Die meisten KI-Agenten werden scheitern. Die Architektur entscheidet, welche sich durchsetzen.

Die Enterprise-Software-Branche neigt dazu, dieselben Fehler zu wiederholen. Wir stürzen uns oft vorschnell auf ein vielversprechendes neues Konzept – ERP, BI, Cloud, Microservices –, vereinfachen es zu stark, vermarkten es übermäßig und tun dann überrascht, wenn ein Großteil der Implementierungen stillschweigend scheitert.

Sie können davon ausgehen, dass KI-Agenten demselben Muster folgen werden.

Gartner prognostiziert, dass bis 2026 40 % der Unternehmensanwendungen aufgabenspezifische KI-Agenten integrieren werden. Gleichzeitig warnt das Unternehmen, dass bis 2027 mehr als 40 % der Agentic-AI-Initiativen aufgrund von Kosten, Komplexität und fehlendem Geschäftsnutzen eingestellt werden. Das ist kein Widerspruch. Es ist eine Warnung.

Die unbequeme Wahrheit für CIOs und CTOs lautet: Die meisten KI-Agenten werden für Demos entwickelt – nicht für den Einsatz in Unternehmen.

Das eigentliche Problem ist nicht das Modell. Es ist die Architektur.

Wenn KI-Agenten scheitern, wird die Ursache meist mit technischen Schlagworten erklärt:

• „Das Modell hat halluziniert.“

• „Der Prompt war nicht spezifisch genug.“

• „Wir brauchen besseres RAG.“

Doch diese Diagnose greift zu kurz. Microsofts eigene Leitlinien zu Halluzinationen machen deutlich, dass Fehler häufiger auftreten, wenn Modellen eine klare Verankerung in verlässlichen Daten, ein begrenzter Kontext und eine deterministische Validierung fehlen. Anders ausgedrückt: Fehlt Systemen eine unternehmenstaugliche Datenarchitektur (Microsoft Tech Community), steigt die Wahrscheinlichkeit, dass sie zwar überzeugend klingende, aber falsche Empfehlungen liefern. Im Kontext von Finanz-, Merchandising- oder Supply-Chain-Planung sind solche Halluzinationen keineswegs nur theoretische Fehler. Sie können weitreichende Auswirkungen auf vor- und nachgelagerte Entscheidungen haben und das Vertrauen in den gesamten Planungsprozess untergraben.

Einfach gesagt: Wenn es in Ihrem Unternehmen fünf verschiedene Methoden gibt, Umsatz und Marge zu berechnen, und jede Abteilung mit eigenen Excel-Dateien arbeitet, hatte Ihr KI-Agent von Anfang an keine Chance.

Halluzinationen bei KI sind nicht einfach eine sprachliche Eigenheit oder semantische Anomalie – sie sind vielmehr ein Symptom tiefer liegender architektonischer und operativer Grenzen heutiger KI-Systeme. Was Fachleute als „Halluzinationen“ bezeichnen, entsteht, wenn Modelle plausibel klingende, letztlich aber falsche Ergebnisse erzeugen, weil ihnen ein zuverlässiger Echtzeitzugriff auf vertrauenswürdige Unternehmensdaten fehlt, sie durch uneinheitliche Datendefinitionen eingeschränkt sind und auf probabilistischer Mustererkennung statt auf strukturiertem, in autoritativen Quellen verankertem Schlussfolgern basieren. Dieses Problem ist nicht nur sprachlicher Natur, sondern hängt grundlegend damit zusammen, wie Daten im gesamten Unternehmen verwaltet, abgerufen, integriert und gesteuert werden. (CIO+1)

Führungskräfte im Bereich Enterprise Technology sehen sich zunehmend mit dieser Realität konfrontiert. CIOs berichten, dass inkonsistente Ergebnisse und Halluzinationen zu den wichtigsten Gründen für die nachlassende Begeisterung für generative KI zählen, da sie Vertrauen und Zuverlässigkeit beeinträchtigen – insbesondere in Geschäftsszenarien, die Präzision und klare Verantwortlichkeit erfordern. Hinzu kommt, dass viele traditionelle Datenarchitekturen nicht dafür ausgelegt wurden, das Datenvolumen, die Verarbeitungsgeschwindigkeit und die Vielfalt moderner KI-Workloads zu bewältigen. Ohne modernisierte Datenzugriffsschichten und Governance-Frameworks bleibt KI-Modellen oft nur, zu spekulieren statt fundiert zu schlussfolgern – und das erhöht das Risiko bei besonders kritischen Anwendungsfällen.

Um diesen Halluzinationen wirksam zu begegnen, reicht es daher nicht aus, lediglich Prompts zu optimieren oder sich auf semantische Aspekte zu konzentrieren. Erforderlich sind eine robuste Datengrundlage, einheitliche Definitionen, Echtzeitzugriff auf Daten sowie Governance-Praktiken, die sicherstellen, dass sich Ergebnisse auf vertrauenswürdige Quellen zurückführen lassen. Nur mit diesen Grundlagen können Unternehmen generative KI von einem kreativen Assistenten, der lediglich „richtig klingt“, zu einem verlässlichen Entscheidungsunterstützungssystem entwickeln, das auf einer konsistenten und vertrauenswürdigen Unternehmensdatenbasis beruht.

Warum die meisten Enterprise-Agenten architektonisch fragil sind

Die meisten Agentenplattformen weisen heute denselben grundlegenden Schwachpunkt auf: Sie behandeln KI als zusätzliche Schicht, die auf bestehende Systeme aufgesetzt wird. Daten werden breit abgerufen. Bedeutungen werden probabilistisch abgeleitet. Geschäftslogik wird näherungsweise abgebildet. Validierung ist optional. Governance wird erst nachträglich ergänzt – wenn überhaupt.

Für Anwendungen im Consumer-Bereich mag dieser Ansatz ausreichend funktionieren. In geschäftskritischen Planungsprozessen für Finanzen, Operations, Supply Chain und regulierte Umgebungen stößt er jedoch schnell an seine Grenzen. Gerade in diesen Bereichen wird von CIOs erwartet, KI verantwortungsvoll einzusetzen.

Deshalb hat Board bei der Architektur seiner KI-Strategie bewusst einen anderen Ansatz gewählt. In einem kürzlich geführten Gespräch brachte David Marmer, SVP of Product bei Board, diese Designphilosophie prägnant auf den Punkt:

„Die semantische Schicht definiert ein klar abgegrenztes Datenuniversum. Da unsere KI nicht nachträglich aufgesetzt ist, sondern direkt mit der Engine verbunden ist, können wir präzise steuern, auf welche Daten ein Agent zugreifen, welche er analysieren und optimieren und auf deren Basis er handeln kann.“

Diese Aussage spiegelt einen wachsenden Konsens unter Analysten wider. Sowohl Gartner als auch Forrester verweisen zunehmend auf semantische Schichten und klar gesteuerte Kennzahlen als grundlegende Voraussetzung für die Entwicklung und Implementierung vertrauenswürdiger KI. Dabei handelt es sich nicht um optionale Ergänzungen. (Gartner, AtScale).

Anders ausgedrückt: Board Agents „entdecken“ Bedeutung nicht erst – sie übernehmen sie aus dem zugrunde liegenden semantischen Kontext.

• Das Datenmodell bildet die Geschäftsdefinitionen bereits ab.

• Unternehmensspezifische Kennzahlen werden zentral gesteuert.

• Der Kontext des Board Agents ist bewusst begrenzt.

Dadurch werden Halluzinationen deutlich reduziert, weil der Agent gar nicht erst auf Grundlage mehrdeutiger Konzepte schlussfolgern muss.

Eine weitere, weniger offensichtliche, aber entscheidende Designentscheidung: Board Agents führen Analysen nach Möglichkeit über die nativen multidimensionalen und In-Memory-Engines von Board aus. Warum ist das wichtig? Weil probabilistische Schlussfolgerungen kein adäquater Ersatz für deterministische Geschäftslogik sind.

Wie Marmer es formuliert: „Wenn Sie eine Berechnung erstellen, sollte sie exakt so ausgeführt werden, wie Board sie berechnet hätte – nicht nur näherungsweise.“ McKinsey hat wiederholt darauf hingewiesen, dass KI-Initiativen scheitern, wenn Unternehmen zulassen, dass Modelle zentrale finanzielle und operative Logiken neu interpretieren, statt sie konsequent anzuwenden. In der Architektur von Board ergänzt KI die bestehende Unternehmenslogik, ohne sie zu ersetzen. Dabei bleibt der Mensch grundsätzlich eingebunden, um Genauigkeit und Verantwortlichkeit sicherzustellen. Für CIOs und CTOs macht genau diese Unterscheidung den Unterschied zwischen wertvollen Erkenntnissen und zusätzlichem Risiko aus.

Warum „Alleskönner“-Agenten keine gute Idee sind

Das Interesse an vollständig autonomen, universell einsetzbaren KI-Agenten wächst. Als Vision für eine KI-gestützte kontinuierliche Planung hat dieser Ansatz durchaus seine Berechtigung. Die aktuelle Realität ist jedoch nüchterner: Aus Unternehmenssicht stellt er derzeit vor allem ein Risiko dar.

Gartner empfiehlt ausdrücklich aufgabenspezifische Agenten gegenüber allgemein einsetzbaren autonomen Systemen, da sie sich leichter steuern, prüfen und verantwortungsvoll skalieren lassen. Das ist einer der wesentlichen Gründe, warum Board Agents domänenspezifisch konzipiert sind – mit klar definierten Anwendungsfällen, die direkt einsatzbereit sind und unmittelbar Mehrwert sowie ROI liefern.

Darüber hinaus bieten klar abgegrenzte KI-Agenten folgende Vorteile:

• Reduzieren das Risiko von Halluzinationen

• Verbessern die Nachvollziehbarkeit

• Lassen sich nahtlos mit klaren fachlichen Verantwortlichkeiten verbinden

Entscheidend ist: Bei Enterprise-KI ist ein klarer Fokus stets wichtiger als übermäßiger Ehrgeiz.

Validierung ist nicht optional. Sie ist eine grundlegende Designanforderung.

Einer der am häufigsten unterschätzten Aspekte beim Design von Agenten ist die Validierung ihrer Ergebnisse. Board integriert Validierungsschritte, mit denen Antworten überprüft werden, bevor sie die Nutzer erreichen. Dieser Ansatz wird durch wissenschaftliche Forschung zur Reduzierung von Halluzinationen klar gestützt (Springer).

Um es klar zu sagen: Es geht nicht darum, KI zu misstrauen. Es geht darum, Unternehmensrisiken angemessen zu berücksichtigen und sicherzustellen, dass die Entscheidungskompetenz menschlicher Planungsverantwortlicher fest im Planungszyklus verankert bleibt.

Letztlich sind CIOs nicht für besonders clevere, sondern für korrekte Antworten verantwortlich. Board Agents sollen die Arbeit von Planungsverantwortlichen auf ein neues Niveau heben – nicht selbstbewusst formulierte, aber ungenaue Antworten liefern. Es geht nicht darum, „mehr KI“ einzusetzen. Es geht darum, KI unternehmenstauglicher zu machen.

Im Zeitalter agentenbasierter KI ist Architektur kein technisches Detail mehr. Sie ist ein strategischer Erfolgsfaktor.