KI raus aus dem Testbetrieb: Wie aus Pilotprojekten produktive Anwendungen werden

Künstliche Intelligenz ist in der deutschen Wirtschaft angekommen: Nach einer repräsentativen Bitkom-Erhebung vom März 2026 nutzen 41 Prozent der Unternehmen ab 20 Beschäftigten KI, ein Jahr zuvor waren es 17 Prozent. Weitere 48 Prozent planen den Einsatz oder diskutieren darüber. Mehr als die Hälfte der KI-Nutzer berichtet bereits von einem messbaren Beitrag zum Unternehmenserfolg. Jetzt entscheidet sich, ob aus Pilotprojekten produktive Anwendungen werden – und ob der Sprung aus dem Testbetrieb gelingt.

Warum die Skalierung so oft scheitert

Der Sprung vom Versuch in den laufenden Betrieb ist deutlich anspruchsvoller als der Pilot selbst. Anwendungen müssen sich in gewachsene IT-Landschaften einfügen und regulatorische Vorgaben erfüllen. Hinzu kommt die stets präsente Frage, wie Unternehmen sensible Daten schützen und gleichzeitig Spielraum für neue Anwendungen schaffen. Bei autonomen KI-Agenten wird dieser Zielkonflikt besonders sichtbar: Je eigenständiger Systeme Aufgaben übernehmen, desto wichtiger werden nachvollziehbare Entscheidungen, geregelte Zugriffsrechte und menschliche Kontrolle.

Thomas Götz, Head of Technology & Innovation bei Atos Deutschland, Österreich & Zentraleuropa, benennt die häufigste Ursache gescheiterter Vorhaben nüchtern: Es scheitere meistens an der Operationalisierung. Ein Pilot funktioniere gut mit kleinem Team und wenigen Datenquellen im „Labor-Modus“. Im produktiven Betrieb kämen dagegen Altsysteme, Governance und Compliance hinzu. Skalierung erfordere zudem Standardisierung und die Einbettung in bestehende Prozesse. Das gelingt nach Einschätzung von Götz nur, wenn alle Anforderungen schon am Anfang mitgedacht werden – und genau das sei leider oft nicht der Fall.

Daraus folgt eine unbequeme Erkenntnis für jede Planung: Ein erfolgreicher Prototyp ist noch kein Nachweis für einen tragfähigen Betrieb. Betriebsfähigkeit, klare Verantwortlichkeiten, Kostenkontrolle und die Einbindung in bestehende Systeme entscheiden darüber, ob ein Ansatz dauerhaft Nutzen stiftet oder nach der Testphase wieder verschwindet. Wer diese Fragen erst nach dem erfolgreichen Piloten stellt, verschiebt die eigentliche Arbeit in die kritischste Phase des Projekts.

Sovereign Agentic Studios: Plattform statt Einzelprojekt

Atos, ein internationaler Technologieanbieter für die digitale Transformation mit Schwerpunkten unter anderem auf Cloud, Cybersicherheit sowie Daten und KI, setzt mit den Sovereign Agentic Studios auf eine produktionsreife Plattform. Sie umfasst Konzeption, Aufbau, Betrieb und Governance agentenbasierter Systeme. Der Ausgangspunkt ist dabei bewusst keine Technologie, sondern ein priorisierter Geschäftsprozess mit messbaren Ergebnissen.

Ausgehend von diesem Prozess entsteht nach Angaben von Thomas Götz die gesamte Leistungskette: Datenaggregation, agentische Funktionalität, Prozessorchestrierung mit Governance sowie eine souveräne Infrastruktur für Daten und KI. Erst wenn Nutzen, Sicherheit und Betriebsfähigkeit nachgewiesen sind, erfolgt eine weitere Skalierung in die Produktion. Der Unterschied zu klassischen KI-Projekten liegt damit weniger in einzelnen Werkzeugen als in der Reihenfolge der Schritte: Zuerst der wirtschaftlich relevante Anwendungsfall, dann die technische Umsetzung, dann die kontrollierte Ausweitung.

Für Unternehmen ist dieser Perspektivwechsel praktisch bedeutsam. Er zwingt dazu, vor dem ersten Experiment zu klären, welcher Prozess überhaupt verbessert werden soll und woran der Erfolg gemessen wird. Wer diese Messgrößen früh festlegt, kann später belegen, ob sich der Aufwand trägt – und ob eine Ausweitung auf weitere Bereiche sinnvoll ist.

„Services as Software“ und die neue Rolle der Menschen

Bei aller Dynamik um autonome Agenten bremst Atos die Erwartungen bewusst. Man verfalle nicht dem Hype: Agentische KI übernimmt als unterstützendes System klar definierte Aufgaben und Workflow-Abschnitte – dort, wo Geschwindigkeit, Qualität und Skalierbarkeit tatsächlich durch KI gesteigert werden können und wo probabilistisches Verhalten des Systems sinnvoll ist. Die Entscheidung über das passende Maß an Autonomie ergibt sich aus Risiko, Regulatorik und geschäftlichem Nutzen. Die Haltung dahinter fasst Götz in einem Satz zusammen: Nicht alles, was möglich ist, ist auch sinnvoll.

Für die Organisation bedeutet das eine Verschiebung der Tätigkeiten. Menschen wechseln von der operativen Ausführung zur Konzeption, Orchestrierung und verantwortlichen Steuerung agentenbasierter Systeme. Das verändert Anforderungsprofile: Gefragt sind Personen, die fachliche Prozesskenntnis mit einem Verständnis für Datenflüsse, Berechtigungskonzepte und Risikobewertung verbinden. Weiterbildung und klare Verantwortlichkeiten werden damit zu einem ebenso wichtigen Erfolgsfaktor wie die Auswahl der Modelle und Werkzeuge.

Führungskräfte sollten den Begriff „Services as Software“ deshalb nicht als reine Technologiemetapher lesen. Er beschreibt ein Betriebsmodell, in dem Leistungen kontinuierlich erbracht, überwacht und angepasst werden – mit Zuständigkeiten, die genauso verbindlich geregelt sein müssen wie in klassischen IT-Services.

Grenzen der Autonomie: Identitäten, Leitplanken, Freigaben

Autonomie braucht klare Leitplanken. Agentische KI arbeitet nicht deterministisch und kann durchaus Überraschungen erzeugen. Deshalb erhält jeder Agent eine definierte Identität, einen begrenzten Auftrag und von einem Menschen festgelegte Berechtigungen. Kritische Entscheidungen laufen über Human-in-the-Loop-Freigaben, also über eine ausdrückliche menschliche Bestätigung. Damit bleibt nachvollziehbar, wer oder was wann welche Handlung ausgelöst hat.

Hinzu kommt die technische Kontrolle: Alles wird auditierbar protokolliert, Rechte werden dynamisch vergeben oder zurückgezogen, Aktionen können unterbunden werden. Verhalten, Qualität, Kosten und Ergebnisse werden kontinuierlich überwacht. Diese Überwachung ist kein Nebenprodukt, sondern Teil des Betriebsmodells – denn laufende Agenten verursachen laufende Aufwände, die kalkulierbar bleiben müssen.

Für Ihre Planung heißt das: Leitplanken sind keine Bremse, sondern die Voraussetzung dafür, überhaupt skalieren zu können. Ohne definierte Identitäten, begrenzte Aufträge, Protokollierung und Freigabeprozesse lässt sich ein System im Zweifel nicht verantwortungsvoll betreiben – und damit auch nicht ausweiten.

Digitale Souveränität: Abhängigkeiten bewusst managen

IT-Souveränität bedeutet nach der Einordnung von Atos, kritische Abhängigkeiten bewusst zu managen. Unternehmen müssen entscheiden können, wo und wie ihre Daten, Modelle und Workloads betrieben werden, wer Zugriff erhält und welche kritischen Abhängigkeiten sie eingehen. Souveränität ist damit keine Abschottung, sondern eine Gestaltungsentscheidung, die früh in der Architektur verankert werden sollte.

Die Stärkung dieser Fähigkeit treibt die Schaffung neuer Optionen und eigener Innovationen voran, anstatt Innovation nur einzukaufen. Unterstützend wirken offene Standards und Open Source, interoperable Architekturen, Datenportabilität sowie ein passendes Spektrum effizient orchestrierter Clouds in einem Hybrid-Modell. Diese Bausteine erhöhen die Flexibilität und die strategische Manövrierfähigkeit, weil sie den Wechsel zwischen Anbietern und Betriebsmodellen erleichtern.

Praktisch relevant wird das vor allem bei Daten, die das Unternehmen nicht ohne Weiteres aus der Hand geben kann. Wer hier früh Klarheit schafft, gewinnt Spielraum für neue Anwendungen, ohne den Schutz sensibler Informationen zu vernachlässigen.

Was das für Ihre KI-Roadmap bedeutet

Aus den geschilderten Erfahrungen lassen sich konkrete Prüfpunkte ableiten. Starten Sie nicht mit einer Technologie, sondern mit einem priorisierten Geschäftsprozess, für den Sie ein messbares Ergebnis definieren können. Beziehen Sie Governance, Compliance und Sicherheit von Beginn an ein, statt sie nachträglich anzufügen. Planen Sie Standardisierung und Prozesseinbettung mit, damit eine Lösung nicht nur im kleinen Kreis funktioniert. Legen Sie für jeden Agenten Identität, Auftrag und Berechtigungen fest und definieren Sie, welche Entscheidungen eine menschliche Freigabe benötigen. Sorgen Sie für auditierbare Protokolle und ein Monitoring, das Verhalten, Qualität, Kosten und Ergebnisse im Blick behält. Und skalieren Sie erst, wenn Nutzen, Sicherheit und Betriebsfähigkeit nachgewiesen sind.

Ergänzend lohnt ein Blick auf die Frage der Souveränität: Wo sollen Daten, Modelle und Workloads betrieben werden, wer erhält Zugriff, und welche Abhängigkeiten sind vertretbar? Ein Whitepaper zu Agentic AI sowie weiterführende Informationen zu Cloud-Plattformen und Branchenlösungen stellt Atos unter atos.net bereit.

Der Unterschied zwischen einem gelungenen Pilotprojekt und einer produktiven KI-Anwendung entscheidet sich selten an den Modellen. Er entscheidet sich an der Frage, ob ein Unternehmen den Betrieb, die Kontrolle und die Verantwortung genauso ernst nimmt wie die technische Machbarkeit. Genau dort liegt der Hebel, wenn aus den steigenden Nutzungszahlen in der Erhebung dauerhaft tragfähige Ergebnisse werden sollen.