KI-Agenten in Unternehmen: Der Gamechanger für Data & Analytics

KI-Agenten entwickeln sich im Bereich Data & Analytics von einem Zukunftsthema zu einem konkreten Hebel für mehr Effizienz, erhöhte Entscheidungsqualität und schnellere Reaktionsfähigkeit. Sie verstehen analytische Fragestellungen, greifen auf Datenprodukte und Business-Semantik aus Systemen wie der SAP Business Data Cloud zu, führen eigenständig Analysen durch und liefern präzise, nachvollziehbare Handlungsempfehlungen. Wer frühzeitig ein AI-Ready-Datenfundament schafft und KI-Agenten einsetzt, stärkt seine Wettbewerbsfähigkeit und legt den Grundstein für eine sichere, effiziente und skalierbare Zukunft.

Im Rahmen des folgenden Beitrags Fünf Fragen, Fünf Antworten zum Thema KI-Agenten in Unternehmen zeigen Rico Schirmer, Associated Partner und Lead Service Unit SAP Data Analytics sowie Li Chen, Manager und Lead Topic AI Analytics bei MHP, was heute möglich ist, wo die größten Herausforderungen liegen und wie Unternehmen KI-Agenten gezielt einsetzen können, um ihre Datenanalyse zu transformieren.

1. Was können KI-Agenten heute im Bereich Data & Analytics leisten?

Moderne KI-Agenten sind heute in der Lage, komplexe analytische Fragestellungen zu verstehen, relevante Datenquellen eigenständig zu identifizieren, Analysen mit fachlicher wie technischer Expertise durchzuführen und, unter Beachtung von Governance-Richtlinien wie Human-in-the-Loop-Prinzipien, konkrete Prozesse anzustoßen. Fortgeschrittene Agenten können sogar aus vorgegebenen Geschäftszielen selbstständig Analysehypothesen entwickeln, diese kontinuierlich überprüfen und bei Bedarf Maßnahmen initiieren.

Ein praxisnahes Beispiel ist ein Sales-Agent: Er überwacht fortlaufend Datenprodukte zur Marktstimmung und zum Absatz in der SAP Business Data Cloud, prüft deren Plausibilität, kombiniert sie mit internen Geschäftsberichten und erstellt automatisch Statusberichte für Controlling oder Management. Erkennt der Agent beispielsweise negative Marktstimmung, identifiziert er frühzeitig Absatzabweichungen oder Ausreißer und informiert die zuständigen Verantwortlichen mit Warnhinweisen und konkreten Gegenmaßnahmen. So lassen sich Risiken messbar reduzieren – bei minimal zusätzlichem Zeit- und Personalaufwand.

2. Welche Vorteile bringen KI-Agenten konkret für Teams und Entscheider?

KI-Agenten übernehmen zeitaufwändige Aufgaben entlang der analytischen Wertschöpfungskette – von der Datensuche über die Analyse bis hin zum Reporting. Teams gewinnen dadurch mehr Raum für kreative und strategische Tätigkeiten: den Dialog mit Menschen, das Stellen der richtigen Fragen und das Treffen fundierter Entscheidungen. Analysten und Führungskräfte erhalten relevante Analyseberichte innerhalb weniger Minuten und rund um die Uhr per Self-Service. Gerade in volatilen Märkten schafft das einen entscheidenden Vorteil: Unternehmen können schneller und zugleich auf einer verlässlichen Datenbasis handeln. Das Ergebnis sind effizientere Abläufe, geringere Risiken und eine spürbare Entlastung der Mitarbeitenden im gesamten Unternehmen.

3. Wo entstehen die größten Herausforderungen bei der Einführung?

Die zentralen Herausforderungen liegen in der Praxis meist weniger bei der Technologie der KI-Agenten selbst, sondern vielmehr bei Datenqualität, Datenzugänglichkeit und Governance.

KI-Agenten sind auf zugängliche, konsistente und semantisch hochwertige Daten angewiesen. In vielen Unternehmen ist die Datenlandschaft jedoch historisch gewachsen und stark fragmentiert. Solche Datensilos erschweren es den Agenten, relevante Informationen zuverlässig zu finden, Zusammenhänge korrekt zu erkennen und leistungsfähige Ergebnisse zu liefern.

Hinzu kommt mangelnde oder uneinheitliche Business-Semantik. Wenn zentrale Kennzahlen wie Umsatz, Marge oder Planwert in verschiedenen Bereichen unterschiedlich definiert werden, entstehen schnell widersprüchliche Ergebnisse. Fehlende semantische Konsistenz und Ontologien mindern die Auffindbarkeit von KPIs und Datenprodukten.
Ebenso entscheidend ist ein belastbares Governance-Konzept. Ohne klare Berechtigungsregeln, Transparenz und Nachvollziehbarkeit der Agentenaktivitäten steigt das Risiko unkontrollierter oder nicht ausreichend abgesicherter Aktionen.

4. Wie können Unternehmen diese Herausforderungen am besten überwinden?

Der wichtigste Schritt ist der Aufbau eines AI-Ready-Datenfundaments. Dafür sollten Unternehmen Daten aus unterschiedlichen Quellsystemen und Domänen über eine Business Data Fabric als Datenprodukte zugänglich machen und diese um eine konsistente Business-Semantik ergänzen. So entsteht die Grundlage, auf der KI-Agenten verlässlich und skalierbar arbeiten können.

In einer SAP-zentrierten Architektur lassen sich beispielsweise Daten aus SAP- und Non-SAP-Anwendungen in der SAP Business Data Cloud integrieren, mit SAP Databricks durch maschinelles Lernen anreichern und mit SAP Datasphere semantisch modellieren.

Auf dieser Basis greifen KI-Agenten über klar definierte und durch Governance abgesicherte Tools auf Daten und Schnittstellen zu. Standards wie das Model Context.

Protocol unterstützen dabei die Verbindung zwischen Agenten, Tools und Datenquellen und fördern Skalierbarkeit sowie Kompatibilität. 

Ein durchdachtes Agent-Ops-Modell gewährleistet außerdem laufende Überwachung, Weiterentwicklung und Optimierung.

5. Welche ersten Schritte sollten Unternehmen jetzt umsetzen, um KI-Agenten erfolgreich einzuführen?

Der Einstieg gelingt am besten schrittweise und mit klarer Priorisierung. Ein sinnvoller Startpunkt ist der Aufbau einer semantikreichen Business Data Fabric, beispielsweise auf Basis der SAP Business Data Cloud. Darauf aufbauend sollten Unternehmen konkrete und wertschöpfende KI Agent Use Cases identifizieren und gezielt umsetzen. Parallel dazu ist es wichtig, frühzeitig ein Governance- und Agent-Ops-Modell zu etablieren.

So gelingt der Übergang in eine agentenbasierte Datenanalyse sicher, skalierbar und ohne Überlastung der Teams. Unternehmen schaffen damit die Voraussetzungen, das volle Potenzial von KI-Agenten auszuschöpfen und ihre Wettbewerbsfähigkeit auf ein neues Niveau zu heben.

Weitere Informationen zum Thema: SAP Data Analytics | MHP – A Porsche Company