KI-Agenten: „Zu glauben, man brauche keine Junior-Developer mehr, ist kurzsichtig“

Wenn es ein KI-Thema gibt, das aktuell so richtig heiß diskutiert wird, dann sind es KI-Agenten (AI-Agents). So intensiv das Thema derzeit aber besprochen wird, so viele Unklarheiten gibt es darum: Ab wann kann man wirklich von einem Agenten sprechen? Wie setzt man sie um und wie setzt man sie ein? Und wie zuverlässig sind sie?

Antworten auf diese Fragen kann Bivek Sharma geben. Er ist Chief AI Officer für PwC UK und EMEA AI Leader. Er verantwortet die Entwicklung und Umsetzung der KI-Strategie von PwC. Er leitet KI-Transformationsprojekte mit wichtigen Kunden und arbeitet mit CEOs an KI-getriebenen Geschäftsmodellen. Kürzlich war Sharma auf der TEDAI Vienna, wo er auf einem Panel zum Thema KI-Agenten diskutierte.

brutkasten: KI‑Agenten sind gerade ein großes Thema. Alle reden darüber, aber oft ist unklar, wovon eigentlich gesprochen wird. Was also sind Agents genau und wie grenzen sie sich beispielsweise von Chatbots ab?

Bivek Sharma: Eine hilfreiche Abgrenzung ist, zuerst klar über Chatbots zu sprechen. Viele verwechseln das. Ein Unternehmen sagt etwa: „Wir haben einen HR‑Agenten entwickelt“, hat aber in Wahrheit Personalrichtlinien in ein System geladen, eine KI‑Schicht darüber gelegt und beantwortet damit Fragen. Das ist ein Chatbot: Er liest große Mengen von Informationen, extrahiert Daten, fasst zusammen und liefert Auskunft. 

Ein Agent geht einen Schritt weiter – er erledigt Aufgaben. Er greift auf unterschiedliche Datenquellen zu, besucht Websites, trägt Informationen in Systeme ein, rechnet etwas aus und bringt Ergebnisse zurück. Er kann sogar mit anderen KI-Agenten interagieren. Denken Sie an einen Kundenservice‑Mitarbeiter: Der springt zwischen mehreren Systemen hin und her, recherchiert und dokumentiert. Ein Agent tut genau das: Er handelt und führt Arbeitsschritte aus, die sonst Menschen erledigen.

Nehmen wir ein konkretes Beispiel: Wenn ich ein Tool aufgesetzt habe, in das Mitarbeiter:innen Rechnungen hochladen und ein Large Language Model (LLM) diese dann analysiert und entscheidet, welche Abteilung die Rechnung freigeben muss – ist das ein Agent?

Bevor man etwas als „Agent“ einstuft, sollte man prüfen, ob das System wirklich dynamische Entscheidungen trifft. Wenn der Prozess komplett linear ist – Schritt 1, dann Schritt 2, dann Schritt 3 – ist das nicht agentisch. Ein Agent würde etwa erkennen: „Dieser Rechnung fehlt eine Angabe, ich muss einen Zwischenschritt einfügen, Informationen einholen und dann weitermachen.“ Oder: „Ich muss klären, wie diese Rechnung zu besteuern ist und dafür externe Informationen heranziehen.“ 

Es geht um Entscheidungen und die Frage: „Was ist der nächste sinnvolle Schritt?“ Gibt es nur genau einen möglichen Ausgang – z.B. Rechnung kommt rein, landet immer hier, dann immer dort – dann ist das eher klassische Automatisierung als ein agentischer Ablauf. KI-Agenten treffen abgestufte Entscheidungen und verwenden Urteilsvermögen innerhalb definierter Grenzen.

Wie setzt man so einen KI-Agenten in der Praxis um?

Bei unternehmensweiten, agentischen Frameworks wird es schnell komplex, vor allem im B2C‑Umfeld mit Hunderttausenden oder Millionen von Nutzern. Dann braucht es eine robuste Architektur: Wie viele Menschen interagieren mit dem Agenten? Wie viele Workflows laufen parallel? Wie stelle ich sicher, dass das Ganze kosteneffizient und ohne spürbare Latenz arbeitet – und die Ergebnisse richtig sind, ohne Reputationsrisiken? 

Meist landet man deshalb bei einem tragfähigen Fundament auf der bevorzugten Cloud – etwa AWS oder Azure, mitunter auch Multi‑Cloud. Viele unterschätzen die verborgenen Baustellen. Unternehmen entwickeln derzeit viele punktuelle Lösungen: hier Copilot, dort etwas auf Google Cloud Platform (GCP), daneben eine maßgeschneiderte Eigenlösung. 

So entsteht eine Proliferation von KI-Agenten auf unterschiedlichen Frameworks. Wie hält man das aktuell? Wie überwacht man sie? Deshalb raten wir oft zu einem einheitlichen Rahmen, zum Beispiel einem Cloud‑AI‑Stack, der von Anfang an Skalierung ermöglicht.

Ein wichtiges Thema ist Identität. Häufig muss man einen Agenten wie einen Mitarbeiter behandeln: mit klaren Berechtigungen, Bearer‑Tokens und Zugriffsrechten auf die relevanten Anwendungen und Daten. Er handelt in Systemen, verwendet dabei – wo erforderlich – die Anmeldeinformationen des jeweiligen Mitarbeiters und kommuniziert sicher mit anderen Diensten. Ohne diese Infrastruktur produziert man „technical debt“: Viele Insellösungen wirken kurzfristig praktisch, kosten aber in zwei Jahren bei Reverse‑Engineering und Re‑Plattforming enorm viel.

Unternehmen sind letztlich für das Handeln ihrer KI-Agenten verantwortlich und fragen sich daher auch oft, wie vertrauenswürdig die Ergebnisse sind. In manchen Fällen könnte man in Situationen kommen, in denen das Unternehmen für fragwürdige Entscheidungen eines Agenten Konsequenzen zu spüren bekommen bis hin zu Haftungsfragen. Wie damit umgehen?

Da gibt es zwei Ebenen. Erstens das Design: Agenten müssen strikt auf ihren Auftrag ausgerichtet sein und klar definierte Datenquellen nutzen. Wenn ein Agent zum Rechnungsverarbeiten gedacht ist, aber zu offen gebaut wurde, kann ihn plötzlich jeder zu allem befragen – und er driftet mit einem offenen LLM vom eigentlichen Zweck ab. Das ist schlechtes Design. Gute Governance heißt: den Output präzise definieren, die zulässigen Eingaben und Antwortmuster einschränken, die Parameter schrittweise verengen und so den Aufgabenbereich verlässlich eingrenzen.

Zweitens der Betrieb: Beobachtbarkeit und Monitoring. Ein Agent kann tausende Aufgaben parallel ausführen – oder man hat gleich tausende Agenten im Einsatz. Man muss in Echtzeit sehen, was passiert: Wie viele Tokens verbrauchen sie? Wo liegen Fehlerraten? Beispiel Schadensregulierung: Wenn Agenten plötzlich jede Forderung durchwinken, muss man das sofort erkennen, stoppen und korrigieren können. 

Dazu gehört auch, das richtige Modell für die jeweilige Aufgabe zu wählen. Kosten und Rechenaufwand können massiv werden – auf der Konsumentenseite laufen manche Workflows 200.000 oder 300.000 Mal am Tag. Architektur, Modellwahl und Ablauf müssen Qualität, Latenz und Kosten gleichzeitig im Griff behalten.

Genauso wichtig ist die Einführung: Der Markt drängt auf Vollautonomie, aber nicht jedes Unternehmen ist dafür bereit. Oft startet man besser mit „Human‑in‑the‑Loop“ – der Agent arbeitet Seite an Seite mit den Mitarbeitenden. So werden Problemstellen sichtbar, die man im Design nicht vorhergesehen hat. Danach kann man teilautonom arbeiten und die heikleren Entscheidungen mit höherem Risiko beim Menschen belassen. Erst wenn das System gereift ist und die Guardrails sitzen, wird vollständige Autonomie ein Thema. Kurz gesagt: erst richtig bauen, dann sicher ausrollen.

Künstliche Intelligenz hat sich in den vergangenen drei Jahren auf der Technologie-Seite rasant entwickelt. Wenn man aber in Unternehmen reinhört, sind die Ergebnisse oft weniger spektakulär. Da landet man oft bei POCs oder bei kleinen Workflow-Automationen – weit entfernt von dem, was möglich wäre. Woran scheitert die Umsetzung?

Häufig beginnt es im C‑Level damit, die Fähigkeiten von KI in die eigene Geschäftswirklichkeit zu übersetzen. Viele wissen: Das wird wichtig und durchdringend – aber die Brücke ins eigene Unternehmen fehlt. Unsere Gespräche starten daher oft strategisch: In welcher Branche agieren Sie? Wo droht Disruption? Wie verändern sich Geschäftsmodelle? Was bedeutet das für Backoffice, Off‑/Onshoring‑Entscheidungen und die Belegschaft? Fehlt diese Klarheit, entsteht rasch FOMO: Man sammelt Referenzen, baut punktuelle Use Cases. Das ist nicht per se schlecht – Experimente sind gut – aber ohne Struktur wird es nicht strategisch.

Fokus entsteht dort, wo man den Zeitpunkt nicht selbst steuern kann: Wenn gut finanzierte Scaleups in den Markt drängen oder der Wettbewerber sein Modell gerade dreht, lautet die Priorität, das eigene Geschäft zu schützen, die Wettbewerbsvorteile zu stärken oder Marktanteile zu gewinnen. Natürlich gibt es auch Produktivitätsdruck – Investoren erwarten bessere EBITDA‑Werte, niedrigere Kosten. Aber am stärksten bündeln Unternehmen ihre Kräfte dort, wo sie jetzt handeln müssen.

Stichwort Scaleups. Wird agentische KI dazu führen, dass sehr schlanke Startups mit kleinen Teams Leistungen erbringen, für die heute große Teams nötig sind?

Es gibt zwei Richtungen. In manchen Branchen – Content, Musik, Grafik – demokratisiert KI die Produktion. Einzelne oder KMU können über immer leistungsfähigere Plattformen Angebote schaffen, die früher großen Firmen vorbehalten waren. Das führt zu echter Disruption von unten. Umgekehrt investieren große Unternehmen, schaffen überlegene Nutzererlebnisse und verdrängen kleinere Anbieter – etwa, wenn man an Amazon und den Einzelhandel denkt oder Uber und klassische Taxi-Dienste. Beides passiert. Man kann Sektor für Sektor durchgehen und sehen, in welche Richtung die Verwerfungen wahrscheinlicher sind.

Beim Ausrollen von KI-Projekten zählen nicht nur technische Aspekte, sondern auch der Faktor Mensch. Gibt es Widerstände aus Angst vor Jobverlust? Wie führt man als verantwortliche Führungskraft durch so eine Transformation?

Bestehende Strukturen können Fortschritt blockieren – aus Bequemlichkeit, nach dem Motto „Wir machen das seit Jahren so“ oder aus Abwehr. Nach unserer Erfahrung ist die Trägheit oft das größere Hindernis. Die „Gen Z“ und viele Junior‑Talente sind dagegen sehr aufgeschlossen. Sie sind mit Sprachmodellen groß geworden und erwarten KI‑gestützte Arbeitsumgebungen.

In großen, reifen Organisationen geht es um Transformationsprogramme, Change‑Management und eine Kultur, die Experimentieren erlaubt. Gleichzeitig braucht es manchmal einen radikalen Ansatz: Wir stellen eigenständige, vom Kerngeschäft abgeschirmte Teams auf, die wie Scaleups denken und bestehende Geschäft aus Kundensicht neu entwerfen – mit der Frage: „Wie sähe das mit weißem Blatt Papier aus?“ So kommt man schneller zum künftigen Modell als über schrittweise Evolution.

Einige Unternehmen finanzieren solche neuen Modelle sogar bewusst, obwohl sie das bestehende Geschäft kannibalisieren, und lassen beide nebeneinander laufen. Man sieht dann, wie das alte Modell an Relevanz verliert, während das neue gewinnt. Hätte Blockbuster seinerzeit parallel ein Streaming‑Geschäft aufgebaut und laufen lassen, wäre die Wertschöpfung wohl ganz anders ausgefallen – aber so etwas ist innerhalb gewachsener Hierarchien schwer umzusetzen.

Apropos Juniors. Im Bereich der Software-Entwicklung gehen ja manche davon aus, dass durch KI-Agenten die klassischen Junior-Rollen wegfallen werden – weil Senior Developer Agenten für die Dinge einsetzen, die bisher Juniors gemacht haben. Ist das überzeugend?

Nein. Dieses Argument setzt voraus, dass sich Rollen nicht verändern. Es sagt im Grunde: „Was ein Junior heute tut, bleibt unverändert – also ersetzen wir das durch Code‑Generierung.“ Richtig ist das Gegenteil: Man muss die Rolle neu denken. Ein Junior sollte künftig Aufgaben übernehmen, die heute eher Mid‑Level sind – Architektur‑Fragmente, kreatives Zusammenbauen, schnelles Umsetzen mit Code‑Gen‑Tools. Es geht um veränderte Erwartungen, nicht um Wegfall. 

Das gilt auch bei uns: Eine Associate‑Rolle im ersten Jahr sieht mit den neuen Werkzeugen anders aus. Recherche und Routine gehen schneller; also trainieren wir darauf, zwei Jahre „vorzuziehen“. Wir rekrutieren weiter – nur mit anderen Profilen und Aufgabenzuschnitten. Zu glauben, die Rollen blieben gleich und deshalb brauche man keine Juniors mehr, ist kurzsichtig.