Agentic Organization: Wie Unternehmen Zusammenarbeit und Wertschöpfung neugestalten und warum Organisationsentwicklung jetzt entscheidend ist

KI liefert Antworten – der niedrigschwellige Einstieg
Auf der ersten Stufe wird KI vor allem als intelligenter Antwortgenerator genutzt. Menschen stellen Fragen, die KI liefert Ergebnisse: schnell, bequem und mit relativ geringem Reifegrad – jedoch schnell einsetzbar.

Wertbeitrag:

• schneller Wissenserhalt
• Effizienz in Recherche und Informationsgewinnung
• keine Automatisierung – Effizienzen können mit Vorlagen gehoben werden

Limitierungen / Herausforderungen:

• keine Integration in Arbeitsabläufe
• Qualität hängt stark von Eingaben und individueller KI‑Kompetenz
• Unternehmenswissen ist nicht systematisch integriert
• erste „Template‑Governance“ ist reine Leitplanke und noch kein Steuerungs‑ oder Gestaltungsprinzip

Erste gezielte Schritte: Was Unternehmen an diesem Startpunkt beachten müssen:
Stufe 1 ist ein guter Einstiegspunkt, führt aber noch nicht zu einem organisatorischen Fortschritt. Sie schafft erste Berührungspunkte und macht sichtbar, ob Ihr Unternehmen die grundlegenden Voraussetzungen für eine Umsetzung mitbringt – ohne bereits eine nachhaltige Veränderung oder spürbare Wettbewerbsverbesserung zu bewirken. Umso wichtiger sind ein klares Vorgehen, eine konkrete Zielsetzung und eine passende Fortschrittsbewertung. Reine „IT‑Experimente“ können sinnvoll sein, sollten jedoch konsequent in einen abgestimmten Zweck und Rahmen eingebettet werden. Andernfalls bleiben Erfolge und Lerneffekte lokal und nicht reproduzierbar. Im ungünstigen Fall verbrennt die Organisation mit einer ineffizienten ersten Umsetzung früh Zeit und verliert Tempo im KI‑Ramp‑up.

Konkrete Handlungsfelder für Stufe 1:

• Organisatorisch: Schulen Sie Ihre Mitarbeitenden in der Anwendung von generativer KI und darin, wie sie die richtigen Modelle für ihre Vorhaben auswählen. Vermitteln Sie, welches Prompting effizient und effektiv ist, und sensibilisieren Sie für den Umgang mit Daten sowie die Kosten der KI‑Nutzung.

• Prozessual: Auch auf dieser Stufe lohnt es sich bereits, Prompt‑Templates für verschiedene funktionale Bereiche Ihres Unternehmens zur Verfügung zu stellen und deren Nutzung zu fördern. Eine erste Governance kann hier Effizienzen heben, die Antwortqualität verbessern und diese vor allem angleichen.

• Technisch: Prüfen Sie, ob für Ihre Zwecke allgemein zugängliche KI‑Modelle möglich sind. In der Regel haben Unternehmen jedoch allein aus Datenschutzsicht die Anforderung, ein abgekapseltes Setup zu wählen. Hier können Sie entscheiden, ob Sie durch Ihre IT ein eigenes Hosting wählen oder einen Service‑Provider nutzen wollen.

In der zweiten Stufe verfeinern Mitarbeitende die Interaktion mit KI. Inhalte werden nicht nur generiert, sondern über Prompts bewusst gesteuert, angepasst und verbesse

KI lernt Ihr Unternehmen verstehen –  aber nur wenn Ihre Organisation ihre eigenen Daten verstehet

In der zweiten Stufe verfeinern Organisation und Mitarbeitende die Interaktion mit KI. Inhalte werden nicht nur generiert, sondern über die Integration von Daten und Dokumente Ihres Unternehmens angereichert, angepasst und verbessert. Die KI kann über diese Integration nicht nur auf Basis des allgemeinen öffentlich verfügbaren Wissens Antworten reproduzieren, sondern für das Unternehmen spezifische Kontexte adressieren.

Wer Stufe 2 jedoch als reine technische Aufgabe an die IT delegiert, verfehlt die zentralen Hebel: Im Kern ist jetzt der Moment eine Datenstrategie, nicht als IT-Thema, sondern als übergreifende Unternehmens- und Managementaufgabe anzunehmen. Denn die Qualität, Struktur und Verfügbarkeit Ihrer Daten bestimmt ab hier unmittelbar die Leistungsfähigkeit Ihrer KI-Systeme und ist der Schlüssel zu spezifischen Ergebnissen, die nur Sie aus dem Wissen Ihrer Organisation erreichen können. Anders formuliert: Ihr KI-Reifegrad kann nie höher sein als der Reifegrad Ihrer Daten. Eine Organisation, die KI auf Stufe 2 betreiben will, aber Daten auf „Stufe 0“— fragmentiert, undokumentiert, in Silos verteilt — wird scheitern.

Wertbeitrag:

• Wesentliche Erhöhung der Spezifität durch systematisch integriertes „Unternehmenswissen“
• Verbesserung von Prompt-Templates durch fachlichen Kontext
• Signifikant erhöhte Zugänglichkeit von Wissen, auch aus unstrukturierten Quellen
• Erste echte Wettbewerbsvorteile, da KI-Ergebnisse nicht mehr generisch, sondern unternehmensspezifisch und damit entscheidungsrelevant werden
• Effizientere Integration in Arbeitsabläufe durch den Zugriff auf Dokumentenvorlagen oder erste Integration in IT-Schnittstellen

Limitierungen / Herausforderungen:

• Effizienz und Effektivität der Nutzung ist weiterhin abhängig von individueller Nutzung
• Keine übergreifende Integration in Prozesse- und IT-Landschaft
• Datenqualität-verantwortung und -verfügbarkeit oft nicht ausreichend, dass KI ohne zusätzliches Prompting Kontext direkt „versteht“
• Fehlendes übergreifendes, semantisches Informationsmodell, sodass die KI (und auch Ihre Mitarbeiter) kein eineindeutiges Begriffsverständnis als Grundlage haben

Enabler oder Kostentreiber: was Unternehmen an diesem Scheideweg beachten müssen:
Diese Stufe baut Know‑how auf und kann spezifische Ergebnisse für Ihr Unternehmen liefern. Damit ist das Potential gegeben nicht nur Effizienzen der Mitarbeiter zu optimieren, sondern erste echte Wettbewerbsvorteile zu generieren. Es bleibt aber bei der aktiven individuellen Ansteuerung der KI. Abläufe sind noch nicht integriert und damit im Grunde weiterhin manuell und lokal.
Im Sinne des KI-Reifegrades stehen Unternehmen hier am strategischen Scheideweg: Gelingt dieser Schritt kann ein weiteres, stärker auf Workflow-Integration ausgerichtetes KI-Setup gelingen und damit ein echter Produktivitäts- und Wettbewerbshebel entstehen. Bei unklarer Zielstellung, ohne übergreifende Steuerung und im Besonderen ohne Datenstrategie besteht hier aber auch die Gefahr, dass KI zum Komplexitäts- und Kostentreiber ohne spürbaren Mehrwert mutiert.

Datenstrategie als Führungsaufgabe: Informations- und Datenarbeit wird in dieser Stufe erfolgskritisch — und damit zur Führungsaufgabe. Das bedeutet konkret: Daten sind kein Nebenprodukt operativer Arbeit, sondern ein Vermögenswert, der aktiv gemanagt werden muss. Die IT ist hier relevanter Stakeholder und Mitwirkende, aber wer Daten als reine technische Ressource in der IT belässt, wird feststellen, dass auch die besten KI-Modelle an schlecht gepflegten, inkonsistenten oder unvollständigen Daten scheitern werden.

Datenstrategie bedeutet auf dieser Stufe mindestens drei Dinge:

1. Klarheit darüber, welche Daten strategisch relevant sind — nicht alle Daten sind gleich wichtig. Welche Daten sind für Ihre priorisierten KI-Use-Cases erfolgskritisch?
2. Verbindliche Verantwortung für Datenqualität und -verfügbarkeit — nicht als Projekt, sondern als dauerhafte operative Disziplin in einer Linienfunktion
3. Ein fachlich orientiertes Informationsmodell, das den spezifischen Kern Ihres Unternehmens erfasst und für alle Nutzer — menschliche wie maschinelle — verständlich macht

Warum Enterprise Search allein nicht reicht: Viele Unternehmen stehen an diesem Punkt ohne einen entsprechenden strategischen Blick auf Ihren Datenbestand und nehmen an, dass durch die Anbindung des bestehenden, operativ und technisch orientierten Informations- und Datenbestands durch ein Enterprise Search Tool die Arbeit getan ist. Erste Ergebnisse wie schnelleren Zugriff auf bestehende Dokumente können diese Tools allein auch durchaus liefern.

Für ein echtes „Verständnis“ der KI für die spezifischen Daten einer Organisation reicht diese reine „Bottom-up“-Betrachtung allein jedoch nicht aus. Enterprise Search findet Dokumente. Ein Informationsmodell erzeugt Bedeutung. Der Unterschied ist fundamental:

• Bottom-up (Enterprise Search): Die Technik indexiert, was vorhanden ist — unabhängig von Qualität, Aktualität, Relevanz oder fachlichem Kontext
• Top-down (Informationsmodell): Die Organisation definiert selbst aus Ihrem fachlichen Expertise  heraus, was ihre zentralen Informationsobjekte sind, wie sie zueinander in Beziehung stehen und was sie bedeuten

Eine präzise und eindeutige Bedeutung kann die KI nur aus einem unternehmensweiten, fachlich geschnittenen Informationsmodell „herauslesen“. Dieses Modell muss von Fachexperten — nicht von der IT — erstellt und gepflegt werden. Es umfasst drei Ebenen:

• Semantische Ebene: Einheitliche Begriffe, Taxonomien und Definitionen — damit „Kunde“, „Account“ und „Auftrag“ für KI dasselbe bedeuten, wenn sie dasselbe meinen
• Kontextuelle Ebene: Metadaten, die Herkunft, Aktualität, Vertraulichkeitsstufe und Verwendungszweck beschreiben — damit KI einschätzen kann, wie verlässlich eine Information ist
• Strukturelle Ebene: Beziehungen zwischen Informationseinheiten (Kunde → Vertrag → Produkt → Transaktion) — damit KI Zusammenhänge herstellen kann, nicht nur Einzelfakte liefert

Die gute Nachricht: Dieses Modell muss nicht am ersten Tag vollständig vorliegen. Unternehmen können durch funktionale Ownership auf ihre Daten schnell und Use-Case-bezogen die ersten Mehrwerte generieren, auch ohne dass das Zielbild bereits in Gänze erreicht ist. Der Weg enthält die ersten Benefits des Ziels.

Das ökonomische Risiko schlechte Datenqualität mit KI zu „automatisieren“: Ein Aspekt, der in der Diskussion um KI-Integration systematisch unterschätzt wird: die Kosten schlechter Datenqualität steigen mit dem Automatisierungsgrad signifikant. In einer manuell gesteuerten Organisation korrigieren Menschen Datenfehler stillschweigend — sie wissen aus Erfahrung, dass eine bestimmte Zahl „nicht stimmen kann“, und passen an. In einer KI-integrierten Organisation werden dieselben Fehler nicht korrigiert, sondern skaliert. Jede automatisierte Entscheidung auf Basis fehlerhafter Daten erzeugt wiederum fehlerhafte Daten – ein tückischer Kreislauf kann beginnen. Die Folgekosten sind immens: falsche Analysen, fehlerhafte Empfehlungen, datenbedingte Workflow-Abbrüche werden durch die KI nicht verhindert, sondern im Gegenteil sorgt sie für eine Skalierung dieser Probleme.

Umgekehrt gilt: Jede Investition in Datenqualität ist eine direkte Investition in KI-Leistungsfähigkeit. Unternehmen, die Daten als Vermögenswert begreifen und entsprechend investieren, werden feststellen, dass ihre KI-Systeme mit derselben Technologie signifikant bessere Ergebnisse liefern als Wettbewerber, die bei der Technik ansetzen und die Daten vernachlässigen.

Konkrete Handlungsfelder für Stufe 2:

• Organisatorisch: Beginnen Sie Informations- und Datenquellen im Unternehmen nicht nur im Sinne Ihrer ersten Verwendung zu denken, sondern setzen Sie den Anspruch an übergreifende Wiederverwendbarkeit. Dies bedeutet konkret, das Informationen- und Daten so zu strukturieren und aufzubereiten sind, dass jeder – Kollegen anderer Abteilungen aber eben auch KI-Systeme – in der Lage sind Zweck, Inhalt und Status grundlegend zu verstehen. Dies gelingt in dem Sie beginnen die Generierung, Pflege und Bereitstellung von Informationen und Dokumenten fachlich zu verorten und erste Standards zu etablieren. Um dies zu erreichen hat sich bewährt eine Data Governance Organisation außerhalb der IT zu etablieren und entsprechende Daten-Rollen wie Data Owner für Steuerungsaspekte und Data Stewards auf eher operativer Ebene in Ihren Fachbereichen etablieren müssen. Zusätzlich darf die Ebene der Data Litracy und Culture nicht vernachlässigt werden. Bisher waren Daten oft „die Sache“ von einzelnen Abteilungen oder sogar Teams. Jetzt werden Daten zum übergreifenden Unternehmenswert. Das bedeutet einerseits, dass ein Verständnis über bisherige fachliche Grenzen hinweg aufgebaut werden. Andererseits müssen bestehende „Besitzansprüche“ auf Daten, die eine Kernursache der berühmten Datensilos sind, konsequent abgebaut werden.
• Prozessual: Identifizieren Sie die relevantesten Informationen und Daten in Ihrem Unternehmen bzw. in den funktionalen Einheiten. Beginnen Sie diese „Daten-Schätze“ in einem Life Cycle Modell zu denken. Das bedeutet, dass die Erzeugung, Nutzung, Ablage/Speicherung und Verfügbarkeit konkret festgeschrieben und in eine dedizierte Verantwortung übergeben sind. Auf dieser Basis ist es nun möglich die integrierten KI-Systeme für jeden dieser Life Cycle Schritte aktions-orientiert zu nutzen und es etabliert sich ein übergreifender Standardablauf. Zusätzlich ist es in allen Schritten zentral Datenqualität standardisiert und gesamthaft zu definieren, zu messen und auf dieser Basis kontinuierlich zu optimieren. Es reicht dabei nicht generisch von „Datenqualität“ zu sprechen. Definieren sie Qualitätsdimensionen und etablieren Sie ein vorgehen, dass für die Datenverwendung Qualitätserwartungen festschreibt und abgeleitete Kennwerte dauerhaft überwacht. Relevant ist es hier auch die Metadaten einzubeziehen. Es ist für die KI zentral zu erkennen in welchem Kontext die Daten stehen – Ersteller, Version, Zweck, Gültigkeitsbereich und andere Aspekte werden heute oft nicht expliziert, weil menschliche Nutzung auf Erfahrung zurückgreifen kann, die für KI nicht zugänglich ist.
• Technisch: Identifizieren Sie die relevanten Informationsquellen in Ihrem Unternehmen und machen Sie diese für die KI verfügbar. Dazu gibt es unterschiedliche technische Verfahren und Vorgehensweisen, die einerseits die Art und Weise wie Daten für KI zugreifbar werden betreffen (u. a. Retrieval-Augmented Generation, Vektordatenbanken, Knowledge Graphs) und anderseits nicht-funktionale Anforderungen wie Prozesskopplung, Latenzen oder Datenmengen adressieren. Je nach technischer Lösung gibt es bereits Standardschnittstellen. Unter Umständen benötigen Sie hier jedoch bereits dedizierte Expertise Ihr individuelles Setup zu integrieren.

Wertbeitrag:

• deutlich höhere Ergebnisqualität
• wiederholbare Arbeitsschritte durch Templates
• strukturierter Umgang mit KI

Limitierungen / Herausforderungen:

• höherer Wissensbedarf bei Nutzer:innen
• Ergebnisse variieren je nach Kompetenz
• keine übergreifenden Prozessveränderungen

Was Unternehmen beachten müssen:
Diese Stufe baut Know‑how auf, führt aber noch nicht zu einer Transformation von Prozessen oder Rollen. Die Wirkung bleibt lokal und teambezogen.

KI-Agenten agieren, um Rollen, Aufgaben und Prozesse zu unterstützen – Dabei wird Sie vom passiven Lieferanten zum aktiven Sparringspartner

Auf dieser Stufe wird KI „agentisch“. . Kurz: KI-Agenten finden selbst heraus was zu tun ist, um das gewünschte Ergebnis zu produzieren. Dies können einfache Tasks sein wie beispielsweise das Finden passender Terminvorschläge als Follow-Up auf die Mitschrift eines Meetings oder auch komplexere Fragestellungen wie die Analyse von typischen von Qualitätsproblemen auf Basis historischer Daten in verteilten Systemen. Assistenten übernehmen damit definierte Teilaufgaben, unterstützen komplexere Tätigkeiten und können verschiedene Aspekte von Arbeitsabläufen durchgängig übernehmen. Sie steigern damit Geschwindigkeit, Vergleichbarkeit und Qualität von Arbeitsergebnissen. Diese ohne, dass ein Mitarbeiter die KI jeweils individuell durch Prompting für jeden Arbeitsschritt konkret ansteuern muss. Der Agent kann im Rahmen seiner Integration in die IT-Landschaft und Zugriffsberechtigungen aktiv eigene Lösungswege beschreiten.

Wertbeitrag:

• Lösungswege müssen nicht mehr Schritt für Schritt vorgegeben werden, sondern können „proaktiv“ von KI-Agenten selbst gefunden und abgearbeitet werden.
• Erheblicher Effizienzgewinn für bestimmte Prozessbereiche/-Schritte
• Mitarbeiter und Teams können sich auf die Zielbeschreibung und Weiterentwicklung der Ergebnisse konzentrieren

Limitierungen / Herausforderungen:

• Fehlende Transparenz über Prozesse- und Arbeitsabläufe verhindern effiziente fachliche Ausrichtung von Agenten
•  Konflikte und überlappende Aufgaben durch fehlende Rollen- und Verantwortungsklarheit, werden durch Agenten nicht gelöst, sondern nur automatisiert reproduziert
•  Die Anforderungen an Datenqualität- und Verfügbarkeit steigen erneut und die oft fehlende fachliche Bedeutung der Datenstrukturen verhindern den skalierten Einsatz von Agenten
• Zugriff und technische Integration der Agenten auf Bestandssysteme oft nur eingeschränkt möglich
• Aktive und wahrgenommen autonom agierende Agenten erzeugen Ablehnung und Angst in der Organisation und werden dadurch nicht durchgängig genutzt

Die Agenten beginnen zu wirken: was Unternehmen für diesen Durchbruch beachten müssen:
Stufe 3 ist der sichtbare Durchbruch — aber ohne (Daten-)Governance, klare Rollen und Prozessharmonisierung entsteht ein Flickenteppich aus Tools, der langfristig schwer beherrschbar wird und bestehende Ineffizienzen nicht lösen kann. An bestimmten Stellen können die Tools sicherlich lokal Effizienzen heben. Die organisatorischen daten-technischen Brüche hemmen jedoch massiv die Durchschlagskraft der KI. Ein sichtbares Symptom sind interne Agenten-Plattformen in dem „jeder seinen eigenen Agenten baut“ und viele überlappende oder komplett gleiche Anwendungen bereitgestellt werden. Dabei ist nicht der Gedanke, dass die Fachanwender selbst aktiv werden problematisch. Ein „ungesteuerter “ automatisiert jedoch keine Wertschöpfung, sondern Komplexität, Verantwortungskonflikte und dysfunktionale Abläufe. Eine auf die Unternehmensfähigkeiten zugeschnitten Organisationsstruktur ist damit zentrale Voraussetzung, dass Fachanwender mit klarer funktionaler Ownership für Agenten-Funktionalität und -Workflows auf Basis übergreifend gültiger Datengrundlage arbeiten und gestalten können. Agenten-Integration ist damit kein IT-Thema, sondern Management- und Organisationsaufgabe. Diese Sichtweise verhindert auch die Gefahr, dass Sie Ihre Mitarbeiter dieser transformativen Technologie unvermittelt aussetzen. Für viele Menschen kann die „Magie“ der Agenten bedrohlich und fremd wirken. Ohne dezidiertes Change Management und entsprechende Befähigung verlieren Sie Akzeptanz und erzeugen im schlimmsten Fall erhebliche Widerstände und Ablehnung. Dies galt und gilt im Grunde für jede (technische) Änderung. Zu sehen, wie ein Agent aber plötzlich „den eigenen Job macht“ inklusive der breiten medialen Aufmerksamkeit erhöht den emotionalen Impact jedoch potenziell enorm. Kommunikation und Begleitung ist damit eindeutig erfolgskritisch.

Konkrete Handlungsfelder für Stufe 3:

• Organisatorisch: Etablieren und entwickeln sie eine fachlich-funktional geschnittene Prozess- und Datenorganisation sowie Governance als unablässige Grundvoraussetzung, dass Agenten überschneidungsfrei, von den fachlich korrekten Stellen definiert und betrieben sowie mit den richtigen Daten versorgt werden. Kommunizieren Sie Erfolge und Lernfortschritt. Etablieren Sie ein Befähigungsprogramm für Ihre Belegschaft. Definieren und adressieren Sie ebenfalls dediziert, wie die freigewordene Kapazität konkret und mehrwertstiftend in den verschiedenen Bereichen genutzt werden soll. Geben Sie Bedenken sowie Ängsten Raum und helfen Sie ihrer Belegschaft in unterschiedlichen Geschwindigkeiten sich mit der neuen Technologie zu betrauen und gestalten Sie gemeinsam die neue Arbeitsrealität.
• Prozessual: Setzen sie für ihre strategischen Use Cases und Kernprozessbereiche erste „Agenten-Teams“ auf und rollen diese Stück für Stück auf unterschiedliche Bereiche aus. Lernen Sie auf dieser Basis welche Aufgaben/Prozessschritte zu welchem Grad „agentifizierbar“ sind und welche technische Integration, Datenzugriffe und Agent-zu-Agent Interaktion dazu befähigt werden müssen. Identifizieren Sie in den agentischen Workflows die Übergabepunkte an verbleibende manuelle/klassische Verarbeitung. Bewerten Sie welche dieser „Geschwindigkeitsbrüche“ kurzfristig durch entsprechende Prozessanpassungen überbrückt werden können.
• Technisch: Definieren Sie ein Portfolio an technischen Fähigkeiten, System- und Datenzugriffen, welche Sie den Agenten zur Verfügung stellen wollen. Integrieren Sie externe Quellen und Funktionalitäten. Etablieren Sie dafür einen übergreifenden Katalog, auf den einerseits Ihre Mitarbeiter zentrale Einsicht nehmen können, aber andererseits auch die technische Integration über MCP und A2A Protokolle ermöglicht wird. Eruieren Sie welche technische Plattform für Ihr bestehendes und strategisch geplantes Setup bestmöglich geeignet ist.

Autonome KI‑Agenten handeln eigenständig – Arbeitsmodelle brechen aus sequenzieller Prozesslogik aus

In Stufe 4 ist die Integration von KI‑Agenten nicht mehr auf einzelne Use Cases, Prozesse oder Funktionsbereiche begrenzt. Die Organisation selbst ist so gestaltet, dass agentische Systeme eigenständig, parallel und modular arbeiten können – ohne an den „human in the loop-Schnittstellen“ oder sequenziellen Prozessschritten zu scheitern. Mensch und KI arbeiten in unterschiedlichen Geschwindigkeitsregimen mit unterschiedlichen Perspektiven zusammen, funktional definierte Agent Governance und flexibel orchestrierbare Capability Modelle bilden dafür die organisatorische Plattform.
Arbeit wird nicht mehr primär über feste Prozessketten organisiert, sondern über eine klar geschnittene Capability‑Landschaft. Capabilities beschreiben fachlich verantwortete Fähigkeiten der Organisation – inklusive Zielsetzung, Datenbasis, Qualitätskriterien, Entscheidungslogik und zulässigem Autonomiegrad. KI‑Agenten orchestrieren diese Capabilities dynamisch entlang definierter Policies und Leitplanken. Klassische Prozesse verlieren damit ihre Rolle als zentrales Steuerungsinstrument. Die bisherigen Prozessschritte werden im Rahmen der Capabilities als eigene Arbeitsmodule mit Input und Output verstanden. Die ehemalige Sequenzlogik der Prozesse wird dabei überprüft. Alle rein ablauforganisatorischen Aspekte, können abgelöst werden. Aspekte für Steuerung und Governance werden in als Soll-Inputs und Capability-Beteiligung übersetzt.

Mensch und KI arbeiten bewusst in unterschiedlichen Geschwindigkeitsregimen:
Agenten agieren als dauerhafte Ausführungsebene und übernehmen operative, analytische und koordinative Aufgaben in hoher Frequenz. Menschen konzentrieren sich auf die Tätigkeiten, die nicht oder nicht vollständig agentisierbar sind oder bewusst weiter „von Hand“ erledigt werden. Dies sind vor allem jene Verantwortungen, die die Organisation steuerbar halten: Definition des initialen Intent (Zielrichtung) und dessen kontinuierliche Nachschärfung, Festlegung und strategische Weiterentwicklung funktionaler Bereiche, Orchestrierung, Kontrolle, Risiko‑ und Wertsteuerung. Wertschöpfung entsteht nicht durch einzelne Agenten, sondern durch das Zusammenspiel aus klarer Intent‑Vorgabe und skalierter agentischer Ausführung.

Wertbeitrag:

• Substanzielle Produktivitätsgewinne durch 24/7-Ausführung agentisierter Capabilities ohne sequenzielle menschliche Bottlenecks
• Struktureller Wettbewerbsvorteil, da operative Zuleistungen und Elemente der Kernwertschöpfung weitgehend automatisiert und skalierbar erbracht werden
• Höhere Anpassungsfähigkeit, da neue Anforderungen durch flexible und spontane Kombination von Capabilities umgesetzt werden können.
• Großes Innovationspotential, da über die funktionale Organisation neue strategische Richtungen schnell auf bestehende Capabilities übertragen werden können und neue Bereiche leicht gestalt- und integrierbar sind

Limitierungen / Herausforderungen:

• Sehr hoher organisatorischer Reifegrad erforderlich
• Neue Rollen- und Verantwortungsmodelle für Capability-Modell notwendig
• Deutliche Veränderung in Führung und Kultur
• Kritische Abhängigkeit von semantischer übergreifender Datenbasis
• Klare und durchgängige Capability- und Systemarchitekturen

Die agentische Vision: was Unternehmen für diese Transformation beachten müssen:
Stufe 4 ist kein Skalierungsschritt aus Stufe 3 heraus, sondern ein qualitativer Wechsel des Organisationsprinzips. Agenten werden hier nicht eingesetzt, um bestehende Prozesse effizienter zu machen, sondern um organisatorische Fähigkeiten eigenständig und kollaborativ auszuführen. Ohne eine bewusste Abkehr von sequenzieller Prozesslogik und der konsequenten Orientierung auf funktionale Capabilities sind KI-Agenten zwar potenziell mächtige Werkzeuge – Stufe 3 ist für die allermeisten Unternehmen vorerst ein äußerst erstrebenswertes Szenario – aber sie bleiben „gefangen“ im sequenziellen Korsett klassischer Prozessorganisationen.

Da in einer „Agentic Organization“ die operative Ausführung an die Agenten delegiert wird, wird die Steuerung und strategische Gestaltung von zentralen Deliverables Kernpunkt menschlicher Aktivitäten. Entscheidend ist daher, dass agentische Autonomie nicht technisch, sondern organisatorisch begrenzt wird: durch Policies, fachliche Ownership, Eskalationsmechanismen und transparente Steuerungskennzahlen bleiben zentral. Die agentische Organisation ist auf datenbasierte Transparenz und Eingriffsmöglichkeiten angewiesen. Nur so entsteht Vertrauen – bei Führungskräften wie bei Mitarbeitenden – und nur so kann agentische Geschwindigkeit mit Nachvollziehbarkeit und Verantwortung kombiniert werden. Andererseits können und müssen Unternehmen die freigewordenen Kapazitäten für die strategische Weiterentwicklung und das Aufsetzen neuer Fähigkeiten einsetzen.

• Organisatorisch: Erweitern bzw. finalisieren Sie die aus Stufe 3 begonnene fachlich-funktionale Organisationstransformation und ergänzen Sie mögliche bzw. anvisierte Automatisierungsgrade, klare Input/Output-Definition und „Capability Agreements“, die die Interface- und Interaktionspunkte wie bspw. Datenqualität udgl festschreiben. Die Kontroll- und Steuerungskonzepte sowie entsprechende Rollen müssen definiert und etabliert werden. Denkbar sind neue Rollen wie „Capability-Owner“, Agent-Stewards und Agentic Governance Manager – hier gibt es noch keine etablieren Frameworks; dennoch gibt es durch eine Erweiterung und Adaption bestehender methodischer Rahmen aus Architektur, Datenmanagement und IT-Betrieb bestehende Standards. Agentische Steuerung und strategische Capability-Entwicklung muss als Management‑Disziplin für Agenten Portfolio und Priorisierung sowie Nutzen‑ und Risikosteuerung etabliert werden.
• Prozessual: Lösen Sie Ihre Wertströme schrittweise von sequenziellen End‑to‑End‑Prozessen ab und überführen Sie sie in Capability-Flows. Kern ist hier aus den ehemaligen Wertströmen Kombinationsräume zu schaffen, die einerseits bestimmte Capability-Folgen bedingen oder erzwingen aber anderseits Freiheitsgrade zulassen, in denen Agenten eigenständig und spontan handeln können. Es müssen klare Interventions- und Fallback-Punkte zwischen agentischer Ausführung und menschlicher Intervention geschaffen werden. Das bedeutet aus agentischer Sicht dedizierte Ausstiegspunkte zu etablieren, bei denen Agenten menschliche Eingriffe einfordern aber auch Möglichkeiten aus Governance-Perspektive die Ausführung der Agenten zu stoppen und nachzukorrigieren.
• Technisch: „Wer in Stufe 4 noch über Technologie diskutiert, hat Stufe 3 nicht abgeschlossen.“ Oder – anders gesagt – gute Nachrichten: die technologische Innovationsarbeit ist weitgehend mit Stufe 3 abgeschlossen. Der Transformationsfokus bleibt auf der organisatorischen und prozessualen Ebene. Auf technischer Seite sollte dediziert auf Stabilisierung und „Zero Incident“ Betrieb fokussiert werden. Das ist kein praktischer erreichbarer Zustand, sondern eher eine Leitlinie für kontinuierliche Verbesserungen – für die natürlich ebenfalls agentische Capability-Modelle herangezogen werden sollten. Wichtig ist jedoch zu betonen, dass die technische Grundlage noch kritischer für das Funktionieren einer Organisation ist, also heute ohnehin bereits der Fall. Zusätzlich sollte darauf geachtet werden, dass das technische Setup die Transparenz-, Steuerungs- und Kontrollmechanismen durchgängig unterstützen. Es ist außerdem wahrscheinlich und mit steigender Organisationsgröße fast unvermeidlich, dass auf dem Weg zu Stufe 4 unterschiedliche technische Lösungen und Plattformen implementiert wurden. Für geringere Komplexität und sicherlich auch Kosten, empfiehlt es sich Konsolidierungs- und Standardisierungsarchitekturen zu entwickeln und nachzuverfolgen.