Agentic AI: Ohne Datenbasis läuft nichts

KI-Agenten, die nicht nur Texte erzeugen oder Analysen unterstützen, sondern ganze Prozessketten eigenständig steuern: Agentic AI gilt als nächste große Automatisierungsstufe. Doch wo steht die Branche tatsächlich? Die aktuelle Lünendonk-Studie zu Data & AI Services zeigt auf den ersten Blick einen nüchternen Befund: Das meiste Geld fließt nicht in sichtbare Anwendungsfälle, sondern in die Grundlagen.

35,1 Prozent der Projektumsätze der untersuchten Data-&-AI-Dienstleister entfallen auf Dateninfrastruktur und -integration. Dahinter folgen Business Intelligence und Reporting mit 17,3 Prozent sowie Datenstrategie und Data Governance mit 13 Prozent. Generative-AI-Projekte liegen mit 10,4 Prozent deutlich darunter.

Diese Verteilung ist kein Dämpfer für Agentic AI. Sie zeigt vielmehr, welche Vorarbeit nötig ist, damit KI-Agenten überhaupt produktiv werden können. Moderne Datenplattformen, klare Governance-Strukturen und hohe Datenqualität gelten als Voraussetzung für erfolgreiche KI-Nutzung. Gleichzeitig zeigt sich Nachholbedarf: Nur 62 Prozent der befragten Unternehmen verfügen über ein einheitliches Datenmanagement, 77 Prozent haben eine unternehmensweite Datenstrategie etabliert.

Warum KI-Agenten mehr als gute Modelle brauchen

Für einzelne KI-Anwendungen kann eine schwache Datenbasis schon heute zum Problem werden. Bei Agentic AI wird sie noch kritischer. KI-Agenten sollen nicht nur auf eine einzelne Anfrage reagieren, sondern ihre Umgebung wahrnehmen, Ziele verfolgen, mit anderen Systemen oder Agenten zusammenarbeiten und ganze Prozessketten automatisieren.

Genau dort zeigen sich die Hürden. In der Management Summary der Studie nennen 91 Prozent der befragten Unternehmen einen Mangel an Expertinnen und Experten für Betrieb und Skalierung von AI-Lösungen. 88 Prozent sehen unzureichende technologische Voraussetzungen, 82 Prozent regulatorische Unsicherheiten und 74 Prozent unklare Verantwortlichkeiten als Herausforderungen bei der Skalierung produktiver AI-Anwendungen.

Damit wird Agentic AI weniger zu einer reinen Technologiefrage als zu einer Plattform- und Betriebsfrage. Wer autonome Prozessketten aufbauen will, muss klären, welche Daten genutzt werden, wer Verantwortung trägt, wie Modelle überwacht werden und wann Menschen eingreifen. Ohne diese Antworten bleibt der Agent schnell ein guter Pilot, aber kein belastbarer Teil des Betriebs.

Governance von Beginn an

Wer Agentic AI produktiv einsetzen will, kann Governance nicht ans Ende des Projekts schieben. Bei autonomen Prozessketten reicht es nicht, ein Modell zu entwickeln und später Regeln darum herum zu bauen. Verantwortlichkeiten, Sicherheitsanforderungen, Datenzugriffe und Freigabeprozesse müssen von Beginn an Teil der Architektur sein.

Das zeigt sich auch in den Erwartungen an Dienstleister. Laut Lünendonk wünschen sich 81 Prozent der befragten Kundenunternehmen Unterstützung bei AI-Ethik, Compliance und regulatorischen Anforderungen. Gefragt ist also nicht nur technologische Tiefe, sondern auch die Fähigkeit, KI-Systeme erklärbar, überprüfbar und regelkonform in Organisationen einzubetten.

Für Agentic AI ist das besonders relevant. Je eigenständiger Systeme Aufgaben übernehmen, desto wichtiger wird natürlich auch die Frage, wann sie handeln dürfen, welche Daten sie nutzen, wie Entscheidungen dokumentiert werden und wo menschliche Kontrolle greifen muss. Vertrauen entsteht nicht durch ein gelungenes Pilotprojekt, sondern durch nachvollziehbare Regeln im Betrieb.

Schulungen sind wichtig

Technik, Daten und Governance allein reichen nicht aus. Wenn Mitarbeitende KI-Agenten nutzen oder in bestehende Abläufe einbinden sollen, brauchen sie ein gemeinsames Verständnis dafür, was die Systeme leisten können und wo ihre Grenzen liegen.

Auch hier liefert die Studie einen klaren Hinweis: 90 Prozent der befragten Kundinnen und Kunden erwarten von Dienstleistern Schulungsangebote zur Förderung einer datengetriebenen Unternehmenskultur. Das zeigt, dass Agentic AI nicht nur ein Thema für IT-Architektur und Betrieb ist. Die Systeme müssen in den Alltag der Organisation übersetzt werden.

Für Unternehmen wird damit entscheidend, ob sie neben Plattformen und Governance auch Anwendungskompetenz aufbauen. Mitarbeitende müssen wissen, wann ein KI-Agent hilfreich ist, wann Ergebnisse überprüft werden müssen und wann ein Prozess besser nicht automatisiert wird. Erst dann wird aus technischer Automatisierung eine belastbare Arbeitsweise.