Der Einsatz von KI nimmt rasant zu. Nach einer repräsentativen Bitkom-Erhebung vom März 2026 nutzen 41 Prozent der Unternehmen ab 20 Beschäftigten KI. Ein Jahr zuvor waren es 17 Prozent. Weitere 48 Prozent planen den Einsatz oder diskutieren darüber. Mehr als die Hälfte der KI-Nutzer berichtet bereits von einem messbaren Beitrag zum Unternehmenserfolg.

Thomas Götz, Head of Technology & Innovation bei Atos Deutschland, Österreich & Zentraleuropa

Doch der Sprung vom Versuch in den laufenden Betrieb ist anspruchsvoll. Anwendungen müssen sich in vorhandene IT-Landschaften einfügen und regulatorische Vorgaben erfüllen. Hinzu kommt stets die Frage, wie Unternehmen sensible Daten schützen und Spielraum für neue Anwendungen schaffen. Bei autonomen KI-Agenten wird das deutlich: Je eigenständiger Systeme Aufgaben übernehmen, desto wichtiger werden nachvollziehbare Entscheidungen, geregelte Zugriffsrechte und menschliche Kontrolle.

Wie sich agentenbasierte KI unter diesen Bedingungen skalieren lässt, erläutert Thomas Götz, Head of Technology & Innovation bei Atos Deutschland, Österreich & Zentraleuropa. Atos ist ein internationaler Technologieanbieter für digitale Transformation mit Schwerpunkten unter anderem auf Cloud, Cybersicherheit sowie Daten und KI.

Warum scheitert die KI-Skalierung in Unternehmen so oft? Es scheitert meistens an der Operationalisierung. Schön, wenn ein Pilot gut mit kleinem Team und wenigen Datenquellen im „Labor-Modus“ funktioniert. Im produktiven Betrieb kommen Altsysteme, Governance und Compliance hinzu. Zudem erfordert Skalierung auch Standardisierung und Prozesseinbettung. Das gelingt nur, wenn alle Anforderungen schon am Anfang mitgedacht werden. Das ist leider oft nicht der Fall.

Was machen die Atos Sovereign Agentic Studios anders als klassische KI-Projekte? Wir bieten eine produktionsreife Plattform für Konzeption, Aufbau, Betrieb und Governance agentenbasierter Systeme. Ausgangspunkt ist keine Technologie, sondern ein priorisierter Geschäftsprozess mit messbaren Ergebnissen. Anschließend entwickeln wir die gesamte Leistungskette: Datenaggregation, agentische Funktionalität, Prozessorchestrierung mit Governance sowie die souveräne Infrastruktur für Daten und KI. Erst wenn Nutzen, Sicherheit und Betriebsfähigkeit nachgewiesen sind, erfolgt eine weitere Skalierung in die Produktion.

Verändert „Services as Software“ die Unternehmensorganisation durch autonome KI-Agenten? Wir verfallen hier nicht dem Hype. Agentische KI übernimmt als unterstützendes System klar definierte Aufgaben und Workflow-Abschnitte dort, wo Geschwindigkeit, Qualität und Skalierbarkeit tatsächlich durch KI gesteigert werden können und wo probabilistisches Verhalten des Systems sinnvoll ist. Menschen wechseln von der operativen Ausführung zur Konzeption, Orchestrierung und verantwortlichen Steuerung agentenbasierter Systeme. Welches Level von Autonomie sinnvoll ist, bestimmen Risiko, Regulatorik und geschäftlicher Nutzen. Nicht alles, was möglich ist, ist auch sinnvoll.

Wo liegen die Grenzen von Autonomie und Kosten bei Agentic AI? Autonomie braucht klare Leitplanken: Agentische KI arbeitet nicht deterministisch und kann durchaus Überraschungen erzeugen. Jeder Agent erhält eine definierte Identität, einen begrenzten Auftrag und von einem Menschen festgelegte Berechtigungen. Kritische Entscheidungen der Agenten laufen über Human-in-the-Loop-Freigaben. Alles wird auditierbar protokolliert; Rechte werden dynamisch vergeben oder zurückgezogen, Aktionen können unterbunden werden. Wir überwachen kontinuierlich Verhalten, Qualität, Kosten und Ergebnisse.

Erst wenn Nutzen, Sicherheit und Betriebsfähigkeit nachgewiesen sind, erfolgt eine weitere Skalierung in die Produktion.

Wie passt digitale Souveränität zu Offenheit und Innovation? IT-Souveränität bedeutet, kritische Abhängigkeiten bewusst zu managen. Unternehmen müssen entscheiden können, wo und wie ihre Daten, Modelle und Workloads betrieben werden, wer Zugriff erhält und welche kritischen Abhängigkeiten sie eingehen. Die Stärkung dieser Fähigkeit treibt die Schaffung neuer Optionen und eigener Innovationen voran, anstatt Innovation nur einzukaufen. Offene Standards und Open Source, interoperable Architekturen, Datenportabilität sowie ein passendes Spektrum effizient orchestrierter Clouds in einem Hybrid-Modell unterstützen dabei die Flexibilität und strategische Manövrierbarkeit.