Kommentar von Milo Honegger, Oracle Wie KI-Agenten die Arbeitswelt verändern

KI-Agenten sind mehr als bloße Assistenten – sie sind die nächste Evolutionsstufe intelligenter Automatisierung. Während generative Künstliche Intelligenz (KI) auf Inhalte fokussiert ist, übernehmen Agenten zunehmend operative Verantwortung. Wer diese Technologie strategisch einsetzen möchte, benötigt Klarheit über ihre Funktionsweise, Anwendungsgebiete und das organisatorische Fundament, auf dem sich diese Wirkung entfalten kann.

In der Praxis haben sich vier grundlegende Anwendungsgebiete etabliert: Author, Answer, Action und Assemble. Sie markieren unterschiedliche Reifegrade – vom Textentwurf bis zur autonomen Prozessorchestrierung.

Author: Schreiben mit System

Author-Anwendungsfälle gehören für viele Unternehmen zu den ersten sinnvollen Einsatzfeldern agentenbasierter KI. Dabei geht es nicht um bloßes Textgenerieren, sondern um die gezielte Unterstützung bei der Erstellung von Inhalten wie Jobanzeigen, E-Mails, Berichten oder Marketingtexten – basierend auf strukturierten Informationen wie Jobtiteln, Abteilungen oder Erfahrungsniveaus.

Der zentrale Unterschied zur klassischen generativen KI: Diese Agenten handeln kontextbewusst. Sie verstehen sowohl die Anfrage als auch den Fragesteller – einschließlich Rolle, Zugriffsrechten und Aufgabenbereich. Über sogenannte RAG-Tools (Retrieval-Augmented Generation) greifen sie zudem auf interne Dokumente, Richtlinien und Unternehmensdaten zu. So entstehen Texte, die nicht generisch, sondern unternehmensspezifisch und handlungsrelevant sind.

Ein besonders effektiver Anwendungsfall liegt im Recruiting: Praxisbeispiele belegen, dass die Time-to-hire nach dem Einsatz von Oracle Fusion AI im Bereich Human Capital Management (HCM) in einzelnen Fällen um mehr als 50 Prozent beschleunigt wurde. Ein weiteres Beispiel ist der Kundenservice: Wird ein neuartiger Fall gelöst, kann dieser per Knopfdruck intern wie extern in einen strukturierten Knowledge-Artikel überführt werden. So lassen sich ähnliche Anfragen künftig schneller beantworten oder sogar vermeiden. Manche Unternehmen erreichen hier Deflection Rates von über 80 Prozent in Einzelfällen, also eine deutliche Reduktion eingehender Anfragen dank intelligenter Vorabinformationen.

Gerade wegen der einfachen Integration in bestehende Workflows und des geringen Schulungsaufwands gelten Author-Anwendungsfälle als idealer Einstieg für Unternehmen, die erste skalierbare Erfolge mit KI-Agenten erzielen möchten.

Answer: Intelligente Wissensvermittler – auf Abruf, im richtigen Kontext

Answer-Anwendungsfälle für KI-Agenten basieren wie viele Author-Szenarien auf RAG-Technologie (Retrieval-Augmented Generation). Der Unterschied liegt weniger in der Architektur als in der Zielsetzung: Statt Inhalte zu generieren, beantworten diese Agenten gezielte Fragen in natürlicher Sprache, präzise, kontextbezogen und nachvollziehbar.

Im Kern fungieren sie als intelligente Schnittstelle zu Unternehmenswissen. Sie durchsuchen Richtliniendokumente, Datenbanken oder Policies, extrahieren die relevanten Informationen und bereiten sie verständlich auf, inklusive Quellenangabe und unter Berücksichtigung rollenbasierter Zugriffsrechte (RBAC). Anders als klassische regelbasierte Systeme oder RPA-Bots sind KI-Agenten nicht auf deterministische Workflows beschränkt. Stattdessen interpretieren sie flexibel und skalierbar Sprache, Bedeutung und situativen Kontext.

Ein typisches Beispiel aus dem Personalwesen: Ein Mitarbeiter fragt, ob seine Kinder über die Unternehmensversicherung mitversichert sind. Der Agent erkennt die Intention, identifiziert die relevanten HR-Dokumente und Benefits, die genau auf diese Person und ihre Angehörigen zutreffen, und liefert eine passgenaue Antwort, inklusive Verweis auf die zugrunde liegende Regelung. Das entlastet HR-Teams und erhöht die Transparenz im Umgang mit unternehmensinternem Wissen.

Solche Answer-Anwendungsfälle beschränken sich nicht auf interne Szenarien. Auch im Kundenservice, etwa zur Beantwortung technischer Produktfragen im Chat, oder gegenüber Lieferanten, etwa bei Rückfragen zu Konditionen, entfalten sie ihren Mehrwert. Durch ihre ständige Verfügbarkeit, Konsistenz und Geschwindigkeit senken sie das Anfragevolumen, reduzieren Wartezeiten und steigern die Zufriedenheit über alle Zielgruppen hinweg.

Action: Von der Reaktion zur Aktion – KI-Agenten, die ins Handeln kommen

Action-Anwendungsfälle markieren einen Paradigmenwechsel im Einsatz von KI-Agenten: Hier geht es nicht mehr nur um das Generieren oder Beantworten von Inhalten, sondern um das selbstständige Ausführen von Aktionen – basierend auf einem klar definierten Ziel. Der Unterschied liegt im Autonomiegrad: Action-Agenten erhalten ein Was, das Wie planen und orchestrieren sie eigenständig.

Sie zerlegen Aufgaben in logische Einzelschritte, priorisieren sie und führen sie unter Berücksichtigung von Kontext, Rollen, Datenzugriffen und Governance-Vorgaben aus. Dabei gilt es sicherzustellen, dass die verwendeten Tools bereits die gesetzlichen Anforderungen erfüllen. Ziel ist es, eine gute Governance und Überwachung innerhalb des Unternehmens zu gewährleisten und diese Systeme im Laufe der Zeit zu überprüfen, um sie zu verbessern und unerwünschte Auswirkungen zu beseitigen. Dabei interagieren die KI-Agenten mit Systemen wie ERP, HCM, CRM oder SCM, um Prozesse weitgehend oder in Teilen automatisiert abzuwickeln.

Ein konkretes Beispiel ist das Spesenmanagement: Der Mitarbeiter fotografiert einen Beleg, der Agent extrahiert automatisch alle relevanten Informationen – Betrag, Währung, Datum, Kostenstelle, Anlass. Dann gleicht er diese mit Unternehmensrichtlinien ab, erstellt den Spesenreport, holt Genehmigungen ein und stößt schließlich die Auszahlung an. All das geschieht im Hintergrund ohne manuelles Eingreifen.

Wo es sinnvoll oder regulatorisch geboten ist, etwa bei sensiblen Entscheidungen mit hohem Risiko oder geringer Fallzahl, lassen sich Action-Anwendungen durch Human-in-the-Loop-Mechanismen ergänzen. Vordefinierte Freigabeschritte sichern ab, dass kritische Entscheidungen weiterhin validiert werden. Das schafft Vertrauen, ohne die Effizienzvorteile der Automatisierung zu verlieren.

Auch in Bereichen wie Terminplanung zum Beispiel für Kundengespräche oder Bewerbungsgespräche, der automatisierten E-Mail-Kommunikation oder in End-to-End-Prozessen wie Procure-to-Pay oder Order-to-Cash entfalten KI-Agenten ihr Potenzial. Sie reduzieren manuelle Arbeit drastisch, beschleunigen Abläufe und verbessern zugleich die Prozessqualität durch klare Regeln, Auditierbarkeit und die konsistente Einhaltung von Standards.

Assemble: Koordinierte Agententeams mit Supervisor

Assemble-Anwendungsfälle stehen für die momentan fortgeschrittenste Form agentenbasierter KI: Hier arbeiten mehrere spezialisierte KI-Agenten mit eigener Rolle, eigenem Toolset und spezifischem Topic zusammen, um gemeinsam komplexe Aufgaben zu lösen. Solche agentenbasierten Teams kommen zum Einsatz, wenn Einzelagenten an ihre Grenzen stoßen, etwa bei bereichsübergreifenden Prozessen, stark verzweigten Aufgaben oder dynamisch variierenden Anforderungen.

Zentrales Element ist dabei der sogenannte KI-Supervisor Agent, eine Art digitaler Teamleiter. Er interpretiert die Gesamtaufgabe, zerlegt sie in einzelne Subtasks und weist diese spezialisierten KI-Unteragenten („Worker Agents“) zu – basierend auf deren Fähigkeiten, Tools und Zuständigkeitsbereich. Während die KI-Worker-Agents über konkrete Werkzeuge zum Beispiel für Datenabfrage, Dokumentenanalyse, E-Mail-Kommunikation oder API-Integration verfügen, übernimmt der KI-Supervisor die Koordination, Planung und Qualitätssicherung.

Warum dieser Aufwand? Weil sich so Halluzinationen vermeiden, Prozessqualität steigern und robuste, nachvollziehbare Ergebnisse erzielen lassen. Wer einem Large Language Model (LLM) den Prompt „Schreibe ein Buch über KI-Agenten“ gibt, erhält meist ein oberflächliches Ergebnis. Wer dagegen systematisch vorgeht, mit Gliederung, einzelnen Kapiteln, iterativer Verfeinerung, erhält deutlich bessere Resultate. Genau dieses Prinzip übertragen Assemble-Anwendungsfälle auf Prozessebene – durch sinnvolle Zerlegung, Spezialisierung und Orchestrierung. Das gesamte System ist KI-basiert, aber wo es nötig und sinnvoll ist, kann ein Mensch hinzugezogen wird, wenn ein Team von Agenten auf eine Situation stößt, in der eine menschliche Genehmigung erforderlich ist.

Die Basis dafür bilden zwei zentrale Konzepte:

• 1. Topics – das Was: Hier geht es darum zu definieren, worum sich ein Agent inhaltlich kümmert (zum Beispiel Payslip-Fragen, Onboarding, Leave Requests), und ihn mit der passenden Domänen-Expertise auszustatten.

• 2. Tools – das Wie: Das betrifft die ausführenden Werkzeuge, mit denen Aufgaben erledigt werden (zum Beispiel Business Object Queries, RAG-Search, External APIs, Calculators, Kalenderzugriff).

Diese Architektur erlaubt modulare, skalierbare Agententeams, deren Mitglieder Aufgaben in sequenziellen oder parallelisierten logischen Schritten bearbeiten. Beispiel: Im internationalen Kundenservice triagiert ein Supervisor Agent eingehende Service Requests, ruft einen spezialisierten Worker Agent zur Fallrecherche auf, koordiniert einen Kalender-Agenten zur Terminsuche und einen E-Mail-Agenten zur Erstellung der finalen Kommunikation – alles im orchestrierten Zusammenspiel.

Assemble-Anwendungen sind heute noch selten im produktiven Einsatz, doch erste Pilotprojekte zum Beispiel bei global agierenden Service- oder Finanzorganisationen zeigen bereits ihr Potenzial. Langfristig könnten Assemble-Agenten zu digitalen Co-Workern auf Team-Ebene avancieren – mit messbarem Mehrwert in Geschwindigkeit, Qualität und Skalierbarkeit. Sie gelten heute als eine der vielversprechendsten Ausprägungen, da sie komplexe Aufgaben vollständig oder weitgehend automatisieren können.

Hürden im Alltag – und warum KI kein reines IT-Projekt ist

Der Einsatz von KI-Agenten ist weit mehr als eine technische Implementierung. Er ist ein kultureller und organisatorischer Wandel. Gerade in der DACH-Region ist ein wachsendes Interesse an agentenbasierten Lösungen zu beobachten, gleichzeitig, aber auch verbreitete Unsicherheiten in der praktischen Umsetzung. Dazu zählen unklare Zuständigkeiten, mangelnde Datenqualität, fehlende Business Cases oder schlicht die Sorge vor Kontrollverlust.

Was oft übersehen wird: Nicht alle KI-Anwendungsfälle erfordern von Beginn an eine perfekte Dateninfrastruktur. Gerade Author- und Answer-Szenarien lassen sich auch häufig mit vorhandenen Informationen rasch und wirkungsvoll realisieren, etwa mit Richtliniendokumenten oder strukturierten HR-Daten. Der Weg zu produktiven Ergebnissen ist hier kürzer als vielfach angenommen.

Die größte Herausforderung liegt häufig nicht allein in der Technologie, sondern im Change-Management: KI verändert Entscheidungswege, Rollenverständnisse und Prozesse. Mitarbeiter fragen sich zu Recht: Was bedeutet das für meinen Arbeitsalltag? Welche Aufgaben bleiben bei mir und welche übernimmt künftig der Agent? Wird meine Rolle dadurch aufgewertet oder entwertet?

Deshalb braucht es mehr als eine technische Einführung. Erforderlich sind Akzeptanz, Vertrauen und Beteiligung. Erfolgreiche Unternehmen setzen auf zwei Dinge: Technologie, die leicht verständlich und einfach integrierbar ist, sowie Menschen, die bereit sind, Neues auszuprobieren und mitzugestalten.

Frühzeitige Kommunikation, klare Zielbilder und praxisnahe Schulungsformate helfen, Ängste abzubauen und Chancen greifbar zu machen. Besonders wirksam: sogenannte „Champions“ oder Multiplikatoren, die neue Tools testen, Erfahrungen weitergeben und ihre Kollegen mitziehen.

Was bleibt: KI-Agenten entfalten ihren Wert nur dann, wenn sie im Alltag Anwendung finden. Dazu braucht es mehr als IT-Kompetenz. Es braucht Ownership im Business, den Mut zum Pilotprojekt und den Willen, Technologie nicht als Selbstzweck, sondern als Werkzeug zur Entlastung und Aufwertung menschlicher Arbeit zu verstehen. Wenn Mensch, Technologie und Prozesse gemeinsam weitergedacht werden, wird aus KI eine Erfolgsgeschichte, von der über die IT hinaus das ganze Unternehmen profitiert.

(ID:50552145)