Wie KI-Agenten Unternehmens­architekturen verändern

Agentic AI gilt als einer der spannendsten Trends rund um Künstliche Intelligenz. Statt nur auf Prompts zu reagieren, übernehmen KI-Systeme dabei aktiv Aufgaben, treffen Entscheidungen oder orchestrieren ganze Prozesse.

In diesem Beitrag schauen wir uns an, was hinter dem Prinzip steckt, wie Agentic AI in bestehende IT-Landschaften integriert werden kann und welche technischen Grundlagen dafür nötig sind.

Was Agentic AI ist

Der Begriff Agentic AI beschreibt KI-Systeme, die über reines Beantworten von Fragen hinausgehen. Ein Agent verfolgt ein Ziel, plant Schritte, greift über Schnittstellen auf Daten zu und löst Aktionen aus, wie beispielsweise das Erstellen eines Reports oder das Öffnen eines Tickets.

Technisch kombiniert Agentic AI mehrere Komponenten:

• Large Language Models (LLMs) als «Hirn» des Prozesses,
• Tool- und API-Integrationen als «Hände» und «Sinne»,

• Planungs- und Orchestrierungslogik, als Nervensystem welches die Teile verbindet.

   

Im Gegensatz zu klassischen Chatbots oder Copilots sind Agenten dynamische & (teil-)autonome Systeme, welche selbst kontrollieren, wie sie eine Aufgabe bearbeiten.

Wie sich bestehende Plattformen auf Agentic AI vorbereiten können

Um AI Agents sinnvoll einsetzen zu können, braucht es eine saubere technische Basis. Im Kern geht es um eine mehrschichtige Plattformarchitektur, bestehend aus:

1. Datenplattform: Sie stellt strukturierte und unstrukturierte Daten über standardisierte Schnittstellen bereit.
2. KI-Plattform: Ermöglicht Access zu AI-Modellen (z.B. LLMs wie Apertus, Multimodale Modelle  oder interne Fine-Tuned Modelle).
3. Integrationsplattform: Per Gateway werden Modelle, Daten und Applikationen verbunden.

4. Applikations- und Entwicklungsplattform: Hier werden die Agenten selbst gebaut, getestet und betrieben.

    

Diese Trennung ist entscheidend, damit sich Agenten später kontrolliert erweitern und sicher skalieren lassen.

Wie AI- und MCP-Gateways Sicherheit und Governance ermöglichen

Sobald AI Agents direkten Zugriff auf Unternehmenssysteme oder sensible Daten erhalten, wird Governance zum zentralen Thema.

Hier kommen AI-Gateways und das Model Context Protocol (MCP) ins Spiel.

Ein AI-Gateway funktioniert ähnlich wie ein API-Gateway. Es kontrolliert, welches Modell welche Anfrage ausführen darf, setzt Quotas, authentifiziert Nutzer:innen und überwacht Kosten.

Das MCP-Protokoll regelt, wie Agenten über standardisierte Schnittstellen auf Datenquellen zugreifen. Ein sogenannter MCP-Server stellt Daten aus Applikationen wie CRM, ERP oder Ticket-Systemen in einer AI Agent konformen Struktur bereit. Währenddessen sorgt ein MCP-Gateway dafür, dass dieser Zugriff sicher, nachvollziehbar und regelkonform bleibt.

Diese Kombination erlaubt es, Agentic AI auch in regulierten Branchen wie Banking, Health oder Public Sector verantwortungsvoll zu nutzen.

Wie sich Kosten und Leistung von Agentic AI steuern lassen

Ein oft unterschätzter Aspekt beim Betrieb von AI Agents ist das Kosten- und Performance-Monitoring.

Agenten können viele parallele Modellaufrufe auslösen, was sich direkt auf die Token-Nutzung und somit die Kosten auswirkt.

Empfehlenswert sind deshalb:

• zentrale Observability-Tools, die Requests, Antwortzeiten und Kosten tracken und dem Entwickler zur Verfügung stellen,
• Routing-Mechanismen, die einfache Prompts an kostengünstige Modelle und komplexe Aufgaben an teurere, aber performantere Modelle leiten.

Diese Techniken senken die Kosten und erhöhen gleichzeitig die Stabilität und Nachvollziehbarkeit.

Welche Frameworks beim Aufbau von Agentic AI helfen

Zum Aufbau von AI Agents kommen verschiedene Frameworks in Frage. Besonders verbreitet sind:

• Spring AI: wer schon Applikationen auf Basis Spring Boot betreibt, ist mit diesem Framework bestens bedient
• Agent Development Kit (ADK): bietet sich vor allem an, wenn man im Google Ökosystem unterwegs ist.
• Semantic Kernel: Microsoft-Framework zur Integration von Copilots und Agenten in .NET- und Python-Umgebungen.
• AutoGen und CrewAI: geeignet für Multi-Agent-Szenarien mit verteilten Rollen.
• Open-Source-Stacks wie Haystack oder LlamaIndex: ideal für On-Premises- oder datensouveräne Lösungen.
• Smolagents: eine barebones Lösung von Hugging Face.
• Build your own: Je nach Umfang und Komplexität kann es auch Sinn machen eine Custom Lösung umzusetzen.

In der Praxis bewährt sich ein framework-agnostischer Ansatz. Das heisst, die Plattformarchitektur sollte so offen gestaltet sein, dass neue Tools oder Modelle einfach integriert werden können und das ohne Vendor-Lock-in.

Wohin sich Agentic AI entwickelt

In den nächsten Jahren werden wir Multi-Agent-Ökosysteme sehen, in denen spezialisierte Agenten zusammenarbeiten. Ein Beispiel dafür ist ein Finance-Agent, der Zahlen analysiert, und ein Reporting-Agent, der daraus automatisch Präsentationen erstellt.

Noch mehr in der Zukunft liegt dann die Zusammenarbeit zwischen Agenten unterschiedlicher Firmen. Ein erster Ansatz hierzu ist das Agent2Agent (A2A) Protokoll.

Parallel wird die Integration in Unternehmens-Plattformen wie Microsoft Copilot, AWS Bedrock Agents oder Open-Source-Stacks tiefer.

Gleichzeitig steigen die Anforderungen an Security, Auditability und Observability. Das ist besonders im europäischen Kontext zentral, wo Datenschutz und Compliance essentiell sind.

Langfristig wird Agentic AI ein selbstverständlicher Bestandteil moderner IT-Architekturen sein, was vergleichbar mit Microservices oder APIs heute ist.

Fazit zu Agentic AI

Agentic AI bringt neue Freiheitsgrade in die Unternehmens-IT, erfordert aber eine klare Plattform- und Governance-Strategie.

Wer heute die Grundlagen legt, also von Datenintegration über Gateways bis zu Monitoring, schafft die Basis, um KI-Agenten sicher und produktiv einzusetzen.

Dich interessiert Agentic AI? Dann empfehlen wir dir unseren Blogbeitrag zu den Chancen und Risiken von Agentic AI.