, Kontrolle, Fehlerbehebung und Compliance. Hinzu kommt der Wert des Risikos, also die erwarteten Kosten möglicher Fehlentscheidungen oder Sicherheitsvorfälle.

Für die Bewertung eignet sich eine prozessbezogene Rechnung. Zunächst wird der heutige Aufwand je Vorgang erfasst. Danach wird gemessen, welcher Anteil tatsächlich vom Agenten übernommen wird, wie oft Menschen eingreifen und welche Qualität erreicht wird. Wichtig ist der Vergleich pro erfolgreich abgeschlossenem Vorgang statt pro Modellaufruf. Nur so werden Wiederholungen, Abbrüche und Nacharbeit sichtbar.

Unternehmen sollten außerdem zwischen Kapazitätsgewinn und realisierter Einsparung unterscheiden. Wenn Beschäftigte Zeit sparen, sinken nicht automatisch die Kosten. Wirtschaftlicher Wert entsteht erst, wenn die freigewordene Zeit produktiver genutzt, zusätzliches Geschäft bewältigt oder ein tatsächlicher Ressourcenbedarf vermieden wird. Dieser Unterschied erklärt, warum beeindruckende Zeitstudien nicht immer im Ergebnis ankommen. Agentische KI kann sehr produktiv sein, doch ihre Wirkung muss in Entscheidungen über Prozesse, Rollen und Kapazitäten übersetzt werden.

Einführung als Organisationsprojekt

Eine belastbare Einführung beginnt mit einer Prozesslandkarte. Unternehmen sollten identifizieren, wo viele manuelle Übergaben, unstrukturierte Informationen, lange Wartezeiten oder wiederkehrende Koordinationsprobleme bestehen. Anschließend werden Aufgaben nach Komplexität, Datenverfügbarkeit, Fehlerschaden und Umkehrbarkeit geordnet. Diese Analyse verhindert, dass technisch attraktive, aber wirtschaftlich unbedeutende Anwendungsfälle bevorzugt werden.

Im zweiten Schritt braucht jeder Agent einen klaren Auftrag. Dazu gehören Ziel, erlaubte Datenquellen, zulässige Werkzeuge, Budget, Qualitätsmaßstab, Eskalationsregeln und verantwortliche Stelle. Ein Agent ohne eng definierten Zuständigkeitsbereich ähnelt einem neuen Mitarbeiter ohne Stellenbeschreibung und ohne Vorgesetzten. Technische Flexibilität darf nicht mit organisatorischer Beliebigkeit verwechselt werden.

Im dritten Schritt wird die Autonomie stufenweise erhöht. Zunächst kann der Agent Entwürfe erstellen, danach Empfehlungen geben und später ausgewählte Aktionen ausführen. Erst wenn Leistung und Fehlerbilder über ausreichende Zeit bekannt sind, sollten weitere Rechte folgen. Dieses Vorgehen verlangsamt die maximale Automatisierung, schafft aber belastbares Vertrauen und begrenzt die Folgen unerwarteten Verhaltens.

Schließlich benötigt der laufende Betrieb eine Art digitales Personal- und Anlagenmanagement. Agenten müssen inventarisiert, aktualisiert, geprüft und gegebenenfalls stillgelegt werden. Änderungen an Modellen oder Schnittstellen können ihr Verhalten beeinflussen. Deshalb sind Versionierung, regelmäßige Tests und dokumentiertes Änderungsmanagement unverzichtbar. Wer Agenten als dauerhaft lernende und vernetzte Systeme einsetzt, kann sie nicht wie einmal installierte Software behandeln.

Der Engpass verlagert sich vom Wissen zum Urteil

Wenn Agenten Informationen nahezu unbegrenzt sammeln, zusammenfassen und in Arbeitsprodukte überführen können, verliert reine Informationsbeschaffung an Knappheit. Wertvoller werden gute Zieldefinitionen, belastbare Kriterien und die Fähigkeit, Ergebnisse im Kontext zu beurteilen. Unternehmen mit klaren Prozessen und hochwertigem institutionellem Wissen können Agenten besser steuern als Organisationen, deren Entscheidungen überwiegend auf unausgesprochenen Annahmen beruhen.

Damit steigt die Bedeutung von Managementqualität. Ein Agent kann widersprüchliche Ziele nicht dauerhaft auflösen, wenn die Organisation selbst keine Prioritäten setzt. Er kann Kennzahlen optimieren, aber nicht entscheiden, welche Nebenwirkungen akzeptabel sind. Je leistungsfähiger das System wird, desto wichtiger wird die Präzision der Unternehmensführung. Schlechte Ziele werden nicht durch Automatisierung besser; sie werden schneller und konsequenter verfolgt.

Die provokante These lautet daher: Der größte Unterschied zwischen erfolgreichen und erfolglosen KI-Projekten wird nicht das Modell sein, sondern die Qualität der Organisation, die es einsetzt. Google kann Infrastruktur, Modelle, Verbindungen und Kontrollwerkzeuge bereitstellen. Den wirtschaftlichen Wert erzeugt jedoch erst das Unternehmen, das Prozesse neu ordnet, Verantwortung klärt und aus technischer Möglichkeit eine bessere Arbeitsweise macht.

Ein Machtkampf um die digitale Unternehmensordnung

Der Ausbau von Gemini markiert einen Wendepunkt, weil Google den Anspruch erhebt, nicht nur einzelne Aufgaben zu unterstützen, sondern die Koordination digitaler Arbeit zu übernehmen. Gelingt dies, wird die Agentenplattform zu einer strategischen Schicht zwischen Beschäftigten und Anwendungen. Sie entscheidet, welches Modell arbeitet, welche Daten einfließen, welche Systeme angesprochen werden und wie Kosten verteilt sind. Diese Position besitzt erhebliches wirtschaftliches Gewicht.

Für Unternehmen eröffnet sich ein realistisches Potenzial für kürzere Durchlaufzeiten, elastische Kapazität und eine neue Qualität der Prozessautomatisierung. Gleichzeitig wachsen Abhängigkeit, Kontrollbedarf und die Folgen technischer Fehler. Die zentrale Aufgabenübersicht, eigene Agentenidentitäten, Audit-Trails, Ausgabenlimits und Multi-Modell-Routing sind deshalb keine nebensächlichen Funktionen. Sie bilden das Betriebssystem einer digitalen Belegschaft, deren Nutzen nur mit wirksamer Governance skalieren kann.

Google besitzt mit seiner Reichweite, dem Zugang zu Unternehmenssoftware und der Cloud-Infrastruktur einen außergewöhnlichen Startvorteil. Dennoch ist der Wettbewerb offen. Unternehmen werden Leistung, Kosten, Sicherheit, Interoperabilität und regulatorische Belastbarkeit gegeneinander abwägen. Der Sieger muss nicht das beste Modell besitzen. Wahrscheinlicher gewinnt die Plattform, die autonome Arbeit am verlässlichsten in reale Prozesse übersetzt, ohne den Kunden die Kontrolle über Daten, Kosten und Verantwortung zu entziehen.

Die entscheidende ökonomische Perspektive ist deshalb weder euphorisch noch defensiv. Agentische KI ist kein virtueller Mitarbeiter im menschlichen Sinn, aber sie kann zu einer produktiven, skalierbaren und zunehmend eigenständigen Betriebskapazität werden. Ihr Wert entsteht nicht durch maximale Autonomie, sondern durch zweckmäßige Autonomie. Unternehmen, die diese Grenze sauber definieren, können erhebliche Vorteile erzielen. Unternehmen, die Autonomie mit blindem Vertrauen verwechseln, automatisieren dagegen nicht nur Arbeit, sondern auch ihre eigenen Fehlentscheidungen.

Von Sichtbarkeit zu Vertrauen: Ihr skalierbarer Weg mit Xpert.Digital - Bild: Xpert.Digital

Im industriellen B2B entstehen tragfähige Geschäftsbeziehungen selten über Nacht. Sie entwickeln sich Schritt für Schritt – über Sichtbarkeit, fachliche Relevanz, wiederkehrende Berührungspunkte und wachsendes Vertrauen. Das 4-Stufen-Modell von Xpert.Digital setzt genau hier an: Es bietet einen strukturierten Weg, der mit einem überschaubaren Einstieg beginnt und sich bei Bedarf zu einer vertieften Zusammenarbeit im Business Development entwickeln kann.

Statt auf laute Marketingversprechen zu setzen, rückt dieses Modell die Beziehung in den Mittelpunkt. Unternehmen steigen mit klar umrissenen, gut kalkulierbaren Maßnahmen ein und entscheiden dann auf Basis eigener Erfahrung, wie weit sie die Zusammenarbeit ausbauen möchten. Ein wesentlicher Faktor für diesen ungestörten Vertrauensaufbau: Die Plattform verzichtet komplett auf nervige Werbe-Ads, sodass der redaktionelle Fokus allein auf der Expertise der Unternehmen liegt.

Mehr dazu hier:

• Von Sichtbarkeit zu Vertrauen: Ihr skalierbarer Weg mit Xpert.Digital

☑️ Unsere Geschäftssprache ist Englisch oder Deutsch

☑️ NEU: Schriftverkehr in Ihrer Landessprache!

Konrad Wolfenstein

Gerne stehe ich Ihnen und mein Team als persönlicher Berater zur Verfügung.

Sie können mit mir Kontakt aufnehmen, indem Sie hier das Kontaktformular ausfüllen oder rufen Sie mich einfach unter +49 7348 4088 965 an. Meine E-Mail Adresse lautet: wolfenstein∂xpert.digital

Ich freue mich auf unser gemeinsames Projekt.

☑️ KMU Support in der Strategie, Beratung, Planung und Umsetzung

☑️ Erstellung oder Neuausrichtung der Digitalstrategie und Digitalisierung

☑️ Ausbau und Optimierung der internationalen Vertriebsprozesse

☑️ Globale & Digitale B2B-Handelsplattformen

☑️ Pioneer Business Development / Marketing / PR / Messen