Agentic Organisation

Vom Werkzeug zum autonomen Kollegen

Generative KI hat in den letzten drei Jahren als Assistenz funktioniert. Sie hat Inhalte vorgeschlagen, Code skizziert, Tickets vorsortiert. Den Anstoß hat in der Regel ein Mensch gegeben. Mit Agentic AI verschiebt sich diese Rolle. Agenten verfolgen Ziele, planen mehrstufige Aufgaben, greifen autonom auf Tools zu, prüfen Zwischenergebnisse und reagieren auf den Kontext. Sie warten nicht auf den nächsten Prompt – sie arbeiten an einer Aufgabe, bis ein Ergebnis vorliegt oder ein definierter Stopp greift.

Das verändert die organisatorische Logik tiefer als jede vorherige Welle. McKinsey beschreibt die so entstehende Struktur als „Agentic Organisation“ – ein Operating Model, in dem hybride Teams aus Menschen und Agenten gemeinsam Ergebnisse liefern. Der Markt folgt dieser Erwartung. Capgemini taxiert das Volumen für KI-Agenten von rund 5 Milliarden US-Dollar im Jahr 2024 auf knapp 47 Milliarden US-Dollar bis 2030 und sieht bis 2028 ein Wertschöpfungspotenzial von 450 Milliarden US-Dollar durch Umsatzwachstum und Kosteneinsparungen. BCG hat 165 Millionen US-Jobs in 1.500 Rollen analysiert und kommt zu dem Schluss, dass 50 bis 55 Prozent davon durch KI grundlegend umgestaltet werden.

Die wirtschaftliche Konsequenz beschreibt McKinsey nüchtern: Arbeit lässt sich in einer agentischen Organisation an Grenzkosten nahe Null skalieren. Genau das entkoppelt Wachstum vom Headcount – und definiert die Schlagdistanz im Wettbewerb neu. Wer agentische Workflows zuerst sauber aufbaut, gewinnt schneller an Kapazität als Konkurrenten, die noch in funktionalen Silos planen.

Unsere Beobachtung aus den Beratungsprojekten der letzten Monate: Den Engpass bildet inzwischen das Organisationsdesign drumherum. Welches Modell ein Unternehmen wählt, ist sekundär geworden. Entscheidend ist, wie das Operating Model konstruiert wird, in dem diese Modelle arbeiten sollen. Wer Prozesse Agentic-First denkt, hat die strukturelle Differenzierung. Wer Agenten nur auf bestehende Workflows aufpfropft, hat zusätzliches Risiko ohne den erwartbaren Ertrag.

Wo agentische Systeme heute stehen – und wohin sie laufen

Agentic AI ist in den meisten Unternehmen kein Forschungsthema mehr, ist aber noch weit davon entfernt, echte Reife zu haben. Capgemini misst aktuell 2 Prozent der Unternehmen mit produktivem Einsatz „at scale“, 12 Prozent mit partieller Skalierung und 23 Prozent in Pilotphasen. 82 Prozent der Unternehmen planen die Integration innerhalb der nächsten ein bis drei Jahre. Der Charakter der Anwendungen verschiebt sich zugleich. Statt der Punkt-zu-Punkt-Automatisierung einzelner Aufgaben rücken End-to-End-Prozesse in den Mittelpunkt. McKinsey rechnet damit, dass künftig zwei bis fünf Menschen 50 bis 100 spezialisierte Agenten orchestrieren, um komplexe Vorgänge wie Monatsabschlüsse, IT-Onboarding oder Kundenreklamationen abzuwickeln. Gartner prognostiziert, dass bis 2028 etwa 15 Prozent aller täglichen Arbeitsentscheidungen autonom durch KI getroffen werden und Unternehmen zehntausende Agenten im Einsatz haben.

Soweit die Erwartung. Die Gegenrechnung kommt von demselben Analystenhaus: Gartner schätzt, dass bis 2027 mehr als 40 Prozent der Agentic-AI-Projekte scheitern werden. Die Gründe lesen sich erstaunlich konventionell – unklarer Geschäftsnutzen, unzureichende Risikokontrollen, fehlende organisatorische Vorbereitung. Das ist die unbequeme Seite der Diskussion: Wer Agenten in dieselben Strukturen einbaut, die heute schon nicht skalieren, kauft sich keine Effizienz, sondern eine zusätzliche Risikodimension.

Wir würden noch einen Schritt weitergehen. Das Scheitern dieser Projekte ist meist organisatorisch begründet, weniger technisch. Unternehmen kaufen Agenten als Tool und versäumen, sie wie einen Kollegen zu führen. Ein Tool wird beauftragt und kontrolliert. Ein Kollege bekommt ein Ziel, einen Spielraum und eine Eskalationsregel. Diese zweite Logik fehlt heute in den meisten Operating Models – und Design ist der einzige Hebel, mit dem sie sich aufbauen lässt.

Das Fundament: Ohne moderne IT kein agentisches Operating Model

Agentic AI lässt sich nicht auf monolithische Legacy-Stacks setzen. Agenten brauchen die Fähigkeit, Werkzeuge dynamisch zu nutzen, Daten gezielt zu lesen und mit anderen Agenten zu kommunizieren. Das setzt eine modulare, API-zentrierte Architektur voraus. Bain beschreibt drei Schichten, die gleichzeitig vorhanden sein müssen: Orchestrierung, Observability und kontrollierter Zugriff auf Daten sowie Governance. Fehlt eine dieser Schichten, wird das Konstrukt instabil. Ohne Observability sehen Sie nicht, was ein Agent tut. Ohne Governance können Sie ihn im Zweifelsfall nicht anhalten.

Darüber legt sich ein Architektur-Pattern, das McKinsey als Agentic AI Mesh bezeichnet: ein lose gekoppeltes Netz aus Agenten, Tools und Daten, das standardisierte Agent-to-Agent-Protokolle wie das Model Context Protocol (MCP) nutzt. Der Sinn dahinter ist nicht akademisch. Wer Agenten in proprietären Silos einer einzelnen Plattform einsperrt, kauft sich denselben Vendor-Lock-in ein, den viele Unternehmen aus der ERP-Ära schmerzlich kennen. Ein Mesh erlaubt es, Agenten unabhängig von der zugrunde liegenden Modell-Logik zu komponieren und zu ersetzen.

Dazu kommt die regulatorische Spur. DORA, NIS2 und der EU AI Act gelten parallel, mit jeweils eigenen Anwendungsbereichen und Adressatenkreisen. Wer agentische Workflows in regulierten Bereichen betreibt, muss zeigen können, welcher Agent welche Entscheidung mit welchen Daten getroffen hat, in welchem Zeitraum und unter welcher menschlichen Aufsicht. Diese Nachweisbarkeit ist eine Architekturentscheidung, keine Compliance-Übung am Quartalsende.

Im DACH-Mittelstand kommt ein weiterer Punkt hinzu: Souveränität ist ein strategischer Parameter, kein Stilelement. Daten müssen dort verarbeitet werden können, wo das Geschäft stattfindet. Lokale Reasoning-Layer und souveräne Plattformen geben die Antwort auf eine Frage, die in Brüssel und Berlin politisch und in Frankfurt regulatorisch entschieden wird – und die nicht durch ein US-Cloud-Abo verschwindet.

Führung im Umbau: Vom Prozess-Manager zum Ziel-Architekten

An dieser Stelle wird die Diskussion über die Agentic Organisation am unangenehmsten – und am wichtigsten. Operating Models werden von Menschen geführt.

Klassische Führung beschreibt Prozesse Schritt für Schritt: Wer macht wann was mit welchem Tool? Agentische Strukturen vertragen diese Granularität nicht. Wenn 50 bis 100 Agenten parallel arbeiten, kann kein Mensch mehr jeden Schritt vorgeben. Was bleibt, sind klare Ziele und klar definierte Leitplanken, innerhalb derer die Agenten autonom den besten Weg wählen. Diese Disziplin heißt Objective-Driven Leadership – Führung über Outcome, Constraint und Eskalationsregel statt über Workflow.

Das ist leichter gesagt als gelebt. Die meisten Führungskräfte sind dafür sozialisiert, Sicherheit über Kontrolle herzustellen. Autonomie an einen Agenten zu delegieren fühlt sich aus dieser Logik wie Kontrollverlust an. Die operative Antwort darauf liegt in einer Governance, die in Echtzeit läuft. Control-Agents prüfen, ob Regeln eingehalten werden. Critic-Agents hinterfragen Entscheidungen anderer Agenten. Compliance-Agenten protokollieren in der Reihenfolge und Tiefe, die Aufseher tatsächlich benötigen. Der Mensch setzt die Regeln, eskaliert Grenzfälle und wird vom Mikromanagement entlastet. Die Verantwortung wandert dabei, sie verschwindet nicht – konzeptionell anspruchsvoller, operativ weniger zerklüftet.

Parallel dazu verändern sich Rollen in den Fachbereichen. McKinsey skizziert zwei Profile, die in der Übergangsphase besonders gefragt sind: „M-shaped Supervisors“, die Agenten-Teams orchestrieren und sich in mehrere Domänen tief einarbeiten müssen, und „T-shaped Experts“, die ihre Fachexpertise dort einbringen, wo Agenten an ihre Grenzen kommen. Beides setzt Reskilling voraus. CIO und HR müssen früher kooperieren, als sie es sich heute eingerichtet haben. Wer Workforce-Transformation als nachgelagertes HR-Thema behandelt, riskiert, dass die teuer eingekaufte Plattform an einer Belegschaft scheitert, die sie nicht bedienen kann.

CompuSafe als Partner für die agentische Transformation

Die Mehrheit der Anbieter im Markt verkauft entweder Plattform-Module oder einzelne Use-Cases. Beides reicht nicht, wenn die Aufgabe heißt: Operating Model umbauen, ohne den laufenden Betrieb zu gefährden. CompuSafe orchestriert Technologie, Plattform, Prozesse und Menschen aus einer Hand. Das ist der Anspruch, an dem wir uns messen lassen.

Auf der Plattformseite stellen wir mit KnowBuddy einen lokalen, DSGVO-konformen Reasoning-Layer für Agenten bereit. Über die audius-Gruppe ergänzen wir das um secure.connect und Private AI – inklusive deutscher Rechenzentren, Zero-Trust-Architektur und Pay-on-Demand-Modellen. Damit lassen sich agentische Workflows bauen, die DORA, NIS2 und EU AI Act standhalten, ohne in einem proprietären US-Stack eingeschlossen zu sein.

Als ServiceNow-Trainingspartner nutzen wir ITSM als Orchestrierungs-Backbone, an das Agenten produktiv andocken. Das setzt agentische Logik dort an, wo Prozesse, Tickets und Genehmigungen ohnehin laufen. Agenten wandern in die bestehende Prozesslandschaft des Unternehmens, statt parallel als Schatten-Tool zu entstehen.

Wie das konkret aussieht, zeigt einer der Bereiche, in denen wir Agentic-First-Architekturen bereits umsetzen: Source-to-Pay. Beschaffung, Lieferantenmanagement und Third-Party Risk laufen in den meisten Unternehmen in getrennten Systemen mit unterschiedlichen Zeithorizonten. Genau diese Trennung wird unter DORA und der EU-Lieferkettenrichtlinie zur regulatorischen Schwachstelle. In einem agentischen S2P-Setup auf ServiceNow ist das anders strukturiert: Beim Lieferanten-Onboarding laufen Due Diligence, Sanktionslisten-Abgleich und ESG-Assessment parallel statt sequenziell durch verschiedene Abteilungen. Vor jedem Vertragsabschluss prüft die Plattform den aktuellen Risikostatus des Lieferanten und eskaliert, wenn Schwellenwerte überschritten werden oder Zertifikate abgelaufen sind. Continuous Monitoring erfasst Risikoveränderungen im laufenden Betrieb. Was an Nachweisbarkeit unter DORA und CSDDD gefordert wird, fällt damit als Nebenprodukt des operativen Workflows ab. Dokumentation wird Teil der Prozesslogik, statt als zusätzliche Schicht nachgezogen zu werden.

Parallel dazu schließen wir mit unterschiedlichen Programmen aus unserem Bereich Workforce Transformation den Skill-Gap entlang realer Arbeit, ohne den Umweg über entkoppelte Trainings-Programme. Wir lösen IT-Probleme operativ und qualifizieren Mitarbeitende dabei gleichzeitig „on-the-job“ für die Arbeit in hybriden Mensch-Agent-Teams.

Wir ergänzen diese operative Qualifizierung um eine zweite Dimension: die individuelle und organisatorische Handlungsfähigkeit unter agentischem Druck. Unter dem Ansatz Resilienz als Mechanismus entwickeln wir gemeinsam mit dem Trenz Institut auf drei Ebenen die Fähigkeit, unter Komplexität entscheidungsfähig zu bleiben. „Decisional Readiness“ stärkt die Letztentscheidungsfähigkeit von Führungskräften in kritischen Lagen. „Team Adaptive Capacity“ baut Rollenklarheit und Vertrauensräume auf, in denen sich operative Einheiten autonom auf wechselnde Lagen einstellen können. „Human-Machine-Collaboration“ gestaltet die Schnittstelle zwischen menschlicher Intuition und KI-gestützter Analyse aus Governance-Perspektive – relevant überall dort, wo NIS2, DORA oder der EU AI Act greifen. Das ist die strukturelle Antwort auf den oben beschriebenen Kontrollverlust-Effekt: belastbare Entscheidungsroutinen, die in dem Moment greifen, in dem die formale Kontrolle an Granularität verliert.

Der Einstieg in diese Transformation muss kein Großprojekt sein. Unser 90-Tage Agentic Readiness Assessment liefert eine strukturierte Diagnose: Heraus kommen ein Business Case mit Roadmap und ein konkreter erster Use Case für den agentischen Pilotbetrieb.

Die Agentic Organisation wird im Operating Model festgelegt. Wer diesen Umbau jetzt anpackt – mit klaren Zielen, einer souveränen Plattform und einer Führung, die den Spielraum schafft, in dem Agenten ihre Wirkung entfalten können – verschiebt nicht nur einzelne Kostenkennzahlen. Er verändert die Schlagdistanz seines Unternehmens für die nächste Dekade.

---

Stand: Mai 2026. Marktprognosen und Adoptionsraten stammen aus den im Quellenverzeichnis genannten Studien und sind Prognosen der jeweiligen Herausgeber:innen.

Quellen: McKinsey, „The agentic organization: A new operating model for AI“ · QuantumBlack / McKinsey, „How we enabled Agents at Scale with the Agentic AI Mesh“ · MIT Sloan Management Review / BCG, „The Emerging Agentic Enterprise“ · Capgemini Research Institute, „Rise of agentic AI“ (Juli 2025) – Marktvolumen, Adoptionsraten und 450-Mrd.-USD-Wertschöpfungspotenzial · BCG, „AI Will Reshape More Jobs Than It Replaces“ (April 2026) – Untersuchung von 165 Mio. US-Jobs in 1.500 Rollen · Gartner Press Release vom 25. Juni 2025 – 40-Prozent-Scheiterprognose und 15-Prozent-Autonomieprognose · Bain & Company, „The Three Layers of an Agentic AI Platform“ · Sutherland, „Outlook 2026: The Road to the Agentic Enterprise“ · IMDA Singapur, „Model AI Governance Framework for Agentic AI“ · Clifford Chance, „Who’s Responsible for Agentic AI?“ (Mai 2025) · CompuSafe / Trenz Institut, „Resilienz als Mechanismus“ – Decisional Readiness, Team Adaptive Capacity, Human-Machine-Collaboration · CompuSafe-Fachartikelserie zu Source-to-Pay mit ServiceNow (siehe u. a. „Third-Party Risk im Source-to-Pay“, Teile 1–3, 2026).