Von der Automatisierung zur Kognition: Die Evolution agentischer KI

Seit Jahrzehnten folgt die Unternehmensautomatisierung einer vertrauten Logik: den Prozess definieren, die Schritte kodieren und die Software sie konsequent ausführen lassen. Skripte automatisierten Befehle, Runbooks hielten Verfahren fest, Orchestrierung verband Aufgaben über Systeme hinweg, und AIOps brachte maschinelles Lernen in das wachsende Volumen betrieblicher Daten. Jeder Fortschritt machte die Automatisierung leistungsfähiger, doch Menschen trafen nach wie vor die meisten Entscheidungen. Sie bestimmten den Prozess; die Software setzte ihn um.

Agentic AI verändert diese Beziehung. Anstatt mit einem festen Satz von Anweisungen zu beginnen, kann ein Agent mit einem Ziel starten und erarbeiten, wie er dieses innerhalb definierter Grenzen verfolgt. Das erfordert mehr als nur eine Antwort zu generieren. Das System muss das Ziel interpretieren, relevanten Kontext zusammenstellen, Beweise bewerten, Gedächtnis nutzen, zwischen Werkzeugen oder Automatisierungen wählen und sich an veränderte Bedingungen anpassen. Anthropic zieht eine ähnliche Unterscheidung zwischen Workflows, bei denen Modelle und Werkzeuge vordefinierten Codepfaden folgen, und Agenten, bei denen das Modell seinen eigenen Prozess und Werkzeuggebrauch dynamisch steuern kann.

Von deterministischer Ausführung zu adaptiven Entscheidungen

Nichts davon macht die traditionelle Automatisierung überflüssig. Tatsächlich bleibt deterministische Automatisierung die richtige Lösung, wenn der Weg von einem bekannten Zustand zu einer Aktion gut verstanden ist. Wenn ein Dienst einen Gesundheitscheck nicht besteht, starte ihn neu. Wenn eine Anfrage bestimmte Kriterien erfüllt, leite sie an die passende Warteschlange weiter. Wenn eine Schnittstelle einen Schwellenwert überschreitet, eröffne ein Ticket und führe eine Diagnose durch. Genau diese Art wiederholbarer Aktionen wird von der Automatisierung gut bewältigt.

AIOps erweiterte dieses Modell, indem es Organisationen half, zu interpretieren, was geschah, bevor eine Automatisierung ausgelöst wurde: Ereignisse zu korrelieren, Anomalien zu identifizieren, Rauschen zu reduzieren und Kontext hinzuzufügen. Agentic AI geht einen Schritt weiter, indem sie Urteilsvermögen zwischen Signal und Aktion einführt. Die Frage lautet nicht mehr nur: „Welcher Workflow wird durch diesen Zustand ausgelöst?“ Sie wird zu: „Angesichts des Ziels und der jetzt vorliegenden Beweise, was ist der beste nächste Schritt?“

Betrachten Sie einen degradierenden Dienst. Ein Agent muss möglicherweise Telemetrie, Topologie, jüngste Änderungen, Tickets, Konfigurationsdaten, historische Vorfälle und geschäftliche Auswirkungen prüfen, bevor er entscheidet, was zu tun ist. In einer Situation können die Beweise auf eine bekannte Behebung hinweisen, in einer anderen muss der Agent mehr Informationen sammeln oder eine rein lesende Diagnose durchführen. Und wenn das potenzielle Risiko hoch ist oder die Beweise unklar, kann die richtige Entscheidung darin bestehen, einen Menschen hinzuziehen. Diese Fähigkeit, den Pfad basierend auf den Entdeckungen des Systems anzupassen, ist der bedeutsame Wandel.

Kontext und Gedächtnis verändern die Qualität der Entscheidung

Handlungsfähigkeit ohne Kontext ist kaum nützlich. Das gleiche Symptom kann je nach Topologie, Wartungsaktivität, jüngsten Änderungen, Abhängigkeiten oder Kundenauswirkungen völlig unterschiedliche Bedeutungen haben. Erfahrene Betreiber verstehen das intuitiv; sie treffen selten bedeutende Entscheidungen basierend auf einem einzelnen isolierten Signal. Sie erstellen ein Gesamtbild, trennen Beobachtung von Schlussfolgerung und entscheiden, welches Vertrauen die Beweise verdienen.

Gedächtnis fügt eine weitere Dimension hinzu. Google Cloud bezeichnet Gedächtnis als Kernkomponente agentischer Architekturen, weil es Agenten ermöglicht, Kontext zu bewahren und Informationen aus vorherigen Interaktionen zu nutzen. Im Betrieb ist die Möglichkeit breiter gefasst als das bloße Abrufen eines alten Tickets. Nützliches betriebliches Gedächtnis kann festhalten, was geschah, als ähnliche Bedingungen auftraten, welche Hypothese sich als korrekt erwies, welche Behebung versucht wurde, ob sie funktionierte oder zurückgerollt wurde und was die Betreiber anschließend lernten. Sobald diese Erfahrung validiert ist, kann sie als Beweis für die nächste Entscheidung dienen, anstatt Wissen, das in einem Postmortem verschwindet oder im Kopf eines Experten verbleibt.

Es gibt eine interessante Parallele in der Kognitionswissenschaft. Forschung zum kognitiven Offloading untersucht, wie Menschen externe Werkzeuge und Handlungen nutzen, um die mentale Belastung einer Aufgabe zu reduzieren, während Forschung zur Werkzeugnutzung gezeigt hat, dass wiederholte Interaktion mit Werkzeugen die Art und Weise verändern kann, wie Menschen ihre praktische Reichweite und Handlungsfähigkeit repräsentieren. Die Analogie zur Unternehmens‑KI sollte nicht wörtlich genommen werden, aber die zugrunde liegende Idee ist nützlich: Werkzeuge tun mehr als Zeit sparen. Im Laufe der Zeit können sie verändern, wie wir ein Problem angehen. Die bekannte Studie über Londoner Taxifahrer und Navigationsexpertise erinnert daran, dass anhaltende Erfahrung die Kognition selbst formen kann. Für Unternehmen lautet die Gestaltungsfrage daher nicht nur, wie viel Arbeit ein Agent übernehmen kann, sondern ob das Mensch‑Agent‑System besser darin wird, Komplexität zu verstehen und zu handeln.

Agenten sollten Automatisierung orchestrieren, nicht ersetzen

Das ist auch der Grund, warum ich agentische KI nicht als Ablehnung der Automatisierung betrachte. Früher in meiner Laufbahn habe ich jahrelang Betriebsautomatisierung aufgebaut, und eine Lektion blieb mir erhalten: reine Ausführung reicht nicht aus. Automatisierung muss Vertrauen verdienen. Betreiber benötigen das Vertrauen, dass die richtige Maßnahme für die passende Situation eingesetzt wird, mit der richtigen Autorität und ausreichenden Beweisen, um das Warum zu verstehen.
Eine praxisnahe agentische Architektur baut auf dieser Investition auf. Vorhandene Skripte, Workflows, APIs, Orchestrierungsplattformen und domänenspezifische Werkzeuge werden zu Fähigkeiten, die der Agent bei Bedarf aufrufen kann. Stützen die Beweise eine bekannte Behebung, kann der Agent die bewährte Automatisierung nutzen, anstatt eine neue Aktion zu improvisieren. Sind die Beweise unvollständig, kann er weiter untersuchen. Der Mehrwert entsteht durch die Kombination zuverlässiger Ausführung mit adaptiverer Entscheidungsfindung darüber, wann und wie diese Ausführung stattfinden soll.

Mehr Autonomie erhöht die Bedeutung von Governance

Im Moment, in dem Software zwischen Aktionen wählen kann, kann Governance nicht mehr nachträglich hinzugefügt werden. Ein Unternehmens‑Agent muss nicht nur verstehen, was er technisch leisten kann, sondern was er in einer bestimmten Umgebung, bei einem bestimmten Risikoniveau und unter einer bestimmten Identität oder Rolle autorisiert ist zu tun. NISTs KI‑Risikomanagement‑Framework spiegelt diese umfassendere Sichtweise von Governance wider, indem es das KI‑Risikomanagement um Governance, Mapping, Messung und Management strukturiert, wobei Governance über die anderen Funktionen hinweg wirkt.

In der Praxis bedeutet das, dass ein Agent die Belege hinter einer Empfehlung anzeigen, klarstellen sollte, welche Systeme und Daten er verwendet hat, Unsicherheit offenlegen, Genehmigungsanforderungen respektieren und eine Prüfspur dessen hinterlassen muss, was geschehen ist. Auch die Umkehrbarkeit ist wichtig. Eine rein lesende Diagnose und eine Produktionskonfigurationsänderung sollten nicht dieselbe Autonomie‑Schwelle haben.

Menschliche Aufsicht wird dadurch präziser, anstatt einfach zu verschwinden. Derselbe Agent kann autonom Beweise sammeln, eine Behebung empfehlen, vor einer höher riskanten Aktion eine Genehmigung einholen und anschließend prüfen, ob die genehmigte Maßnahme tatsächlich funktioniert hat. Das Ziel ist nicht, Menschen generell „im“ oder „außerhalb“ des Kreislaufs zu deklarieren. Es geht darum, menschliches Urteil an den Stellen einzusetzen, an denen es den größten Mehrwert liefert.

Der eigentliche Vorteil liegt im, was nach der Aktion geschieht

Vielleicht ist der bedeutsamste Unterschied nach der Durchführung einer Aktion zu sehen. Traditionelle Automatisierung fragt gewöhnlich, ob der Workflow erfolgreich ausgeführt wurde. Ein kognitives System sollte eine schwierigere Frage stellen: hat die Aktion das gewünschte Ergebnis erzielt, und was können wir aus dem Geschehen lernen?

Das verändert den Wert des Feedback‑Kreislaufs. Eine erfolgreiche Behebung kann die Belege für eine ähnliche Situation in der Zukunft stärken. Eine gescheiterte Hypothese sollte das System weniger wahrscheinlich dieselbe Argumentation wiederholen lassen. Eine Betreiberkorrektur kann die nächste Empfehlung verbessern, während ein Rollback zeigen kann, dass das Vertrauen die verfügbaren Belege überschritten hat. Im Laufe der Zeit ist das wichtige Gut nicht einfach eine größere Bibliothek von Automatisierungen, sondern die angesammelte Beziehung zwischen Situationen, Beweisen, Entscheidungen, Aktionen und Ergebnissen.

Aus dieser Perspektive ist die Evolution der Unternehmensautomatisierung weniger ein Austausch einer Technologiegeneration durch eine andere, sondern das Hinzufügen neuer Fähigkeiten zu dem, was bereits funktioniert. Skripte kodierten Aktionen, Runbooks hielten Verfahren fest, Orchestrierung verband sie, und AIOps half, zunehmend komplexe betriebliche Signale zu interpretieren. Agentic AI fügt die Fähigkeit hinzu, Ziele zu verfolgen, über Kontext und Beweise zu reasoning, auf Gedächtnis zurückzugreifen, zwischen verfügbaren Fähigkeiten zu wählen, innerhalb geregelter Grenzen zu handeln und aus dem Ergebnis zu lernen.

Das Endziel sollte nicht unbegrenzte Autonomie sein. Es sollte verantwortungsvolle Autonomie: Systeme, die erkennen können, wann sie handeln, wann sie untersuchen, wann sie um Erlaubnis bitten und wann sie stoppen müssen. Das ist der Übergang von Automatisierung zu Kognition – nicht Maschinen, die menschliche Abläufe ersetzen, sondern Unternehmen, die einen besseren Weg entwickeln, zu wahrzunehmen, zu entscheiden, zu handeln und zu lernen.