KI-Agenten: Echte Anwendungsfälle vs. Hype
Stand 2026-09-03
KI-Agenten sind heute zuverlässig für vier klar begrenzte Aufgaben - Rechercheaufbereitungen, aus strukturierten Spezifikationen entworfene Dokumentation, Code-Muster-Review und die Umwandlung von Transkripten in strukturierte Ausgaben - und unzuverlässig für alles, was als "autonom" verkauft wird. Die Trennlinie ist nicht die Fähigkeit, sondern das Design der Kontrollpunkte: Ein Agent, der einem Menschen eine überprüfbare Ausgabe übergibt, bevor er ein Deliverable berührt, funktioniert; ein Agent, der unbeaufsichtigt an einer mehrstündigen Aufgabe arbeitet, häuft still und teuer Fehler an. Ein erfahrener SAP-Analytics-Berater, der die drei Fehlermodi benennt - Kontextverlust, Tool-Call-Halluzination, sich häufende Fehler - und Review-Gates darum baut, verdient die Tagessatzprämie, die unkritischen Übernehmern wie unkritischen Ablehnern gleichermaßen entgeht. Die Vertraulichkeit der Kundendaten (AVV-Abdeckung, keine SAP-Exporte des Kunden über Consumer-KI-Apps) ist der eine nicht verhandelbare Punkt in diesem Gespräch.
Was Sie lernen
- Unterscheiden, was KI-Agenten heute bei begrenzten, klar definierten Aufgaben genuin leisten, gegenüber den Stellen, an denen Vollautonomie-Behauptungen unter realen Bedingungen zusammenbrechen — mit konkreten Beispielen aus der SAP-Analytics-Arbeit
- Vier konkrete, derzeit funktionierende Agenten-Anwendungsfälle für einen SAP-Analytics-Berater identifizieren und die Einschränkungen verstehen, die sie zuverlässig machen
- Die drei häufigsten Fehlermodi agentischer KI-Systeme erkennen — Kontextverlust, Tool-Aufruf-Halluzination und sich häufende Fehler — und wissen, wie man sie abfängt, bevor sie Delivery-Probleme verursachen
- Ehrliche KI-Agenten-Kompetenz als Senior-Differenzierungsmerkmal positionieren — wissen, was man delegiert und was man menschlich geprüft hält — in Fähigkeitsgesprächen und Tagessatzverhandlungen
Die KI-Agenten-Landschaft 2025-2026 ist eine echte Zweiteilung zwischen zwei Realitäten: eine schmale Menge von Aufgaben, bei denen Agenten zuverlässig, messbar nützlich und bereits von Praktikern im Einsatz sind; und eine viel breitere Menge von Aufgaben, bei denen die Marketingsprache — autonom, sich selbst verbessernd, vollständig automatisiert — eine Fähigkeit beschreibt, die in der Produktion noch nicht mit akzeptabler Zuverlässigkeit existiert. Für einen SAP-Analytics-Berater lautet die Frage nicht, ob Agenten nützlich sind (sie sind es), sondern welche konkreten Anwendungen es wert sind, jetzt übernommen zu werden, und welche mehr Probleme schaffen, als sie lösen.
Was „Agent“ 2025 tatsächlich bedeutet
Ein KI-Agent ist ein Sprachmodell, das mit Tools ausgestattet ist — der Fähigkeit, Aktionen auszuführen, nicht nur Text zu produzieren. Die Tools können sein: Websuche, Codeausführung, Dateilesen, API-Aufrufe oder Browsersteuerung. Das Sprachmodell entscheidet, welche Tools es in welcher Reihenfolge aufruft, basierend auf einem übergeordneten Ziel, das man vorgegeben hat. Der zentrale Unterschied zu einer normalen Chat-Interaktion ist, dass der Agent über mehrere Schritte hinweg operiert, ohne dass man zwischen jedem Schritt eingreift.
Voraussetzungen
- Fortgeschrittene praktische Erfahrung auf SAP-Analytics-Projekten
- Zunächst die Kernkonzepte durcharbeiten: C087, C091, C090
Lernergebnisse
- Ein realistisches Szenario durcharbeiten: Ein Big-4-Team steckt sechs Wochen in einer viermonatigen SAP-Datasphere-Migration für einen deutschen Industriehersteller und möchte KI-Agenten nutzen, um Recherche und Dokumentation zu beschleunigen.
- Das Anti-Pattern erkennen und vermeiden: Agentenausgabe als endgültig behandeln, weil sie kohärent ist — Eine erfundene Partnerschaftsankündigung oder ein erfundenes Zitat gelangt in ein Kunden-Briefing.
- Die Kernentscheidung des Moduls anwenden: Welche Aufgaben diesen Monat an einen Agenten delegieren — wähle Recherche-Briefings, Spezifikation-zu-Dokument-Generierung, Code-Musterprüfungen und Transkript-zu-strukturierter-Ausgabe delegieren.
- Die Beherrschung mit dem KPI verfolgen: Zitatverifikationsrate (Ziel: >= 20 % der zitierten URLs geprüft, bevor ein Recherche-Briefing akzeptiert wird; Warnsignal: Jedes erfundene oder tote Zitat, das gefunden wird).
Vollständiges Modul für Mitglieder. Das vollständige Modul ergänzt: den Entscheidungsrahmen · das durchgehende Szenario · die KPI-Scorecard · die Anti-Muster · die Codeblöcke · die Wissenskontrolle · die Schemata.