Skalierung von KI-Agenten: Praxis-Einblicke von BLP-Gründer Tim Beck

Wie gelingt der Sprung von vielversprechenden KI-Experimenten zu messbaren Produktivitätsgewinnen im gesamten Unternehmen? Viele Firmen stellen fest, dass die beeindruckenden Erfolge einzelner Mitarbeiter:innen mit KI-Agenten sich nicht ohne Weiteres auf die Organisation übertragen lassen. In der neuesten Episode des AI FIRST Podcast spricht Host Felix Schlenther mit Tim Beck, Gründer des auf KI-Agenten spezialisierten Unternehmens BLP. Als Spin-off der ETH Zürich mit tiefen Wurzeln in der Welt der ERP-Systeme entwickelt BLP seit 2018 agentische Workflows für Konzerne wie BMW und Roche. Tim erklärt, warum die größte Hürde bei der KI-Transformation nicht die Technologie, sondern der Mensch und veraltete Prozesse sind, und wie Unternehmen den Wandel von der Pilot-Phase zur echten Skalierung meistern können.

Das Wichtigste auf einen Blick

• Fokus auf die Anwendung, nicht das Modell: Tim Beck betont, dass die zugrundeliegenden Sprachmodelle (LLMs) von Anbietern wie OpenAI oder Anthropic bereits eine herausragende Reife erreicht haben. Der entscheidende Wettbewerbsvorteil und die eigentliche Wertschöpfung entstehen im Application Layer - also in den KI-Agenten, die diese Modelle nutzen, um konkrete Aktionen in Unternehmenssystemen auszuführen.
• Das Ende der Experimentierphase: Die Zeit der reinen KI-Piloten ohne klaren Business Case neigt sich dem Ende zu. Tim prognostiziert, dass Vorstände ab 2025 einen messbaren Return on Investment (ROI) für KI-Ausgaben einfordern werden. Der Fokus verschiebt sich von technischer Machbarkeit hin zu nachweisbarem Top- oder Bottom-Line-Impact.
• Komplexität ist die Skalierungsbremse: Interne KI-Projekte scheitern oft nicht an der technischen Umsetzbarkeit, sondern an der schieren Komplexität der Realität. Ein Prozess wie die Rechnungsverarbeitung besteht nicht aus einem, sondern aus über 160 Teilprozessen mit unzähligen Ausnahmen. Diese zu beherrschen, ist zeit- und kostenintensiv und der Punkt, an dem spezialisierte Anbieter ihren Vorteil ausspielen.
• Change Management ist die Kernaufgabe: Die größte Herausforderung ist nicht die Technologie, sondern die Anpassung der Organisation. Veraltete, auf menschliche Kontrolle ausgelegte Prozesse, die Angst der Mitarbeiter:innen vor Veränderung und mangelnde Kommunikation verhindern oft den Erfolg. Laut einer Studie, die Tim zitiert, torpediert eine:r von drei Mitarbeiter:innen aktiv KI-Projekte.
• Neue Governance-Modelle sind entscheidend: Die traditionelle Aufgabenteilung, bei der die Fachabteilung ein Ticket an die IT stellt, ist für das Zeitalter der KI zu langsam. Erfolgreiche Unternehmen verlagern die Verantwortung für die Konfiguration und das Management der KI-Agenten zu sogenannten Application Ownern direkt in den Fachbereichen.

Vom Hype zur Realität: Wo KI-Agenten heute wirklich stehen

Wenn man auf den Gartner Hype Cycle blickt, standen KI-Agenten zuletzt auf dem Gipfel der überzogenen Erwartungen. Tim Beck rät hier zu einer differenzierten Betrachtung. Er unterscheidet klar zwischen den Sprachmodellen (LLMs) und der Anwendungsschicht, den Agenten. Die Modelle selbst, etwa von OpenAI, Anthropic oder Google, seien bereits außerordentlich leistungsfähig. Der Sprung von einer Modellgeneration zur nächsten sei für Anwender:innen kaum noch spürbar. Der wahre Fortschritt und das, was Nutzer:innen als Durchbruch wahrnehmen - wie der Zugriff auf Dokumente oder das Ausführen von Aktionen - finde in der Anwendung statt. KI-Agenten geben den Modellen sozusagen Hände und Füße, um nicht nur Informationen zu liefern, sondern autonom Aufgaben in Systemen wie SAP auszuführen. Die zentrale Herausforderung für Unternehmen liegt also nicht darin, eigene Modelle zu entwickeln, sondern darin, robuste und zuverlässige Anwendungen zu bauen, die einen echten Mehrwert liefern.

Die Grenzen des Selbermachens: Warum KI-Piloten oft nicht skalieren

Viele Unternehmen haben in den letzten Jahren eigene KI-Projekte gestartet und schnell erste Erfolge erzielt. Laut Tim ist es dank moderner Werkzeuge einfach geworden, einen Prototypen zu bauen, der 80 Prozent eines Problems löst. Doch die wahre Schwierigkeit liegt in den letzten 20 Prozent: der schier unendlichen Vielfalt an Ausnahmen, Sonderfällen und implizitem Wissen, das in den Köpfen der Mitarbeiter:innen steckt. Als Beispiel nennt er die Automatisierung der Eingangsrechnungsverarbeitung. Dies sei kein einzelner Anwendungsfall, sondern ein Bündel von über 160 Teilprozessen. Eine Ausnahme kann eine simple fehlende Rechnungsnummer sein, aber auch eine komplexe Situation, in der ein Agent nicht entscheiden kann, auf welches von zwei Konten eine AWS-Rechnung gebucht werden soll, weil der Mensch es in der Vergangenheit inkonsistent getan hat. Ein internes Team müsste all diese Fälle erst identifizieren, das Wissen formalisieren und ein System bauen, das zuverlässig und kosteneffizient arbeitet. An diesem Punkt, so Tim, erkennen viele Unternehmen, dass es sinnvoller ist, spezialisierte Lösungen einzukaufen, anstatt das Rad für Standardprozesse wie Finanzen oder Einkauf neu zu erfinden. Die Entscheidung sei keine Frage der technischen Fähigkeit, sondern eine Abwägung von Zeit, Risiko und Kosten.

Das größte Hindernis ist der Mensch: Change Management als Kernaufgabe

Felix stellt die entscheidende Frage, warum die individuell empfundene, oft enorme Produktivitätssteigerung durch KI-Agenten in Unternehmen so selten zu messbaren Gesamterfolgen führt. Tim sieht die Hauptgründe im Menschen und in den Prozessen. Historisch gewachsene Unternehmensprozesse sind auf Kontrolle und Anleitung für Menschen ausgelegt, nicht für die autonome Ausführung durch eine KI. Sie enthalten unzählige manuelle Prüf- und Freigabeschritte, die aus einer Zeit vor KI stammen. Um das volle Potenzial zu heben, müssen diese Prozesse mutig neu gedacht und das in ihnen verborgene, implizite Wissen für die KI explizit gemacht werden.

Die zweite große Hürde ist die menschliche Psyche. Angst vor dem Verlust des Arbeitsplatzes oder der eigenen Relevanz führt zu Widerstand. Tim berichtet von einem sogenannten temporären Schlusscheck in ihren Projekten: Ein Mensch darf die Arbeit des KI-Agenten final kontrollieren, um Vertrauen aufzubauen. Obwohl nach drei Monaten statistisch nachweisbar keine Fehler mehr korrigiert werden, fällt es Teams extrem schwer, diesen Kontrollschritt aufzugeben. Manchmal werden sogar Datenpunkte gelöscht und identisch wieder eingegeben - ein Verhalten, das sich nur durch das Bedürfnis erklären lässt, involviert zu bleiben. Der Schlüssel zum Erfolg liegt daher in exzellenter Kommunikation und einem klaren Zielbild. Als Positivbeispiel nennt Tim einen Schweizer Lebensmittelkonzern, bei dem ein Geschäftsführer selbst die Rolle des Key-Users übernahm. Er arbeitete mit dem Team heraus, wie ihr implizites Wissen die KI befähigen kann, und machte sie so von reinen Sachbearbeiter:innen zu wertvollen Wissensträger:innen und KI-Trainern.

Neue Spielregeln für die KI-Ära: Governance und Qualitätssicherung neu denken

Die Einführung von KI-Agenten erfordert eine radikale Anpassung der Governance-Strukturen. Das klassische Modell, in dem ein Fachbereich eine Anforderung an die IT stellt und auf die Umsetzung wartet, ist laut Tim viel zu langsam und ineffizient. Die Frequenz, mit der Agenten angepasst und mit neuem Kontext versorgt werden müssen, würde jede IT-Abteilung überfordern. Die Lösung liegt in einer geteilten Verantwortung: Während die IT sich um die grundlegende Infrastruktur, Sicherheit und die Anbindung von Systemen kümmert, muss die fachliche Steuerung und Konfiguration der Agenten in die Hände von Application Ownern im Fachbereich gelegt werden. Diese Personen benötigen sowohl tiefes Prozesswissen als auch eine hohe Technologieaffinität, um die Agenten effektiv zu managen.

Um die für Kernprozesse im ERP-System erforderliche Zuverlässigkeit von 100 Prozent zu erreichen, verfolgt BLP einen granularen Ansatz. Statt eines monolithischen Agenten wird ein Workflow in Dutzende kleiner Mikro-Agenten zerlegt. Für Standardaufgaben kommen generische, vortrainierte Agenten zum Einsatz. Sobald eine unternehmensspezifische Ausnahme auftritt, wird ein kundenspezifischer Agent erstellt, der den generischen für diesen Sonderfall überschreibt. Ein solcher neuer Agent wird jedoch erst nach einer Validierung gegen bereits bekannte Fälle freigegeben, um Fehler zu vermeiden. Dieser gesamte Prozess des Testens und Monitorings muss hochautomatisiert ablaufen, insbesondere um sicherzustellen, dass ein Wechsel des zugrundeliegenden Sprachmodells nicht unbemerkt zu Fehlern in Hunderten von Custom Agents führt.

Praktische Schritte zur erfolgreichen Einführung von KI-Agenten

1. Kommunikation zur Priorität machen: Der Erfolg eines KI-Projekts beginnt mit einer klaren und ehrlichen Kommunikation von der Führungsebene. Erkläre das Warum hinter der Veränderung und schaffe ein attraktives Zielbild. Zeige auf, wie sich die Rollen der Mitarbeiter:innen von repetitiven Aufgaben hin zu wertschöpfenderen Tätigkeiten wie Prozessoptimierung und KI-Management entwickeln.
2. Prozesse für KI neu gestalten: Versuche nicht, einen schlechten, für Menschen gemachten Prozess eins zu eins mit KI zu automatisieren. Nimm die Einführung von Agenten zum Anlass, die Abläufe von Grund auf zu überdenken. Die wichtigste Aufgabe dabei ist, das implizite Wissen der Expert:innen - die ungeschriebenen Regeln und Erfahrungswerte - zu identifizieren und für die KI nutzbar zu machen.
3. Eine neue Governance etablieren: Gib den Fachbereichen die Kontrolle über die KI. Definiere die Rolle des Application Owners, der direkt im Fachbereich sitzt und die Verantwortung für die Konfiguration, das Testen und die Freigabe von Agenten-Anpassungen trägt. Die IT wird zum Enabler für Infrastruktur und Sicherheit, nicht zum Flaschenhals für fachliche Änderungen.
4. Automatisierte Qualitätssicherung aufbauen: Zuverlässigkeit ist alles. Implementiere von Anfang an ein System zur automatisierten Validierung. Jeder neue oder geänderte Agent muss gegen ein Set von Testfällen geprüft werden, bevor er produktiv geht. Nur so kannst du sicherstellen, dass die Automatisierung auch bei Updates der KI-Modelle oder Änderungen im Prozess stabil bleibt.