Enterprise Architecture bekommt durch Agentic AI eine neue Ebene.
Denn sobald KI nicht mehr nur Informationen bereitstellt, sondern eigenständig Entscheidungen vorbereitet und Aktionen ausführt, verändern sich die Anforderungen an die zugrunde liegende IT-Architektur grundlegend. Bisher erfüllen Enterprise-Anwendungen häufig mehrere Aufgaben gleichzeitig: Sie speichern Informationen, bilden Geschäftslogik ab und steuern über ihre Benutzeroberflächen, wie Mitarbeitende Prozesse ausführen. ERP-, CRM-, HR- oder Finance-Systeme sind damit nicht nur Systems of Record, sondern zugleich Arbeitsoberfläche und Prozessplattform.
Mit AI Agents beginnt sich dieses Modell zu verschieben. Ein KI-Agent benötigt keine klassische ERP-Maske. Er benötigt vielmehr einen kontrollierten Zugriff auf Informationen, Business Capabilities und ausführbare Aktionen. Gleichzeitig muss er verstehen können, unter welchen Bedingungen er diese Möglichkeiten nutzen darf. Damit wird eine klare Trennung zwischen Memory, Execution und Reasoning zunehmend zu einer zentralen Architekturfrage. Vom monolithischen Anwendungskonzept zur agentenfähigen Architektur.
Nehmen wir ein einfaches Beispiel: Ein Unternehmen möchte einen KI-Agenten einsetzen, der offene Kundenforderungen überwacht. Ein klassischer AI Assistant könnte Mitarbeitenden mitteilen: „Bei Kunde A besteht seit 30 Tagen eine offene Forderung über 25.000 Euro.“ Ein AI Agent könnte dagegen einen Schritt weitergehen. Er könnte prüfen, welche Maßnahmen gemäß den Unternehmensrichtlinien zulässig sind, einen entsprechenden Prozess auswählen und beispielsweise einen Mahnworkflow anstoßen.
Damit dies zuverlässig funktioniert, muss der Agent allerdings mehrere Fragen beantworten können:
- Welche Informationen sind aktuell und verbindlich?
- Welche Aktionen stehen grundsätzlich zur Verfügung?
- Welche Aktion ist in der konkreten Situation zulässig?
- Welche Berechtigungen besitzt der Agent?
- Wann muss ein Mensch eingebunden werden?
- Wie kann im Nachhinein nachvollzogen werden, warum eine bestimmte Aktion ausgeführt wurde?
Genau an dieser Stelle wird Agentic AI zu einem Thema der Enterprise Architecture.
1. System of Record: Memory – Was weiß der Agent?
ERP-, CRM-, HR- und Finance-Systeme bleiben auch in einer agentenfähigen IT-Landschaft die verlässlichen Quellen für Stammdaten, Transaktionen und Zustände. Ihre Rolle verändert sich also nicht grundsätzlich. Aber die Art und Weise, wie Informationen zur Verfügung gestellt werden, gewinnt erheblich an Bedeutung. Ein Agent kann Informationen nur zuverlässig nutzen, wenn diese maschinenlesbar, eindeutig interpretierbar und kontrolliert zugänglich sind. Dafür braucht es unter anderem klar definierte APIs und Contracts, dokumentierte Informationsmodelle, nachvollziehbare Verantwortlichkeiten, eine konsistente Semantik und eine belastbare Qualität der bereitgestellten Informationen. Das klingt zunächst nach klassischen Themen aus Datenmanagement und Enterprise Architecture. Durch AI Agents bekommen sie jedoch eine neue Relevanz. Denn schlechte Qualität oder eine uneindeutige Semantik führen nicht mehr nur zu einem fehlerhaften Dashboard oder einer falschen Analyse. Sie können unmittelbar die Grundlage für eine automatisiert ausgeführte Aktion bilden.
2. System of Action: Execution – Was kann der Agent tun?
Die zweite Ebene betrifft die tatsächliche Ausführung. Ein AI Agent soll Informationen nicht nur lesen und interpretieren. Er soll innerhalb klar definierter Grenzen handeln können. Das kann beispielsweise bedeuten, einen Workflow zu starten, Informationen in einem System zu aktualisieren, eine Freigabe anzufordern, Dokumente zu erzeugen oder einen Prozess über mehrere Anwendungen hinweg zu orchestrieren. Dafür müssen Funktionen bestehender Anwendungen zunehmend als klar definierte Business Capabilities verfügbar werden. Statt einem Agenten pauschalen Zugriff auf ein ERP-System zu geben, könnten beispielsweise einzelne Aktionen bereitgestellt werden:
- Kundenstatus abrufen.
- Auftrag prüfen.
- Freigabe anfordern.
- Liefertermin aktualisieren.
- Rechnung erzeugen.
Diese Fähigkeiten sollten granular, kontrollierbar und miteinander kombinierbar sein. Damit verschiebt sich auch die Integrationsperspektive: Entscheidend ist nicht mehr ausschließlich, welche Anwendung mit welcher anderen Anwendung verbunden ist. Relevant wird zunehmend, welche fachlichen Fähigkeiten innerhalb der Unternehmensarchitektur verfügbar sind und wer beziehungsweise was diese ausführen darf.
3. System of Intelligence: Reasoning – Was darf der Agent tun?
Besonders interessant wird die dritte Ebene: das System of Intelligence. Denn die technische Möglichkeit, eine Aktion auszuführen, bedeutet noch lange nicht, dass diese Aktion in einer konkreten Situation fachlich zulässig ist. Genau dafür benötigt ein Agent Kontext. Dazu gehören beispielsweise Geschäftsregeln, Policies, Rollen, Berechtigungen, Schwellenwerte, Abhängigkeiten, historische Informationen oder definierte Eskalationswege.
Ein Agent muss deshalb zwei fundamental unterschiedliche Fragen beantworten können: „Was kann ich tun?“ und „Was darf ich in diesem konkreten Kontext tun und warum?“. Betrachten wir wieder das Beispiel der offenen Kundenforderung. Technisch könnte der Agent möglicherweise einen Mahnprozess starten. Der fachliche Kontext könnte jedoch zeigen, dass es sich um einen strategischen Großkunden handelt, dass aktuell eine Reklamation bearbeitet wird oder dass Forderungen oberhalb eines bestimmten Betrags zunächst durch einen Account Manager freigegeben werden müssen. Die ausführbare Capability ist dieselbe. Der Kontext entscheidet darüber, ob und wie sie verwendet werden darf.
Warum Governance bei AI Agents Teil der Architektur werden muss
Damit bekommt auch Governance eine andere Bedeutung. Solange KI hauptsächlich Texte formuliert, Informationen zusammenfasst oder Empfehlungen ausspricht, bleibt die letztendliche Entscheidung häufig beim Menschen. Je stärker AI Agents jedoch selbstständig handeln, desto wichtiger werden technische und organisatorische Leitplanken. Unternehmen müssen definieren können, welche Informationen ein Agent sehen darf, welche Aktionen er ausführen kann, unter welchen Bedingungen eine menschliche Freigabe erforderlich ist und wie Entscheidungen und Aktionen protokolliert werden. Dabei geht es nicht darum, einem Agenten möglichst viele Rechte zu geben. Eine robuste Architektur verfolgt vielmehr das gegenteilige Prinzip: Ein Agent erhält genau die Informationen, Fähigkeiten und Entscheidungsspielräume, die er für seine Aufgabe benötigt.
Enterprise Architecture wird zur Grundlage für Agentic AI
Genau an diesem Punkt verändert Agentic AI die Perspektive auf Enterprise Architecture. Unternehmen bauen nicht mehr ausschließlich Integrationen zwischen Anwendungen. Sie benötigen zunehmend eine Architektur, in der Daten, Kontext, Entscheidungen und Aktionen explizit voneinander getrennt und gleichzeitig kontrolliert miteinander verbunden sind. Das bedeutet nicht, dass ERP-, CRM- oder andere Kernsysteme verschwinden. Im Gegenteil: Sie bleiben zentrale Bestandteile der Unternehmensarchitektur. Ihre Funktionen werden jedoch zunehmend Teil eines größeren Ökosystems, in dem Menschen, Anwendungen und AI Agents gemeinsam auf Informationen und Business Capabilities zugreifen.
Damit entstehen neue Architekturfragen: Wie stellen wir Unternehmenswissen so bereit, dass Agenten es eindeutig interpretieren können? Wie kapseln wir Funktionen bestehender Systeme als sichere Aktionen? Wo liegen Geschäftsregeln und Policies? Wie werden Berechtigungen durchgesetzt? Und wie sorgen wir dafür, dass jede Entscheidung und jede Aktion nachvollziehbar bleibt?
Von AI-Assistants zu verlässlich handelnden AI-Agents
Viele Unternehmen beschäftigen sich derzeit mit AI Assistants und ersten Agentic-AI-Anwendungen. Der entscheidende Schritt liegt jedoch nicht darin, einem Sprachmodell möglichst viele Tools zur Verfügung zu stellen. Die eigentliche Herausforderung besteht darin, die Unternehmensarchitektur darauf vorzubereiten, dass künftig neben Menschen und klassischen Anwendungen eine weitere Art von Akteur entsteht: autonom beziehungsweise teilautonom handelnde Software-Agenten. Dafür braucht es eine klare Trennung zwischen drei Ebenen:
Memory: Welche Informationen stehen zur Verfügung und welche davon sind verbindlich?
Execution: Welche Business Capabilities können ausgeführt werden?
Reasoning: Unter welchen Bedingungen ist eine bestimmte Aktion fachlich zulässig?
Je klarer diese Verantwortlichkeiten architektonisch voneinander getrennt und kontrolliert miteinander verbunden sind, desto leichter lassen sich AI Agents sicher in bestehende Unternehmensprozesse integrieren.
Fazit
Agentic AI ist deshalb nicht ausschließlich ein KI-Thema. Es ist ebenso ein Thema für Enterprise Architecture, Datenmanagement, Integration und Governance. Die spannende Frage für Unternehmen lautet nicht nur: „Wo können wir einen AI Agent einsetzen?“ Sie lautet vielmehr: „Ist unsere Architektur darauf vorbereitet, dass ein AI Agent zuverlässig auf Informationen zugreifen, Entscheidungen im richtigen Kontext treffen und anschließend kontrolliert handeln kann?“ Genau diese Fähigkeit dürfte zu einer der zentralen Voraussetzungen werden, wenn aus heutigen AI-Assistants künftig verlässlich handelnde AI-Agents im Unternehmenskontext werden sollen.
Autoren: Claudia Caruso und Andreas Richter
