Von Copiloten zu Agenten: Warum Enterprise-KI eine sichere KI-Fabrik braucht

Die wichtigsten Erkenntnisse

• Agentische KI verlagert Arbeitsplatz-KI von der Inhaltserstellung hin zur Ausführung von Arbeitsabläufen.
• Die Skalierung autonomer Agenten erfordert sichere Laufzeitumgebungen, eine sichere Modellausführung, vertrauenswürdige Unternehmensdaten und Governance-Kontrollen – nicht nur Zugriff auf KI-Modelle.
• Offene Ökosysteme und hybride KI-Infrastrukturen geben Unternehmen die Flexibilität, Agenten dort einzusetzen, wo sie die besten geschäftlichen, sicherheitsbezogenen und operativen Ergebnisse liefern.

Agentische KI am Arbeitsplatz verändert, wie Unternehmen Arbeit zuweisen, Aufgaben weiterleiten und Teams koordinieren. Beschäftigte nutzen KI bereits für alltägliche Unterstützung. Arbeitsplatzagenten fügen eine weitere Ebene hinzu: Sie planen Schritte, verwenden freigegebene Tools und erledigen definierte Aufgaben mit weniger Eingaben.

Geschäftsabläufe gewinnen an Dynamik, wenn KI von punktueller Unterstützung zum Handeln übergeht. Ein Agent könnte etwa eine Ticketwarteschlange in Bewegung halten, indem er Fälle weiterleitet, bis eine Prüfung erforderlich ist. Eine solche Arbeit unternehmensweit zu skalieren, erfordert jedoch mehr als Automatisierung. Teams brauchen eine betriebliche Grundlage, die eine intakte Governance gewährleistet, während die Anwendungsfälle für KI-Agenten wachsen.

Was agentische KI für den Arbeitsplatz bedeutet

Agentische KI bezeichnet Systeme, die ein definiertes Ziel verfolgen, Entscheidungen treffen und mit begrenzten menschlichen Eingaben Maßnahmen ergreifen können. Am Arbeitsplatz könnte ein Agent ein IT-Ticket prüfen, entscheiden, ob er eine Fehlerbehebung sicher umsetzen kann, die Maßnahme ausführen oder das Problem an eine Person weiterleiten, wenn eine Einschätzung oder Genehmigung erforderlich ist.

Copiloten bleiben in der Regel innerhalb der Aufgabe des Nutzers und helfen beispielsweise beim Entwerfen, Zusammenfassen, Suchen oder Analysieren. Agenten können einen Teil des Arbeitsablaufs selbst übernehmen. Der entscheidende Unterschied besteht darin, dass sie auch entscheiden können, wie sie diese Arbeit innerhalb freigegebener Grenzen erledigen. Anders als Copiloten, die in erster Linie unterstützen oder Inhalte erzeugen, können autonome Agenten auf Daten zugreifen, Tools aufrufen, mit Anwendungen interagieren und im Namen der Nutzer Maßnahmen ergreifen.

Wenn Agenten von der Unterstützung bei der Arbeit zur Ausführung von Arbeit übergehen, benötigen Unternehmen sichere Laufzeitumgebungen, die Identität, Berechtigungen, Toolzugriff, Richtliniendurchsetzung und Beobachtbarkeit steuern. Die Übergabe zwischen Mensch und System wird wichtiger, weil der Agent nicht mehr nur ein Ergebnis zur Prüfung erzeugt, sondern möglicherweise auch Aktionen in unternehmensweiten Systemen initiiert.

Der Zugriff sollte das Prüfmodell bestimmen. Zusammenfassungen können eine weniger umfassende Prüfung durchlaufen. Sobald ein Agent Berechtigungen ändern, Ausgaben genehmigen, Rückerstattungen veranlassen oder andere finanzielle Aktionen auslösen kann, müssen Schutzvorkehrungen vor der Aktion greifen.

Wie agentische KI Arbeitsabläufe und Koordination verändert

Agentische KI gestaltet Arbeitsabläufe neu, indem sie Koordinationsaufgaben übernimmt, die normalerweise manuelle Nachverfolgung erfordern. Statt darauf zu warten, dass jemand den Status prüft, den nächsten Schritt zuweist oder einer Übergabe nachgeht, kann ein Agent die Arbeit vorantreiben, bis eine Aktion erfolgt oder eine Person prüfen oder entscheiden muss.

Weniger Übergaben zwischen Teams

Indem sie diesen Kontext vor der Prüfung zusammentragen, können Agenten eine Anfrage voranbringen, ohne der für die Entscheidung verantwortlichen Person die Zuständigkeit zu entziehen.

Flexiblere Workflow-Automatisierung

Herkömmliche Automatisierung folgt festen Regeln, agentische KI-Workflows können jedoch mehr Variationen bewältigen, indem sie Kontext interpretieren und freigegebene Tools innerhalb festgelegter Grenzen verwenden. 

Bessere Transparenz über die Arbeit

Gut gesteuerte KI-Agenten für Unternehmen können jeden Prozessschritt protokollieren. Führungskräfte können diese Transparenz nutzen, um Engpässe zu erkennen und Fehler frühzeitig zurückzuverfolgen.

Warum offene KI-Ökosysteme für KI-Agenten in Unternehmen wichtig sind

Offene KI-Ökosysteme sind für KI-Agenten in Unternehmen wichtig, weil die meisten Organisationen Agenten benötigen, die mit mehreren Modellen, Anwendungen, Datenquellen und Governance-Anforderungen arbeiten. Große Unternehmen laufen selten auf einer einzigen Plattform. Deshalb braucht agentische KI die Flexibilität, sich mit vorhandenen Systemen zu verbinden, ohne jedes Team auf einen engen technischen Pfad zu zwingen.

Die Informationen, die ein Agent benötigt, können bereits über Dateirepositories, Objektspeicher, Datenbanken, Data Lakes, CRM-Plattformen, Ticketsysteme und andere Geschäftsanwendungen verteilt sein. Ein modularer, hybrider Ansatz ermöglicht es Unternehmen, die für einen Workflow benötigten freigegebenen Quellen anzubinden, während andere Systeme und Daten an ihrem bisherigen Ort bleiben. Dadurch kann der Bedarf sinken, die gesamte Datenumgebung neu aufzubauen oder zu konsolidieren, bevor ein Agent eingesetzt werden kann.

Ein Service-Desk-Agent könnte beispielsweise Dokumentationen zur Fehlerbehebung abrufen, einen Gerätedatensatz und den Verlauf aktueller Tickets prüfen und eine Lösung empfehlen. Wenn der nächste Schritt darin besteht, die Berechtigungen eines Nutzers zu ändern, könnte der Workflow diese Aktion zur Genehmigung an eine Person weiterleiten, statt dem Agenten die eigenständige Änderung zu erlauben. Derselbe Workflow kombiniert abgerufenen Unternehmenskontext, vorhandene Geschäftssysteme, Zugriffskontrollen und menschliche Prüfung.

Die Anforderungen an Agenten unterscheiden sich je nach Workflow. Daher benötigt jeder Anwendungsfall eigene Regeln für Zugriff, Prüfung und Auditierbarkeit. Offene Ökosysteme können den Weg vom Pilotprojekt zur Bereitstellung verkürzen, indem sie Teams ermöglichen, auf vorhandenen Tools und Geschäftsprozessen aufzubauen.

Wenn Agenten mehr Aufgaben übernehmen, helfen offene Ökosysteme den Teams, die Kontrolle zu behalten, ohne sich an eine einzige Architektur zu binden. Agentische KI für die Produktivität von Beschäftigten braucht Raum zum Testen, doch die Governance muss intakt bleiben, wenn die Anwendungsfälle wachsen.

Wie Dell AI Factory with NVIDIA KI-Agenten in großem Maßstab unterstützt

Die Dell AI Factory with NVIDIA unterstützt die Einführung agentischer KI durch Technologien wie NVIDIA NemoClaw und OpenShell, die autonome Agenten von der Laufzeitumgebung an absichern sollen. Agenten starten mit begrenzten Berechtigungen, die Inferenz kann standardmäßig privat bleiben, und Aktionen werden über richtlinienbasierte Kontrollen für Identität, Toolzugriff, Datenbewegungen und Beobachtbarkeit gesteuert.

Dell erweitert diese sichere Grundlage um Unternehmensinfrastruktur, KI-Software, sicheren Datenzugriff und Governance-Kontrollen in einer koordinierten Umgebung, die Unternehmen dabei unterstützt, Agenten von Pilotprojekten in den Produktivbetrieb zu überführen.

Innerhalb dieser umfassenderen Architektur stellt Dell AI Data Platform with NVIDIA die Datengrundlage für agentische KI bereit. Sie bereitet Unternehmensdaten auf und verarbeitet sie, erstellt durchsuchbare Indizes und unterstützt die Steuerung des Zugriffs auf strukturierte, unstrukturierte und Streaming-Quellen, damit Agenten bei Bedarf aktuellen Geschäftskontext abrufen können.

Das wird wichtiger, wenn Unternehmen über isolierte Pilotprojekte hinausgehen. Produktive Agenten müssen möglicherweise während desselben Workflows auf mehrere aktuelle Datenquellen zugreifen, statt sich auf einen festen Dokumentensatz zu verlassen. Wiederholbare Datenpipelines und kontrollierter Abruf helfen dabei, diesen Kontext verfügbar zu halten, wenn die Workloads wachsen.

Diese Grundlage ist wichtig, weil Arbeitsplatzagenten mehr als Modellzugriff benötigen. Sie brauchen berechtigte Verbindungen zu Geschäftsdaten, freigegebenen Tools, Workflowsystemen, Monitoring und Prüfpfaden, damit sie innerhalb der Richtlinien handeln können, statt als isolierte Experimente zu arbeiten.

Agentische KI bringt neue Anforderungen mit sich, die über herkömmliche generative KI hinausgehen. Autonome Agenten benötigen sichere Laufzeitumgebungen zur Steuerung von Aktionen und Toolnutzung, vertrauenswürdigen Zugriff auf Unternehmensdaten und Workflows sowie die Flexibilität, Frontier-, proprietäre und offene Modelle dort auszuführen, wo sie am sinnvollsten sind.

KI-Agenten Zugriff auf kontrollierte Unternehmensdaten geben

Dell AI Factory with NVIDIA bündelt diese Funktionen: NVIDIA OpenShell für sichere Agenten-Laufzeitumgebungen, Confidential Computing für die sichere Modellausführung und Dell AI Data Platform with NVIDIA für die Aufbereitung, Steuerung, Indexierung und Bereitstellung von Unternehmensdaten als Echtzeitkontext für KI-Agenten.

Zusammen geben diese Funktionen Unternehmen die Flexibilität, Agenten und Modelle über Cloud-, Rechenzentrums- und Desktop-Umgebungen hinweg bereitzustellen und gleichzeitig Sicherheit, Governance und Kontrolle aufrechtzuerhalten. Agenten können näher an den Daten und Systemen arbeiten, auf die sie angewiesen sind, während IT- und Geschäftsverantwortliche bei wachsender Einführung agentischer KI für eine klarere Aufsicht, Richtliniendurchsetzung und Produktionsreife sorgen.

Wie Dell AI Data Platform KI-Agenten in großem Maßstab unterstützt

Dell AI Data Platform with NVIDIA verschafft KI-Agenten Zugriff auf aktuellen Unternehmenskontext, indem sie Daten aus strukturierten, unstrukturierten und Streaming-Quellen aufbereitet, indexiert und bereitstellt. Dieser Kontext kann gleichzeitig aus mehreren Systemen stammen – wichtig für Agenten, die vor einer Entscheidung oder Aktion Informationen abrufen müssen.

Mit zunehmendem Einsatz von Agenten muss auch der Zugriff kontrolliert bleiben. Rollen- und zweckbasierte Berechtigungen können einschränken, welche Daten ein Agent abrufen darf. Wiederholbare Prozesse für Aufbereitung und Indexierung helfen zugleich, diese Informationen aktuell zu halten, statt sich auf einen statischen Pilotdatensatz zu verlassen.

Retrieval-Augmented Generation (RAG) verankert die Antworten und Aktionen eines Agenten in Unternehmensinformationen, statt sich ausschließlich auf das im Modell integrierte Wissen zu stützen. Im Produktivbetrieb ist die Qualität dieses Abrufs entscheidend: Indizes müssen aktuell bleiben, die Berechtigungen der Quellen müssen erhalten bleiben und Metadaten müssen dabei helfen, die richtigen Inhalte zu identifizieren. Die Abrufleistung beeinflusst auch, wie schnell ein Agent antworten kann, während die Auditierbarkeit Teams hilft nachzuvollziehen, welche Informationen der Agent bei einer Aktion verwendet hat.

Mehrere Angebote der Dell AI Data Platform unterstützen diese Anforderungen auf der Datenebene:

• Dell Data Search Engine: Bietet vektorbasierte, semantische, schlüsselwortbasierte und hybride Suche für Unternehmensinhalte.
• Dell Data Orchestration Engine: Koordiniert Datenaufbereitung und Pipelines, die KI-Anwendungen und Agenten mit nutzbaren Informationen versorgen.
• Dell PowerScale: Bietet leistungsstarken Zugriff auf dateibasierte und unstrukturierte Daten, die von KI-Workloads genutzt werden.
• Dell Data Analytics Engine: Ruft strukturierte Informationen aus verteilten Quellen ab, ohne dass zunächst jeder Datensatz konsolidiert werden muss.

Die Plattform ist für hybride Umgebungen ausgelegt. Daher können Daten und KI-Workloads über Cloud-, Rechenzentrums- und Edge-Standorte verteilt bleiben. Wenn weitere Agenten und Workflows hinzukommen, steigt auch der Bedarf an Suche, Abruf und Datenverarbeitung. Eine modulare Datenschicht bietet Unternehmen eine Möglichkeit, diese Funktionen zu erweitern, ohne die gesamte Umgebung für jeden neuen Anwendungsfall neu aufzubauen.

Welche Infrastruktur benötigt agentische KI im Produktivbetrieb? 

Über die Datenebene hinaus benötigt agentische KI eine Produktivinfrastruktur, die die Nutzung freigegebener Tools, Workflow-Integration, Monitoring und menschliche Aufsicht unterstützt. Da Arbeitsplatzagenten möglicherweise über mehrere Systeme hinweg handeln, benötigen Unternehmen Kontrollen dafür, was Agenten tun dürfen und wann Menschen die Arbeit prüfen müssen.

Unternehmen müssen außerdem die Tokenökonomie agentischer KI planen. KI-Agenten können mehr Tokens verbrauchen als Copiloten, weil sie möglicherweise mehrstufige Aufgaben durchdenken, Tools aufrufen, Kontext abrufen, Ergebnisse zusammenfassen und Aktionen wiederholen, bevor sie einen Workflow abschließen. Im großen Maßstab können dadurch Kosten pro Token, Zeit bis zum Token und die Gesamtauslastung zu wichtigen Infrastrukturkennzahlen werden. Dell und NVIDIA haben beide die Kosten pro Token als zentrale Kennzahl für die Wirtschaftlichkeit von KI-Fabriken hervorgehoben. In der jüngsten Berichterstattung zur Dell Technologies World 2026 wurde zudem darauf hingewiesen, dass agentische KI den Tokenverbrauch schwerer vorhersehbar machen kann, wenn autonome Workflows wachsen.

KI-Agenten vom Pilotprojekt in den Produktivbetrieb überführen

Eine Einführung in den Produktivbetrieb kann mit Agenten beginnen, die mit begrenzten Berechtigungen und Zugriff auf eine kontrollierte Auswahl von Tools und Daten arbeiten. Anschließend können Teams kontrollierte Unternehmensdaten anbinden, Workflow- und Prüfkontrollen definieren und die Aktivitäten der Agenten überwachen, bevor sie Zugriff oder Autonomie erweitern.

Die Skalierung sollte erst erfolgen, nachdem diese Kontrollen im Workflow getestet wurden. Anschließend können Berechtigungen nach Rolle und Zweck erweitert werden, sobald die Teams bestätigt haben, dass Abruf, Genehmigungen, Eskalationswege und Monitoring wie erwartet funktionieren.

Bei lokalen oder privaten Unternehmensbereitstellungen hält die Infrastruktur für agentische KI Agenten nahe an den Daten, Anwendungen und Workflows, auf die sie zugreifen, und gewährleistet zugleich Zugriffsbeschränkungen, Monitoring und Prüfpfade.

Risiken, die vor der Skalierung von KI-Agenten gesteuert werden müssen

In regulierten oder sensiblen Workflows hängt das geeignete Kontrollmodell davon ab, auf was der Agent zugreifen kann, welche Aktionen er ausführen darf und ob diese Aktionen Kunden, Beschäftigte, Finanzen oder geschützte Daten betreffen.

Die Skalierung von KI-Agenten bringt je nach Workflow und Zugriffsebene unterschiedliche Risiken mit sich. Unternehmen benötigen ein Kontrollmodell, das den Umfang jedes Agenten definiert, den Zugriff nach Rolle und Zweck begrenzt und eine menschliche Prüfung verlangt, bevor risikoreichere Aktionen abgeschlossen werden.

Observability liefert Führungskräften die nötigen Belege, bevor sie den Einsatz von Agenten ausweiten. Wenn Teams die Aktivitäten von Agenten auf die jeweils geltenden Kontrollen zurückführen können, können sie schrittweise skalieren, statt sich allein auf die Ergebnisse früher Pilotprojekte zu verlassen.

Wie Führungskräfte die Zusammenarbeit von Menschen und Agenten vorbereiten sollten

Führungskräfte, die die Zusammenarbeit von Menschen und Agenten vorbereiten, sollten festlegen, wo Agenten handeln dürfen, wo Menschen weiterhin die Verantwortung tragen und wie die Arbeit geprüft wird, bevor agentische KI Teil des täglichen Betriebs wird.

• Passung zum Arbeitsablauf: Legen Sie fest, wo KI-Agenten eingesetzt werden, welche Aufgaben sie übernehmen können und wo Menschen weiterhin für Entscheidungen verantwortlich sein sollten.
• Kontrollmodell: Definieren Sie vor dem Produktiveinsatz die Rolle, Berechtigungen, den Prüfpfad, die Eskalationsauslöser und die Grenzen jedes KI-Agenten.
• Transparenz für Mitarbeitende: Erklären Sie, wo KI-Agenten eingesetzt werden, wie Beschäftigte Ergebnisse anfechten können und wann Probleme eskaliert werden sollten.

Klare Grenzen machen die Einführung weniger störend, weil Mitarbeitende erkennen können, wie KI-Agenten in Geschäftsprozesse passen und wo menschliches Urteilsvermögen weiterhin das Ergebnis bestimmt.

Häufig gestellte Fragen