Viele Unternehmen denken darüber nach, wie KI-Agenten Prozesse automatisieren, Entscheidungen vorbereiten oder ganze Workflows übernehmen können. Deutlich seltener wird jedoch gefragt, wie diese digitalen Mitarbeitenden eigentlich geführt werden. Denn auch sie müssen eingelernt, weiterentwickelt und anhand ihrer Ergebnisse bewertet werden. Manche entwickeln sich zu Top-Performern, andere erfüllen die Erwartungen nicht und müssen ersetzt werden. Damit verändert sich auch die Rolle des Chief AI Officer (CAIO). Er ist künftig nicht mehr nur für Modelle, Infrastruktur und Governance verantwortlich. Der Chief AI Officer übernimmt zunehmend Aufgaben, die heute aus dem Personalmanagement bekannt sind. Was das konkret bedeutet, zeigt NTT Data entlang des gesamten „Lebenszyklus“ eines KI-Agenten auf.
1. Die Stellenausschreibung: KI-Agenten brauchen ein Jobprofil
Der erste Schritt beginnt wie bei menschlichen Mitarbeitenden mit einer simplen Frage: Wo fehlt eigentlich Arbeitskraft? Das heißt, Unternehmen müssen Prozesse analysieren, Engpässe identifizieren und anschließend Aufgabenprofile für die KI-Agenten definieren. Besonders geeignet sind Tätigkeiten, bei denen große Mengen an unstrukturierten Daten erfasst und ausgewertet werden müssen. Das ist in der Schadensbearbeitung, im Reporting, der Dokumentation oder der Workflow-Steuerung der Fall. Bei Versicherungen beispielsweise können Agenten eingehende Informationen analysieren oder ähnliche Fälle durchsuchen lassen, um die Regulierung schneller abwickeln zu können. In der Logistik wiederum können Agenten die Lagerauslastung oder Lieferkette optimieren.
Technisch gesehen entstehen daraus keine einfachen Chatbots, sondern klar definierte digitale Rollen mit Zugriff auf Datenquellen, APIs, Suchsysteme und Fachanwendungen. Der Agent erhält gewissermaßen eine Stellenbeschreibung: Welche Aufgaben übernimmt er? Welche Systeme darf er nutzen? Wann entscheidet er selbstständig? Wann muss ein Mensch eingebunden werden?
2. Das Bewerbungsgespräch: Nicht jeder Agent eignet sich für jede Aufgabe
Unternehmen werden künftig nicht jeden Agenten selbst entwickeln. Stattdessen wird ein Markt für spezialisierte KI-Agenten entstehen – ähnlich wie bei externen Beratern oder Fachkräften. Einige Agenten sind Generalisten, andere echte Experten. Entscheidend ist deshalb, den Agenten nicht nach seiner technologischen Leistungsfähigkeit auszuwählen, sondern nach seiner Eignung für die jeweilige Aufgabe. Die Analogie zum Recruiting liegt nahe: Ein „Junior Agent“ bringt nur Grundfähigkeiten mit und muss intensiv geschult werden. Ein „Senior Agent“ verfügt über Branchenwissen, Kommunikationsfähigkeiten oder regulatorisches Know-how, ist aber auch deutlich teurer.
Genau deshalb müssen Unternehmen vorab einen sinnvollen Auswahlprozess etablieren. Was muss der KI-Agent alles können? Wo kann man ihn mit wenig Aufwand einlernen? Wo braucht man gleich einen Spezialisten? Der CAIO übernimmt damit eine Aufgabe, die bisher eher aus dem HR-Bereich bekannt ist: die Suche nach dem perfekten Kandidaten.
3. Das Onboarding: KI-Agenten müssen eingelernt werden
Neue Mitarbeitende sind nicht automatisch produktiv, nur weil sie einen Laptop bekommen. Genau das gilt auch für KI-Agenten. Sie müssen mit Unternehmenswissen, Prozessen, Richtlinien und Zielen vertraut gemacht werden. Dieses Onboarding erfolgt technisch über Wissensdatenbanken, Retrieval-Systeme, Guardrails und spezialisierte Skills. Der Agent lernt so, welche Informationen relevant sind, welche Entscheidungen erlaubt sind und wie bestimmte Prozesse funktionieren.
Besonders wichtig ist dabei die Zusammenarbeit mit den menschlichen Kollegen. In der Regel entsteht eine hybride Prozesskette: Vorne analysieren Agenten Datenströme und bereiten Informationen auf, hinten automatisieren weitere Agenten Standardprozesse, dazwischen arbeiten Menschen an komplexen Entscheidungen, Verhandlungen oder Kundeninteraktionen. Muss etwa ein Industriebetrieb kurzfristig einen Zulieferer ersetzen, kann ein Agent frühere Beschaffungsfälle analysieren, Risiken in der Lieferkette bewerten und mögliche Alternativen priorisieren. Die eigentliche Verhandlung mit dem neuen Partner sowie die finale Entscheidung verbleiben jedoch beim Menschen.
4. Die Weiterbildung: Gute Agenten lernen permanent dazu
Wie menschliche Mitarbeitende benötigen auch Agenten kontinuierliche Weiterbildung. Dabei gibt es zwei Formen des Lernens. Die erste Form entspricht dem klassischen „Learning on the Job“. Agenten analysieren vergangene Aufgaben, bewerten Ergebnisse und verbessern ihre Vorgehensweise. Moderne Systeme speichern erfolgreiche Lösungswege, Fehlerfälle und neue Erkenntnisse in sogenannten Memory-Architekturen oder Data Flywheels. Einige Modelle konsolidieren diese Erfahrungen inzwischen sogar automatisiert im Hintergrund – ähnlich wie Menschen Erlebnisse im Schlaf verarbeiten.
Die zweite Form betrifft externe Veränderungen. Neue Regulatorik, geänderte Compliance-Vorgaben oder neue Marktbedingungen muss ein Unternehmen aktiv in die Agenten einspeisen. Ein Product-Engineering-Agent muss beispielsweise lernen, dass bestimmte Materialien aufgrund neuer Umweltgesetze nicht mehr zulässig sind. Das bedeutet: Unternehmen benötigen künftig eine Art „Agenten-Akademie“, die ihre digitalen Mitarbeitenden kontinuierlich trainiert, überwacht und zertifiziert.
