Reicht ChatGPT oder ein anderes Sprachmodell für Agentic AI aus?

Nein. Ein Sprachmodell wie ChatGPT beantwortet Fragen auf Basis von Text, den es im Prompt oder in seinem Training erhalten hat. Ein KI-Agent hingegen muss eigenständig planen, mehrere Informationsquellen kombinieren, Entscheidungen treffen und Aktionen in echten Unternehmenssystemen auslösen, etwa in ERP, CRM, PIM oder DAM. Dafür braucht er drei Dinge, die ein Sprachmodell allein nicht mitbringt: strukturiertes und aktuelles Unternehmenswissen, definierte Zugriffsrechte und Schnittstellen zu den relevanten Systemen sowie klare organisatorische Vorgaben, welche Entscheidungen er treffen darf. Fehlt eine dieser Voraussetzungen, bleibt der Agent auf das Niveau eines Assistenten beschränkt, der Vorschläge macht, statt Aufgaben eigenständig abzuschließen.

Was ist Kontext-Engineering und warum ist es für KI-Agenten wichtig?

Kontext-Engineering bezeichnet die gezielte Auswahl, Strukturierung und Bereitstellung genau der Informationen, die ein KI-Agent für eine konkrete Aufgabe benötigt, zum richtigen Zeitpunkt und in der richtigen Form. Es unterscheidet sich damit von reinem Datenmanagement, das Informationen sammelt und speichert, aber nicht zwangsläufig aufbereitet. Ein Agent, der eine Kampagnenempfehlung erstellen soll, benötigt beispielsweise nicht die gesamte Produktdatenbank, sondern die für diese eine Aufgabe relevanten Attribute, Bilder und Kampagnenrichtlinien in einer Form, die er direkt verarbeiten kann. Gutes Kontext-Engineering reduziert Fehlentscheidungen, senkt die Zahl nötiger Rückfragen und ist damit eine Grundvoraussetzung für verlässliche Agentic AI.

Warum spielen Datenqualität und Wissensmanagement eine so große Rolle für KI-Agenten?

KI-Agenten treffen ihre Entscheidungen ausschließlich auf Basis des Kontexts, der ihnen zur Verfügung steht. Liegen Daten veraltet, unvollständig, widersprüchlich oder isoliert in einzelnen Systemen vor, überträgt sich diese Schwäche direkt auf die Ergebnisse des Agenten, oft ohne dass dies auf den ersten Blick auffällt. Anders als bei einem menschlichen Mitarbeitenden fehlt dem Agenten in der Regel das Erfahrungswissen, um schlechte Datenlage zu erkennen und zu hinterfragen. Eine saubere, strukturierte und verknüpfte Datenbasis über Systeme wie PIM, DAM, ERP und CRM hinweg ist deshalb keine technische Nebensache, sondern die Grundlage, auf der die Verlässlichkeit von Agentic AI im Unternehmen steht.

Welche organisatorischen Voraussetzungen braucht Agentic AI neben der Technologie?

Agentic AI verändert Arbeitsweisen, Rollen und Verantwortlichkeiten, weil Aufgaben, die bisher Menschen erledigt haben, an Agenten übergehen. Unternehmen benötigen deshalb klar definierte Geschäftsziele für den Einsatz von Agenten, eine Priorisierung geeigneter Prozesse, festgelegte Verantwortlichkeiten für Entscheidungen des Agenten, eine funktionierende Governance sowie Maßnahmen, um Akzeptanz bei den Mitarbeitenden zu schaffen. In der Praxis scheitern viele KI-Initiativen nicht an der Technik, sondern daran, dass diese organisatorische Einbettung fehlt und Agenten ohne klare Regeln in bestehende Prozesse eingeführt werden.

Wie starten Unternehmen am besten mit Agentic AI?

Der erfolgreichste Einstieg beginnt nicht mit einer möglichst breiten Einführung, sondern mit einem klar abgegrenzten, gut dokumentierten Use Case und einer ehrlichen Bewertung der eigenen Agentic Readiness in allen drei Dimensionen: Wie gut ist die relevante Datenbasis strukturiert und zugänglich? Gibt es klare Verantwortlichkeiten und Ziele für den Einsatz? Und verfügt die technische Infrastruktur über die nötigen Schnittstellen zu den betroffenen Systemen? Aus den Ergebnissen dieser Bestandsaufnahme lässt sich priorisieren, wo zuerst investiert werden sollte, bevor der erste Agent in den produktiven Einsatz geht.

Welche Rolle spielt das Model Context Protocol (MCP) bei Agentic Readiness?

Das Model Context Protocol ist ein offener Standard, der KI-Agenten einen einheitlichen Zugriff auf externe Systeme und Datenquellen ermöglicht, statt für jede Anbindung eine individuelle Schnittstelle zu entwickeln. Für Unternehmen, die Agenten an mehrere Systeme wie PIM, DAM oder CRM gleichzeitig anbinden wollen, reduziert MCP den Integrationsaufwand erheblich und wird damit zu einem praktischen Baustein der Dimension Technologie & Delivery innerhalb der Agentic Readiness.

Insights / Artikel

Agentic AI beginnt nicht mit KI – sondern mit guter Digitalisierung

Seit vielen Jahren begleiten wir Unternehmen dabei, komplexe digitale Plattformen aufzubauen. Wir strukturieren Produktdaten, integrieren Systeme, entwickeln E-Commerce-Lösungen, schaffen moderne Softwarearchitekturen und begleiten organisatorische Veränderungen.

Lange bevor Begriffe wie Agentic AI oder KI-Agenten entstanden sind, haben wir damit die Grundlagen geschaffen, auf denen diese Technologien heute aufbauen. Denn autonome KI-Agenten entstehen nicht im luftleeren Raum, se benötigen hochwertige Daten, vernetzte Systeme, klare Prozesse und eine Organisation, die Veränderungen aktiv gestaltet.

Genau deshalb sprechen wir heute über Agentic Readiness.

Illustration eines freundlichen Roboters in Weiß und Türkis, der auf einer gelben Kugel balanciert und den Daumen nach oben zeigt. Rechts daneben befindet sich eine grüne Sprechblase mit einem weißen Häkchen. Der Hintergrund ist in verschiedenen Grüntönen gestaltet und vermittelt eine positive, bestätigende Botschaft.

Die nächste Entwicklungsstufe der KI beginnt nicht mit dem Modell

In den vergangenen zwei Jahren haben viele Unternehmen erste Erfahrungen mit generativer KI gesammelt. Texte erstellen, Informationen recherchieren, Code generieren oder Marketinginhalte entwickeln – Conversational AI ist in vielen Bereichen bereits ein fester Bestandteil des Arbeitsalltags.

Doch die Entwicklung geht weiter. Die nächste Generation von KI-Systemen beantwortet nicht nur Fragen, sondern kann Aufgaben eigenständig planen, Informationen aus verschiedenen Quellen kombinieren und Aktionen über Systemgrenzen hinweg ausführen. Diese sogenannten KI-Agenten (Agentic AI) werden in den kommenden Jahren viele Geschäftsprozesse nachhaltig verändern.

Die entscheidende Frage lautet deshalb nicht mehr:

“Welches KI-Modell setzen wir ein?”,

sondern:

“Ist unser Unternehmen überhaupt bereit für Agentic AI?”

Genau hier setzt das Konzept der Agentic Readiness an.

Was bedeutet Agentic Readiness?

Agentic Readiness beschreibt den Reifegrad eines Unternehmens für den produktiven Einsatz autonomer KI-Agenten. Es geht um das Zusammenspiel aus Daten, Organisation und Systemlandschaft, das darüber entscheidet, ob ein KI-Agent im Alltag tatsächlich Mehrwert schafft oder ein Pilotprojekt bleibt.

Ein KI-Agent muss Unternehmenswissen verstehen, auf verschiedene System zugreifen, Informationen bewerten, Entscheidungen treffen und Prozesse anstoßen. Jede dieser Fähigkeiten hängt an Voraussetzungen, die viele Unternehmen heute erst aufbauen.

Drei Dimensionen bestimmen, wie gut ein Unternehmen darauf vorbereitet ist und machen aus einer KI-Anwendung einen echten digitalen Mitarbeiter:

Daten & Wissen
Strategie & Organisation
Technologie & Delivery

Warum ChatGPT allein nicht ausreicht

Ein Sprachmodell beantwortet Fragen. Ein KI-Agent handelt. Er plant Teilschritte, kombiniert Informationen aus mehreren Quellen und führt Aktionen über Systemgrenzen hinweg aus. Diese Autonomie verändert die Anforderungen fundamental. Die entscheidende Frage lautet deshalb nicht mehr, welches Modell zum Einsatz kommt, sondern ob das Unternehmen die Grundlagen dafür geschaffen hat, dass ein Agent verlässlich arbeiten kann.

Die drei Dimensionen der Agentic Readiness

Dimension 1: Daten & Wissen – Der Treibstoff für KI-Agenten

Pyramidenmodell zur Daten- und Wissensreife für Agentic AI. Von unten nach oben entwickeln sich Rohdaten über strukturierte Daten und eine Wissensbasis zu relevantem Kontext für Agenten. Jede Stufe erhöht die Verfügbarkeit, Verlässlichkeit, Nutzbarkeit und Handlungsfähigkeit von KI-Systemen. Kernaussage: „Ohne Kontext arbeitet KI nur mit Vermutungen.“

Die Qualität eines KI-Agenten hängt unmittelbar von der Qualität seines Kontexts ab. In unseren Projekten erleben wir immer wieder dieselbe Situation. Unternehmen verfügen bereits über wertvolle Informationen – verteilt auf ERP, PIM, DAM, CRM, Commerce-Plattformen oder individuelle Fachanwendungen.

Die Herausforderung besteht selten darin, Daten zu beschaffen.

Die eigentliche Herausforderung besteht darin, sie über Systemgrenzen hinweg verfügbar, konsistent und verständlich zu machen.

Genau diese Arbeit bildet heute die Grundlage für Agentic AI. Ohne Kontext arbeitet KI nur mit Vermutungen.

Dimension 2: Strategie & Organisation – Menschen bleiben im Mittelpunkt

Infografik zu „Agentic AI Readiness“: Im Zentrum steht „Menschen im Zentrum – Werthaltige Zusammenarbeit mit Agentic AI“. Darum angeordnet sind fünf Erfolgsfaktoren: (1) Ziele und Nutzen, (2) Use Cases und Priorisierung, (3) Rollen und Verantwortung, (4) Governance und Standards sowie (5) Change und Kultur. Pfeile bilden einen Kreislauf und verdeutlichen die Wechselwirkung der Faktoren. Unten steht die Kernaussage: „Agentic AI wird wirksam, wenn Strategie und Organisation den Wandel ermöglichen.“

Agentic AI verändert Arbeitsweisen, Rollen und Verantwortlichkeiten. Wer Aufgaben an Agenten überträgt, muss klären, welche Geschäftsziele damit verfolgt werden, welche Prozesse sich überhaupt eignen, wer die Verantwortung trägt und wie die Governance aussieht. Auch die Frage, wie Mitarbeitende den Wandel mittragen, gehört hierher.

Viele KI-Initiativen scheitern nicht an der Technologie, sondern an fehlender strategischer Einbettung. Erfolgreiche Unternehmen starten deshalb nicht mit möglichst vielen Use Cases gleichzeitig, sondern mit klar priorisierten Anwendungsfällen und definierten Verantwortlichkeiten. Technologie allein reicht dafür nicht aus.

Agentic AI entfaltet ihren Mehrwert dort, wo Technologie und Organisation gemeinsam weiterentwickelt werden.

Dimension 3: Technologie & Delivery – Systeme intelligent verbinden

Infografik zum Arbeitsablauf von Agentic AI. Ein zentraler Agent durchläuft einen kontinuierlichen Kreislauf aus fünf Schritten: Aufgabe verstehen, auf Daten und Wissen zugreifen, Aktionen in Prozessen und Systemen ausführen, Ergebnisse messen und prüfen sowie lernen und verbessern. Die Anbindung erfolgt über eine API-/Schnittstellenebene zu Legacy-Systemen, Wissen, Anwendungen, Cloud-Diensten, Partnern und Automatisierungslösungen.

Damit KI-Agenten produktiv arbeiten können, benötigen sie Zugriff auf die Systeme, in denen das Unternehmenswissen gespeichert ist: ERP, PIM, DAM, CRM, Webshops, DMS, Cloud-Anwendungen, Partnerplattformen etc.

Moderne Architekturen und offene Schnittstellen ermöglichen es den Agenten, Informationen systemübergreifend abzurufen und daraus konkrete Aktionen abzuleiten, etwa Inhalte recherchieren, Bilder bewerten, Daten ergänzen, Produkte zuordnen, Prozesse anstoßen oder Ergebnisse dokumentieren.

Die Entwicklung solcher Integrationsarchitekturen gehört seit Jahren zu unserem Kerngeschäft. Was früher Daten zwischen ERP, PIM, DAM oder Commerce-Plattformen ausgetauscht hat, wird heute zum Arbeitsraum intelligenter Agenten.

Das Model Context Protocol (MCP) spielt dabei eine wachsende Rolle, weil es Agenten einen standardisierten Zugriff auf externe Systeme erlaubt. Am Ende entscheidet weniger das einzelne KI-Modell über den Erfolg als die Fähigkeit, Wissen über Systemgrenzen hinweg nutzbar zu machen.

Praxisbeispiel: Von der Bildsuche zur Kampagnenempfehlung

Wie sich dieses Zusammenspiel in der Praxis zeigt, haben wir in einem eigenen Prototypen demonstriert.

Ein Marketing-Mitarbeiter formuliert eine einfache Anfrage: „Suche passende Bilder für eine Sommerkampagne.“

Ein KI-Agent übernimmt anschließend mehrere Schritte selbstständig:

Er versteht die Anfrage.
Er greift auf Unternehmenswissen zu.
Über einen MCP-Server werden verschiedene Systeme angebunden – unter anderem ein Digital Asset Management System (DAM).
Eine Vision-KI analysiert die gefundenen Bilder.
Der Agent bewertet, welche Assets sich für die Kampagne eignen.
Abschließend liefert er eine begründete Empfehlung statt einer einfachen Trefferliste.

Die eigentliche Innovation liegt dabei nicht in der Bildanalyse selbst. Sie entsteht durch das Zusammenspiel von Wissen, Kontext und einer Infrastruktur, die verschiedene Systeme intelligent orchestriert.

Typische Stolpersteine

In Gesprächen mit Unternehmen begegnen uns immer wieder ähnliche Herausforderungen:

Daten liegen in isolierten Systemen vor.
Wissen ist nicht strukturiert verfügbar.
Es fehlt eine gemeinsame KI-Strategie.
Prozesse sind nicht ausreichend dokumentiert.
Pilotprojekte bleiben Insellösungen.

Die Folge: KI liefert zwar beeindruckende Einzelergebnisse, lässt sich aber nicht nachhaltig in die Wertschöpfung integrieren.

Agentic Readiness hilft dabei, diese Lücken systematisch zu schließen.

Fazit: Für uns ist Agentic AI die logische Weiterentwicklung der Digitalisierung

Wir glauben nicht, dass Agentic AI klassische Unternehmenssoftware ersetzt. Im Gegenteil. Der Wert bestehender Systeme steigt. Denn genau dort liegt das Wissen, auf das KI-Agenten künftig zugreifen.

Deshalb verstehen wir Agentic Readiness nicht als neues Projekt neben der Digitalisierung. Sie ist deren konsequente Weiterentwicklung.

Seit vielen Jahren unterstützen wir Unternehmen dabei,

Daten nutzbar zu machen,
komplexe Systemlandschaften zu integrieren,
moderne Softwarelösungen zu entwickeln,
Geschäftsprozesse zu digitalisieren
und Veränderungen organisatorisch zu begleiten.

Heute kommt eine neue Fähigkeit hinzu: Unternehmenssoftware wird intelligent. Agenten greifen auf Wissen zu, verstehen Zusammenhänge und unterstützen Menschen bei ihrer täglichen Arbeit.

Wir sind überzeugt: Die erfolgreichsten KI-Projekte der kommenden Jahre werden nicht dort entstehen, wo die neuesten Modelle eingesetzt werden, sondern dort, wo Unternehmen bereits heute in Daten, Integration, Software und Organisation investieren.

Und genau dabei begleiten wir unsere Kunden seit vielen Jahren. Wir schaffen genau die Grundlagen, auf denen Agentic AI heute aufbauen kann.

Agentic Readiness Check

Finden Sie in wenigen Minuten heraus, in welchen der Bereiche Ihr System schon jetzt bereit ist und wo Handlungsbedarf besteht. Kostenlos, ohne Registrierung.Jetzt Check starten

Person hält Tablet mit Dashboard „Agentic Readiness Status: Explorer“. Angezeigt werden ein Score von 56 %, ein Radar-Diagramm zu Strategie, Governance und Organisation sowie empfohlene nächste Schritte und Aktionsbuttons unten.

Was bedeutet Agentic Readiness?
Agentic Readiness bezeichnet den Reifegrad, mit dem ein Unternehmen KI-Agenten produktiv und verlässlich einsetzen kann. Der Begriff bezieht sich nicht auf ein einzelnes KI-Modell, sondern auf drei zusammenwirkende Dimensionen: die Qualität und Zugänglichkeit von Daten und Wissen, die strategische und organisatorische Verankerung von KI-Initiativen sowie die technologische Infrastruktur, über die Agenten auf Unternehmenssysteme zugreifen. Ein Unternehmen gilt als agentic ready, wenn alle drei Dimensionen so weit entwickelt sind, dass ein KI-Agent eigenständig Aufgaben übernehmen kann, ohne dass Datenlücken, unklare Verantwortlichkeiten oder fehlende Systemzugriffe das Ergebnis verfälschen.
Reicht ChatGPT oder ein anderes Sprachmodell für Agentic AI aus?
Nein. Ein Sprachmodell wie ChatGPT beantwortet Fragen auf Basis von Text, den es im Prompt oder in seinem Training erhalten hat. Ein KI-Agent hingegen muss eigenständig planen, mehrere Informationsquellen kombinieren, Entscheidungen treffen und Aktionen in echten Unternehmenssystemen auslösen, etwa in ERP, CRM, PIM oder DAM. Dafür braucht er drei Dinge, die ein Sprachmodell allein nicht mitbringt: strukturiertes und aktuelles Unternehmenswissen, definierte Zugriffsrechte und Schnittstellen zu den relevanten Systemen sowie klare organisatorische Vorgaben, welche Entscheidungen er treffen darf. Fehlt eine dieser Voraussetzungen, bleibt der Agent auf das Niveau eines Assistenten beschränkt, der Vorschläge macht, statt Aufgaben eigenständig abzuschließen.
Was ist Kontext-Engineering und warum ist es für KI-Agenten wichtig?
Kontext-Engineering bezeichnet die gezielte Auswahl, Strukturierung und Bereitstellung genau der Informationen, die ein KI-Agent für eine konkrete Aufgabe benötigt, zum richtigen Zeitpunkt und in der richtigen Form. Es unterscheidet sich damit von reinem Datenmanagement, das Informationen sammelt und speichert, aber nicht zwangsläufig aufbereitet. Ein Agent, der eine Kampagnenempfehlung erstellen soll, benötigt beispielsweise nicht die gesamte Produktdatenbank, sondern die für diese eine Aufgabe relevanten Attribute, Bilder und Kampagnenrichtlinien in einer Form, die er direkt verarbeiten kann. Gutes Kontext-Engineering reduziert Fehlentscheidungen, senkt die Zahl nötiger Rückfragen und ist damit eine Grundvoraussetzung für verlässliche Agentic AI.
Warum spielen Datenqualität und Wissensmanagement eine so große Rolle für KI-Agenten?
KI-Agenten treffen ihre Entscheidungen ausschließlich auf Basis des Kontexts, der ihnen zur Verfügung steht. Liegen Daten veraltet, unvollständig, widersprüchlich oder isoliert in einzelnen Systemen vor, überträgt sich diese Schwäche direkt auf die Ergebnisse des Agenten, oft ohne dass dies auf den ersten Blick auffällt. Anders als bei einem menschlichen Mitarbeitenden fehlt dem Agenten in der Regel das Erfahrungswissen, um schlechte Datenlage zu erkennen und zu hinterfragen. Eine saubere, strukturierte und verknüpfte Datenbasis über Systeme wie PIM, DAM, ERP und CRM hinweg ist deshalb keine technische Nebensache, sondern die Grundlage, auf der die Verlässlichkeit von Agentic AI im Unternehmen steht.
Welche organisatorischen Voraussetzungen braucht Agentic AI neben der Technologie?
Agentic AI verändert Arbeitsweisen, Rollen und Verantwortlichkeiten, weil Aufgaben, die bisher Menschen erledigt haben, an Agenten übergehen. Unternehmen benötigen deshalb klar definierte Geschäftsziele für den Einsatz von Agenten, eine Priorisierung geeigneter Prozesse, festgelegte Verantwortlichkeiten für Entscheidungen des Agenten, eine funktionierende Governance sowie Maßnahmen, um Akzeptanz bei den Mitarbeitenden zu schaffen. In der Praxis scheitern viele KI-Initiativen nicht an der Technik, sondern daran, dass diese organisatorische Einbettung fehlt und Agenten ohne klare Regeln in bestehende Prozesse eingeführt werden.
Wie starten Unternehmen am besten mit Agentic AI?
Der erfolgreichste Einstieg beginnt nicht mit einer möglichst breiten Einführung, sondern mit einem klar abgegrenzten, gut dokumentierten Use Case und einer ehrlichen Bewertung der eigenen Agentic Readiness in allen drei Dimensionen: Wie gut ist die relevante Datenbasis strukturiert und zugänglich? Gibt es klare Verantwortlichkeiten und Ziele für den Einsatz? Und verfügt die technische Infrastruktur über die nötigen Schnittstellen zu den betroffenen Systemen? Aus den Ergebnissen dieser Bestandsaufnahme lässt sich priorisieren, wo zuerst investiert werden sollte, bevor der erste Agent in den produktiven Einsatz geht.
Welche Rolle spielt das Model Context Protocol (MCP) bei Agentic Readiness?
Das Model Context Protocol ist ein offener Standard, der KI-Agenten einen einheitlichen Zugriff auf externe Systeme und Datenquellen ermöglicht, statt für jede Anbindung eine individuelle Schnittstelle zu entwickeln. Für Unternehmen, die Agenten an mehrere Systeme wie PIM, DAM oder CRM gleichzeitig anbinden wollen, reduziert MCP den Integrationsaufwand erheblich und wird damit zu einem praktischen Baustein der Dimension Technologie & Delivery innerhalb der Agentic Readiness.

21.7.2026

Autor

Michael Ochtrop

Michael entwickelt fachliche und prozessuale Konzepte für die Einführung von Software-Lösungen in Organisationen. Aus der 20-jährigen Unternehmensgeschichte von communicode ist ihm fast jedes Szenario im Data-Management-Kontext bekannt. Sein Anliegen im Kundenprojekt ist es, alle Beteiligten zu überzeugten Anwendern und so das Unternehmen erfolgreicher zu machen. Software führt schließlich nur in Verbindung mit Menschen und Prozessen zu Verbesserungen.