Künstliche Intelligenz, die Aufgaben erledigt

Chatbots beantworten Fragen. Ein AI-Agent kann daraus eine Aufgabe machen und sie erledigen. Der AI-Agent zerlegt Aufgaben in Schritte, nutzt dafür freigegebene Daten und Werkzeuge und liefert das Ergebnis überprüfbar zurück. 

Aus einer Anfrage wie „Welche Lösung passt zu diesem Kunden?“ kann so beispielsweise ein vollständiger Ablauf entstehen: Kundendaten abrufen, Anforderungen prüfen, interne Informationen recherchieren, passende Optionen vergleichen und ein Ergebnis zur weiteren Bearbeitung vorbereiten. Agentic AI ist damit an einem Punkt angekommen, an dem sie produktiv im Unternehmen eingesetzt werden kann.

Entscheidend ist dabei aber, wie ein KI-Agent gebaut wird. Denn sobald KI nicht mehr nur antwortet, sondern auf Unternehmensdaten zugreift und Aufgaben übernimmt, werden Themen wie Datenhoheit, Berechtigungen, Quellenqualität und Nachvollziehbarkeit besonders wichtig.

Der größte Hebel entsteht dort, wo Mitarbeitende heute Informationen aus mehreren Quellen zusammensuchen, wiederkehrende Entscheidungen treffen oder Prozesse manuell zwischen verschiedenen Systemen koordinieren. Ein Agent verbindet diese Schritte zu einem Ablauf.

Das Problem
Die Antwort auf Kundenanfragen steckt oft verteilt in Produktdaten, CRM und internen Wissensdatenbanken. Mitarbeitende müssen die Informationen suchen und zusammenführen.

Was der Agent übernimmt
Der Agent versteht die Anfrage, durchsucht ausschließlich die freigegebenen Quellen, kombiniert relevante Informationen und erstellt daraus eine konkrete Antwort. Bei Bedarf stößt er weitere Schritte an oder übergibt die Anfrage gezielt an eine Person.

Das Ergebnis
Kürzere Bearbeitungszeiten, weniger manuelle Recherche und konsistentere Antworten, auch wenn das Anfragevolumen steigt.

Das Problem

Unternehmenswissen ist vorhanden, aber nicht immer schnell auffindbar. Es verteilt sich auf Wikis, Dokumentationen, PDFs, Projektunterlagen und unterschiedliche Fachsysteme. Bei byte5 haben wir z. B. ein sorgfältig gepflegtes internes Wiki mit den Informationen, die Mitarbeitende regelmäßig benötigen. Das hilft besonders neuen Kolleg:innen, sich schnell zurechtzufinden. Gleichzeitig bleibt die Wissensbasis komplex: Wer nicht weiß, wo eine Information abgelegt ist oder wonach genau gesucht werden muss, findet nicht immer auf Anhieb den schnellsten Weg zur richtigen Antwort.

Was der Agent übernimmt

Er recherchiert über mehrere interne Quellen hinweg und liefert eine Antwort mit Verweis auf die Dokumente, aus denen sie stammt.

Das Ergebnis

Neue Kolleg:innen fragen, statt sich durch Ordnerstrukturen zu arbeiten. Wer die Ablage nicht kennt, findet die Antwort trotzdem.

Das Problem
Angaben aus der Kundenanfrage müssen mit Produktdaten, Preislogik und internen Vorgaben zusammengeführt werden.

Was der Agent übernimmt

Er strukturiert die Anfrage, ergänzt relevante Informationen aus angebundenen Systemen, prüft Bedingungen und bereitet einen Angebotsentwurf oder eine Entscheidungsgrundlage vor.

Das Ergebnis

Der Entwurf liegt vor, bevor jemand angefangen hat zu suchen. Der Mensch entscheidet über das Angebot, nicht über die Zusammenstellung.

So einen KI-unterstützten Angebotsprozess haben wir bei einem Kunden integriert. Alle relevanten Informationen standen bereits zur Verfügung. Das Problem war ihr Zugang.

Wissen war über mehrere Systeme verteilt: öffentliche Inhalte auf der Website, internes Fachwissen und Daten aus einem Angebotsrechner. Wer eine konkrete Frage zu einem Umzugsprojekt beantworten wollte, musste diese Informationen selbst zusammensuchen.

Wir haben die verschiedenen Informationsquellen in einem KI-Tool zusammengeführt. Kund:innen können dort konkrete Fragen zu ihrem eigenen Projekt stellen und erhalten Antworten auf Basis der tatsächlich hinterlegten Daten.

Bei geschäftskritischen Informationen müssen Informationen sicher und verifiziert sein. Deshalb wurde die Lösung so konzipiert, dass Antworten an belastbare Quellen gebunden sind. Findet das System keine ausreichende Grundlage, soll es genau das sagen, statt eine vermeintlich passende Antwort zu erzeugen. Auch widersprüchliche Informationen werden nicht einfach von einem Sprachmodell aufgelöst. Erkennt das System Konflikte zwischen Quellen, werden diese sichtbar gemacht.

Die Architektur trennt Unternehmens- und Projektdaten von der eigentlichen Sprachverarbeitung. Personenbezogene Informationen werden nicht einfach an ein externes Large Language Model weitergereicht. Damit entscheidet die technische Architektur darüber, welche Informationen ein Modell überhaupt sehen darf.

Kund:innen kommen schneller an konkrete Antworten zu ihrem Projekt. Gleichzeitig wird das Team von wiederkehrenden Recherche- und Auskunftsaufgaben entlastet. Für uns zeigt das Projekt sehr gut, worauf es bei Agentic AI im Unternehmen ankommt: Der sichtbare Chat ist nur ein kleiner Teil der Lösung. Entscheidend sind die Daten, Prozesse und Sicherheitsmechanismen dahinter.

Wir beschäftigen uns nicht erst mit Agentic AI, seit der Begriff auf jeder zweiten Konferenzfolie auftaucht.

Mit omadia entwickeln wir ein eigenes Agentic Operating System, mit dem sich AI-Agents, Datenquellen, Werkzeuge und Prozesse zentral orchestrieren und kontrollieren lassen. omadia ist aus einer sehr praktischen Frage entstanden: Wie können wir die Vorteile agentischer KI für uns selbst bei byte5 nutzen?

In omadia entscheidet eine Rechteschicht, welche Werkzeuge ein Agent aufrufen darf und welche Daten er dabei sieht. Jeder Lauf hinterlässt eine Spur, die sich Schritt für Schritt zurückverfolgen lässt. Sensible Aktionen laufen erst nach Freigabe.

Wir arbeiten an Agentic AI gleichzeitig aus drei Perspektiven: als Softwareentwickler, als Produktteam und als Teil einer aktiven Tech-Community.

Wir bauen selbst.

Mit omadia entwickeln wir unser eigenes Agentic OS. Viele der Fragen, die unsere Kunden beschäftigen, kennen wir deshalb aus unserer täglichen Entwicklungsarbeit: Tool-Zugriffe, Kontext, Memory, Datenqualität, Berechtigungen, Orchestrierung und Kontrolle.

Wir bringen Agenten in reale Prozesse.

Unser Anspruch endet nicht beim Proof of Concept. Wir entwickeln individuelle Software für geschäfts- und missionskritische Prozesse. Ein Agent ist für uns daher ein Bestandteil der Softwarearchitektur.

Wir teilen, was wir lernen.

Seit März 2026 veranstalten wir regelmäßig unser Agentic AI Meetup in Frankfurt. Monatlich kommen dabei mehr als 40 Teilnehmende zusammen, um über Agents, Claude, OpenClaw, omadia und neue Entwicklungen im Agentic-AI-Umfeld zu sprechen.

Dieser Austausch gehört für uns zur Arbeit mit neuer Technologie dazu. Wir experimentieren, bauen, diskutieren Erfahrungen und bringen Erkenntnisse wieder zurück in unsere Projekte. Gleichzeitig sind wir seit vielen Jahren tief in Entwickler-, CMS- und Open-Source-Communities verankert.

Neue Technologie früh auszuprobieren ist interessant. Sie zuverlässig produktiv zu bekommen ist der schwierigere Teil. Genau darauf konzentrieren wir uns.

In vielen Unternehmen gibt es einen Ablauf, den alle kennen und niemand mag. Jemand öffnet drei Systeme, sucht zusammen, was schon da ist, überträgt es ins vierte und macht das morgen wieder. Solche Abläufe sind die besten Kandidaten für einen Agenten. Nicht weil sie kompliziert sind, sondern weil sie klar sind.

In einem unverbindlichen Erstgespräch klären wir gemeinsam:

• welcher Prozess für Agentic AI geeignet sein könnte

• welche Daten und Systeme dafür gebraucht werden

• wo ein realistischer Business Case liegt

• welche Sicherheits- und Kontrollmechanismen notwendig sind

• wie ein sinnvoll abgegrenzter Pilot aussehen könnte

Sie brauchen dafür weder ein fertiges Konzept noch eine ausgearbeitete KI-Strategie.

Dann kommen Sie zu unserem Agentic AI Meetup Frankfurt. Einmal im Monat treffen sich bei byte5 Entwickler:innen, AI-Enthusiast:innen und Menschen aus Unternehmen, die Agentic AI praktisch ausprobieren und verstehen wollen. Es geht um konkrete Technologien, Erfahrungen aus Projekten, Live-Demos und die Frage, was aktuell tatsächlich funktioniert.

Agentic AI Meetup Frankfurt

• 📍 byte5, Frankfurt am Main

• 📅 monatlich

• 👥 regelmäßig 40+ Teilnehmende

• 🎟️ Teilnahme kostenlos

Wandern unsere Unternehmensdaten in ein LLM?

Nicht automatisch. Welche Daten ein Sprachmodell erhält, ist eine Architekturentscheidung. Wir bauen Lösungen so, dass ein Agent nur die Daten erhält, die er für seine Aufgabe braucht. Sensible oder personenbezogene Informationen können vor der Verarbeitung entfernt oder vollständig in Ihrer eigenen Infrastruktur gehalten werden. Welche Architektur sinnvoll ist, hängt vom Anwendungsfall und Ihren Anforderungen ab.

Was passiert, wenn die KI etwas nicht weiß?

Dann sollte sie das sagen. Ein Sprachmodell füllt Wissenslücken sonst mit der plausibelsten Antwort, und die ist im Zweifel falsch. Deshalb bauen wir Agenten so, dass sie nur aus definierten Quellen antworten. Fehlt eine belastbare Grundlage, wird keine Antwort erfunden. Das Gleiche gilt für widersprüchliche Informationen: Statt selbstständig zu entscheiden, welche Quelle vermutlich stimmt, macht der Agent den Konflikt sichtbar oder übergibt die Entscheidung an einen Menschen.

Wie sicher und DSGVO-konform ist Agentic AI?

Agentic AI ist nicht automatisch sicher oder unsicher. Entscheidend ist die Architektur. Dabei betrachten wir Datenflüsse, Hosting, Zugriffsrechte, Protokollierung und die Frage, welche Daten ein Agent überhaupt verarbeiten darf. Je nach Anforderungen können Modelle und Komponenten über europäische Anbieter, private Cloud-Umgebungen oder selbst gehostete Infrastruktur betrieben werden. DSGVO und Informationssicherheit gehören für uns ins technische Konzept, nicht in die Abnahme.

Was kostet der Einstieg?

Das hängt vom Use Case und den benötigten Integrationen ab. Ein Agent, der Wissen aus wenigen strukturierten Quellen erschließt, hat einen anderen Umfang als ein System, das mehrere interne Anwendungen verbindet und dort selbstständig Aktionen ausführt. Deshalb starten wir mit einem klar abgegrenzten Anwendungsfall und legen vor der Entwicklung fest, was der Pilot leisten soll. Im Erstgespräch können wir meist schon grob einschätzen, welcher Aufwand hinter einer Idee steckt.

Wie lange dauert ein Pilot?

Das hängt vor allem davon ab, wie gut die benötigten Daten und Systeme zugänglich sind. Wir schneiden einen Piloten bewusst so klein, dass ein einzelner Prozess unter realen Bedingungen getestet werden kann. Ziel ist kein monatelanges KI-Programm, sondern früh zu wissen, ob der Use Case technisch funktioniert und sich rechnet.

Behalten wir die Kontrolle über den Agenten?

Ja, und das sollte eine zentrale Anforderung sein. Ein produktiver AI-Agent braucht klare Grenzen: definierte Datenquellen, Berechtigungen für Werkzeuge und Systeme sowie Regeln dafür, wann ein Mensch eingebunden werden muss. Besonders sensible Aktionen können grundsätzlich eine Freigabe benötigen. Unser Ziel ist genau so viel Autonomie, wie für den jeweiligen Prozess sinnvoll und verantwortbar ist.