Kommentar von Dr. Moritz Maier, Synera Mit KI-Agenten in 5 Schritten zu mehr Effizienz

Anbieter zum Thema

Synera GmbH

Board Deutschland GmbH

INFOMOTION GmbH

QUNIS GmbH

Für die Wettbewerbsfähigkeit der Unternehmen in Deutschland ist es überlebensnotwendig, die Effizienz zu steigern. Ein Ansatz besteht darin, mit KI-Agenten komplexe Prozesse zu steuern und damit Zeit und Kosten zu sparen. Das sind die fünf wichtigsten Schritte für den Einsatz der disruptiven Technologie.

Vorweg ein Blick auf die Relevanz von KI-Agenten. Eine aktuelle Studie von SnapLogic bestätigt den Trend: Deutsche Unternehmen investieren durchschnittlich 2,6 Millionen Euro in die Implementierung von KI-Agenten-Systemen – mehr als in Großbritannien oder den USA. Bereits 51 Prozent der befragten Unternehmen setzen KI-Agenten ein (SnapLogic „AI Agents – The Final Frontier of the Enterprise“ 2025).

Eine weitere Studie zum Einsatz von KI-Agenten führte das Institute for Business Value (IBM) durch. Das Ergebnis: Über 80 Prozent der Befragten betrachten die Automatisierung von Geschäftsdiensten mit KI-Agenten als einen wichtigen strategischen Schwerpunkt. Zudem glauben 86 Prozent der Teilnehmer, dass KI-Agenten bis zum Jahr 2027 signifikant zur Verbesserung der Prozessautomatisierung und zur Neugestaltung von Arbeitsabläufen beitragen werden (Institute for Business Value: Orchestrating Agentic AI for Intelligent Business Operations 2025).

KI-Agenten im Unternehmenseinsatz

IBM-Studie: KI wird Teil des Kerngeschäfts

Dass die technologische Entwicklung im Bereich der Künstlichen Intelligenz mit atemberaubender Geschwindigkeit voranschreitet, erleben wir jeden Tag. Besonders im Kontext von Agentic AI – also Systemen aus autonomen, interagierenden Softwareagenten – entstehen daraus aktuell vielversprechende Ansätze, um Prozesse im Engineering neu zu denken. KI-Agenten agieren nicht nur auf Anweisung von Ingenieuren, sondern treffen selbstständig Entscheidungen, kommunizieren untereinander und orchestrieren komplexe Abläufe. Unternehmen, die sich frühzeitig mit dieser Technologie auseinandersetzen, können damit Effizienzpotenziale heben, die über klassische Automatisierung weit hinausgehen. Doch der Weg von der ersten Idee bis zur konkreten Anwendung ist alles andere als trivial – und verläuft idealerweise in fünf gut überlegten Schritten.

Schritt 1: Datenlage und Prozessklarheit schaffen

Am Anfang steht die Datenlage. KI-Agenten benötigen strukturierte, aktuelle und konsistente Informationen, um zuverlässig agieren zu können. In vielen Unternehmen sind Daten jedoch fragmentiert, widersprüchlich oder schwer zugänglich. Wer Prozesse automatisieren will, muss deshalb zunächst sicherstellen, dass die zugrundeliegenden Informationen vollständig, normiert und zentral verfügbar sind. Hinzu kommt die Notwendigkeit, bestehende Abläufe transparent zu dokumentieren.

KI kann rechnen, aber nicht begreifen

Studie zeigt: KI-Sprachmodelle wirken klüger, als sie tatsächlich sind

Gerade im Engineering ist das oft eine Herausforderung, denn viele Schritte werden informell oder individuell gelöst – was zwar pragmatisch, aber für eine KI-basierte Automatisierung wenig praktikabel ist. Auch Datenschutz und IT-Sicherheit spielen von Anfang an eine Rolle: Wenn autonome Agenten Entscheidungen treffen oder Daten weitergeben, müssen Zuständigkeiten und Kontrollmechanismen klar in einer sicheren IT-Architektur geregelt sein.

Schritt 2: Einsatzfelder mit hohem Wirkungspotenzial erkennen

Unternehmen, die diese Grundlagen geschaffen haben, stehen vor der nächsten zentralen Frage: Wo lohnt sich der Einsatz? Die Identifikation geeigneter Einsatzbereiche entscheidet maßgeblich über den Erfolg des gesamten Projekts. Studien zeigen, dass gerade repetitive und klar strukturierte Aufgaben die besten Startpunkte bieten. Ein Beispiel: In der Konstruktion benötigen Ingenieurinnen und Ingenieure häufig Tage oder Wochen, um Standardprozesse wie FEM-Analysen oder Modellanpassungen durchzuführen. Agentic AI kann diese Aufgaben in Stunden erledigen – inklusive Softwareauswahl, Parametrisierung und Ergebnisinterpretation.

Der technologische Einstieg gelingt heute häufig über visuelle Low-Code-Plattformen, die auch ohne Programmierkenntnisse bedienbar sind und bestehende Toolchains integrieren. Der Vorteil: Mitarbeiter können vorhandene Prozesse selbst modellieren und weiterentwickeln. Diese Demokratisierung der Automatisierung führt zu einer höheren Akzeptanz und einer schnelleren Skalierung.

Schritt 3: Konkrete Use Cases im Engineering umsetzen

Die technologische Umsetzung allein reicht allerdings nicht aus. Damit KI-Agenten ihr volles Potenzial entfalten können, müssen auch die organisatorischen Voraussetzungen stimmen. Der Mensch bleibt zentrale Instanz – nicht nur als Kontrolle, sondern auch als Impulsgeber, Prozessverantwortlicher und Wissensquelle. Mitarbeiter müssen lernen, mit den Agenten zu interagieren, ihre Ergebnisse zu hinterfragen und ihre Fähigkeiten sinnvoll einzusetzen. Gleichzeitig entstehen neue Rollenprofile, etwa für die Steuerung und Weiterentwicklung von Agentensystemen.

Unternehmen, die diesen Wandel aktiv gestalten, investieren in Schulungen, bauen Governance-Strukturen auf und verankern das Thema in ihrer digitalen Strategie. Je klarer die Verantwortung für die Zusammenarbeit zwischen Mensch und Maschine geregelt ist, desto größer ist die Akzeptanz. Governance umfasst dabei nicht nur Compliance und Ethik, sondern auch die gezielte Steuerung von Automatisierungsprozessen – etwa durch Regeln, wer wann welche Agenten einsetzen darf, wie deren Outputs verifiziert werden und welche Entscheidungen weiterhin dem Menschen vorbehalten bleiben.

Schritt 4: Praktische Probleme im Engineering automatisieren

Im Engineering wird das Potenzial von Agentic AI besonders deutlich – hier treffen datengetriebene Arbeitsweisen, hohe Komplexität und wachsender Zeitdruck aufeinander. KI-Agenten können etwa dabei helfen, Dokumentationen automatisch zu generieren, Anforderungen mit Testfällen zu verknüpfen oder Variantenvergleiche für Konstruktionen durchzuführen. Auch Prozesse wie das Einholen und Bewerten technischer Angebote – etwa im Rahmen von RFQs (Request for Quotation) – lassen sich durch autonome Agenten erheblich beschleunigen.

Kommentar von Dr. Phil Tee, Zscaler

Der Umgang mit KI-Daten neu gedacht

Es gibt einige Prozesstypen, die Ingenieure erheblich Zeit kosten – Aufgaben, die leicht von KI-Agenten übernommen werden können:

• Manuelle und sich wiederholende Prozesse: wie z. B. bei der Anpassung von CAD-Geometrien oder der Erstellung von Analysen

• Schlechte Zusammenarbeit: Durch fehlende Rückmeldungen entstehen Frust und verlangsamte Prozesse – ein echter Innovationskiller

• Unterbrechungen: Die Produktentwicklung erfordert konzentriertes Arbeiten, durch Unterbrechungen wird diese massiv gestört und kann zu Fehlern führen

• Nicht wertschöpfende Aufgaben: Dokumentation, Meetings, die nicht direkt mit dem eigentlichen Produkt zusammenhängen, erfordern Zeit und Kommunikation.

Schritt 5: Multi-Agentensysteme vernetzen und skalieren

Die wirtschaftlichen Vorteile liegen auf der Hand: eingesparte Kosten und Zeit, Qualitätssteigerung und bessere Nachvollziehbarkeit. In wirtschaftlich schwierigen Zeiten kann das ein entscheidender Wettbewerbsvorteil sein – zumal sich Mitarbeiterinnen und Mitarbeiter auf kreative und strategische Aufgaben konzentrieren können. Doch damit nicht genug. In sogenannten Multi-Agentensystemen übernehmen spezialisierte Agenten klar definierte Rollen, stimmen sich untereinander ab und entlasten so ganze Prozessketten. So entstehen digitale Teams, die nach dem Vorbild menschlicher Organisation arbeiten – mit Koordinatoren, Experten und Prüfinstanzen.

Kommentar von Frank Schulz, Precisely

Vertrauenswürdige Künstliche Intelligenz basiert auf vertrauenswürdigen Daten

Technisch gesehen ist das eine Herausforderung, da unterschiedliche Agenten sowohl untereinander als auch mit verschiedenen Software-Umgebungen kommunizieren müssen. Plattformstrategien, offene Schnittstellen und eine modulare Architektur sind daher Grundvoraussetzung. Nur so lassen sich Insellösungen vermeiden und Prozesse wirklich durchgängig automatisieren. Der langfristige Mehrwert liegt nicht allein in der Kostenersparnis, sondern in der Möglichkeit, durchgängige digitale Wertschöpfungsketten zu etablieren – ohne Reibungsverluste zwischen Tools, Teams oder Technologien. Die Erfahrung zeigt: Wer früh mit ersten Pilotanwendungen startet, diese systematisch auswertet und die Ergebnisse konsequent skaliert, kann sich sukzessive ein intelligentes Automatisierungsökosystem aufbauen.

Die nächste Stufe der Transformation ist agentisch

Am Ende steht eine Organisation, die nicht auf starre Automatisierung setzt, sondern auf ein dynamisches, lernendes System – mit dem Ziel, die Effizienz nicht nur kurzfristig zu steigern, sondern langfristig wettbewerbsfähig zu bleiben. KI-Agenten sind kein Allheilmittel. Aber sie sind ein Werkzeug, das – richtig eingesetzt – helfen kann, die immer komplexeren Anforderungen des Marktes mit neuen Mitteln zu bewältigen. Unternehmen, die in der Lage sind, sowohl ihre Prozesse als auch ihre Denkweisen auf diese neue Realität auszurichten, verschaffen sich einen strategischen Vorteil. Denn die nächste Stufe der digitalen Transformation ist nicht mehr nur digital – sie ist agentisch.

(ID:50496016)