Von GenAI zu Agentic AI – Was wirklich den Unterschied macht
Interview mit Sarina Hermann, Lead Consultant Customer Experience, valantic
40 Prozent der Unternehmen experimentieren weiterhin auf Projektebene mit KI, ohne die Technologie produktiv zu skalieren. Isolierte Prozesse und unzureichende Integrationen sind dabei die häufigsten Hindernisse.
Digital Excellence Outlook 2026 | Handelsblatt Research Institute & valantic
Sarina, die meisten Unternehmen experimentieren mittlerweile mit GenAI. Warum reicht das aus deiner Sicht nicht aus, um echten Business-Impact zu erzielen?
GenAI kann einen erheblichen Produktivitätsschub bringen. Häufig bleibt es aber bei punktuellen Sprüngen: ein schneller Text, eine kompakte Zusammenfassung, ein guter Entwurf. Business-Impact entsteht erst, wenn solche Einzelergebnisse in Prozesse eingebettet sind. Und da sehen wir eine große Lücke: Organisationen haben häufig ein Zielbild, doch die Umsetzung bleibt fragmentiert.
Agentic AI wird oft als „nächste Evolutionsstufe“ von KI beschrieben. Was ist für dich der entscheidende Unterschied zwischen GenAI und Agentic AI?
GenAI ist in vielen Fällen reaktiv: Ich frage etwas und bekomme ein Ergebnis. Agentic AI ist hingegen zielorientiert: Das System arbeitet auf eine Lösung hin, kann Teilaufgaben planen, Entscheidungen vorbereiten und – innerhalb definierter Leitplanken – auch Aktionen auslösen. Bedeutet: Wir reden nicht mehr nur über Content oder Antworten, sondern über Prozessschritte, die in Systemen stattfinden: Tickets klassifizieren, Bestellungen prüfen, Inhalte ausspielen, Daten anreichern, Workflows anstoßen.
Das klingt nach mehr Autonomie. Warum ist der Weg dahin so komplex?
Autonomie funktioniert nur, wenn das Fundament stimmt. Ein Agent führt am Ende das aus, was Prozesse, Daten und Regeln hergeben. Wenn Prozesse unklar sind oder die Datenqualität schwankt, automatisiert man keine Erfolgsereignisse, sondern potenziell nur Chaos. In den Gesprächen mit unseren Kunden merken wir häufig, dass Prozesse noch nicht den erforderlichen Reifegrad haben, um agentenbasierte Orchestrierung sauber umzusetzen. Und ohne qualitativ hochwertige Daten und klare Prozesse bleibt der Erfolg von KI begrenzt.
Welche typischen Missverständnisse begegnen dir in Projekten?
Besonders häufig höre ich drei Klassiker:
- „Wir brauchen nur das richtige Modell.“ Tatsächlich braucht es allerdings ein Zusammenspiel aus Datenzugriff, Rollenmodell, Sicherheitskonzept und Monitoring.
- „Wir starten mal mit einem Agenten der Rest ergibt sich.“ Agentic AI ist selten ein Einzelsystem. Es geht vielmehr um die Orchestrierung spezialisierter Agenten, die zusammenspielen und sauber in bestehende Plattformen integriert werden müssen.
- „Governance kommt später.“ In Wahrheit gehören mangelnde Transparenz, Compliance- Bedenken und fehlende Kontrollmechanismen zu den größten Bremsen. In unserem Digital Excellence Outlook 2026 wird Governance als eine der Top-Herausforderungen für einen nachhaltigen KI-Einsatz genannt. Wer dieses Thema nicht von Beginn an adressiert, bleibt in Piloten stecken.
3 Learnings von Sarina Hermann
- „KI schafft erst dann echten Mehrwert, wenn ihre Ergebnisse nahtlos in die Abläufe eines Unternehmens integriert werden.”
- „Mangelnde Transparenz, vorherrschende Compliance-Bedenken und fehlende Kontrollmechanismen zählen zu den größten Bremsen auf dem Weg zu echter KIReife.”
- „Es braucht einen bewussten Wendepunkt, inklusive Schulungen der Mitarbeitenden, Infrastrukturanpassung und Datenaufbereitung.”
Was müssen Fachbereiche und IT verstehen, damit der Schritt zum wirkungsvollen KI-Einsatz gelingt?
In den Fachbereichen braucht es vor allem ein klares Bild vom Nutzen: Wo können wir Zeit sparen? Wie steigern wir Conversion? Was verbessert unsere Servicequalität? Aus Sicht der IT sind Sicherheit, Kontrolle und Skalierbarkeit entscheidend – durch saubere Integrationen, Berechtigungen und Nachvollziehbarkeit. Vor allem aber gilt es zu klären, welche Entscheidungen AI Agents treffen dürfen – und welche nicht. Was aus unserer Erfahrung oft hilft: nicht mit der Technologiefrage starten, sondern mit einem klaren Prozessziel. Dann lässt sich konkret prüfen, welche Agenten-Fähigkeiten nötig sind – und welche Daten, Systeme und Regeln dafür bereitstehen müssen.
Und wo positioniert sich valantic in diesem Übergang?
Wir verstehen uns als Partner, der die Brücke baut: von der Strategie und der Identifizierung sinnvoller AI-Use-Cases über den Aufbau eines soliden Daten- und Prozessfundaments bis hin zur Implementierung, Governance und dem Change Management. Es braucht einen bewussten Wendepunkt, inklusive Schulungen der Mitarbeitenden, Infrastrukturanpassung und Datenaufbereitung. Wir helfen Unternehmen dabei, den Pfad reiner GenAI-Experimente zu verlassen und echte KI-Reife zu erlangen.
In Unternehmen mit hohem KI-Reifegrad zeigt sich, dass intelligente Anwendungen nur dann langfristigen Wertschaffen, wenn sie nahtlos in Prozesse eingebunden und mit klaren Kontrollmechanismen versehen sind. Genau diese Bausteine sind in Agentic-AI-Projekten und Ansätzen entscheidend.
Digital Excellence Outlook 2026 | Handelsblatt Research Institute & valantic
