Agentic AI: Skalierung braucht Kontrolle

Gastbeitrag von Paul Kurt Haberfellner, Co-Founder und Managing Director bei Nagarro

Agentische KI (Agentic AI) verändert die Rolle Künstlicher Intelligenz im Unternehmen. Klassische KI löst seit Jahren klar umrissene Aufgaben wie Prognosen, Fehlererkennung oder Klassifizierung. Generative KI hat das Spektrum auf Sprache, Code, Bilder und weitere Informationsflüsse ausgeweitet. Agentic AI geht noch einen Schritt weiter: Systeme beantworten nicht nur Fragen, sondern planen und führen Arbeitsschritte eigenständig aus.

Damit steigt auch der Anspruch an den Betrieb. Ein Proof of Concept kann unter kontrollierten Bedingungen schnell funktionieren. Im produktiven Betrieb trifft KI jedoch auf gewachsene Unternehmensrealität. Genau dort entscheidet sich, ob aus technischer Machbarkeit belastbarer Nutzen wird. Wenn die Demo funktioniert und der erste Anwendungsfall überzeugt, steigen die Erwartungen. Doch sobald KI in bestehende Abläufe eingebunden wird, geht es nicht mehr nur um die Qualität der Antwort. Dann zählen Zugriffsrechte, Freigaben, Systemgrenzen, Kosten und die Frage, wer für Ergebnisse verantwortlich ist.

Komplexe Systemlandschaften überwinden
Selten liegt das Problem beim Modell selbst. Oft liegen die Hürden im Umfeld, in dem das Modell arbeiten soll. Daten sind über verschiedene Systeme verteilt, Prozesse sind nicht sauber aufeinander abgestimmt und Wissen bleibt in einzelnen Teams oder Bereichen hängen. KI beseitigt diese Reibung nicht automatisch, sondern übernimmt diese Komplexität. Für Unternehmen entscheidet sich der Erfolg von KI nicht erst im Rollout, sondern schon in der Architektur. Denn Skalierung entsteht dort, wo Governance, Integration, Sicherheit und Betriebskosten von Anfang an zusammengedacht werden. Dasselbe gilt für die organisatorische Seite. Wenn sich Rollen, Entscheidungswege und Arbeitsweisen verändern, müssen die Menschen, die mit den Systemen arbeiten, früh einbezogen werden. Technisch starke Lösungen skalieren nicht, wenn sie im Alltag nicht angenommen werden.

Mit Agentic AI gewinnt dieser Punkt zusätzliches Gewicht. Je stärker Systeme eigenständig planen und Handlungen auslösen, desto mehr rückt die Frage der Steuerung in den Vordergrund. Organisationen brauchen Klarheit, welche Agenten im Einsatz sind, auf welche Daten und Systeme sie zugreifen dürfen, nach welchen Regeln sie handeln und wie sich ihr Verhalten nachvollziehen lässt. Auch Kosten, Sicherheitsrisiken und Freigaben müssen über zunehmend komplexe KI-Umgebungen hinweg sichtbar und steuerbar bleiben.

Systemübergreifende Kontrolle
Die Herausforderung ist dabei nicht auf eine einzelne Plattform oder ein einzelnes Modell begrenzt. Unternehmen arbeiten mit unterschiedlichen Cloud-Umgebungen, Modellen, Frameworks und Werkzeugen. Governance und Observability sollten deshalb über diese Landschaft hinweg funktionieren. Eine sogenannte Agent Control Plane kann hier als zentrale Steuerungs- und Governance-Schicht wirken. Sie macht Regeln, Zugriffsrechte, Kosten und das Verhalten von KI-Agenten über verschiedene Systeme hinweg nachvollziehbar und steuerbar. Dazu gehören Funktionen wie Richtlinien und Governance, Identitäts- und Zugriffsmanagement, Auditierbarkeit, Kostenkontrolle, Monitoring sowie Routing.  Wichtig ist dabei, diese Kontrollschicht nicht isoliert zu betrachten. Sie ist Teil eines durchgängigen Betriebsansatzes für Enterprise AI. Nagarro setzt deshalb schon bei der Auswahl geeigneter Anwendungsfälle an und begleitet KI-Systeme über Entwicklung, Orchestrierung und Betrieb hinweg. MosaicOS unterstützt den strukturierten Aufbau von KI-Agenten, NIA deren Analyse und Optimierung. Die Agent Control Plane ergänzt diese Fähigkeiten um herstellerunabhängiges Monitoring, Governance und Kontrolle.

Organisation und Technologie im Gleichklang
Diese technische Ebene allein reicht dennoch nicht. Enterprise AI funktioniert nur, wenn Systeme, Prozesse, Governance und Menschen gemeinsam weiterentwickelt werden. Genauso wichtig bleibt die Verantwortung des Menschen. KI kann große Informationsmengen verarbeiten, Muster erkennen und Entscheidungen vorbereiten. Kontextuelles Urteil, die Einordnung von Ausnahmen und die Verantwortung für Ergebnisse bleiben jedoch beim Menschen.

Unternehmen können Entscheidungen durch KI unterstützen lassen, doch sie können die Verantwortung für deren Folgen nicht an ein Modell delegieren. Der Schritt von einzelnen KI-Anwendungen zu skalierter Enterprise AI ist deshalb kein reines Technologieprojekt. Es geht darum, die Voraussetzungen für einen verlässlichen Betrieb zu schaffen und Reibung zwischen Daten, Systemen, Prozessen und Entscheidungen gezielt zu reduzieren. Erst dann wird aus technischer Leistungsfähigkeit eine Lösung, die im Unternehmensalltag tatsächlich trägt.