Agentic AI skalieren: Warum aus Pilotprojekten jetzt messbarer Geschäftswert werden muss

Deutschland hat bei Künstlicher Intelligenz weniger ein Technologie- als ein Skalierungsproblem: Viele Unternehmen experimentieren noch mit Pilotprojekten, während der Druck wächst, KI tatsächlich produktiv einzusetzen. Der Fachkräftemangel verschärft die Lage, denn Wohlstand lässt sich künftig vor allem über höhere Produktivität sichern. Agentic AI könnte dabei zur wichtigsten Management-Innovation der kommenden Jahre werden – vorausgesetzt, aus Versuchen werden innerhalb von drei Jahren messbare wirtschaftliche Ergebnisse.

Ein Skalierungsproblem, kein Technologieproblem

Die Einordnung von Dr. Frank Fehler, Executive Vice President und Deutschlandchef von HCLTech, ist bewusst nüchtern gehalten: Die Werkzeuge sind verfügbar, die Anwendungsfälle sind in vielen Häusern längst identifiziert – und dennoch bleibt ein großer Teil der Vorhaben in der Pilotphase stecken. Das ist kein Randphänomen, sondern ein struktureller Befund. Piloten sind häufig so angelegt, dass sie vor allem eines belegen sollen: dass die Technik grundsätzlich funktioniert. Ob der Prozess danach im Regelbetrieb schneller, günstiger oder qualitativ besser läuft, wird dagegen selten belastbar geprüft.

Hinzu kommt der demografische Rahmen. Deutschland wird seinen Wohlstand künftig nicht mit mehr Arbeitskräften sichern können, sondern vor allem mit deutlich höherer Produktivität. Diese Formel verschiebt den Charakter der Diskussion: Es geht nicht mehr um die Frage, ob KI irgendwann relevant wird, sondern darum, wo sie in den kommenden Monaten und Jahren gebundene Arbeitszeit freisetzt. Wer diese Potenziale nicht nutzt, riskiert im globalen Wettbewerb Nachteile bei Kosten, Geschwindigkeit und Innovationskraft – so die Einschätzung des Dienstleisters.

Für Sie als Verantwortliche in Fach- oder IT-Bereichen bedeutet das eine unangenehme, aber klare Konsequenz: Der Erfolgsmaßstab verschiebt sich von der technischen Machbarkeit zur betriebswirtschaftlichen Wirkung. Ein Agent, der beeindruckende Antworten produziert, aber keinen Engpass im Prozess auflöst, ist kein Fortschritt, sondern zusätzlicher Aufwand.

Wo KI-Agenten heute messbaren Geschäftswert erzeugen

Die größten Effekte entstehen nach Beobachtung von HCLTech dort, wo Unternehmen unter Kosten-, Fachkräfte- oder Qualitätsdruck stehen. Genannt werden Softwareentwicklung, IT Operations, Service Management sowie datenintensive Analyseprozesse. In diesen Feldern seien Produktivitätssteigerungen von 20 bis 40 Prozent möglich. Entscheidend sei dabei nicht die Zahl der Automatisierungen, sondern wie viel Durchlaufzeit und Kosten sich reduzieren lassen und wie viel gebundenes Expertenwissen freigesetzt wird.

Warum ausgerechnet interne Prozesse? Sie haben mehrere Eigenschaften, die Automatisierung begünstigen: Es gibt wiederkehrende Arbeitsschritte, die Ergebnisse sind überprüfbar, die Datenquellen liegen im eigenen Haus, und die Qualität lässt sich anhand klarer Kriterien messen. Ein Fehler in der Angebotskalkulation oder im IT-Betrieb ist außerdem unmittelbar sichtbar – es gibt also einen natürlichen Korrekturmechanismus. Genau diese Rückkopplung fehlt in vielen Innovationsprojekten, die ohne definierten Business Case starten.

Wichtig ist die Reihenfolge der Argumentation: Nicht die Technologie begründet den Einsatz, sondern der Engpass. Wer zuerst nach dem spannendsten Anwendungsfall sucht und danach nach einem Nutzen, dreht die Logik um. Jede KI-Transformation sollte einem klaren Business Case folgen – messbar, vorab definiert und mit einer Bezugsgröße versehen, die Sie auch nach zwölf Monaten noch überprüfen können.

Transformationsprogramm statt Einzelprojekt

Der Unterschied zwischen Unternehmen, die Agentic AI erfolgreich skalieren, und jenen, die in Pilotprojekten verharren, liegt laut HCLTech vor allem im Selbstverständnis der Vorhaben. Erfolgreiche Häuser behandeln Agentic AI als Transformationsprogramm: Sie definieren konkrete wirtschaftliche Ziele, investieren konsequent in Daten, Prozesse und Fähigkeiten und verankern das Thema in der Unternehmensstrategie.

Das klingt nach Management-Vokabular, hat aber sehr praktische Folgen. Ein Transformationsprogramm hat eine Leitung mit Entscheidungsbefugnis, ein Budget über mehrere Jahre und einen festen Platz in der Berichterstattung. Ein Pilotprojekt hat einen Projektleiter, ein befristetes Budget und keine Zuständigkeit für die Zeit nach dem Abschlussbericht. Sobald der Prototyp überzeugt, beginnt im ersten Fall die Skalierung, im zweiten Fall die Suche nach einem Verantwortlichen.

Für die Planung heißt das: Sie sollten Skalierbarkeit von Tag eins an mitdenken. Datenzugänge, Rollen, Freigabeprozesse und Betriebsmodelle sind keine Fragen, die man nach dem erfolgreichen Test klärt – sie entscheiden darüber, ob aus dem Test überhaupt ein Betrieb werden kann.

Governance, Daten und Compliance: die unterschätzten Bremsen

Die HCLTech-Studie deutet darauf hin, dass organisatorische und regulatorische Themen deutlich bremsen. Fehler benennt die größte Hürde klar: Es ist meist nicht die Technologie, sondern die organisatorische Transformation – klare Governance, Compliance und Verantwortlichkeiten, Datenschutz sowie die Anpassung von Prozessen und Strukturen.

Diese Reihenfolge überrascht nicht, wenn man bedenkt, womit Agenten im Unterschied zu klassischer Software umgehen. Sie greifen auf Unternehmensdaten zu, treffen Vorbereitungen für Entscheidungen und lösen teils Folgeprozesse aus. Damit berühren sie automatisch Fragen, die zuvor an einzelne Stellen gebunden waren: Wer darf welche Daten sehen? Wer haftet, wenn ein Agent eine falsche Empfehlung produktiv umsetzt? Wie wird nachvollziehbar dokumentiert, warum eine Entscheidung so und nicht anders vorbereitet wurde?

Der pragmatische Umgang damit besteht nicht darin, möglichst lange zu prüfen. Der Rat lautet, Automatisierungspotenziale zu identifizieren, klare Regeln zu schaffen und Change Management frühzeitig mitzudenken. Regeln, die vor dem Rollout formuliert werden, sind billiger als Regeln, die nach einem Vorfall entstehen. Und Beschäftigte, die früh verstehen, welche Aufgaben entfallen und welche hinzukommen, sind eher bereit, den Wandel mitzutragen.

Ein Hinweis zur Einordnung: HCLTech ist selbst Anbieter entsprechender Transformations- und KI-Programme, und die genannten Zahlen stammen aus eigenen Projekten und der eigenen Studie. Die Größenordnungen sind daher als Erfahrungswerte aus der Anbieterperspektive zu lesen – aufschlussreich, aber kein neutrales Benchmark. Für Ihre eigene Bewertung zählt, welche Vergleichsgröße Sie in Ihrem Haus tatsächlich messen können.

End-to-End statt Einzelschritt: das Nutzfahrzeug-Beispiel

Ein konkretes Beispiel aus der Studie betrifft ein Aftermarket-Parts-Sales-Projekt bei einem führenden globalen Nutzfahrzeughersteller. Der Ansatz bestand nicht darin, einzelne Prozessschritte zu optimieren, sondern den gesamten End-to-End-Prozess neu zu denken: von der Teileidentifikation und dem Datenabgleich über Margen- und Pricing-Logik bis hin zum Bid Management.

Die berichteten Ergebnisse: zehnmal mehr Sales-Volumen, 300 Prozent mehr gewonnene Ausschreibungen und statt fünf Wochen nur noch fünf Tage für die Angebotsbearbeitung. Fehler zieht daraus einen grundsätzlichen Schluss: Der eigentliche Hebel liegt darin, mit KI ganze Geschäftsprozesse neu zu denken und damit Business Impact in einer völlig anderen Größenordnung zu schaffen.

Das Muster hinter diesem Beispiel ist übertragbar, auch ohne die konkreten Zahlen zu übernehmen. Wird nur ein Schritt automatisiert, bleibt die Durchlaufzeit des Gesamtprozesses oft nahezu unverändert, weil die Schnittstellen und Wartezeiten bestehen bleiben. Erst wenn Teileidentifikation, Datenabgleich, Preislogik und Angebotserstellung als zusammenhängende Kette betrachtet werden, verschwinden die Brüche – und mit ihnen ein Großteil der Bearbeitungszeit. Für Ihre Planung bedeutet das: Zeichnen Sie den Prozess einmal vollständig auf, bevor Sie entscheiden, wo der Agent ansetzt.

Hybride Organisation: der Mensch orchestriert digitale Agenten

Auf die Frage, ob es irgendwann vollständig automatisierte Unternehmen geben wird, fällt die Antwort differenziert aus: Für klar definierte und stark standardisierte Aufgaben ja – an eine menschenleere Organisation glaubt Fehler nicht. Sein Bild ist ein anderes: Unternehmen, in denen ein Mitarbeiter künftig die Arbeit von fünf oder zehn digitalen Agenten orchestriert.

Dahinter steht das Prinzip „Human in Ownership and Control“. Menschen behalten die Verantwortung für Strategie, Governance sowie ethische und rechtliche Fragen, während KI Entscheidungen vorbereitet und Prozesse ausführt. Je autonomer die Systeme werden, desto wichtiger werden Kontrollmechanismen – etwa durch Kontrollagenten, die andere Agenten überwachen. Entscheidend bleibt die Frage, welche Entscheidungen Maschinen überlassen werden und wo der Mensch verantwortlich bleibt.

Für die Praxis heißt das, neue Rollen mitzudenken: Wer prüft die Vorschläge eines Agenten, wer entscheidet bei Grenzfällen, wer verantwortet die Regelwerke? Die hybride Organisation aus Menschen und digitalen Mitarbeitern ist kein Endzustand, sondern eine Struktur, die möglichst schnell aufgebaut und dann skaliert werden sollte – mit klaren Eskalationswegen statt improvisierter Einzelfallprüfung.

Was Entscheider jetzt konkret tun sollten

Der Rat an die Unternehmensführung ist bewusst eng gefasst. Erstens: nicht mit zahlreichen Use Cases beginnen, sondern zwei oder drei Prozesse wählen, bei denen der wirtschaftliche Effekt klar messbar ist. Zweitens: vor dem Start Verantwortlichkeiten, Datenzugriff und Erfolgskriterien definieren. Drittens: von Tag eins an für Skalierung planen.

Ergänzen lässt sich daraus eine überprüfbare Checkliste für Ihre nächsten Schritte. Klären Sie, welche Kennzahl sich durch den Einsatz verbessern soll und welcher Ausgangswert heute gilt. Benennen Sie eine verantwortliche Person mit Entscheidungsbefugnis – nicht nur eine Projektleitung. Regeln Sie schriftlich, auf welche Daten der Agent zugreifen darf und welche nicht. Legen Sie fest, welche Ergebnisse automatisch umgesetzt und welche zur Prüfung vorgelegt werden. Und definieren Sie vorab, ab welchem Messergebnis Sie erweitern und ab welchem Sie abbrechen.

Ein realistischer Zeitrahmen gehört ebenfalls dazu. Der Druck, aus Pilotprojekten innerhalb von drei Jahren wirtschaftliche Ergebnisse zu machen, ist kein Selbstzweck: Er zwingt dazu, den Erfolg an Zahlen zu binden statt an Vorführungen. Wer diese Disziplin aufbringt, kann belegen, welche Wirkung tatsächlich entstanden ist – und darauf die nächste Ausbaustufe begründen.

Wo die Grenzen liegen

Nicht jede Aufgabe eignet sich für Agenten, und nicht jedes Ergebnis lässt sich sauber zurechnen. Stark standardisierte, wiederkehrende Tätigkeiten mit prüfbaren Ergebnissen sind gute Kandidaten. Schlecht strukturierte Aufgaben mit unklaren Erfolgskriterien, widersprüchlichen Datenquellen oder seltenen Sonderfällen bleiben dagegen riskant. Auch die Datenqualität setzt Grenzen: Ein Agent kann fehlende Stammdaten nicht ersetzen, er macht ihre Lücken nur schneller sichtbar.

Hinzu kommt die Messproblematik. Produktivitätsgewinne entstehen häufig an Schnittstellen und verteilen sich über mehrere Bereiche – wer profitiert, ist nicht immer der, der investiert. Ohne belastbare Ausgangswerte und eine gemeinsame Definition der Kennzahlen bleibt der Nachweis schwierig, selbst wenn der Nutzen real ist. Und schließlich wächst mit der Autonomie der Systeme der Aufwand für Kontrolle, Dokumentation und Betrieb. Ein Agent, der ständig überwacht werden muss, spart weniger Zeit als erhofft.

Genau hier liegt der konkrete Nutzwert der beschriebenen Herangehensweise: Sie verspricht keine vollständige Automatisierung, sondern eine nüchterne Verteilung der Verantwortung. Der Mensch behält Strategie, Governance und die strittigen Entscheidungen; die KI übernimmt vorbereitende, wiederkehrende und datenintensive Arbeit. Wer diese Grenze bewusst zieht und sie an messbaren Kennzahlen überprüft, macht aus einem vielversprechenden Pilotprojekt ein belastbares Element seiner Unternehmensstrategie – und nicht die nächste Initiative, die nach der ersten Vorführung wieder eingeschlafen ist.