EU-KI-Kapitel: Agentische KI im Unternehmen

Hintergrund

Am 14. Oktober 2026 hat OpenAI eine Analyse zur KI-Nutzung in Unternehmen der Europäischen Union veröffentlicht. Die zentrale These lautet: Das nächste Kapitel der KI in der EU ist agentisch. Agentische KI wächst demnach schnell, und zwar sowohl in großen Konzernen als auch in kleinen und mittleren Betrieben. Die Analyse benennt außerdem Bereiche, in denen eine tiefere Nutzung zusätzlichen Wert freisetzen könnte.

Unter agentischer KI versteht man ein System, das ein Ziel erfasst, es in einzelne Schritte zerlegt, Softwarewerkzeuge aufruft und mehrstufige Aufgaben über mehrere Systeme hinweg abschließt. Das unterscheidet sich vom frühen Chat-Muster, bei dem eine Person eine Frage stellt und das Modell antwortet. Eine Chat-Antwort liefert Text, den ein Mensch erst noch umsetzen muss. Ein Agent erledigt die Arbeit selbst. Der Mensch legt das Ziel fest und prüft das Ergebnis.

Der Wert der Analyse liegt in ihrem Blickwinkel. Sie richtet die Aufmerksamkeit von der Leistungsfähigkeit der Modelle auf die tatsächliche Einführung in den Unternehmen. Sie erfasst zudem zwei sehr verschiedene Gruppen: ressourcenstarke Großunternehmen und kleine Betriebe mit begrenzten Mitteln. Eine Einschränkung gehört dazu. Die öffentliche Zusammenfassung nennt keine konkreten Statistiken. Aussagen zur Größe des Wachstums beschreiben deshalb nur einen Trend, keine gemessene Rate.

Tiefenanalyse

Warum schafft agentische KI einen anderen Unternehmenswert als generative KI? Agentische KI verändert die Organisation eines Arbeitsablaufs, während generative KI meist einzelne Aufgaben beschleunigt. Typische Gewinne generativer KI entstehen beim Entwerfen einer E-Mail, beim Zusammenfassen eines Dokuments oder beim Schreiben eines Code-Blocks. Diese Gewinne sind real, haben aber eine Obergrenze, weil die Übergaben zwischen den Schritten weiterhin von Menschen abhängen. Ein Agent kann diese Übergaben entfallen lassen. Ein Kundenservice-Agent liest ein Ticket, fragt das Bestellsystem ab, prüft die Erstattungsregeln, löst die Rückzahlung aus und schreibt den Vorgang zurück. Ein Finanz-Agent gleicht Konten ab, markiert auffällige Rechnungen und entwirft einen Berichtsentwurf. Diese Aufgaben haben drei Merkmale gemeinsam: mehrere Systeme, mehrere Schritte und an jeder Stelle eine kleine Ermessensentscheidung. Drei technische Fähigkeiten müssen dafür gleichzeitig reifen. Erstens braucht es Schlussfolgern und Planen im Modell. Zweitens müssen externe Werkzeuge zuverlässig aufgerufen werden. Drittens muss das System über lange Aufgaben hinweg den Kontext halten und Fehler korrigieren. Die Zuverlässigkeit ist der schwierigste Punkt. Selbst bei hoher Genauigkeit pro Schritt summieren sich Fehler, je mehr Schritte eine Aufgabe hat. Unternehmen interessieren sich deshalb weniger für beeindruckende Demos als für die Abschlussquote von Aufgaben, die Nachvollziehbarkeit und einen Rückweg nach einem Fehler.

Damit erklärt sich, warum die Analyse die tiefere Nutzung betont. Oberflächliche Nutzung behandelt den Agenten wie einen klügeren Assistenten. Tiefe Nutzung verlangt, dass das Unternehmen seine Prozesse beschreibt, Systemschnittstellen öffnet und Berechtigungsgrenzen festlegt. Das ist organisatorische Ingenieursarbeit. Der Kauf eines einzelnen Werkzeugs ersetzt sie nicht.

Branchenwirkung

Der EU-Markt hat mehrere Besonderheiten, die die Verbreitung agentischer KI prägen. Kleine und mittlere Unternehmen stellen einen großen Teil der europäischen Wirtschaft. Den meisten fehlen ein eigenes Datenteam und ein Budget für Individualentwicklung. Kommen Agenten in standardisierter Form in alltägliche Büroanwendungen und Fachsysteme, könnten gerade diese Betriebe im Verhältnis mehr gewinnen. Prozessautomatisierung, die bisher zu teuer war, könnte erschwinglich werden. Großunternehmen stehen vor einem anderen Engpass. Ihr Problem ist selten der Zugang zu einem Modell. Es sind Altsysteme, isolierte Datenbestände und interne Freigabeverfahren zur Compliance. Eine Plattform, die sicheren Zugriff, Rechteverwaltung und Prüfprotokolle bietet, kann gegenüber einem Wettbewerber mit stärkerer reiner Modellleistung im Vorteil sein. Der Rechtsrahmen fügt eine weitere Ebene hinzu. Die EU hat den AI Act und strenge Vorgaben zum Datenschutz. Wer ein System einsetzt, das selbstständig handelt, muss praktische Fragen beantworten: Wer trägt die Verantwortung, wie werden Handlungen protokolliert, wo liegen die Daten? Diese Fragen sind eine Hürde, aber auch eine Chance. Ein Anbieter, der Compliance-Anforderungen in Produktfunktionen übersetzt, kann sich im europäischen Markt abheben.

Auch die Wettbewerbslage verschiebt sich. Anbieter von Unternehmenssoftware müssen entscheiden, ob sie eigene Agenten bauen oder Schnittstellen für externe Agenten öffnen. Systemintegratoren könnten sich von Einzelprojekten zu Prozessumbau und laufendem Betrieb bewegen. Leser sollten zudem beachten, dass OpenAI hier ein eigenes Marktinteresse hat. Die Analyse kann die Nachfrage europäischer Unternehmen zu den eigenen Agentenprodukten und Unternehmensdiensten lenken. Trendaussagen sind daher als Herstellerperspektive zu lesen und mit unabhängigen Erhebungen abzugleichen.

Ausblick

Mehrere Signale verdienen Aufmerksamkeit. Das erste ist die Messung der Nutzungstiefe. Feinere Daten würden helfen, die Pilotprojekte von produktiven Agenten und einzelne Aufgaben von systemübergreifenden Abläufen zu trennen. Erst dann lässt sich echte Durchdringung von bloßem Ausprobieren unterscheiden. Das zweite Signal ist das Tempo der Governance in der Praxis. Wenn die Pflichten des AI Act schrittweise wirksam werden, dürften Unternehmen bei Agenten in Hochrisikobereichen vorsichtiger vorgehen. Die Detailtiefe der behördlichen Leitlinien wird mitbestimmen, wie schnell Finanzwesen, Gesundheitswesen und öffentliche Dienste vorankommen. Das dritte ist die Offenheit des Ökosystems. Agenten müssen sich mit vielen Drittsystemen verbinden. Einigt sich die Branche auf gemeinsame Protokolle für Werkzeugaufrufe sowie auf Standards für Identität und Berechtigungen, sinkt das Risiko der Bindung an einen einzelnen Anbieter. Andernfalls drohen höhere Wechselkosten. Viertens zählen Menschen und Organisation. Unternehmen brauchen Fachkräfte, die das Geschäft und die Grenzen der Modelle verstehen, um Agenten zu entwerfen und zu beaufsichtigen. Schulung und neue Rollenzuschnitte gehen meist langsamer voran als die technische Einführung und entscheiden oft über den Erfolg. Fünftens bleibt das Verhältnis von Kosten und Zuverlässigkeit. Lange Aufgaben verbrauchen viel Rechenleistung, daher wägen Firmen Personalersparnis gegen Modellkosten ab. Das fördert gestufte Modellnutzung: kleine Modelle für einfache Schritte, größere für komplexe Urteile.

Insgesamt ist agentische KI in der EU vom Konzept in die Verbreitung übergegangen. Die eigentliche Trennlinie verläuft dort, wo flache Versuche zu prüfbarem, wiederholbarem Prozessumbau werden. Die nächsten ein bis zwei Jahre werden zeigen, welche Unternehmen das schaffen.