1. Vom Geschäftsprozess statt vom Agenten ausgehen
Unternehmen sollten mit einem konkreten Prozess beginnen, bei dem Aufwand, Fehlerquellen und gewünschte Ergebnisse nachvollziehbar sind. Die Grundlage bildet ein Proof of Value mit dokumentiertem Ausgangszustand, Zielwerten und Qualitätskriterien und Kontrollpunkten. Geeignet sind begrenzte Abläufe wie die Vorprüfung eines Dokuments, die Klassifizierung einer Anfrage oder die Vorbereitung eines wiederkehrenden Berichts.
Der erste Umsetzungsschritt ist eine Prozessdarstellung, die Eingaben, Bearbeitungsstufen, Entscheidungen, Ausgaben und Kontrollpunkte sichtbar macht. Erst danach sollte festgelegt werden, welche Rolle ein Agent übernimmt.
2. Für jeden Prozessschritt die geeignete Technologie wählen
Nicht jede Aufgabe benötigt ein Sprachmodell. Verantwortliche sollten pro Prozessstufe prüfen, ob generative KI, eine vorhandene Datenverbindung, ein Skript, regelbasierte Logik oder eine Kombination daraus die Anforderungen am besten erfüllt.
Dabei helfen vier Fragen:
- Muss die Komponente unstrukturierte Inhalte verstehen?
- Ist das gewünschte Ergebnis eindeutig durch Regeln bestimmbar?
- Existiert bereits eine verlässliche Schnittstelle oder Automatisierung?
- Muss das gleiche Ergebnis bei identischen Eingaben reproduzierbar sein?
Diese Prüfung verhindert, dass generative KI für Aufgaben eingesetzt wird, die bestehende Technologien einfacher, kontrollierbarer oder ressourcenschonender lösen können.
3. Aufgaben in prüfbare Komponenten zerlegen
Komplexe Abläufe sollten auf klar abgegrenzte Rollen und Komponenten verteilt werden. Jeder Agent benötigt eine definierte Aufgabe, geeignete Daten, begrenzte Werkzeuge und ein überprüfbares Ergebnis. Wo es die Prozesskritikalität erfordert, kann ein separates Modell oder ein Review-Agent die Ergebnisse gegenprüfen.
Der nächste Schritt besteht darin, für jede Komponente Eingabe, Ausgabe, erlaubte Aktionen und Fehlerbehandlung zu dokumentieren. Dadurch lassen sich einzelne Modelle oder Werkzeuge später austauschen, ohne die gesamte Prozessarchitektur zu verändern.
4. Berechtigungen und menschliche Freigaben risikobasiert setzen
Der Zugriff eines Agenten sollte auf die Daten und Aktionen begrenzt bleiben, die für seine konkrete Aufgabe erforderlich sind. Vor dem produktiven Einsatz müssen Datenquellen, Identitäten, Rollen, erlaubte Aktionen und Protokollierung dokumentiert sein. Für kritische Agenten sind außerdem Regeln für veränderte Datenquellen, Eigentümerwechsel und Außerbetriebnahme erforderlich.
Menschliche Kontrolle bedeutet dabei nicht, jeden Einzelschritt manuell zu begleiten. Unternehmen sollten vielmehr unterscheiden, welche Aktionen Agenten selbst ausführen dürfen, welche sie lediglich vorbereiten und welche eine ausdrückliche Bestätigung erfordern.
5. Prozessleistung statt Technologienutzung messen
Die Steuerung von Agentic AI sollte Kosten- und Nutzenperspektiven verbinden. Verbrauchswerte zeigen, welche Ressourcen ein Agent beansprucht. Sie beantworten jedoch noch nicht, ob der zugrunde liegende Prozess bessere Ergebnisse erzielt.
Für einen ersten Anwendungsfall sollten Unternehmen Bearbeitungszeit, Fehler- oder Nacharbeitsquote, Prozessdurchlauf und Ressourcenverbrauch vor und nach der Einführung erfassen. Die Messung erfolgt damit auf Ebene des Geschäftsprozesses und nicht ausschließlich anhand von Tokens, Modellaufrufen oder Nutzungszahlen.