Eine Zusammenarbeit von PTA und Statista
Diese Blogserie liefert aktuelle Zahlen, Trends und Prognosen zur Nutzung von AI-Technologien in Unternehmen. Mit faktenbasierten Erkenntnissen geben wir fundierte Einblicke, um die neuesten Fortschritte im Bereich AI verständlich und greifbar zu machen. Die Serie entsteht in Kooperation mit Statista.
Agentic AI kann bestehende IT-Landschaften wirkungsvoll ergänzen – gerade dort, wo historisch gewachsene Systeme den Takt vorgeben. In unserer Serie zeigen sich hohe strategische und operative Potenziale. Jetzt rückt die Praxis in den Fokus: Wo braucht es konkret Unterstützung, damit Agenten vom Pilot in den Alltag kommen? Dieser Frage sind wir auch in der Studie „Agentic AI in der Praxis“ nachgegangen, für die 200 IT-Entscheider befragt wurden. Die zentralen Befunde dazu vertiefen wir im Folgenden.
Datenqualität & Integration
Ohne belastbare Datenbasis und angebundene Systeme können keine verlässlichen Workflows entstehen. In Brownfield-Umgebungen liegen Informationen verteilt über Dokumente, Datenbanken und Logs. Eine Lösung hierfür ist RAG (Retrieval-Augmented Generation), das von AI-Agenten als Integrationsschicht genutzt werden kann: Relevante Inhalte werden abgerufen, in Kontext gebracht und für Entscheidungen nutzbar gemacht.¹,² Das reduziert Reibung, ohne dass ein Komplettaustausch der Altsysteme nötig wäre. Parallel belegen internationale Studien, dass Datenzugang und -qualität zentrale Voraussetzungen sind, um KI skalierbar zu machen.3,4,5
Skills, Enablement & Change
Agentic AI ist kein reines Tool-Projekt. Um das nötige Wissen aufzubauen, benötigen Teams praxisnahe Trainings und Workshops mit Anwendungsfällen, um neue Abläufe sicher zu übernehmen. Studien zeigen: Skalierungserfolg entsteht dort, wo Arbeitsabläufe neu gestaltet und Governance-Rollen verankert werden – nicht nur durch das Hinzufügen eines Modells.³
Governance, Recht & Sicherheit
Sobald Agenten eigenständig aktiv werden, braucht es klare Regeln: Wer darf was? Welche Schritte brauchen eine menschliche Freigabe? Und was wird protokolliert (Audit-Trail)? Frameworks wie AI TRiSM (Artificial Intelligence Trust, Risk, and Security Management) helfen, Governance, Risiken und Sicherheit strukturiert zu steuern.6,7 Die AI-Prinzipien der OECD fördern zudem vertrauenswürdige, nachvollziehbare KI.8
Mit jedem zusätzlichen Unternehmensdatensatz, auf den Agenten zugreifen, wächst der Sicherheitsbedarf. Das Open Worldwide Application Security Project warnt in den Top 10 für LLM-Anwendungen u.a. vor Prompt-Injection, Datenvergiftung und zu viel Autonomie – inklusive konkreter Gegenmaßnahmen.9
Auswahl und Implementierung von AI-Lösungen
Technologische Beratung hilft, aus der Tool-Flut die passende Lösung zu wählen – abgestimmt auf Ziele, Datenlage und Risiken. Sie klärt früh die Architektur der AI-Agenten, plant die Integration in bestehende Systeme, verankert Sicherheit und Datenschutz (Rollen, Freigaben, Protokolle) und führt mit realen Daten vergleichende Tests durch. So entsteht ein Pilot mit klaren KPIs und stabilem Betrieb, der sich anschließend schrittweise ausrollen lässt, ohne alles auf einmal umzustellen.
¹ Microsoft Learn: RAG and generative AI – Azure AI Search (Architekturüberblick & Rolle der Retrieval-Schicht)
² Lewis et al. (2020): Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (Grundlagenpapier)
³ McKinsey „The State of AI“ (2024/2025): Daten, Workflow-Neugestaltung und Rollen als Hebel der Wertrealisierung
⁴ Gartner „Data & Analytics 2025“ (2025): Datenqualität bleibt ein zentrales Hindernis für die Skalierung von KI-Initiativen
⁵ OECD „Enhancing Access to and Sharing of Data in the Age of Artificial Intelligence“ (2023/2024): Datenzugang und -qualität als Schlüssel für skalierbare KI-Nutzung. Organisation for Economic Co-operation and Development (OECD)
⁶ Gartner: „AI Trust, Risk and Security Management (AI TRiSM)“ – Governance-/Risikomanagement für KI
⁷ (Einordnung) AvePoint-Zusammenfassung zum Gartner-TRiSM-Report 2025
⁸ OECD AI Principles – internationaler Referenzrahmen für vertrauenswürdige KI
⁹ OWASP Top 10 for Large Language Model Applications – häufigste Sicherheitsrisiken & Gegenmaßnahmen
