KI-Agenten stehen vor dem Sprung vom Pilotprojekt in den produktiven Einsatz. Ob dieser gelingt, entscheidet sich jedoch nicht allein an der Technologie. Datenqualität, Governance, Regulierung und tragfähige Betriebsmodelle werden zu zentralen Voraussetzungen für die Skalierung.
Die Lünendonk-Studie „Agentic AI: vom Copiloten zum Autopiloten“, entstanden in Zusammenarbeit mit Sopra Steria, zeigt den aktuellen Reifegrad deutscher Unternehmen. Im Interview ordnet Martin Stolberg, Head of AI bei Sopra Steria, die Ergebnisse ein und erläutert, warum regulierte Märkte beim verantwortungsvollen Einsatz von KI-Agenten eine Vorreiterrolle übernehmen können
Sopra Steria im Interview mit Lünendonk
Agentic AI in regulierten Märkten:
Governance als Wettbewerbsvorteil
KI-Agenten stehen in den meisten Unternehmen noch am Anfang – doch der Hochlauf
kommt. Martin Stolberg, Head of AI bei Sopra Steria, erklärt, warum gerade regulierte
Branchen wie Financial Services trotz hoher Compliance-Anforderungen zu den Vorreitern
beim Einsatz agentischer KI gehören könnten. Entscheidend ist dabei nicht allein die
Technologie, sondern ein belastbares Zusammenspiel aus Data Governance, AI-Betriebsmodell
und klaren Verantwortlichkeiten. Denn wer KI-Agenten skalieren will, muss auch Token-Kosten,
Datenqualität und den Aufbau souveräner Modellstrategien konsequent mitdenken.
Martin Stolberg, Head of AI, Sopra Steria
Die große Mehrheit der Studienteilnehmer steht noch am Anfang ihrer KI-Transformation: 52 Prozent führen erste Pilotprojekte und PoCs durch. Immerhin 4 von 10 haben KI in einzelnen Geschäftsbereichen bereits im Einsatz. Wenn Sie auf die Kunden von Sopra Steria schauen, können Sie uns einen Einblick geben, wie viele KI-Agenten bereits effektiv nutzen?
Martin Stolberg: Wie stark Unternehmen KI-Agenten
nutzen, hängt vom allgemeinen KI-Reifegrad in einem
Unternehmen ab sowie dessen Größe. Aktuell sehen wir
zwei klare Schwerpunkte: den Einsatz im Frontend für den
Kundenservice und die Softwareentwicklung.
Man muss aber einordnend festhalten, dass die Gesamtzahl
produktiv eingesetzter KI-Agenten derzeit noch gering
ist.
Die Gründe: Viele Unternehmen benötigen noch mehr
Erfahrungen in klar abgegrenzten Einsatzszenarien. Hinzu
kommen hohe interne und aufsichtsrechtliche Compliance-
Anforderungen.
Gerade in regulierten Branchen liegt die Messlatte für den
produktiven Einsatz von KI-Agenten zurecht hoch. Das bremst
die Verbreitung zwar, sorgt aber auch dafür, dass Lösungen
nachhaltig und verantwortungsvoll eingeführt werden.
Sopra Steria hat einen starken Footprint im Financial-
Services-Sektor – einem Bereich mit hohen regulatorischen
Anforderungen. Laut Studie bremsen unklare
Haftungsfragen und regulatorische Anforderungen
bei mehr als 80 Prozent der befragten Unternehmen
die Einführung von KI-Agenten. Wie gehen Banken
und Versicherer damit um, um trotzdem von der KIInnovationskraft
zu profitieren?
Martin Stolberg: Finanzdienstleister sind derlei Hürden
schlichtweg gewohnt. Sie stehen auch ohne KI unter permanentem
Veränderungsdruck. Die Technologie wirkt dabei
weniger als eigenständiger Trend, sondern vielmehr als zusätzlicher
Beschleuniger. Gleichzeitig gehören Financial
Services zu den Geschäftsfeldern, in denen der Einsatz von
KI besonders intensiv diskutiert und vorangetrieben wird. Ein
gutes Governance Framework ist hier ein Beschleuniger: Klare
Regeln und Zuständigkeiten helfen, neue Anwendungsfälle
schnell produktiv zu bringen.
Ein Beispiel ist die Finanzberatung: Die Branche versucht seit
rund zehn Jahren Robo-Advisor im Retail-Banking zu etablieren
– bislang mit eher bescheidenem Erfolg, auch weil die
Häuser nachweisen müssen, wie Beratungsergebnisse zustande
kommen. Das hat sich mit den heutigen Sprachmodellen
und agentischen Systemen nicht geändert.
Unsere Erfahrung ist, dass Banken und Versicherer die
neuen KI-Vorschriften wie den EU AI Act und den strengeren
Blick der BaFin auf das Thema AI Governance nicht als
Innovationsbremse verstehen. Vielmehr arbeiten sie daran,
regulatorische Anforderungen von Beginn an in ihre KI-Strategien
zu integrieren. Der Fokus liegt darauf, Innovation
und Compliance zusammenzubringen und die anstehenden
Veränderungen aktiv zu gestalten, statt auf sie zu reagieren.
Während 80 Prozent der Unternehmen angeben, aktuell
noch keine KI-Agenten im Einsatz zu haben oder nur
erste Pilotprojekte verfolgt werden, soll der produktive
Einsatz von KI-Agenten in den nächsten zwei Jahren
stark vorangetrieben werden. Wo sehen Sie die größten
Anknüpfungspunkte und Einsatzmöglichkeiten bei Ihren
Kunden?
Martin Stolberg: Aktuell sehen wir, dass Unternehmen
zunächst dort ansetzen, wo sich KI-Agenten mit überschaubarem
Risiko und klaren Kontrollmechanismen einsetzen
lassen. Dazu gehören beispielsweise Kundeninformationen,
IT-Service- und Ticketsysteme oder die Unterstützung der
Softwareentwicklung in klar abgegrenzten Anwendungsfällen.
Cyber Security ist ebenfalls interessant, weil Phishingund
Hacking-Angriffe heute hoch industrialisiert mithilfe
von Agentic AI durchgeführt werden. Bedrohungslagen
und Angriffsvektoren verändern sich immer schneller und
Unternehmen müssen ebenso schnell reagieren und Angriffe
mit ähnlicher Tech-Kompetenz abwehren. Nicht zu unterschätzen
ist dabei die Security Awareness: Viele Mitarbeitende
nutzen KI-Werkzeuge und agentische Funktionen eigenständig
im Arbeitsalltag, teilweise unreguliert, als Schatten-AI.
Unternehmen müssen solche Nutzungen in geordnete und
sichere Strukturen überführen.
Der erfolgreiche Einsatz von KI-Agenten hängt somit nicht allein
von der Technologie ab. Entscheidend sind belastbare AIGovernance-
Strukturen und ein passendes KI-Betriebsmodell,
das Verantwortlichkeiten, Kontrollmechanismen und den sicheren
Betrieb regelt. Erst auf dieser Grundlage lassen sich
KI-Agenten schrittweise in produktive Prozesse integrieren
und ihr Potenzial nachhaltig nutzen.
Fast alle befragten Unternehmen nennen eine unzureichende
Datenqualität und -verfügbarkeit als große
Hürde bei der Einführung von KI-Agenten. Welche
Voraussetzungen an die Erhebung, das Management
und die Verfügbarkeit von Daten sind erforderlich,
damit KI-Agenten überhaupt erfolgreich eingeführt
werden und effizient arbeiten können?
Martin Stolberg: An dem Dreiklang Datenqualität, Datenverfügbarkeit
und Zugriffskontrolle beißen sich Unternehmen
seit Jahren die Zähne aus. Und die Strategien verändern sich
regelmäßig. Vor dem Big-Data-Zeitalter war das zentrale
Data Warehouse der heilige Gral, danach unstrukturierte
Daten im Data Lake. Heute, im KI-Zeitalter, werden Ansätze
wie Data Mesh favorisiert, die Zugänge zu strukturierten und
unstrukturierten Daten herstellen können und historische
Bestände sowie Echtzeitdaten aus diversen Datenquellen hinzuziehen.
Ein wichtiger Zwischenschritt zur Datennutzbarkeit
sind Knowledge Graphen, die Wissenszusammenhänge vorstrukturieren.
Damit sichern sie konsistente Ergebnisse und
senken nebenbei deutlich den Token-Verbrauch.
KI-Agenten wirken somit wie ein Brennglas und machen
altbekannte Probleme bei der Datenbasis besonders sichtbar.
Der große Hebel für stets aktuelle, konsistente und
verarbeitbare Daten sowie nachvollziehbare Ergebnisse
der Datenverarbeitung ist ein unternehmensweit gültiges
und gelebtes Regelwerk. Eine Data Governance regelt den
Umgang mit Daten, und Unternehmen können darlegen,
auf welcher Datengrundlage und mit welchen KI-Modellen
Entscheidungen oder Handlungsempfehlungen entstanden
sind. Diese Transparenz ist eine zentrale Voraussetzung für
den produktiven Einsatz von KI-Agenten.
Mit zunehmender Skalierung von KI-Agenten rückt ein
oft noch unterschätzter Kostenfaktor in den Vordergrund:
Token-Kosten, die je nach Modell, Kontextlänge
und Anfragevolumen schnell in erhebliche Größenordnungen
wachsen können. Wie erleben Sie bei Ihren
Kunden das Bewusstsein für Token-Kosten – und welche
Ansätze zur besseren Steuerung und Effizienzoptimierung
werden diskutiert?
Martin Stolberg: Das Bewusstsein für Token-Kosten ist
bei vielen Unternehmen inzwischen deutlich ausgeprägt.
Wir stecken mitten in einer Umbruchphase. Während in der
Vergangenheit häufig pauschalierte Nutzungsmodelle im
Vordergrund standen, setzen Anbieter zunehmend auf variable,
nutzungsabhängige Kostenmodelle. Unternehmen
werden sich also mit ihren Token-Budgets auseinandersetzen
müssen. Wir erleben zudem eine Tendenz zum Prinzip der
„Token Frugality“, also wie KI-Anwendungen so gestaltet werden
können, dass sie mit möglichst wenig Tokens trotzdem
den gewünschten Nutzen erzielen.
Gleichzeitig beobachten wir eine zunehmende Differenzierung
bei der Modellauswahl. Open-Source-Modelle spielen bislang
noch eine eher untergeordnete Rolle, da viele Unternehmen
auf die integrierten KI-Umgebungen großer US-Anbieter gesetzt
haben. Allerdings eröffnen auch diese Plattformen inzwischen
zunehmend den Zugang zu Open-Source-Modellen,
wodurch sich die Auswahlmöglichkeiten erweitern.
Am Ende geht es nicht darum, Token-Kosten isoliert zu
minimieren, sondern den passenden Ausgleich zwischen
Kosten, Leistung und konkretem Nutzen für den jeweiligen
Anwendungsfall zu finden.
Die meisten Unternehmen nutzen aktuell proprietäre
KI-Modelle von OpenAI, Anthropic und Co. oder den
Hyperscalern. Welche Erwartungen haben Sie an Open-
Source basierte Modelle, wie diese in Zukunft zum
Einsatz kommen?
Martin Stolberg: Open-Source-Modelle werden eine
immer größere Rolle spielen. Entscheidend ist dabei die
Frage, ob ein Modell offen oder proprietär ist und wie es sich
in zentralen Leistungsdimensionen schlägt.
Dazu gehören die Qualität der Ergebnisse, die
Nachvollziehbarkeit der Trainingsdaten, Mehrsprachigkeit,
Multimodalität sowie Anforderungen an Rechenleistung und
Energieverbrauch.
Neben der Benchmark-Fähigkeit rücken Fragen der
Souveränität in den Fokus, etwa wo ein Modell betrieben
wird und auf welcher Datengrundlage es trainiert wurde. Der
Markt wird sich weiter segmentieren. Anstatt eines Modells
für alle Aufgaben werden sich voraussichtlich spezialisierte
Modelle für unterschiedliche Anwendungsbereiche etablieren,
beispielsweise für europäische Sprachen, für Bild-, Videooder
Audiodaten oder für domänenspezifisches Fachwissen.
Unternehmen werden je nach Anwendungsfall entscheiden,
welches Modell hinsichtlich Qualität, Kosten, Souveränität
und technischer Anforderungen am besten geeignet ist.
80 Prozent der Studienteilnehmer geben an, dass infolge
steigender Anforderungen an Architektur, Orchestrierung
und Governance von KI-Agenten die Zusammenarbeit
mit IT-Dienstleistern an Bedeutung gewinnt.
Nehmen Sie das bereits wahr und wie stellen Sie sich
darauf ein?
Martin Stolberg: Ja, das nehmen wir bereits deutlich
wahr. Gerade KRITIS-Betreiber und stark regulierte Branchen
diskutieren intensiv darüber, wie sie sich technologisch und
organisatorisch für die kommenden Jahre aufstellen wollen.
Mit zunehmender Bedeutung von KI wachsen auch die
Anforderungen an Architektur, Governance und den operativen
Betrieb entsprechender Lösungen. Außerdem sind KIbezogene
Anforderungen immer häufiger Bestandteil von Ausschreibungen.
Das betrifft sowohl Softwarelösungen als auch
die Integration von KI in bestehende Prozesse und Systeme.
Wir richten unser Leistungsportfolio an den unterschiedlichen
Anforderungen und Rahmenbedingungen unserer
Kunden aus und kombinieren Technologie-, Regulatorikund
Umsetzungskompetenz. Besonders stark sehen wir
diese Entwicklung aktuell im Public Sector. Öffentliche
Ausschreibungen gewinnen weiter an Bedeutung und auch
die KI spielt dabei zunehmend eine zentrale Rolle. Insgesamt
spüren wir, dass die Nachfrage nach KI-bezogenen Leistungen
und Lösungen deutlich zunimmt.
Mehr zum Thema
Was Unternehmen jetzt für den Einsatz von KI-Agenten vorbereiten müssen, zeigen die zentralen Ergebnisse der Studie in unserer Pressemeldung.
Jetzt die Studie herunterladen: