Der Allianz-Boss lässt jetzt drei Dinge von seiner KI machen

Haben Sie heute schon mit Ihrem Computer gesprochen oder hat er bereits für Sie gehandelt? Wir stehen an einem historischen Wendepunkt: Künstliche Intelligenz hört auf damit, nur kluge Antworten zu geben, und fängt an echte Arbeit zu erledigen. Willkommen im Zeitalter der „Agentic AI“.

Sascha Röhrer ist Experte für KI, Web3, Krypto und DeepTech und berät Unternehmen bei der Umsetzung entsprechender Strategien – von KI-gestützten Geschäftsmodellen bis zu digitalen Assets und On-Chain-Infrastruktur. Als Gründer der CONF3RENCE vernetzt er Wirtschaft, Finanzindustrie und Tech-Ökosystem im DACH-Raum. Er ist Teil unseres EXPERTS Circle. Die Inhalte stellen seine persönliche Auffassung auf Basis seiner individuellen Expertise dar.

Erinnern Sie sich an die Jahre 2023 und 2024? Damals staunten wir darüber, dass eine KI Gedichte schreiben oder Bilder malen konnte. Doch in den Chefetagen und Produktionshallen der DACH-Region weicht das Staunen jetzt einer neuen Nüchternheit und einer enormen Erwartungshaltung. Es geht nicht mehr um Textgenerierung. Es geht um Handlungsfähigkeit.

Vom Chatbot zum Macher: Was ist Agentic AI?

Stellen Sie sich den Unterschied wie folgt vor: Eine klassische generative KI (wie ChatGPT in den frühen Versionen) ist wie ein belesener Bibliothekar. Sie fragen nach einem Rezept, und er gibt Ihnen das perfekte Kochbuch. 

Agentic AI hingegen ist der Koch. Sie geben ihm das Ziel – „Koche ein Abendessen für vier Personen unter 50 Euro“ – und er plant das Menü, bestellt die Zutaten, koordiniert die Zubereitung und serviert das Essen.

Technisch gesehen verfügen diese Systeme über „Agency“, also Handlungsmacht. Sie warten nicht auf jeden einzelnen Klick des Nutzers. Sie erhalten ein übergeordnetes Geschäftsziel und zerlegen dieses autonom in notwendige Einzelschritte. Sie bedienen Software-Tools, greifen auf Datenbanken zu und treffen Entscheidungen innerhalb definierter Leitplanken.

Die vier Stufen der Autonomie

Um Agentic AI strategisch einzuordnen, hilft ein Blick auf die vier Reifegrade, die sich aktuell in der Industrie etablieren:

1. Stufe 1: Der Assistent: Ein Agent führt eine klar definierte Aufgabe aus, wenn er dazu aufgefordert wird (z. B. „Fasse diese E-Mails zusammen“).
2. Stufe 2: Der Spezialist (Deep Agent): Ein Agent übernimmt einen kompletten Prozess. Er plant selbstständig und nutzt Werkzeuge. Beispiel: Ein Agent, der nicht nur Fehler im Software-Code findet, sondern sie auch gleich korrigiert und testet.
3. Stufe 3: Das Team (Multi-Agent Systems): Mehrere spezialisierte Agenten arbeiten zusammen. Einer analysiert Daten, ein anderer schreibt den Bericht, ein dritter prüft die rechtlichen Rahmenbedingungen. Ein „Orchestrator“ koordiniert sie alle.
4. Stufe 4: Das Netzwerk: Selbstorganisierende Agentenschwärme, die dynamisch Probleme im Unternehmen lösen. Dies ist noch Zukunftsmusik, aber die Richtung ist klar.

Praxis-Check: Wo deutsche Konzerne heute schon profitieren

Unternehmen in Deutschland, Österreich und der Schweiz adaptieren bereits diese Technologien. Sie integrieren Agenten tief in ihre Wertschöpfungskette, oft dort wo es von außen niemand sieht, aber die Bilanz es spürt.

Siemens: Der Kollege in der Maschine

In der Fertigungsindustrie herrscht Fachkräftemangel. Siemens begegnet dem mit Industrial Copilots. 

Diese KI-Agenten unterstützen Ingenieure in der Fabrikhalle. Anstatt komplexen Steuerungscode für Maschinen mühsam Zeile für Zeile zu schreiben, sagt der Ingenieur dem Agenten in natürlicher Sprache, was die Maschine tun soll. Der Agent generiert den Code, testet ihn in einer Simulation (Digital Twin) und schlägt Optimierungen vor. 

Das Ergebnis: Weniger Fehler und eine massive Zeitersparnis.

Deutsche Telekom: Das Netz, das sich selbst heilt

Ein Mobilfunknetz ist hochkomplex. Wenn Tausende Menschen gleichzeitig bei einem Konzert streamen, kommt es zu Engpässen. Die Deutsche Telekom setzt hier auf den „RAN Guardian Agent“. 

Dieses System überwacht das Funknetz nicht nur, es handelt auch. Ein Monitoring-Agent erkennt Lastspitzen, ein Analyse-Agent berechnet Lösungen und ein Exekutiv-Agent verstellt autonom die Antennenparameter, um die Kapazität zu erhöhen. 

Was früher Stunden manueller Analyse brauchte, passiert heute in Minuten.

Allianz: Schnelle Hilfe bei Kleinschäden

Auch im Versicherungsweisen ändert sich der Takt. In einem Pilotprojekt zeigt die Allianz, wie Schadensbearbeitung in Zukunft aussieht. 

Meldet ein Kunde einen Kleinschaden, etwa verdorbene Lebensmittel nach einem Stromausfall, übernehmen sieben spezialisierte KI-Agenten. Einer prüft das Wetter, einer die Police, einer berechnet die Summe und einer prüft auf Betrugsversuche. 

Die Bearbeitungszeit sank drastisch auf unter fünf Minuten. Wichtig dabei: Die finale Freigabe für die Auszahlung bleibt oft noch beim Menschen („Human-in-the-Loop“), um Vertrauen zu sichern.

Die Hürden: Warum es oft noch hakt

Trotz dieser Erfolge tun sich viele Mittelständler schwer. Eine McKinsey-Studie von 2025 zeigt: Zwar nutzen 88 Prozent der Unternehmen KI, aber nur wenige haben den Schritt von kleinen Experimenten zur breiten Wertschöpfung geschafft. Woran liegt das?

1. Das „Brownfield“-Problem: Agenten brauchen Daten und Zugriff auf Systeme. In vielen deutschen Firmen liegen diese Daten aber in veralteten Systemen (Legacy IT), die keine modernen Schnittstellen haben. Ein Agent ist nutzlos, wenn er nicht auf das Warenwirtschaftssystem zugreifen kann.
2. Sicherheit und Kontrolle: Wenn eine KI eigenständig E-Mails verschicken oder Waren bestellen darf, ist das Risiko von Fehlern hoch. Unternehmen fürchten „Halluzinationen“, also Fehlleistungen der KI, und Reputationsschäden.
3. Der EU AI Act: Europa hat strenge Regeln. Agentische Systeme, die in kritischen Bereichen wie Personalwesen oder Kreditvergabe eingesetzt werden, gelten oft als Hochrisiko-KI. Das erfordert strenge Dokumentation und menschliche Aufsicht.

Handlungsempfehlungen für Entscheider

Wie können sich Unternehmen auf diese Ära vorbereiten, ohne Millionen in gescheiterte Projekte zu versenken?

1. Fokus auf Outcomes, nicht Outputs: Nicht „Wo können wir KI einsetzen?“, sondern „Welches Geschäftsproblem kostet uns zu viel Zeit?“. Agenten sollten gezielt daraufhin entwickelt sein.
2. Daten-Hausaufgaben machen: Bevor Agenten einsetzt werden, müssen Daten aufräumt sein. Agenten benötigen strukturierte Schnittstellen (APIs), um mit Ihrer IT-Landschaft zu sprechen. Es muss in eine moderne Datenarchitektur investiert werden.
3. Vertrauen durch „Human-in-the-Loop“: Agenten sollten zu Beginn nur Vorschläge machen, die ein Mensch freigibt. Erst wenn die Fehlerquote gegen Null geht, sollten Unternehmen den Automatisierungsgrad erhöhen. Das schafft Vertrauen bei der Belegschaft und Sicherheit bei der Compliance.
4. Mitarbeiter mitnehmen: Agentic AI wird Jobs nicht zwingend ersetzen, aber radikal verändern. Die Empfehlung ist, in „AI Literacy“ zu investieren. Mitarbeiter müssen lernen, die Agenten zu steuern und zu überwachen, vom Sachbearbeiter zum Prozessmanager.

Unternehmen müssen Agenten führen können

Die Unternehmen, die Agentic AI nur als Spielerei betrachten, werden zurückfallen. Diejenigen, die ihre Prozesse und Dateninfrastruktur jetzt anpassen, werden Produktivitätssprünge erleben, die wir seit der Einführung des Internets nicht mehr gesehen haben. Die Technologie ist bereit.