Wenn Unternehmens-KI zu handeln beginnt: Vom Copilot zum Agenten

TL;DR

• SAP hat auf der Sapphire 2026 die Autonomous Suite vorgestellt: über 50 domänenspezifische Joule Assistants orchestrieren mehr als 200 spezialisierte Agenten in Finance, Supply Chain, Procurement, HCM und Customer Experience.
• Mistral positioniert sich mit Workflows nicht mehr nur als Modellanbieter, sondern als Infrastrukturschicht für Unternehmensprozesse. Kunden wie ASML, CMA-CGM und La Banque Postale lassen darüber bereits Millionen Ausführungen täglich laufen.
• Deutsche Telekom hat im September zwei Plattformen vorgestellt, T-AI Agent Platform und T-AI Agentic Hub, damit viele einzelne KI-Agenten nicht zu einem unkontrollierbaren Managementproblem werden. Banco Sabadell setzt den Hub bereits ein.
• Siemens zeigt mit dem Eigen Engineering Agent und der Kooperation mit P&G, dass Agentic AI auch physische Prozesse erreicht, nicht nur Bürosoftware.
• Der eigentliche Engpass hat sich verschoben: 2023 ging es darum, ob ein Modell überhaupt etwas Brauchbares generiert. 2026 geht es darum, ob ein ganzer Geschäftsprozess zuverlässig funktioniert.

Ein Mitarbeiter fragt einen Copiloten nach einer Zusammenfassung. Das System liefert einen Text. Damit endet seine Aufgabe.

Ein KI-Agent arbeitet anders. Er liest das Dokument, prüft Informationen in mehreren Systemen, entscheidet nach vorgegebenen Regeln über den nächsten Schritt, stößt eine Aktion an und wartet dort auf einen Menschen, wo eine Freigabe erforderlich ist.

Genau an dieser Stelle verändert sich die Diskussion über Unternehmens-KI. Die entscheidende Entwicklung 2026 ist nicht das nächste größere Sprachmodell. Es ist der Übergang von punktueller KI-Unterstützung zu KI, die in reale Geschäftsprozesse eingebettet wird. Deutsche Telekom formuliert den Unterschied so: KI-Agenten erzeugen nicht nur Text, sondern verbinden Informationen aus verschiedenen Systemen und lösen Aktionen aus. Für den Konzern ist das inzwischen eine konkrete Frage von Produktion, Kontrolle und Verantwortung, nicht mehr nur von Technologie.

Vom Copiloten zum Agenten: Was sich verändert

Der Sprung lässt sich in vier Stufen beschreiben.

Ein Copilot hilft dem Menschen bei der Arbeit. Er schreibt, fasst zusammen, sucht Informationen, macht Vorschläge, aber die Person bleibt diejenige, die den Prozess tatsächlich ausführt.

Ein Agent kann Werkzeuge und Systeme selbst nutzen. Er ruft Informationen ab, liest andere Systeme, führt mehrere Schritte aus und kann eine Aktion auslösen, nicht nur einen Text erzeugen.

Ein Workflow ist kein einzelner Agent mehr, sondern ein definierter Ablauf: Auslöser, Daten, Entscheidung, Aktion, Prüfung, nächster Schritt. Hier tauchen Fragen auf, die es beim Chatbot nicht gab. Was passiert, wenn der Prozess unterbrochen wird? Wer sieht, was der Agent getan hat? Was passiert im Fehlerfall? Wo muss er anhalten und eine Freigabe einholen?

Genau dieses Problem adressiert Mistral mit Workflows, das Unternehmen selbst als „orchestration layer for enterprise AI“ beschreibt. Es soll Durability, Observability, Fault Tolerance und menschliche Freigaben liefern, die Prozesse vom Proof of Concept in die Produktion bringen.

In der Agentic Enterprise schließlich sind Agenten nicht mehr auf einen Ablauf beschränkt, sondern mit Finance, Procurement, HR, Supply Chain, Customer Service und Engineering verbunden. SAP nennt das die Autonomous Enterprise und hat dafür auf der Sapphire 2026 eine eigene Plattform vorgestellt.

Der Unterschied liegt also nicht nur in der Intelligenz des Modells. Er liegt darin, wie tief KI in den tatsächlichen Ablauf eines Unternehmens eingebunden ist.

Warum gerade jetzt

Unternehmen verfügen inzwischen über sehr leistungsfähige Modelle, aber ein Modell allein reicht nicht. Es muss wissen, welche Daten relevant sind, wo sie liegen, was es tun darf, in welchem System es handeln soll, wann es stoppen muss und wie jeder Schritt dokumentiert wird.

Mistral beschreibt das Problem so: Viele Proof-of-Concepts funktionieren in einem Notebook, aber in der Produktion tauchen Prozesse auf, die ohne Spur scheitern, lang laufende Vorgänge, die einen Timeout nicht überstehen, mehrstufige Aktionen, die eine Freigabe brauchen, und fehlende Beobachtbarkeit.

SAP argumentiert in eine ähnliche Richtung, aber aus einer anderen Ecke: Das Problem ist nicht mehr nur, mehr Inhalte zu erzeugen, sondern die Menge an Informationen und Anwendungen zu bändigen, die Menschen täglich verarbeiten müssen. KI soll die Absicht verstehen und Systeme orchestrieren, statt nur noch mehr Assets zu produzieren.

Daraus lässt sich eine einfache Zeitleiste ableiten. 2023 und 2024 lautete die Frage: Kann das Modell etwas Brauchbares generieren? 2025 kam die nächste Frage hinzu: Kann das Modell sich mit Unternehmensdaten verbinden? 2026 lautet die entscheidende Frage: Kann das System einen Geschäftsprozess zuverlässig zu Ende bringen?

SAP: Wenn Unternehmenssoftware selbst agentisch wird

SAP beschreibt Joule nicht mehr nur als Assistenten, sondern als zentrale Oberfläche für Unternehmens-KI, während die Autonomous Suite komplette Geschäftsfunktionen übernimmt. Statt mehrere Systeme zu öffnen, um den Lagerbestand zu prüfen, kann ein Mitarbeitender fragen, welche Filialen von einem Produkt leer laufen und wo verschiebbarer Bestand liegt. Das System zieht laut SAP Daten aus mehreren Systemen zusammen und orchestriert die passenden Agenten.

Ein reales Beispiel dafür ist der türkische Modehändler LC Waikiki. Mitarbeitende mussten früher mehrere Systeme durchsuchen, um Verkaufs- und Beschaffungsdaten zusammenzuführen, eine einzelne Frage konnte bis zu zehn Minuten dauern. Heute fragen sie Joule, und aus zehn Minuten wurden rund drei Sekunden, bei 70 Prozent höherer operativer Effizienz und 50 Prozent weniger manuellen Fehlern.

Auffällig ist, dass SAP nicht einen einzigen Super-Agenten baut. Die Autonomous Suite umfasst mehr als 50 domänenspezifische Joule Assistants, die insgesamt über 200 spezialisierte Agenten in Finance, Supply Chain, Procurement, HCM und Customer Experience orchestrieren. Enterprise-KI entwickelt sich damit eher in Richtung Spezialisierung und Orchestrierung als in Richtung eines einzigen universellen Chatbots, der das ganze Unternehmen steuert.

SAP verknüpft die Plattform bewusst mit Geschäftskontext, Unternehmensdaten, Governance und sicherer Ausführung. Während Consumer-KI im Grunde bei prompt und response endet, sieht eine Enterprise-Agent-Kette eher so aus: Identität, Datenzugriff, Prozesskontext, Aktion, Nachvollziehbarkeit. Das ist der eigentliche Unterschied.

Mistral: Vom Modellanbieter zur Infrastruktur für Unternehmensprozesse

Workflows: der unsichtbare Teil der Agenten

Ob ein Prozess 30 Minuten, fünf Stunden oder mehrere Tage dauert, er muss seinen Zustand speichern, nach einem Fehler weiterlaufen können, den erreichten Schritt nicht verlieren, jede Aktion protokollieren, menschliche Freigaben einholen und Wiederholungsversuche verwalten können. Genau dafür hat Mistral Workflows gebaut, aufbauend auf der Temporal-Engine, die auch bei Netflix, Stripe und Salesforce läuft. Organisationen wie ASML, ABANCA, CMA-CGM, France Travail, La Banque Postale und Moeve nutzen es bereits für reale Prozesse, etwa die Freigabe von Frachtsendungen oder KYC-Prüfungen, laut Mistral mit Millionen Ausführungen pro Tag.

Enterprise-KI braucht Unternehmenswissen

Allgemeine Modelle sind überwiegend auf öffentlichen Informationen trainiert, während Unternehmen auf Engineering-Standards, Compliance-Richtlinien, Codebasen, operativen Prozessen und institutionellem Wissen aufbauen. Mit Forge, vorgestellt im März 2026 auf der Nvidia GTC, will Mistral Modelle ermöglichen, die auf genau diesem proprietären Wissen basieren. Zu den Partnern zählen ASML, Ericsson und die European Space Agency. Der Wettbewerb um Unternehmens-KI verschiebt sich damit von der Frage, wer das größte Modell hat, zu der Frage, wer den eigenen Kontext am besten versteht.

Search wird selbst agentisch

Klassisches Retrieval holt einige Textabschnitte und gibt sie dem Modell. Geschäftsprozesse arbeiten aber mit langen Verträgen, Rechnungen, Handbüchern, Berichten, Tabellen und internen Repositories. Mistrals Agentic Search sucht, navigiert, liest und verifiziert Informationen in mehreren Schritten, statt einmalig abzurufen. Im eigenen FinanceBench-Benchmark stieg die Korrektheit bei Fragen zu Finanzberichten dadurch von 26,7 auf 86 Prozent, bei gleichzeitig niedrigerer Latenz. In einem Finanz-, Rechts- oder Beschaffungsworkflow reicht es eben nicht, dass die KI etwas weiß. Sie muss zeigen können, wo sie es gefunden hat, was sie geprüft hat und ob es Widersprüche gibt.

Wenn Agenten auf 40.000 Zeilen Fortran treffen

Wie unfertig Autonomie in der Praxis noch ist, zeigt ein Fallbeispiel von Mistral selbst. Für einen europäischen Energiekonzern sollten Agenten 40.000 Zeilen eines physikalisch komplexen Fortran-77-Reservoirsimulators nach C++ migrieren, ohne Testsuite und ohne zentrale Dokumentation. Ein erster Versuch mit einem vollständig autonomen Agenten lieferte funktionierenden, aber schlecht modernisierten Code, und ein Multi-Agenten-Workflow blieb bei schwierigen Fehlern stecken. Erst ein numerischer Abgleich mit dem Originalcode als Referenz sowie ein Mensch, der feststeckende Agenten entblockte und jeden Pull Request prüfte, brachte das Projekt zum Abschluss. Das ist ein nützlicheres Bild von Agentic AI als jede Demo: leistungsfähig bei Dokumentation und Fleißarbeit, aber noch auf menschliche Aufsicht angewiesen, sobald es kompliziert wird.

Deutsche Telekom: Wenn zehn Agenten zum Managementproblem werden

Im September stellte die Deutsche Telekom zwei neue Plattformen vor: die T-AI Agent Platform von Telekom Business für den Mittelstand, die klar definierte Geschäftsprozesse automatisiert, und den T-AI Agentic Hub von T-Systems für Konzerne und den öffentlichen Sektor, der ganze Agentenlandschaften koordiniert. Sobald Unternehmen Agenten von verschiedenen Anbietern einsetzen, braucht es laut Telekom eine Leitstelle für Kosten, Zugriffsrechte, Verantwortlichkeiten, Nachvollziehbarkeit, Sicherheit und menschliche Aufsicht.

Banco Sabadell, Spaniens viertgrößte Bankengruppe, nutzt den Agentic Hub bereits für Agenten im Rechtswesen und im Kundenservice, die Dokumente analysieren, Informationen strukturieren und Fälle für Mitarbeitende vorbereiten. Die Bank betreibt die Plattform zunächst in eigenen Rechenzentren und testet neue Anwendungsfälle in der souveränen T Cloud der Telekom.

Ein einzelner KI-Agent ist ein Technologieprojekt. Hundert KI-Agenten werden zu einer Managementfrage.

Wie autonom darf autonom eigentlich sein?

Autonomie ist kein Schalter, sondern eine Skala. Auf der untersten Stufe schlägt ein Agent lediglich etwas vor. Eine Stufe darüber bereitet er etwas vor, und ein Mensch gibt frei. Danach handelt er innerhalb festgelegter Grenzen selbst. Auf der nächsten Stufe plant und führt er aus, eskaliert aber Ausnahmefälle. Nur bei sehr eng kontrollierten Anwendungsfällen kann ein Agent nahezu vollständig autonom arbeiten.

Die Telekom stellt die Frage direkt: Wie viel darf ein Agent selbst entscheiden, wenn er nicht mehr nur antwortet, sondern Aktionen in Unternehmenssystemen auslöst? Auch Mistral hat in Workflows menschliche Freigaben eingebaut, mit denen ein Prozess an genau der Stelle pausiert, an der ein Mensch entscheiden muss, etwa bevor eine Fracht freigegeben oder eine Kundenspezifikation final bestätigt wird.

Human-in-the-loop bedeutet dabei nicht, dass ein Mensch jede einzelne Aktion bestätigt. Müsste er bei jedem Schritt auf „Freigeben“ klicken, wäre die Automatisierung ihren Wert los. Ziel ist menschliches Urteilsvermögen dort, wo das Risiko es rechtfertigt: eine Routineantwort im Kundenservice kann weitgehend automatisiert laufen, eine kleine Rückerstattung innerhalb eines Limits ebenso, eine große Zahlung, eine rechtliche Entscheidung, das Löschen von Daten oder eine öffentliche Stellungnahme sollten dagegen eine Freigabe brauchen.

Siemens: Wenn Agenten nicht nur digitale Arbeit erledigen

Bislang ging es überwiegend um Wissensarbeit. Siemens zeigt, dass Agentic AI auch physische Technik erreicht. Im April 2026 stellte das Unternehmen auf der Hannover Messe den Eigen Engineering Agent vor, verbunden direkt mit der Engineering-Plattform TIA Portal, mit mehr als 600.000 Nutzern. Der Agent plant, führt aus, validiert und verfeinert PLC-Code, HMI-Visualisierungen und Gerätekonfigurationen, bis vorgegebene Qualitätsschwellen erreicht sind. Vor dem Marktstart war er bereits bei mehr als 100 Unternehmen in 19 Ländern im Pilotbetrieb, darunter der österreichische Anlagenbauer ANDRITZ Metals.

Im September kamen zwei weitere Beispiele hinzu. Mit Salesforce verbindet Siemens seinen digitalen Zwilling aus Teamcenter mit Agentforce, sodass ein Servicetechniker vor dem ersten Kundenbesuch das passende Ersatzteil für eine bestimmte Seriennummer kennt und ein Vertriebsmitarbeiter nur technisch mögliche Umbauten anbietet. Siemens-Chef Roland Busch beschreibt das als virtuellen Ingenieur in den Händen von Service und Vertrieb, mit dem Ziel, komplexe industrielle Abläufe von Wochen auf Stunden zu verkürzen.

Mit Procter & Gamble rollt Siemens ein KI-gestütztes Qualitätsinspektionssystem weltweit aus, das Produkte in Echtzeit bei voller Bandgeschwindigkeit prüft. Je nach Produkt sinkt die Ausschussrate um 10 bis 20 Prozent, und neue Anlagen lassen sich fünf- bis zehnmal schneller in Betrieb nehmen als mit klassischen, individuell gebauten Bildverarbeitungssystemen.

Von Proof of Concept zu Produktion: hier scheitern viele Projekte

Nicht jedes Unternehmen braucht sofort eine autonome Fabrik. Die realen Probleme sind meist einfacher.

Wenn der menschliche Prozess selbst unklar ist, macht KI daraus kein System, sondern automatisiert das Chaos. Wenn Unternehmensdaten über CRM, ERP, SharePoint, E-Mail, Data Warehouse und PDFs verstreut sind, muss ein Agent erst wissen, welche Quelle gilt. Wenn Rechte und Identitäten fehlen, braucht es least privilege, rollenbasierten Zugriff und eng begrenzte Werkzeuge statt universellen Zugangs. Wenn es keine definierten Eskalationen gibt, bleibt offen, was bei niedriger Konfidenz, widersprüchlichen Quellen oder Ausnahmefällen passiert. Und wenn Erfolg an der Zahl der Prompts, Nutzer oder erzeugten Inhalte gemessen wird, statt an Bearbeitungszeit, Fehlerquote, entfernten manuellen Schritten, Eskalationen, Kosten pro Fall und Lösungszeit für Kunden, lässt sich der eigentliche Wert eines Agenten kaum belegen.

Genau diese fünf Punkte trennen Experimentierfreude von tatsächlichem Betrieb.

Governance wird Teil der Architektur

Governance bedeutet hier nicht in erster Linie Regulierung, sondern die operative Frage: Wer darf was, mit welchen Daten, mit welchem Modell und mit welcher Verantwortung tun? Dazu gehören eine eigene Identität für jeden Agenten, klar definierte Berechtigungen, ein Audit-Log, mit dem sich jeder Schritt rekonstruieren lässt, die bewusste Wahl des Modells je Aufgabe, die Frage, wo Daten verarbeitet werden, festgelegte Momente für menschliche Freigabe, Kostenkontrolle und Monitoring, das erkennt, wenn ein Agent beginnt, sich anders zu verhalten als erwartet.

Die Telekom baut genau diese Logik in den Agentic Hub, mit Transparenz über Kosten, Zuständigkeiten und Zugriffsrechte. Mistral verknüpft souveräne Unternehmens-KI mit Kontrolle über Daten, Modelle, Rechenkapazität und Produktivsysteme. Governance ist nicht die Bremse autonomer KI, sondern die Voraussetzung dafür, dass ein Unternehmen ihr überhaupt mehr Autonomie geben kann.

Europas Besonderheit: Kontrolle als Produktmerkmal

Viele europäische Unternehmen behandeln Souveränität, Einsatzflexibilität, private Infrastruktur, offene Modelle, Datenkontrolle und Nachvollziehbarkeit inzwischen nicht als Last, sondern als Produkteigenschaft. Mistral kündigte im August 2026 an, bis 2030 bis zu ein Gigawatt souveräne europäische Rechenkapazität aufzubauen, mit regionalem Routing für Anfragen und einer Priority-Kapazität für kritische Dienste, und öffnet die eigene Infrastruktur zugleich für ausgewählte fremde offene Modelle. Das Unternehmen unterstützt inzwischen mehr als 125 Organisationen bei geschäftskritischen KI-Einsätzen, darunter Airbus, ASML und HSBC, und ist in 20 Ländern aktiv.

Für europäische Unternehmen lautet die Frage vielleicht nicht, ob Kontrolle Innovation verlangsamt, sondern ob Kontrolle überhaupt erst die Voraussetzung schafft, KI in kritische Prozesse zu bringen.

Was Unternehmen jetzt konkret tun sollten

Fünf Schritte, in dieser Reihenfolge.

Erstens Prozess vor Technologie. Nicht „wir brauchen einen KI-Agenten“, sondern: welcher Prozess kostet zu viel Zeit, enthält wiederholbare Entscheidungen und hat klare Ein- und Ausgaben?

Zweitens Risiko definieren. Was kann schiefgehen, lässt sich die Aktion rückgängig machen, wie hoch ist der finanzielle Impact, sind sensible Daten betroffen, gibt es direkten Kundeneinfluss?

Drittens den Autonomiegrad wählen, also festlegen, was der Agent übernimmt und was beim Menschen bleibt.

Viertens die Infrastruktur bauen: Anbindungen, Berechtigungen, Protokollierung, Orchestrierung, Modellzugang, Monitoring.

Fünftens erst dann skalieren, nicht fünfzig Agenten gleichzeitig, sondern ein Workflow, Messwerte, daraus lernen, dann der nächste Workflow.

Was sich für Mitarbeitende tatsächlich verändert

Die Frage ist nicht, ob KI den Job übernimmt, sondern wohin sich ein Teil der Arbeit verschiebt: von Ausführung zu Aufsicht, Ausnahmebehandlung und Urteilsvermögen. Wo Mitarbeitende früher ein Dokument suchten, Daten abtippten, ein System prüften, ein Formular ausfüllten und eine Anfrage verschickten, beschäftigen sie sich mit einem Agenten stattdessen mit Ausnahmefällen, uneindeutigen Fällen, Kundenkontext und Qualität. SAP beschreibt die Autonomous Enterprise genau so: Agenten übernehmen kritische Arbeitsabläufe, Menschen konzentrieren sich stärker auf Innovation, Kundennutzen und Urteilsvermögen. Das ist allerdings die Art, wie diese Unternehmen das neue Arbeitsmodell entwerfen, nicht eine Garantie, dass es überall genauso kommt.

Der eigentliche Wettbewerb beginnt erst jetzt

In der ersten Phase konnten Unternehmen weitgehend dieselben Modelle nutzen, ChatGPT, Claude, Gemini und andere. Der Unterschied zwischen ihnen war gering. Mit Agentic AI kann der Vorteil zunehmend aus etwas anderem kommen: aus eigenen Daten, eigenen Prozessen, internem Wissen, Integrationsqualität, Governance, Workflow-Design und der Fähigkeit, Entscheidungen zuverlässig in Handlung zu übersetzen. Mistrals Forge und SAPs Business-Kontext zielen genau auf diesen Punkt.

Wenn jedes Unternehmen Zugriff auf leistungsfähige Modelle hat, wird das Modell selbst weniger differenzierend. Differenzierend wird, was ein Unternehmen damit verbindet: seine Daten, seine Prozesse, sein Wissen und seine Fähigkeit, Entscheidungen zuverlässig in Handlung zu übersetzen.

Die KI verlässt den Chat

Der Copilot war die einfachste Form, KI in Unternehmen sichtbar zu machen. Die nächste Phase ist weniger spektakulär, aber vermutlich weit bedeutender: KI verschwindet zunehmend hinter den Prozessen, die sie unterstützt.

Ob eine Bestellung geprüft, ein technisches System konfiguriert, ein Kundenfall vorbereitet oder ein Produktionsprozess optimiert wird, entscheidet sich der Wert nicht daran, wie beeindruckend eine Antwort klingt. Entscheidend ist, ob der gesamte Ablauf zuverlässig funktioniert.

Genau deshalb verschiebt sich die Frage für europäische Unternehmen. Nicht mehr: Welches KI-Modell sollen wir einsetzen? Sondern: Welchen Prozess können wir KI anvertrauen, unter welchen Bedingungen und mit welcher Kontrolle?

Auf einen Blick

Wo wir bei agentivo.ai ansetzen

In Gesprächen mit Industrieunternehmen aus dem DACH-Raum kommt selten die Frage nach dem größten verfügbaren Modell. Häufiger geht es um genau die Punkte aus diesem Artikel: welcher Prozess sich überhaupt eignet, wo eine Freigabe hingehört und wie ein Agent nachvollziehbar bleibt. Auf dieser Ebene arbeitet agentivo.ai, mit Chatbots und Agenten, die an bestehende Systeme angebunden und im laufenden Betrieb begleitet werden, statt nach der Demo allein gelassen zu werden.

Quellen und weiterführende Informationen

• SAP: SAP Unveils the Autonomous Enterprise, Presseinformation, Mai 2026
• SAP: The Future of the Enterprise Is Autonomous, SAP News Center, Mai 2026
• Mistral AI: Workflows for work that runs the business, April 2026
• Mistral AI: Introducing Forge, März 2026
• Mistral AI: Introducing Agentic Search, August 2026
• Mistral AI: Modernizing complex legacy code with AI agents, September 2026
• Mistral AI: In-region inference, open models, and new European infrastructure, August 2026
• Deutsche Telekom: Viele KI-Agenten, eine Leitstelle, September 2026
• Deutsche Telekom: Wie viel darf ein KI-Agent allein entscheiden?, September 2026
• Siemens: Siemens brings AI to the physical world with Eigen Engineering Agent, April 2026
• Salesforce: Siemens and Salesforce Deepen AI Partnership, 15. September 2026
• Industry EMEA: Siemens and P&G Scale AI Quality Inspection Globally, 16. September 2026