Jeder zweite CEO spricht heute über KI-Agenten — nicht mehr als Experiment, sondern als echte Business-Tools zur Automatisierung von Prozessen, zur Arbeit mit Daten und zur Ausführung von Aktionen über verschiedene Systeme hinweg.
Die Technologie dafür existiert bereits. KI-Modelle sind leistungsfähig genug, Frameworks weit verbreitet und die Einführung in Unternehmen nimmt rasant zu. Trotzdem schaffen es viele KI-Agenten-Projekte im Enterprise-Umfeld nicht, echten Business-Mehrwert zu liefern.
Nicht, weil der KI-Agent selbst nicht funktioniert. Sondern weil die Integration dahinter scheitert.
Laut McKinsey gehören fragmentierte Daten- und Integrationsarchitekturen zu den größten Hindernissen bei der Skalierung von KI-Agenten und Agentic Commerce in Unternehmen.
Ein KI-Agent ohne Daten ist nur ein teurer Chatbot
KI-Agenten brauchen Kontext.
Nehmen wir als Beispiel ein Retail- oder E-Commerce-Unternehmen. Damit ein KI-Agent Entscheidungen treffen kann, muss er wissen wer der Kunde ist und welche Historie er hat, wie der aktuelle Status einer Bestellung aussieht, welche Produkte aktuell verfügbar sind, zu welchem Preis und mit welcher Lieferzeit und ob eine Rechnung bereits bezahlt wurde.
Diese Daten liegen typischerweise verteilt in ERP-Systemen, CRM-Plattformen, E-Commerce-Lösungen, WMS-Systemen, Buchhaltungssoftware und anderen Enterprise-Tools — jeweils getrennt voneinander, in unterschiedlichen Formaten und oft mit verschiedenen Aktualisierungsintervallen.
Wenn der KI-Agent nicht über eine einheitliche und konsistente Datenebene auf diese Informationen zugreifen kann, fehlt ihm der notwendige Kontext. Und ohne Kontext trifft selbst das beste KI-Modell schlechte Entscheidungen.
Vier Dinge, die erledigt sein müssen, bevor Sie einen KI-Agenten einsetzen
1. Einheitliche Datenebene (Unified Data Layer)
Ein KI-Agent sollte keine SELECT-Abfragen über sechs verschiedene Datenbanken hinweg ausführen müssen. Er benötigt einen zentralen Ort, an dem Daten vereinheitlicht, aktuell und konsistent sind. Dafür ist nicht zwingend ein vollständiges Data Warehouse notwendig — es kann sich auch um einen Event-Stream, eine Caching-Schicht oder eine gut konzipierte API handeln. Entscheidend ist, dass eine solche Ebene existiert. Ohne sie sieht der KI-Agent nur ein unvollständiges Bild der Realität — und trifft Entscheidungen auf dieser Grundlage.
2. Verbundenes ERP + CRM + E-Commerce
Integration ist keine Option mehr — sie ist essenziell. Ein KI-Agent schafft erst dann echten Mehrwert, wenn er mehr kann, als nur Fragen zu beantworten. Er muss auch in der Lage sein, Aktionen innerhalb von Geschäftssystemen auszuführen. Wenn beispielsweise ein Kunde eine Bestellung ändern möchte, sollte der Agent nicht nur Informationen abrufen. Er sollte außerdem den Bestellstatus prüfen, Daten im ERP aktualisieren, Informationen im CRM synchronisieren und gegebenenfalls den nächsten Schritt innerhalb der E-Commerce-Plattform auslösen.
Anders gesagt: Wenn der Agent nur antwortet, verhält er sich eher wie eine intelligente Suchmaschine. Zu einem echten KI-Agenten wird er erst dann, wenn er sicher mit Enterprise-Systemen interagieren kann. Dafür sind Integrationen erforderlich, die bidirektional, zuverlässig und idealerweise in Echtzeit oder nahezu in Echtzeit funktionieren.
3. API-First-Architektur
Wenn das ERP-, CRM- oder E-Commerce-System keine zuverlässigen APIs bereitstellt, kann der KI-Agent nur über fragile Workarounds auf Daten zugreifen — Lösungen, die in einem PoC funktionieren mögen, in der Produktion jedoch schnell instabil werden.
In der Praxis nutzen die meisten Unternehmen bestehende Enterprise-Systeme und können deren APIs kaum grundlegend beeinflussen. Deshalb gewinnt MCP (Model Context Protocol) zunehmend an Bedeutung als Standard zur Verbindung von KI-Agenten mit Enterprise-Systemen und Tools. MCP fungiert als universelle Integrationsschicht zwischen KI-Agenten und Geschäftssystemen und reduziert die Notwendigkeit individueller Integrationen für jedes einzelne Tool.
Doch selbst mit MCP reicht es nicht aus, dass eine API einfach nur „existiert“. KI-Agenten benötigen zuverlässige und vorhersehbare Schnittstellen — sauber dokumentierte Endpunkte, klare Ein- und Ausgaben, sichere Authentifizierung, Audit-Logs und konsistentes Fehlermanagement.
4. Orchestration Layer
Mehr KI-Agenten, mehr automatisierte Aktionen und mehr Enterprise-Systeme bedeuten auch einen höheren Koordinationsbedarf. Genau dafür gibt es den Orchestration Layer. Er fungiert als Steuerungsebene, die festlegt, welcher KI-Agent eine Aufgabe erhält, in welcher Reihenfolge Aktionen ausgeführt werden, wie Fehler behandelt werden und wo sämtliche Aktionen protokolliert und überwacht werden.
Beispiel:
Ein Kunde sendet eine E-Mail mit einem Foto eines beschädigten Produkts und der Nachricht: „Es ist so angekommen — was soll ich tun?“ Der KI-Agent analysiert das Bild und bewertet die Art des Schadens — ob es sich um einen Transportschaden (beschädigte Verpackung, gebrochenes Produkt), einen Herstellungsfehler oder normalen Verschleiß handelt.
Auf dieser Grundlage entscheidet der Agent, wie der nächste Schritt aussieht: Bei einem Transportschaden ruft er die Bestelldaten und das Tracking ab; bei einem Herstellungsfehler prüft er Kaufdatum und Garantiebedingungen; bei Verschleiß bewertet er, ob der Fall überhaupt noch innerhalb der Reklamationsfrist liegt.
Das Ergebnis kann ein automatisch genehmigter Austausch sein, ein Antwortentwurf mit der Bitte um zusätzliche Informationen (zum Beispiel: „Bitte senden Sie uns zusätzlich ein Foto der Verpackung oder Ihre Bestellnummer“) oder ein Ticket für die Reklamationsabteilung — inklusive bereits vorbereitetem Kontext und Lösungsvorschlag.
Wichtig ist dabei: Weder die Reihenfolge der Schritte noch das finale Ergebnis sind vorab definiert. Der KI-Agent erstellt den Workflow dynamisch — basierend auf dem, was er auf dem Bild erkennt und welche Informationen er schrittweise in den Enterprise-Systemen findet.
Was passiert, wenn die Integration nicht vorbereitet ist?
In einer PoC-Umgebung kann das Projekt sehr vielversprechend wirken. Der KI-Agent beantwortet Fragen, erstellt Zusammenfassungen, ruft Informationen ab und hilft Nutzern dabei, sich in Systemen zurechtzufinden.
Die eigentlichen Probleme zeigen sich meist erst in der Produktion.
Der KI-Agent erhält eine Aufgabe, für die er Daten aus mehreren Systemen benötigt. Zwei Systeme liefern Echtzeitdaten, während das dritte verzögert oder nicht synchronisiert ist. Der Agent trifft dadurch Entscheidungen auf Basis eines unvollständigen Bildes der Realität — obwohl das Problem zunächst nicht sofort sichtbar sein muss.
Ein ähnliches Problem entsteht bei der Ausführung von Aktionen. Der KI-Agent ruft eine API auf und erhält einen Timeout, doch das System definiert nicht eindeutig, was als Nächstes passieren soll.
Soll die Aktion erneut versucht werden?
Soll sie gestoppt werden?
Soll ein Ticket erstellt oder ein Mitarbeiter informiert werden?
Wenn diese Regeln nicht definiert sind, können Aktionen unbemerkt fehlschlagen — ohne Logging, Monitoring oder Benachrichtigungen.
Das ist kein Fehler des KI-Modells selbst. Es ist technischer Integrationsschulden, die sichtbar werden, sobald KI-Agenten mit realen Geschäftsprozessen arbeiten.
Wo sollten Unternehmen anfangen?
Bevor sich ein Unternehmen für ein KI-Framework entscheidet oder einen Vertrag für eine KI-Agenten-Plattform unterschreibt, sollte es zunächst einige praktische Fragen beantworten.
Wissen wir genau, welche Daten der KI-Agent benötigt und wo sich diese Daten befinden?
Falls nicht, besteht der erste Schritt nicht in der Entwicklung eines KI-Agenten, sondern im Mapping der bestehenden Datenarchitektur.
Verfügen wir über APIs für jedes System, mit dem der KI-Agent interagieren muss?
Falls nicht, sollte das Integrationsprojekt vor dem eigentlichen KI-Agenten-Projekt umgesetzt werden.
Ist definiert, was bei Fehlern in jedem einzelnen Schritt passieren soll?
Falls nicht, wird sich der KI-Agent in der Produktion unvorhersehbar verhalten. Und Unvorhersehbarkeit in Geschäftsprozessen wird schnell teuer.
Fazit
KI-Agenten im Enterprise-Umfeld sind nicht nur eine Frage der Wahl zwischen Claude und ChatGPT (Modelle) oder zwischen Anthropic und OpenAI (Anbieter). Ihr tatsächlicher Mehrwert hängt davon ab, wie gut sie mit Unternehmenssystemen, Geschäftsdaten und operativen Prozessen verbunden sind.
Dasselbe gilt für die steigenden Kosten von Tokens und AI-Infrastruktur. Wenn ein KI-Agent bei jeder Aufgabe große Mengen unstrukturierter Rohdaten verarbeiten muss, steigen die Betriebskosten sehr schnell an. Deshalb konzentrieren sich Unternehmen zunehmend darauf, KI-Agenten nur den relevantesten Kontext bereitzustellen und einen Teil der Geschäftslogik in die Integrations- und Orchestrierungsschicht auszulagern — statt alles dem Modell selbst zu überlassen.
Letztlich wird der Erfolg von KI-Agenten im E-Commerce und Enterprise-Umfeld nicht nur von der Intelligenz des Modells abhängen. Entscheidend wird die Qualität der Integrationsarchitektur sein, die es KI-Agenten ermöglicht, präzise, sicher und skalierbar in realen Geschäftsprozessen zu arbeiten.
