Vom KI-Assistenten zum KI-Agenten: Wie Agentic AI die Innovationsarbeit verändert

Wenn KI nicht mehr nur antwortet

Die erste Generation generativer KI wird in Unternehmen heute vor allem als Assistent eingesetzt. Ein Mensch stellt eine Frage, gibt eine Aufgabe vor oder liefert ein Dokument. Das KI-System analysiert die Eingabe und erzeugt eine Antwort.

Das kann bereits sehr leistungsfähig sein. Trotzdem bleibt der Mensch für den eigentlichen Arbeitsprozess verantwortlich. Er entscheidet, welche Informationen benötigt werden, stellt die nächste Frage, überträgt Ergebnisse in andere Systeme und führt die folgenden Arbeitsschritte aus.

Bei Agentic AI verschiebt sich diese Grenze.

Das amerikanische National Institute of Standards and Technology (NIST) beschreibt Agentic AI als KI-Systeme, die Ziele verfolgen und innerhalb eines definierten Rahmens selbstständig Aktionen ausführen können. Dazu werden KI-Modelle mit weiteren Komponenten und Werkzeugen verbunden. Ein Agent kann beispielsweise Informationen recherchieren, Datenbanken abfragen, Berechnungen durchführen, Ergebnisse analysieren oder über Schnittstellen andere Systeme nutzen. [1]

Ein einfaches Beispiel zeigt den Unterschied.

Um dieses Ziel zu erreichen, muss das System mehrere Schritte durchführen. Es muss Informationen suchen, Quellen beurteilen, Ergebnisse strukturieren, Zusammenhänge herstellen und daraus eine Antwort entwickeln.

Der wesentliche Unterschied liegt deshalb weniger in einem einzelnen leistungsfähigeren KI-Modell. Entscheidend ist die Fähigkeit, mehrere Arbeitsschritte zu einem Prozess zu verbinden.

Was einen KI-Agenten auszeichnet

Der Begriff AI Agent wird inzwischen sehr grosszügig verwendet. Nicht jedes System, das unter dieser Bezeichnung angeboten wird, arbeitet tatsächlich weitgehend autonom.

Typische Agentensysteme kombinieren mehrere Fähigkeiten.

Warum Agentic AI für Innovationsarbeit interessant ist

Innovationsarbeit ist in vielen Unternehmen ausserordentlich informationsintensiv.

Neue Technologien müssen beobachtet, Marktveränderungen verstanden, Wettbewerber analysiert und interne Erfahrungen berücksichtigt werden. Aus diesen Informationen entstehen Chancen und Ideen. Diese müssen wiederum bewertet, priorisiert und mit bestehenden Initiativen verglichen werden.

Viele dieser Tätigkeiten bestehen aus wiederkehrenden Recherche-, Analyse- und Bewertungsaufgaben. Genau hier können Agenten interessant werden.

Die aktuelle Deloitte-Studie "State of AI in the Enterprise 2026" zeigt allerdings auch, wo Unternehmen heute tatsächlich stehen. 66 Prozent der befragten Organisationen berichten von Produktivitäts- und Effizienzsteigerungen durch KI. 53 Prozent sehen Verbesserungen bei Insights und Entscheidungsfindung. Verbesserungen bei Produkten, Dienstleistungen und Innovation nennen dagegen erst 20 Prozent. Befragt wurden 3'235 Führungskräfte aus 24 Ländern. [3]

Das ist ein bemerkenswerter Unterschied.

Viele Unternehmen haben gelernt, mit KI bestehende Tätigkeiten schneller auszuführen. Die anspruchsvollere Aufgabe besteht nun darin, KI sinnvoll in Wissens-, Innovations- und Entscheidungsprozesse zu integrieren.

Gartner sieht beispielsweise in Forschung und Entwicklung Potenzial für agentische Systeme, die Aufgaben von der Ideenentwicklung über Planung bis hin zum Design unterstützen können. [4]

Für das Innovationsmanagement lassen sich bereits heute mehrere konkrete Anwendungsfelder erkennen.

1. Kontinuierliches Trend- und Technology Scouting

Professionelles Scouting ist arbeitsintensiv. Relevante Informationen finden sich in Fachpublikationen, Nachrichten, Patenten, wissenschaftlichen Arbeiten, Start-up-Datenbanken, Marktstudien und vielen weiteren Quellen.

In der Praxis entsteht daraus schnell ein Kapazitätsproblem. Niemand kann alle potenziell relevanten Quellen kontinuierlich beobachten.

Ein Scouting-Agent kann einen Teil dieser Arbeit übernehmen. Er kann definierte Quellen regelmässig untersuchen, neue Informationen erfassen, ähnliche Inhalte zusammenführen und Veränderungen gegenüber früheren Beobachtungen hervorheben.

Damit verschiebt sich die Arbeit des Menschen. Weniger Zeit wird für die reine Informationssuche benötigt. Mehr Aufmerksamkeit kann auf die Beurteilung der eigentlichen Frage verwendet werden:

"Welche dieser Entwicklungen ist für unser Unternehmen relevant und warum?"

2. Von Signalen zu konkreten Geschäftschancen

Ein Trend allein ist noch keine Opportunity.

Eine neue Technologie kann interessant sein, ohne für das eigene Unternehmen irgendeine wirtschaftliche Bedeutung zu haben. Erst die Verbindung mit Kundenproblemen, vorhandenen Kompetenzen, strategischen Zielen und Marktbedingungen macht daraus eine potenzielle Geschäftschance.

Agentische Systeme können helfen, solche Verbindungen systematischer herzustellen.

Ein Agent untersucht beispielsweise technologische Entwicklungen. Ein anderer analysiert Marktveränderungen oder Kundenbedürfnisse. Ein weiterer gleicht die Erkenntnisse mit vorhandenem Unternehmenswissen ab.

Aus einer grossen Menge einzelner Informationen entsteht dadurch schrittweise ein strukturierteres Bild.

Für das Innovationsmanagement ist das besonders interessant. Der Wert liegt nicht darin, noch mehr Informationen zu sammeln. Entscheidend ist, aus vorhandenen Informationen relevante Zusammenhänge zu erkennen.

3. Ideen schneller zu belastbaren Konzepten entwickeln

Viele Innovationsideen beginnen mit wenigen Sätzen.

Bis daraus eine belastbare Entscheidungsgrundlage entsteht, müssen zahlreiche Fragen beantwortet werden. Welches Problem wird tatsächlich gelöst? Für welche Zielgruppe? Welche Alternativen gibt es bereits? Welche Technologien sind notwendig? Welche Annahmen sind unsicher?

Agenten können diese Arbeit unterstützen.

Eine erste Idee lässt sich beispielsweise mit Marktinformationen, Wettbewerbsangeboten, technologischen Entwicklungen und vorhandenem Unternehmenswissen anreichern. Daraus kann ein strukturierter Opportunity Case entstehen.

Wichtig ist die Unterscheidung zwischen Generieren und Validieren. Ein plausibel formulierter Business Case ist noch kein Beweis dafür, dass eine Geschäftschance tatsächlich existiert. Annahmen müssen weiterhin überprüft werden.

Gerade hier kann KI jedoch einen wertvollen Beitrag leisten. Sie hilft, Annahmen schneller sichtbar zu machen und daraus konkrete Fragen für die Validierung abzuleiten.

4. Ideen und Opportunities systematischer bewerten

Innovationsorganisationen leiden selten unter einem vollständigen Mangel an Ideen. Häufiger besteht das Problem darin, die richtigen auszuwählen.

Welche Initiative passt zur Strategie? Wo ist das Marktpotenzial am grössten? Welche technologischen Risiken bestehen? Welche Kompetenzen fehlen? Wo werden Ressourcen gebunden, ohne dass ein ausreichender Nutzen zu erwarten ist?

Agenten können die dafür benötigten Informationen zusammentragen und Bewertungen anhand definierter Kriterien vorbereiten.

Das bedeutet nicht, dass ein Algorithmus über Investitionen entscheiden sollte.

Strategische Entscheidungen enthalten Faktoren, die sich nicht vollständig quantifizieren lassen. Erfahrung, Risikobereitschaft, Unternehmenspolitik und manchmal auch Intuition spielen weiterhin eine Rolle.

KI kann aber dazu beitragen, die Informationsbasis zu verbessern und Inkonsistenzen sichtbar zu machen. Eine Managemententscheidung wird dadurch nicht automatisiert, sondern besser vorbereitet.

5. Innovationsportfolios kontinuierlich beobachten

Portfolio Management findet in vielen Unternehmen periodisch statt. Projekte werden beispielsweise quartalsweise bewertet und anschliessend bis zum nächsten Review weitergeführt.

Das Umfeld arbeitet jedoch nicht im Quartalsrhythmus.

Neue Wettbewerber treten auf. Technologien entwickeln sich schneller als erwartet. Kundenbedürfnisse verändern sich. Regulatorische Rahmenbedingungen können sich verschieben.

Agentische Systeme ermöglichen hier einen kontinuierlicheren Ansatz.

Ein Agent könnte beobachten, ob neue externe Informationen bestehende Annahmen eines Projekts beeinflussen. Er könnte darauf hinweisen, wenn sich Marktbedingungen verändern oder mehrere Projekte zunehmend ähnliche Ziele verfolgen.

Die entscheidende Frage lautet dann nicht mehr nur:

"Wie bewerten wir dieses Projekt heute?"

Zusätzlich lässt sich kontinuierlich fragen:

"Was hat sich seit unserer letzten Bewertung verändert?"

Vom einzelnen Agenten zum digitalen Innovationsteam

Eine besonders interessante Entwicklung sind Multi-Agent-Systeme.

Dabei versucht nicht ein einzelner universeller Agent, sämtliche Aufgaben zu lösen. Mehrere spezialisierte Agenten übernehmen unterschiedliche Rollen und tauschen Ergebnisse miteinander aus.

Dieses Prinzip wird inzwischen auch in der wissenschaftlichen Forschung untersucht.

2026 wurde in Nature das System Robin vorgestellt. Es kombiniert spezialisierte Agenten für Literaturrecherche und Datenanalyse und wurde bei der Suche nach potenziellen therapeutischen Kandidaten für altersbedingte Makuladegeneration eingesetzt. Das System kann wissenschaftliche Literatur untersuchen, Hypothesen entwickeln, Experimente vorschlagen und Ergebnisse analysieren. [5]

Eine weitere 2026 in Nature veröffentlichte Arbeit mit dem Namen Paper2Agent untersucht, wie wissenschaftliche Publikationen in interaktive KI-Agenten überführt werden können. Dadurch sollen Methoden und Daten aus Forschungsarbeiten nicht nur gelesen, sondern direkt durch KI-Systeme genutzt werden können. [6]

Auch Nature Biotechnology beschäftigt sich inzwischen mit agentischen Systemen als möglichen digitalen Teams für wissenschaftliche Arbeit. Diskutiert werden unter anderem Literaturrecherche, Hypothesenbildung, Datenanalyse und Modellinterpretation. [7]

Diese Forschungsbeispiele lassen sich nicht direkt auf einen betrieblichen Innovationsprozess übertragen. Sie zeigen jedoch ein wichtiges Prinzip: Wissensarbeit muss künftig nicht zwingend von einem einzelnen KI-System unterstützt werden. Spezialisierte Agenten können unterschiedliche Aufgaben innerhalb eines gemeinsamen Prozesses übernehmen.

Der Mensch bleibt Teil des Systems

Mit zunehmender Autonomie stellt sich zwangsläufig die Frage nach der Rolle des Menschen.

Eine vollständige Automatisierung ist dabei weder für jeden Prozess sinnvoll noch technisch notwendig.

Bei einer Recherche kann ein Agent weitgehend selbstständig arbeiten. Bei einer Bewertung sollte ein Mensch die Ergebnisse überprüfen. Bei einer strategischen Investitionsentscheidung sollte die Verantwortung eindeutig beim Management bleiben.

Deloitte beschreibt eine ähnliche Entwicklung. Mit zunehmendem Einsatz von KI verschiebt sich menschliche Arbeit stärker in Richtung Urteilsvermögen, Ausnahmebehandlung und strategische Kontrolle. [3]

Die interessante Frage lautet deshalb nicht, wie viel menschliche Arbeit ersetzt werden kann. Für Unternehmen ist wichtiger, welche Aufgaben Maschinen besser übernehmen und an welchen Stellen menschliches Wissen und Verantwortung den grössten Wert schaffen.

Ohne gute Daten funktionieren auch gute Agenten nicht

Die Leistungsfähigkeit eines Agenten hängt wesentlich davon ab, auf welche Informationen er zugreifen kann.

Das wird im Unternehmensumfeld schnell zum Problem.

Marktanalysen liegen in Präsentationen. Projekterfahrungen befinden sich in SharePoint oder Teams. Kundeninformationen stehen im CRM. Technologiebewertungen liegen als Excel-Dateien vor. Ein Teil des relevanten Wissens befindet sich nur in den Köpfen einzelner Fachpersonen.

Ein KI-Agent kann solche organisatorischen Grenzen nicht einfach aufheben.

Deloitte nennt deshalb eine einheitliche und vertrauenswürdige Datenstrategie als wichtige Voraussetzung für skalierbare KI. Dazu gehören Datenqualität, Interoperabilität, nachvollziehbare Herkunft und der Abbau isolierter Datensilos. [3]

Für Innovationsorganisationen ergibt sich daraus eine klare Konsequenz.

Bevor über hochautonome Agenten nachgedacht wird, sollte geklärt sein, welches Wissen vorhanden ist, wo es liegt, wer darauf zugreifen darf und wie unterschiedliche Informationen miteinander verbunden werden können.

Agentic AI macht gutes Wissensmanagement nicht überflüssig. Es macht dessen Bedeutung noch sichtbarer.

Mehr Autonomie verlangt bessere Governance

Ein Agent, der nur Informationen lesen darf, besitzt ein anderes Risikoprofil als ein Agent, der Daten verändern, Nachrichten verschicken oder Aktionen in Geschäftssystemen auslösen kann.

OWASP nennt für AI Agents unter anderem Prompt Injection, den Missbrauch von Werkzeugen und Berechtigungen, Datenabfluss, manipuliertes Gedächtnis, übermässige Autonomie sowie kaskadierende Fehler in Multi-Agent-Systemen als relevante Risiken. Zu den empfohlenen Schutzmassnahmen gehören minimale Berechtigungen, menschliche Freigaben für sensible Aktionen, Überwachung und eine klare Trennung kritischer Funktionen. [8]

Auch NIST untersucht sogenannte Agent-Hijacking-Angriffe. Dabei werden Agenten über manipulierte externe Inhalte dazu gebracht, Aktionen auszuführen, die ursprünglich nicht vorgesehen waren. [9]

Für Unternehmen ergibt sich daraus eine sehr praktische Regel:

Technische Möglichkeiten sollten nicht automatisch mit Berechtigungen gleichgesetzt werden.

Fazit: Agentic AI verändert den Prozess, nicht nur das Werkzeug

Generative KI hat den Zugang zu Wissen deutlich vereinfacht. Agentic AI setzt an einem anderen Punkt an. Sie verbindet einzelne KI-Fähigkeiten zu Arbeitsabläufen.

Für das Innovationsmanagement ist das relevant, weil viele Tätigkeiten genau aus solchen Abläufen bestehen. Informationen werden gesucht, bewertet, miteinander verbunden und in Entscheidungen überführt.

Scouting kann kontinuierlicher werden. Opportunities lassen sich systematischer aus externen und internen Informationen ableiten. Ideen können schneller analysiert werden. Veränderungen im Portfolio werden früher sichtbar.

Wie gross der tatsächliche Nutzen sein wird, hängt allerdings weniger von der Anzahl eingesetzter Agenten ab als von der Qualität des zugrunde liegenden Systems. Dazu gehören verlässliche Informationen, klar definierte Prozesse, geeignete Berechtigungen und eindeutige menschliche Verantwortung.

Agentic AI ist deshalb nicht einfach die nächste Version eines Chatbots.

Sie ist ein möglicher Baustein für eine neue Form der Zusammenarbeit zwischen Menschen, Unternehmenswissen und künstlicher Intelligenz.