Agentic AI Discovery: Use Cases aus Prozessen identifizieren, bewerten und priorisieren
Ein prozessorientiertes Selektionsmodell — von der Identifikation geeigneter Geschäftsprozesse bis zur pilotbereiten Use-Case-Pipeline
Was dieses Whitepaper enthält
Formular ausfüllen — das Whitepaper öffnet sofort auf dieser Seite.
Vielen Dank! Das Whitepaper wird geladen…
Ihre Daten werden vertraulich behandelt und nicht an Dritte weitergegeben.
Agentic AI konkret einsetzen
Von der Erkenntnis zum Use Case: das Qualifikationsgespräch bewertet Ihren Kandidaten in 15 Minuten — direkte Einschätzung, kein Pitch.
Qualifikationsgespräch buchenAbstract
Dieses Whitepaper entwickelt ein prozessorientiertes Selektionsmodell für Agentic-AI-Use-Cases. Es beantwortet die Frage, unter welchen prozessualen, wirtschaftlichen und governancebezogenen Bedingungen eine Unternehmensaktivität als tragfähiger agentischer Anwendungsfall gilt — und unter welchen nicht. Das Kernmodell verknüpft Prozessfriktion, Agentic Fit, Business Value und Beherrschbarkeit multiplikativ. Operative Instrumente sind Identifikationsmethode, Bewertungsraster und Pilotpriorisierungsmatrix. Das Dokument richtet sich an Führungskräfte aus Enterprise Architecture, Process Excellence, Digitalisierung, Operations und AI Governance.
Executive Summary
Mehr als 40 Prozent der Agentic-AI-Projekte werden laut Gartner bis 2027 eingestellt — wegen unklarem Geschäftswert, steigenden Kosten und unzureichender Risikosteuerung. Das Problem liegt selten in der Technologieverfügbarkeit. Es liegt in der Selektion: Zu viele Initiativen starten bei Werkzeugfähigkeiten, nicht bei wirtschaftlich relevanten Prozesproblemen. Zu viele Governance-Entscheidungen kommen zu spät.
Dieses Whitepaper liefert ein prozessorientiertes Selektionsmodell, das diese Lücke schließt. Der Ausgangspunkt ist wertrelevante Prozessfriktion — jene Stellen im Betrieb, an denen Wartezeiten, Medienbrüche und wiederkehrende Ausnahmen messbaren wirtschaftlichen Schaden erzeugen. Von dort führt eine strukturierte Prüfkette zu Agentic Fit, Business Value und Beherrschbarkeit. Das Ergebnis ist ein multiplikatives Kernmodell, das verhindert, dass Stärken in einer Dimension Schwächen in einer anderen überdecken.
Praktisch liefert das Framework drei Instrumente: eine fünfstufige Identifikationsmethode, ein sechsdimensionales Bewertungsraster und eine Pilotpriorisierungsmatrix. Ein vollständig durchgespieltes Beispiel zeigt, wie das Modell im IT-Service-Management angewendet wird.
Prozessfriktion ist der einzig belastbare Suchtreiber für agentische Use Cases — nicht Technologiefähigkeiten.
Agentic Fit prüft, ob eine Aktivität tatsächlich agentisch ist, oder besser durch Automatisierung oder Assistenz gelöst wird.
Fehlender Datenzugang oder unklare Governance machen auch strategisch attraktive Kandidaten unbrauchbar.
Für europäische Unternehmen ist die Risikoklassifikation nach EU AI Act eine Pflichtprüfung bereits in der Discovery-Phase.
1. Einleitung
Die aktuelle Dynamik rund um Agentic AI ist von hoher Aufmerksamkeit, großen Erwartungen und zugleich beträchtlicher Unsicherheit geprägt. Gartner prognostiziert, dass mehr als 40 Prozent der Agentic-AI-Projekte bis Ende 2027 eingestellt werden. Als zentrale Gründe nennt Gartner steigende Kosten, unklaren Geschäftswert und unzureichende Risikokontrollen. Die Herausforderung liegt nicht in der technischen Realisierung, sondern bereits früher in der Auswahl, Begründung und Steuerung geeigneter Anwendungsfälle.
Gartner warnt ausdrücklich vor sogenanntem Agent Washing — der Praxis, bestehende Assistenzsysteme, Chatbots oder klassische Automatisierungslösungen als agentische Systeme zu vermarkten, ohne substanzielle agentische Fähigkeiten. Das eigentliche Problem liegt in der fehlenden Fähigkeit, echte agentische Potenziale von bloßer Automatisierung, Assistenz oder Umbenennung zu unterscheiden.
Daraus folgt eine klare Konsequenz: Nicht jede Aufgabe sollte agentifiziert werden. Relevant sind jene Konstellationen, in denen reale Prozessfriktion, geeignete Aktivitätsstrukturen und ein belastbarer Mehrwert zusammenkommen — und in denen Governance von Anfang an mitgedacht wird.
1.1 Beitrag des Papers
Bestehende Guidance adressiert Agentic AI überwiegend aus Architektur- und Governance-Perspektive. Microsoft liefert ein Reifegradmodell für die Einführung. NIST stellt ein Risikomanagementsystem für AI-Systeme bereit. IBM und Google Cloud beschreiben technische Eigenschaften agentischer Systeme. Was diese Quellen gemeinsam offenlassen, ist die vorgelagerte Frage: Wie identifiziert ein Unternehmen systematisch jene Geschäftsaktivitäten, die für Agentic AI wirklich geeignet sind — vor der Architekturentscheidung, vor der Governance-Ausgestaltung, vor dem Piloten?
Dieses Whitepaper schließt diese Lücke. Es liefert kein weiteres Technologieüberblick, sondern ein prozessorientiertes Selektionsmodell. Sein originärer Beitrag ist die Verbindung von Prozesslogik und Entscheidungslogik: Wertrelevante Prozessfriktion wird zum primären Suchtreiber. Ein expliziter Agentic-Fit-Check trennt agentische von nicht-agentischen Kandidaten. Ein multiplikatives Modell verhindert, dass Enthusiasmus für einzelne Stärken die Gesamtbewertung verzerrt. Das Ergebnis ist ein operatives Entscheidungsinstrument, das direkt in Discovery Workshops, Portfolio-Reviews und Investitionsentscheidungen einsetzbar ist.
2. Was Agentic AI ist — und was nicht
Der Begriff Agentic AI wird häufig breit und unscharf verwendet. Für die Unternehmenspraxis ist diese Unschärfe problematisch, weil sie zu falschen Erwartungen, vermischten Lösungsansätzen und unklaren Verantwortlichkeiten führt.
Google Cloud bezeichnet Agentic AI als Form künstlicher Intelligenz, die auf autonome Entscheidungsfindung und Handlung ausgerichtet ist — im Unterschied zu traditioneller AI, die vor allem auf Anfragen reagiert. IBM beschreibt agentische Systeme als Lösungen, die Probleme in Teilaufgaben zerlegen, koordinieren und dabei verfügbare Tools zur Systeminteraktion nutzen. Microsoft ordnet Agents als Entwicklungsschritt über Copilot und reine Assistenz ein. Der gemeinsame Nenner liegt in vier Merkmalen: Zielorientierung, Planung und Orchestrierung, Tool-Nutzung und begrenzte Autonomie.
2.1 Abgrenzung zu benachbarten Lösungslogiken
Die folgende Tabelle strukturiert die Unterschiede zwischen den drei relevanten Lösungstypen:
| Merkmal | Regelbasierte Automatisierung / RPA | Assistenz / Copilot | Agentic AI |
|---|---|---|---|
| Primäres Ziel | Aufgabe regelkonform ausführen | Information bereitstellen, formulieren | Ziel über mehrere Schritte verfolgen |
| Typische Aufgaben | Standardverarbeitung, Routing, Datenpflege | Wissenssuche, Dokumentenzusammenfassung, Formulierungshilfe | Fallsteuerung, Entscheidungsvorbereitung, Ausnahmebehandlung |
| Tool-Nutzung | Fest definierte Systeminteraktionen | Retrieval aus Wissensquellen | Dynamische Multi-Tool-Orchestrierung |
| Kontextverarbeitung | Deterministisch, regelbasiert | Anfragespezifisch, kein persistentes Ziel | Kontextakkumulierend über mehrere Schritte |
| Autonomiegrad | Vollständig regelgesteuert | Keiner — Mensch entscheidet und handelt | Begrenzt autonom innerhalb definierter Grenzen |
| Human Role | Ausnahme-Handling, Genehmigung | Nutzung der Assistenzausgabe | Oversight, Freigabe an definierten Punkten, Eskalation |
| Versagt bei | Variablem Kontext, unstrukturierten Ausnahmen | Mehrstufigen Zielen, Handlungsbedarf | Vollständig deterministischen, hochstandardisierten Abläufen |
Diese Abgrenzung ist nicht nur technisch relevant. Sie ist ökonomisch entscheidend: Agentic AI auf Probleme anzuwenden, die klassische Automatisierung löst, erzeugt unnötige Komplexität. Assistenz auf Probleme anzuwenden, die Handlung erfordern, erzeugt keinen Effekt. Definitorische Disziplin ist deshalb ein Teil der Governance — sie schützt vor falscher Technologieauswahl und fehlerhafter Investitionslogik.
2.2 Grenzen aktueller Modellreife
Gartner weist darauf hin, dass heutige Modelle oft nicht die Reife besitzen, um komplexe Geschäftsziele autonom zuverlässig zu erreichen oder nuancierte Anweisungen über längere Zeit konsistent zu befolgen. Für die Pilotgestaltung folgt daraus eine klare Konsequenz: Pilotkandidaten sollten bevorzugt dort gewählt werden, wo Ziel, Kontext und Eskalationslogik hinreichend strukturiert sind. Je offener ein Geschäftsproblem ist, desto höher ist das Risiko, Modelle mit Autonomiegraden zu überlasten, die sie noch nicht verlässlich tragen können.
3. Mehrwert von Agentic AI im Prozesskontext
3.1 Task-Level-Effekte
Auf Ebene einzelner Aktivitäten entlastet Agentic AI vor allem kognitive Vorbereitungsarbeit: Kontext aus mehreren Quellen zusammenführen, Informationslücken identifizieren, Fallmaterial strukturieren. Diese Effekte sind lokal messbar — etwa in reduzierter Recherche- und Vorbereitungszeit pro Bearbeitungsschritt. Sie sind jedoch nur dann strategisch relevant, wenn sie in einen Prozesskontext eingebettet sind, der von der Zeitersparnis profitiert.
3.2 Process-Level-Effekte
Der strategisch relevante Hebel liegt auf Prozessebene. Agentische Systeme können Durchlaufzeiten verkürzen, weil sie Zwischenräume schließen — Suchaufwand, Rückfragen, Priorisierungsverzögerungen. Sie können Konsistenz erhöhen, weil sie Richtlinien, Wissensbestände und Fallhistorien gleichmäßig einbeziehen. Sie können Ausnahmebehandlung verbessern, weil sie variable Kontexte verarbeiten, auf die regelbasierte Automatisierung nicht vorbereitet ist. Und sie können Skalierbarkeit erhöhen, weil sie Koordinations- und Vorbereitungsarbeit absorbieren, ohne proportional steigende Personalkosten zu erzeugen. Gartner betont, dass Organisationen bei Agentic AI auf Enterprise Productivity zielen sollten, nicht auf individuelle Task Augmentation.
3.3 Enterprise-Level-Effekte
Auf Unternehmensebene entsteht Mehrwert durch kumulierte Prozessverbesserungen, durch Kompetenzaufbau in agentischer Betriebsführung und durch Datenzugänge sowie Betriebsmodelle, die für spätere, größere Use Cases relevant werden. Ein einzelner Pilot kann trotz moderatem Direktnutzen strategisch wertvoll sein, wenn er Infrastruktur schafft, die skaliert werden kann.
3.4 Kosten und Komplexitätsgrenzen
Der Mehrwert von Agentic AI ist immer bedingt. NIST erinnert daran, dass AI-Systeme Risiken für Individuen, Organisationen und Gesellschaft mit sich bringen. Hinzu kommen Kosten, die in Nutzenprojektionen regelmäßig fehlen:
- Oversight-Kosten für kontinuierliche menschliche Kontrolle
- Integrationskosten für Tool-Anbindungen und Datenzugänge
- Monitoringkosten für Governance-Signale und Leistungsüberwachung
- Prozessstörungskosten, wenn ein Agent in einen laufenden Betrieb eingreift und unerwartete Effekte erzeugt
Microsoft macht deutlich, dass Governance, Responsible AI und Operations integrale Bestandteile der Einführung sind — nicht nachgelagerte Absicherungen. Jede Nutzenbewertung sollte diese Kostenseite explizit einbeziehen.
4. Warum Geschäftsprozesse der richtige Ausgangspunkt sind
Es gibt mehrere mögliche Ausgangspunkte für die Use-Case-Identifikation: Technologiefähigkeiten, Organisationsfunktionen, Schmerzpunkte oder Prozesse. Dieses Whitepaper argumentiert für den prozessorientierten Zugang. Prozesse sind der Ort, an dem Wertschöpfung, Reibung, Verantwortung, Systeme, Kennzahlen und Rollen zusammenkommen. Microsoft betont, dass AI Agents in gut designten Prozessen Wert schaffen — ohne klare Prozessabbildung werden Agenten auf bestehende Abläufe aufgesetzt, ohne End-to-End-Ergebnisse zu verbessern.
Der eigentliche Suchtreiber ist wertrelevante Prozessfriktion. Gemeint sind Stellen, an denen Ergebnisse heute unnötig verzögert, verteuert oder qualitativ geschwächt werden: Wartezeiten, Rückfragen, Medienbrüche, manuelle Informationszusammenführung, wiederkehrende Ausnahmen, Wissensinseln. Prozessfriktion ist deshalb so wertvoll, weil sie gleichzeitig zeigt, wo der Betrieb ökonomisch leidet, und wo klassische lineare Bearbeitung an ihre Grenzen stößt.
Die Prozessperspektive erlaubt zudem eine wichtige Granularitätsentscheidung. Viele Organisationen betrachten große End-to-End-Prozesse und entwerfen umfassende Zielbilder — für Pilotierungen ist das in der Regel zu groß. Realistischer ist der Start auf Ebene kritischer Aktivitäten oder Mikroentscheidungen: Triage-Schritte, Fallvorbereitung, Ausnahmebehandlung oder Entscheidungsvorlagen. Der Prozess liefert den Rahmen, die Aktivität den konkreten Angriffspunkt.
4.1 Grenzen der Prozessperspektive
Prozesse sind nicht immer der einzige sinnvolle Ausgangspunkt. In frühen Reifegrad-Situationen, in denen keine strukturierten Prozessdaten vorliegen, kann ein funktionsgetriebener Zugang — ausgehend von Rollen oder Abteilungen mit besonders hoher kognitiver Last — einen pragmatischeren Einstieg bieten. In strategischen Innovationskontexten kann ein technologiegetriebener Zugang legitim sein, wenn das Ziel Kompetenzaufbau und nicht sofortige Prozessoptimierung ist. Das Whitepaper empfiehlt die Prozessperspektive als primären Ansatz, nicht als einzig möglichen.
5. Konzeptionelles Kernmodell
Die Kernfrage des Frameworks lautet: Wann wird eine Aktivität aus einem Geschäftsprozess zu einem priorisierungsfähigen Agentic-AI-Use-Case?
Die Multiplikationslogik ist entscheidend: Ein hoher Wert in einer Dimension kompensiert gravierende Schwächen in einer anderen nicht. Ein technologisch faszinierender Kandidat mit schwachem Business Value bleibt unattraktiv. Ein strategisch attraktiver Kandidat ohne Datenzugang oder Governance bleibt unreif. Ein Prozessproblem ohne Agentic Fit sollte mit anderen Mitteln gelöst werden.
5.1 Die vier Konstrukte im Überblick
| Konstrukt | Definition | Rolle im Modell | Mögliche Indikatoren |
|---|---|---|---|
| Prozessfriktion | Messbare Reibung im Prozessablauf, die wirtschaftlichen Schaden erzeugt | Selektionsfilter — ohne relevante Friktion kein belastbarer Business Case | Durchlaufzeit, Rückfragenquote, Eskalationsrate, Rework-Anteil, SLA-Verstöße, Bearbeitungskosten |
| Agentic Fit | Grad, in dem eine Aktivität die funktionalen Merkmale eines agentischen Anwendungsfalls aufweist | Differenzierungsfilter — trennt agentische von nicht-agentischen Kandidaten | Mehrstufigkeit, Tool-Nutzung, Fallsteuerungsbedarf, Ausnahmefrequenz, definierbare Autonomiegrenzen |
| Business Value | Wirtschaftlicher und strategischer Hebel der möglichen Agentifizierung | Priorisierungsmaßstab — bestimmt strategische Relevanz innerhalb der Kandidatenmenge | Effizienzpotenzial, Qualitätswirkung, Fehlerkosten, Servicewirkung, strategische Anschlussfähigkeit |
| Beherrschbarkeit | Grad, in dem ein Use Case unter realen Bedingungen pilotiert und kontrolliert werden kann | Realisierbarkeitsfilter — bestimmt, ob der Kandidat heute oder erst nach Vorbereitungen pilotiert werden kann | Datenverfügbarkeit, Systemzugang, Prozessklarheit, Governance-Leitplanken, Pilotscope-Definierbarkeit |
5.2 Prozessfriktion
Prozessfriktion ist der Suchtreiber. Ohne relevante Friktion entsteht kein überzeugender Business Case. Wichtig ist, Friktion von allgemeiner Unzufriedenheit zu trennen: Nicht jeder umständliche Ablauf ist wirtschaftlich relevant. Friktion muss eine spürbare Wirkung auf Zeit, Qualität, Kosten, Risiko oder Kundenerlebnis haben, und sie sollte durch Kennzahlen oder zumindest nachvollziehbare qualitative Muster belegt sein. Die Friktionslogik hat eine strategische Funktion: Sie verhindert, dass die Use-Case-Auswahl durch zufällige Tool-Begeisterung dominiert wird.
5.3 Agentic Fit
Agentic Fit ist der Differenzierungsfilter. Er prüft, ob eine Aktivität tatsächlich agentisch ist. Agentic Fit ist hoch, wenn ein klares Ziel verfolgt wird, mehrere Schritte erforderlich sind, Informationen aus verschiedenen Quellen zusammengeführt werden müssen, Tool-Nutzung notwendig ist, Priorisierung oder Fallsteuerung stattfindet und sinnvolle Autonomiegrenzen gesetzt werden können. Agentic Fit ist gering, wenn der Fall vollständig deterministisch ist oder wenn es sich um reine Inhaltsgenerierung ohne Handlungsbezug handelt. Gartner empfiehlt, AI Agents dort einzusetzen, wo Entscheidungen, Fallsteuerung oder mehrstufige Bearbeitung erforderlich sind — und Automatisierung beziehungsweise Assistenz für deterministischere und weniger komplexe Aufgaben zu nutzen.
5.4 Business Value
Business Value fragt nach dem wirtschaftlichen und strategischen Hebel. Er sollte aus mehreren Unterdimensionen abgeleitet werden: direkter Effizienzhebel, Qualitätswirkung, Reduktion von Fehler- oder Eskalationskosten, Servicewirkung sowie strategische Anschlussfähigkeit. Letztere wird häufig unterschätzt: Ein Pilot kann trotz moderatem Erstnutzen sinnvoll sein, wenn er Kompetenzen, Datenzugänge oder Betriebsmodelle aufbaut, die für spätere Use Cases relevant sind.
5.5 Beherrschbarkeit
Beherrschbarkeit ist die am häufigsten unterschätzte Dimension. Sie umfasst Datenzugang, Systemzugang, Prozessklarheit, Pilotierbarkeit, Human Oversight, Governance und Auditierbarkeit. NIST betont, dass Governance, Kontextmapping und Risikomanagement integrale Bestandteile des gesamten AI-Lebenszyklus sind. Zur Beherrschbarkeit gehören auch organisatorische Faktoren: Ist ein fachlicher Owner vorhanden? Lässt sich der Pilot klein genug schneiden? Gibt es eine Baseline für Vorher-Nachher-Messung?
6. Methodik zur Identifikation von Agentic-AI-Use-Cases
Die Identifikation agentischer Use Cases sollte nicht als Brainstorming verstanden werden. Benötigt wird ein strukturiertes Ableitungsverfahren. Das Framework schlägt dafür eine fünfstufige Methode vor.
Prozessinventar aufbauen
Ein fokussiertes Prozessinventar mit Kernprozessen hoher Wertschöpfungsrelevanz. Pro Prozess: Owner, Scope, Volumen, zentrale KPIs, wahrgenommene Schmerzpunkte. Vorsegmentierung in hochvolumige operative Prozesse, wissensintensive Entscheidungsprozesse und Ausnahme- und Eskalationsprozesse.
Prozessfriktionen sichtbar machen
Explizite Erfassung von Friktionen mit Kennzahlbezug. Leitfragen: Wo entstehen Wartezeiten? Wo gibt es Rückfragen? Wo wird Information manuell aus mehreren Quellen zusammengeführt? Wo häufen sich Ausnahmen? Friktion auf Aktivitätsebene beschreiben, nicht auf Prozessebene. Der Satz "es dauert zu lange" ist nicht verwendbar. Der Satz "drei Rückfragen pro Fall verzögern die Freigabe um zwei Tage" ist verwendbar.
Kritische Aktivitäten isolieren
Von der Prozessebene auf Aktivitätsebene wechseln. Eine Mikroentscheidung liegt vor, wenn aus einem Kontext ein nächster Handlungsschritt gewählt, ein Fall priorisiert oder ein Mensch für eine Entscheidung vorbereitet werden muss. Nicht der gesamte Prozess ist der Kandidat, sondern eine Aktivität darin.
Agentic Fit prüfen
Jede Aktivität wird anhand der sechs Fit-Kriterien bewertet: Zielklarheit, Mehrstufigkeit, Tool-Nutzung, Entscheidung oder Priorisierung, Ausnahmebehandlung, kontrollierbare Autonomie. Wenn diese Merkmale kaum vorliegen, sollte Assistenz, RPA oder klassische Workflow-Optimierung geprüft werden.
Use-Case-Kandidaten formulieren
Standardisierter Steckbrief mit: betroffenem Prozess, beschriebener Friktion, kritischer Aktivität, Zielbild der Agentifizierung, Rolle des Agenten, Rolle des Menschen, benötigten Datenquellen, benötigten Tools, erwarteter Kennzahlenwirkung, pilotierbarem Scope, wesentlichen Risiken und Governance-Anforderungen. Pflichtfeld: Nicht-Ziele — dieses Feld verhindert Scope Creep.
7. Bewertungsraster zur Priorisierung
Sobald mehrere Kandidaten vorliegen, wird eine mehrdimensionale Bewertung erforderlich. Das Framework schlägt ein Raster mit sechs Dimensionen vor.
Erwarteter Nutzen für Effizienz, Qualität, Risiko, Kundenerlebnis, Resilienz oder strategische Bedeutung. Score aus Unterfragen zu Effizienzpotenzial, Qualitätsverbesserung, Risikoreduktion, Servicewirkung und strategischer Anschlussfähigkeit.
Bestätigung, dass die Aktivität ein agentisches Muster aufweist. Auch im Bewertungsraster explizit erfasst, weil Kandidaten in Workshops häufig unterschiedlich scharf formuliert sind.
Realisierbarkeit des benötigten Informations- und Handlungskontexts. Fehlen Daten oder Tool-Zugriffe, entsteht ein langwieriges Integrationsprojekt vor dem eigentlichen Piloten.
Operative Stabilität, nicht Dokumentationsvollständigkeit. Klarheit von Start und Ende, Rollen, Übergaben, Standardfällen und KPIs.
Datenschutz, Compliance, Fehlerfolgen, Erklärbarkeit, Berechtigungen, Auditierbarkeit und Human Oversight. Pflichtprüfung EU AI Act: Für jeden Kandidaten ist zu klären, ob der Einsatz unter die Hochrisiko-Klassifikation nach Art. 6 und Anhang III fällt. Besonders relevant sind Beschäftigung und Personalmanagement (Anhang III Nr. 4) sowie Kreditvergabe und Finanzdienstleistungen (Anhang III Nr. 5b). Das Ergebnis der Einstufung ist im Raster als Pflichtfeld zu dokumentieren.
Geschwindigkeit, mit der ein abgegrenzter Pilot gestartet und gemessen werden kann. Time to Value ist ein Filter für sinnvolle Reihenfolge, kein Gegensatz zu strategischer Relevanz.
7.1 Scoring-Governance
Das Raster entfaltet seine Wirkung nur, wenn Scores konsistent vergeben werden. Dafür gelten vier Prinzipien.
Cross-functional Scoring
Fachbereich, IT, Architecture und Governance bewerten unabhängig voneinander, bevor eine gemeinsame Kalibrierung erfolgt. Große Unterschiede zwischen Perspektiven sind kein Fehler — sie zeigen, wo Annahmen auseinanderlaufen und wo Klärungsbedarf besteht.
Evidenzpflicht
Jeder Score über 3 oder unter 2 erfordert eine dokumentierte Begründung mit konkretem Beleg. "Hoher Business Value" ohne Kennzahlbezug ist kein gültiger Score.
Kalibrierung über Referenzfälle
Das Musterbewertungsraster (Kapitel 10) dient als Referenz, an der Teams ihre eigene Bewertungslogik ausrichten. Abweichungen von diesem Referenzfall sind zu erklären.
Umgang mit Dissens
Wenn zwei Perspektiven einen Kandidaten um mehr als zwei Punkte unterschiedlich bewerten, ist ein explizites Klärungsgespräch vor der Entscheidung obligatorisch. Der niedrigere Score gilt als vorläufig maßgeblich, bis die Diskrepanz aufgelöst ist.
8. Pilotpriorisierungsmatrix
Das Bewertungsraster liefert Rohdaten. Die Pilotpriorisierungsmatrix verdichtet diese in eine managementfähige Darstellung. Sie ist eine Bubble-Matrix mit vier Entscheidungsdimensionen: Business Value (X-Achse), Feasibility im Pilotscope (Y-Achse), Volumen oder Skalierungspotenzial (Kreisgröße) und Governance-Risikograd (Farbe: Grün / Gelb / Rot).
Die Matrix ist nicht der Ort, an dem Agentic Fit erstmals diskutiert wird. Nur Kandidaten mit bestätigtem Agentic Fit gelangen in die Darstellung.
| Nr. | Use Case | Business Value | Feasibility | Volumen | Governance-Risiko |
|---|---|---|---|---|---|
| ① | Incident Triage & Priorisierung | 4 | 4 | Groß | Grün |
| ② | Rechnungsausnahmen Procure to Pay | 4 | 3 | Groß | Gelb |
| ③ | EA Intake Vorqualifizierung | 3 | 5 | Klein | Grün |
| ④ | HR Policy Case Handling | 4 | 2 | Mittel | Rot |
| ⑤ | Customer Service Fallsteuerung | 5 | 3 | Groß | Gelb |
Leselogik: Rechts oben liegen bevorzugte Pilotkandidaten. Große grüne Kreise dort sind optimale Startpunkte. Kleine grüne Kreise im oberen Bereich (③) können Quick Wins mit hoher Governance-Reife darstellen. Große rote Kreise (④) zeigen strategisch attraktive, aber aktuell nicht pilotierbare Kandidaten, bei denen Governance vor dem Piloten geklärt werden muss — im Beispiel gilt dies für HR Policy Case Handling aufgrund EU-AI-Act-Hochrisiko-Prüfpflicht nach Anhang III Nr. 4.
Die Matrix erlaubt Portfolio-Kommunikation über Einzelfälle hinaus und dokumentiert Reifung über mehrere Zyklen: Ein heute gelber Kandidat rechts unten kann durch Governance-Klärung und bessere Datenlage zum Erstpiloten werden.
9. Governance, Human Oversight und Beherrschbarkeit
Governance ist im Framework keine nachgelagerte Absicherung. Sie ist Selektionslogik. Ein Kandidat mit hohem Business Value und starkem Agentic Fit kann für die Pilotierung ungeeignet sein, wenn Entscheidungsgrenzen unklar sind, die Datenbasis zu sensibel ist oder keine sinnvolle menschliche Kontrollinstanz vorgesehen ist.
9.1 Drei Governance-Prinzipien
Für jeden Use Case sind die Grenzen des autonomen Agentenverhaltens explizit zu definieren: Was darf der Agent autonom tun? Was erfordert menschliche Freigabe? Was ist grundsätzlich ausgeschlossen? Diese Grenzen sind nicht verhandelbar nach dem Go-live — sie müssen in der Pilotdefinition festgelegt sein. Ein Agent kann einen Fall triagieren, aber keine endgültige Freigabe erteilen. Er kann einen Vorschlag aufbereiten, aber nicht eigenständig kommunizieren oder Verträge schließen.
Wer ist fachlicher Owner des Agenten? Wer verantwortet Betrieb, Anpassung und Monitoring? Wer trägt Verantwortung für Policies, Tool-Berechtigungen und Auditierbarkeit? Human Oversight bedeutet mehr als ein abstraktes Freigabeprinzip: Es muss an konkreten Aktionen im Workflow festgemacht sein — an welchen Stellen greift der Mensch ein, unter welchen Bedingungen eskaliert der Agent? Google verweist ausdrücklich auf die Notwendigkeit menschlicher Aufsicht, um unerwünschte Folgen zu vermeiden.
Aktionen, Eingaben, Outputs und Systeminteraktionen müssen soweit erforderlich nachvollziehbar bleiben. Zugriffsrechte dürfen nicht implizit mit der Agentenlogik vermischt werden — sie müssen explizit modelliert und kontrolliert werden. Microsoft betont, dass der Übergang von Pilot zu produktiven Workflows ohne standardisierte Monitoring- und Lifecycle-Management-Praktiken zu Agent Sprawl und inkonsistenten Ergebnissen führt.
9.2 Regulatorische Risikoklassifikation: EU AI Act
Für Unternehmen im europäischen Wirtschaftsraum ist der EU AI Act (Verordnung EU 2024/1689) eine verbindliche Rahmenbedingung. Die Hochrisiko-Anforderungen gelten ab August 2026 vollumfänglich. Im Bewertungsraster ist für jeden Kandidaten eine Pflichtprüfung durchzuführen.
| Prozessdomäne | Einstufungshinweis | Besonderheit |
|---|---|---|
| HR: Auswahl, Beurteilung, Beförderung, Kündigung | Hochrisiko (Anhang III Nr. 4) | Gilt auch für vorbereitende Entscheidungsunterstützung |
| Finance: Kreditwürdigkeitsprüfung, Bonitätsbewertung | Hochrisiko (Anhang III Nr. 5b) | Betrifft natürliche Personen |
| IT Service / Incident Management | In der Regel kein Hochrisiko | Keine wesentlichen Rechte oder Sicherheitsinteressen berührt |
| Enterprise Architecture Intake | In der Regel kein Hochrisiko | Organisationsinterne Entscheidungsvorbereitung |
| Customer Service Fallsteuerung | Kontextabhängig | Transparenzpflicht nach Art. 50 bei KI-Interaktion prüfen |
Verhältnis zu NIST AI RMF
NIST AI RMF liefert ein technologieagnostisches Risikomanagementsystem für Trustworthiness. Der EU AI Act setzt verbindliche rechtliche Mindeststandards. Beide Rahmenwerke sind komplementär — für europäische Unternehmen ist der EU AI Act Pflichtrahmen, NIST bleibt methodische Vertiefungsebene.
10. Prozessbeispiele
10.1 Vollständig durchgespieltes Beispiel: Incident Triage & Priorisierung
Kontext: IT-Service-Management-Organisation. L1-Support bearbeitet täglich mehrere hundert Tickets. Friktionszentrum ist die frühe Fallbewertung.
Prozessfriktion: L1-Agents verbringen 15–25 % der Bearbeitungszeit pro Ticket damit, Logs, Monitoring-Daten, Wissensdatenbankeinträge und Ticket-Historien manuell zusammenzuführen. Folgen: SLA-Verstöße durch verspätete Eskalation, inkonsistente Triage-Qualität, hohe Rate vermeidbarer Eskalationen.
Kritische Aktivität: Frühe Fallbewertung — Kontext bündeln, Schweregrad einschätzen, nächsten Schritt einleiten.
Agentic Fit: Klares Ziel (richtige Klassifikation und Einleitung des nächsten Schritts), mehrstufige Bearbeitung (Logs → Wissensdatenbank → Historie → Klassifikation → Bericht), mehrere Datenquellen und Tools (Monitoring-System, Ticket-Tool, CMDB, Wissensdatenbank), Fallsteuerung erforderlich (Schweregrad, Kategorie, Eskalationspfad), Ausnahmen regelmäßig (unbekannte Fehlermuster, kaskadierte Incidents, VIP-Eskalationen), kontrollierbare Autonomie möglich (Mensch entscheidet final bei P1/P2, Agent führt P3/P4 durch).
Bewertungsraster:
| Dimension | Score | Begründung |
|---|---|---|
| Business Value | 4 | Direkte Wirkung auf SLA-Einhaltung, MTTR und Eskalationskosten |
| Agentic Fit | 5 | Alle sechs Kriterien erfüllt |
| Daten und Systemzugang | 4 | APIs in modernen ITSM-Umgebungen verfügbar; Wissensdatenbank ggf. mit Lücken |
| Prozessreife | 4 | L1/L2/L3-Struktur etabliert; KPIs vorhanden |
| Governance und Risiko | 4 | Kein EU-AI-Act-Hochrisiko; Protokollierungsanforderung adressierbar |
| Time to Value | 5 | Scope auf P3/P4-Triage klar definierbar; Baseline aus SLA-Historien sofort ableitbar |
| Potenzial gesamt | Sehr hoch |
Matrixposition: Rechts oben, großer Kreis (hohes Ticketvolumen), grün (Governance-ready). → Empfohlener Erstpilot.
Governance-Auflagen
Protokollierung aller Triage-Entscheidungen mit Zeitstempel und Confidence-Score. P1/P2-Tickets immer menschliche Erstbewertung. Kein autonomes Schließen von Tickets.
Pilotscope
P3/P4-Incidents, Kategorien Netzwerk und Anwendungsfehler, ein Standort. Nicht im Scope: P1/P2, Hardware, externe Kommunikation.
10.2 Procure to Pay Ausnahmen
Procure-to-Pay-Prozesse sind in Standardfällen gut formalisiert. Die größten Reibungen entstehen bei Ausnahmen: Rechnungen ohne Bestellbezug, widersprüchliche Lieferinformationen, abweichende Genehmigungswege. Klassische Automatisierung scheitert an der Variantenvielfalt. Die kritische Aktivität ist die Klärung und Priorisierung dieser Ausnahmefälle — ein Agent kann Kontext aus ERP, DMS und Kommunikationsverläufen zusammenführen, Lücken identifizieren und Fälle nach Dringlichkeit und Skontofristen strukturieren. Business Value entsteht durch kürzere Liegezeiten und verbesserte Skontonutzung. Governance ist besonders dort relevant, wo finanzielle Freigaben betroffen sind: Der Agent bereitet vor, der Mensch entscheidet final.
10.3 Enterprise Architecture Intake
Anfragen an Enterprise Architecture sind wissensintensiv, heterogen und stark von guter Vorstrukturierung abhängig. Die relevante Aktivität ist die Vorqualifizierung und Entscheidungsvorbereitung — nicht die Architekturentscheidung selbst. Ein Agent kann Anfragen kategorisieren, fehlende Informationen markieren, relevante Standards zuordnen und eine strukturierte Review-Vorlage erzeugen. Business Value liegt in kürzerer Vorklärung und besserer Auslastung knapper Architekturkapazität. Dieses Beispiel zeigt, dass Entscheidungsvorbereitung ohne Vollautonomie bereits erheblichen Wert liefern kann.
10.4 HR Policy und Employee Case Handling
In HR Operations entstehen Friktionen bei komplexen Fällen, in denen Richtlinien, persönliche Situation und Fristen gemeinsam betrachtet werden müssen. Ein Agent kann Informationen sammeln, relevante Richtlinienpassagen identifizieren und HR-Bearbeitern einen strukturierten Fallaufbau liefern. Governance ist hier besonders kritisch: Personaldaten sind sensibel, und dieser Use Case kann unter die Hochrisiko-Kategorie des EU AI Act (Anhang III Nr. 4) fallen. Hoher Business Value allein genügt nicht. Datenschutz, Berechtigungen, regulatorische Konformität und Human Oversight bestimmen, ob ein Pilot verantwortbar ist.
11. Einführungsmodell von Discovery bis Skalierung
Agentic AI unterscheidet sich von klassischer Automatisierungs- oder GenAI-Einführung in fünf wesentlichen Punkten, die das Einführungsmodell prägen:
- Höherer Oversight-Bedarf: Agenten handeln in der Außenwelt und erfordern von Beginn an explizit definierte menschliche Kontrollpunkte.
- Stärkere Tool- und Systemkopplung: Jede zusätzliche Systemintegration erhöht Risiko, Komplexität und Betriebsaufwand.
- Höhere Governance-Anforderungen: Berechtigungskonzepte, Protokollierung und regulatorische Prüfung sind keine optionalen Nacharbeiten.
- Dynamischere Fehlerprofile: Weil Agenten kontextsensitiv agieren, sind Fehler weniger vorhersehbar und schwerer vollständig vorzutesten.
- Striktere Scope-Disziplin: Der Versuch, einen Gesamtprozess zu pilotieren, scheitert regelmäßig. Der Einstieg auf Aktivitätsebene ist strukturell überlegen.
Das Framework schlägt ein fünfstufiges Einführungsmodell vor:
Discovery
Prozessinventar, Friktionen und Kandidaten erarbeiten. Interdisziplinär anlegen — Prozess, Architektur, Daten und Governance von Beginn an.
Shortlisting
Agentic Fit, Mindestvoraussetzungen und zentrale Risiken prüfen. Kandidaten, die andere Lösungsformen erfordern, werden zurückgestellt.
Pilotdefinition
Scope, Zielbild, KPIs, Datenquellen, Tool-Integration, Human Oversight und Risikobehandlung festlegen. Gate-Kriterium: Pilotscope klar auf Aktivitätsebene definiert.
Kontrollierte Einführung
Agent und Prozess zusammenführen. Begleitendes Monitoring, Protokollierung, Nutzerfeedback und Qualitätsmessung. Gate-Kriterium: Governance-Signale im Normalbereich.
Skalierung
Erst wenn Nutzen, Stabilität und Governance ausreichend validiert sind. Skalierung umfasst auch Standardisierung von Operating Model, Lifecycle Management und Policy-Steuerung.
12. Artefakte für die Umsetzung
Das Framework wird durch drei operative Artefakte operationalisiert. Ihre vollständige Ausarbeitung — Feldstrukturen, Scoring-Bögen, Workshop-Blueprint, Governance-Checklisten, Portfolio-Governance-Konzept — findet sich im Practitioner Toolkit (Begleitdokument).
Artefakt 1 — Identifikationscanvas
Strukturierter Steckbrief für jeden Use-Case-Kandidaten. Zwölf Felder von Prozessname bis Wesentliche Risiken, inklusive Pflichtfeld Nicht-Ziele. Eignet sich für Discovery-Sessions und Fachbereichsdialoge.
Artefakt 2 — Bewertungsraster
Sechs Dimensionen mit Scoring-Leitplanken und Evidenzpflicht. Kommunikationsinstrument und Analyseinstrument in einem. Zwingt Teams, implizite Annahmen explizit zu machen.
Artefakt 3 — Pilotpriorisierungsmatrix
Bubble-Matrix für Portfolio-Entscheidungen und Management-Reviews. Macht Kandidatenentwicklung über Zyklen sichtbar.
13. Diskussion
13.1 Beitrag des Frameworks
Der originäre Beitrag dieses Frameworks liegt in der Verbindung von drei Perspektiven, die in der bestehenden Literatur zu Agentic AI selten gemeinsam auftreten: Prozesslogik, Selektionslogik und Governance-Logik. Bestehende Guidance — insbesondere von Microsoft, IBM, Google Cloud und NIST — adressiert Agentic AI aus Architektur-, Governance- oder Reifegrad-Perspektive. Was fehlt, ist ein Instrument, das vor der Architekturentscheidung ansetzt und die Frage beantwortet: Welche Aktivitäten sind überhaupt für Agentic AI geeignet, und wie wird diese Eignung methodisch überprüft?
Das multiplikative Kernmodell ist in dieser Form nicht Standard. Die Kombination aus Prozessfriktion als primärem Suchtreiber, einem expliziten Agentic-Fit-Check als binärem Vorfilter und Beherrschbarkeit als gleichrangiger Dimension neben Business Value unterscheidet das Framework von allgemeinen Innovation-Portfolio-Ansätzen. Die Integration des EU AI Act als Pflichtdimension in der Use-Case-Bewertung adressiert eine spezifisch europäische Compliance-Anforderung, die in internationalen Frameworks noch nicht systematisch verankert ist.
13.2 Grenzen und Bedingungen
Das Framework funktioniert unter bestimmten Voraussetzungen, die nicht immer gegeben sind. Es setzt voraus, dass Prozesse hinreichend stabil und dokumentierbar sind — in frühen Reifegrad-Situationen mit hoher Prozessambiguität kann die Methode nur eingeschränkt angewendet werden. Es setzt voraus, dass Friktionen quantifizierbar oder zumindest qualitativ nachvollziehbar sind — wo keine Messpunkte existieren, bleibt die Friktionslogik spekulativ.
Die Abgrenzung zwischen Agentic AI und fortgeschrittener Assistenz ist in Grenzfällen umstritten. Das Framework bietet Kriterien, aber keine algorithmische Entscheidung: Ob ein System zielorientiert über mehrere Schritte handelt oder nur sehr gute Einzelantworten liefert, ist situationsabhängig. Die Bewertungskriterien für Agentic Fit sind praxisnah entwickelt, aber nicht formal validiert — inter-rater-Reliabilität wurde bisher nicht empirisch getestet.
Das Framework ist auch nicht neutral gegenüber organisatorischen Reifegraden. Hochregulierte Branchen werden konservativer priorisieren; Organisationen mit stärkerem Innovations-Mandat können Risikoschwellen anders setzen. Das Framework ist ein anpassbarer Entscheidungsrahmen, keine starre Formel.
13.3 Alternativen und Gegenpositionen
Die prozessorientierte Suchlogik ist nicht die einzig denkbare. Ein technologiegetriebener Zugang — ausgehend von Modellkapazitäten und dann rückwärts zu Anwendungsfällen — kann in frühen Explorationsphasen oder bei strategisch motiviertem Kompetenzaufbau sinnvoll sein. Gartner selbst weist darauf hin, dass viele Use Cases keine agentische Implementierung benötigen — was impliziert, dass die Selektionsfrage relevanter ist als die Technologiefrage, aber nicht dass nur ein einziger Selektionspfad existiert.
Eine alternative Suchlogik wäre eine rollenbasierte Perspektive: Ausgehend von Expertenfunktionen mit hohem kognitiven Vorbereitungsaufwand — Architekten, Compliance-Beauftragte, Service-Analysten — lassen sich Use Cases bottom-up identifizieren. Diese Logik überlastet die Prozesssicht nicht, produziert aber häufig Kandidaten ohne klaren End-to-End-Geschäftsbezug. Die Stärke des prozessorientierten Ansatzes liegt in der direkten Verbindung zu Kennzahlen und Business Cases.
13.4 Implikationen für Forschung und Praxis
Mehrere Fragen bleiben offen:
- Empirisch: Welche Prozesstypen profitieren systematisch von agentischer Unterstützung, und welche Kennzahlen verbessern sich wie stark? Die vorliegenden Erkenntnisse stammen überwiegend von Technologieanbietern und Pilotberichten — unabhängige Langzeitmessungen fehlen weitgehend.
- Methodisch: Wie reliabel ist die Agentic-Fit-Bewertung über verschiedene Organisationen und Moderatoren hinweg? Wie robust ist das multiplikative Modell gegenüber starken Gewichtungsunterschieden in verschiedenen Kontexten?
- Organisational: Wie werden Agentic-AI-Portfolios langfristig in Betriebsmodelle, Rollenstrukturen und Budgetlogiken integriert? Die Diskussion konzentriert sich aktuell auf Piloten — weniger auf nachhaltige Betriebsmodelle.
- Regulatorisch: Wie entwickelt sich die EU-AI-Act-Auslegungspraxis für die Hochrisiko-Kategorien in Enterprise-Kontexten?
14. Managementempfehlungen
Use-Case-Identifikation beginnt nicht mit Technologiefähigkeiten, sondern mit messbaren Engpässen im Prozess. Teams, die mit Tools beginnen und nach passenden Anwendungsfällen suchen, produzieren Demo-Wirkung ohne Prozessrelevanz.
Nicht jede kognitive oder komplexe Aktivität ist agentisch. Der Fit-Check mit sechs Kriterien ist verbindlicher Bestandteil der Discovery — kein optionaler Vertiefungsschritt. Ein Use Case ohne bestätigten Agentic Fit kommt nicht in die Pilotpriorisierungsmatrix.
Hoher Business Value ohne Datenzugang, Governance oder definierbaren Pilotscope ist kein guter Erstkandidat. Umgekehrt ist ein sehr leicht umsetzbarer Pilot ohne klaren Wert nicht skalierungswürdig.
Human Oversight, Rollen, Protokollierung, Berechtigungen und Risikobehandlung müssen in der Priorisierung präsent sein. Für europäische Unternehmen ist die EU-AI-Act-Risikoklassifikation ein Pflichtbestandteil der Use-Case-Bewertung — keine juristisch nachgelagerte Frage.
Die besten ersten Piloten liegen in gut abgegrenzten Aktivitäten oder Ausnahmegruppen. End-to-End-Zielbilder als Erstpiloten scheitern an Feasibility und Governance-Komplexität.
15. Fazit
Agentic AI ist kein Produktivitäts-Add-on und kein Hype-Objekt. Es ist ein Instrument zur Verbesserung konkreter Prozessleistung — unter definierten Bedingungen, mit klaren Grenzen und mit Human Oversight als strukturellem Bestandteil.
Das Framework, das dieses Whitepaper entwickelt, beantwortet die Identifikationsfrage: Wertrelevante Prozessfriktion als Suchtreiber. Agentic Fit als Differenzierungsfilter. Beherrschbarkeit als gleichrangige Dimension neben Business Value. Diese drei Prinzipien zusammen verhindern die zwei häufigsten Fehler: den Start mit technologisch faszinierenden, aber geschäftlich schwachen Ideen, und den Start mit strategisch attraktiven, aber organisatorisch unreifen Großvorhaben.
Literaturverzeichnis
- [1] Microsoft. Agentic AI maturity model — Business process mapping. Learn Microsoft. Verfügbar unter https://learn.microsoft.com/en-us/microsoft-copilot-studio/guidance/maturity-model-business-process. Zugriff am 23.03.2026.
- [2] Microsoft. Introduction to the Agentic AI adoption maturity model. Learn Microsoft. Verfügbar unter https://learn.microsoft.com/en-us/microsoft-copilot-studio/guidance/maturity-model-overview. Zugriff am 23.03.2026.
- [3] Microsoft. Pillar 1 — Business and AI strategy alignment. Learn Microsoft. Verfügbar unter https://learn.microsoft.com/en-us/microsoft-copilot-studio/guidance/maturity-model-strategy. Zugriff am 23.03.2026.
- [4] Microsoft. How to use the agentic AI adoption maturity model. Learn Microsoft. Verfügbar unter https://learn.microsoft.com/en-us/microsoft-copilot-studio/guidance/maturity-model-how-to-use. Zugriff am 23.03.2026.
- [5] Microsoft. Operations and lifecycle management. Learn Microsoft. Verfügbar unter https://learn.microsoft.com/en-us/microsoft-copilot-studio/guidance/maturity-model-operations. Zugriff am 23.03.2026.
- [6] Microsoft. Responsible AI and trust. Learn Microsoft. Verfügbar unter https://learn.microsoft.com/en-us/microsoft-copilot-studio/guidance/maturity-model-responsible-ai. Zugriff am 23.03.2026.
- [7] NIST. Artificial Intelligence Risk Management Framework AI RMF 1.0. NIST AI 100-1. Verfügbar unter https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf. Zugriff am 23.03.2026.
- [8] NIST. AI Risk Management Framework. Verfügbar unter https://www.nist.gov/itl/ai-risk-management-framework. Zugriff am 23.03.2026.
- [9] IBM. An IBM Guide to Agentic AI Systems. Verfügbar unter https://www.ibm.com/think/architectures/patterns/agentic-ai. Zugriff am 23.03.2026.
- [10] IBM. What is agentic architecture. Verfügbar unter https://www.ibm.com/think/topics/agentic-architecture. Zugriff am 23.03.2026.
- [11] Google Cloud. What is agentic AI. Verfügbar unter https://cloud.google.com/discover/what-is-agentic-ai. Zugriff am 23.03.2026.
- [12] Google Cloud. What are AI agents. Verfügbar unter https://cloud.google.com/discover/what-are-ai-agents. Zugriff am 23.03.2026.
- [13] Gartner. Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027. Gartner Newsroom, 25. Juni 2025. Verfügbar unter https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027. Zugriff am 23.03.2026.
- [14] Europäisches Parlament und Rat der Europäischen Union. Verordnung (EU) 2024/1689 (EU AI Act). Amtsblatt der Europäischen Union. Verfügbar unter https://eur-lex.europa.eu/legal-content/DE/TXT/?uri=OJ:L_202401689. Zugriff am 23.03.2026.
Nächste Schritte
Möchten Sie eine strukturierte Agentic AI Discovery für Ihre Organisation durchführen?
© abamix Capital GmbH. Alle Rechte vorbehalten. Regulatorische Einschätzungen ersetzen keine Rechtsberatung.