7 min
Die meisten Organisationen haben in den vergangenen zwei Jahren über künstliche Intelligenz vor allem anhand von Anwendungsfällen gesprochen: ein Service-Agent, ein Procurement Copilot, ein Vertriebsassistent, ein Coding-Agent oder eine interne Suche. Das ist ein sinnvoller Einstieg. Unzureichend wird er, sobald aus Experimenten operative Systeme werden.
Ein KI-Agent ist nicht einfach ein Chatbot mit einer besseren Oberfläche. Er kann Daten abrufen, Tools aufrufen, Workflows auslösen, Empfehlungen abgeben und in manchen Fällen Handlungen über mehrere Unternehmenssysteme hinweg ausführen. Mit der zunehmenden Verbreitung dieser Agenten entsteht ein neues Architekturproblem: KI-Agenten-Sprawl.
Von Agenten-Sprawl spricht man, wenn KI-Agenten schneller erstellt, eingeführt oder mit Unternehmenssystemen verbunden werden, als die Organisation sie inventarisieren, verantwortliche Owner benennen, Berechtigungen steuern, Verhalten überwachen und bei fehlendem Nutzen wieder ablösen kann. Es ist das agentische KI-Pendant zum SaaS-Sprawl, den viele IT-Teams im vergangenen Jahrzehnt bewältigen mussten — allerdings mit deutlich größeren operativen Folgen. Eine unkontrollierte Anwendung kann Kosten- und Sicherheitsrisiken erzeugen. Ein unkontrollierter Agent kann zusätzlich handeln.
Deshalb wird ein KI-Agenteninventar zu einer Kernanforderung der Enterprise Architecture und nicht zu einer optionalen Governance-Übung. SAPs aktuelle Forschung und Produktentwicklung zeigen die Dringlichkeit: Laut SAP haben 98 Prozent der befragten Organisationen KI-Agenten bereits eingeführt oder planen dies; weniger als die Hälfte verfügt jedoch über Transparenz durch ein Inventar dieser Agenten.
Der Begriff „Sprawl“ kann den Eindruck erwecken, dass allein eine hohe Zahl von Agenten problematisch ist. Das stimmt nicht. Eine große Anzahl gut kontrollierter, klar verantworteter und angemessen berechtigter Agenten kann erheblichen Nutzen stiften. Schon wenige nicht erfasste Agenten können dagegen ein relevantes Risiko darstellen.
Das eigentliche Problem ist das Fehlen verlässlicher Antworten auf grundlegende Fragen. Welche Agenten sind im Unternehmen aktiv? Welchen Geschäftsprozess unterstützt jeder einzelne? Auf welche Datenquellen, APIs, Systeme und Tools kann er zugreifen? Wer verantwortet das Geschäftsergebnis, wer betreibt ihn technisch und wer trägt die Verantwortung für Risiken? Welche menschliche Freigabe ist erforderlich, bevor er handelt? Wie wird Qualität gemessen? Wann sollte der Agent angepasst oder stillgelegt werden?
Wenn diese Fragen nicht konsistent beantwortet werden können, verfügt die Organisation nicht über ein KI-Betriebsmodell. Sie besitzt eine Sammlung von Experimenten mit Zugriff auf produktive Systeme.
Frühere generative KI-Anwendungsfälle erzeugten meist Texte, Zusammenfassungen oder Empfehlungen. Schlechte Ergebnisse waren auch dann problematisch, konnten aber in der Regel von Menschen geprüft werden, bevor sich etwas in einem Geschäftssystem änderte.
Agenten verändern dieses Risikoprofil. Sie können über Systeme und Prozesse hinweg handeln. Ein Customer-Service-Agent kann Account-Daten abrufen und einen Fall verändern. Ein Finance-Agent kann einen Ausnahmeprozess vorbereiten. Ein Procurement-Agent kann mit Lieferanteninformationen arbeiten. Ein Softwareentwicklungs-Agent kann Code erstellen oder ändern. Die relevanten Governance-Fragen betreffen daher nicht nur Genauigkeit. Sie umfassen auch Berechtigungen, Datenverarbeitung, Nachvollziehbarkeit, geschäftliche Entscheidungsbefugnis, operative Resilienz sowie die Möglichkeit, Handlungen zu stoppen oder rückgängig zu machen.
Die zentrale Frage lautet nicht mehr nur, ob ein Agent eine gute Antwort gibt. Sie lautet, ob die Organisation erklären kann, was der Agent tun darf, warum er es tun darf und wer für das Ergebnis verantwortlich ist.
Das ist besonders wichtig, wenn Agenten über Model Context Protocol Server, APIs oder Workflow-Tools auf Unternehmenssysteme zugreifen. Ihre Nützlichkeit hängt häufig von Berechtigungen über mehrere Umgebungen hinweg ab. Diese Berechtigungen sollten mindestens mit derselben Sorgfalt gesteuert werden wie jene, die menschlichen Nutzern erteilt werden.
Viele Organisationen führen bereits eine Liste geplanter KI-Anwendungsfälle. Diese Liste ist für die Investitionsplanung nützlich, aber kein operatives Inventar.
Ein aussagekräftiges KI-Agenteninventar erfasst den Architektur- und Governance-Kontext jedes Agenten. Mindestens sollte es Name und Zweck des Agenten, Business Owner, technischen Owner, Lifecycle-Status, Nutzergruppe, verwendete Systeme und Datenquellen, Berechtigungen, Modell oder Anbieter, verbundene Tools, menschliche Freigabepunkte, bekannte Risiken, Leistungskennzahlen und ein Prüfdatum dokumentieren.
Wichtig sind auch die Beziehungen. Ein Customer-Service-Agent kann von einer Wissensdatenbank, einer CRM-Plattform, einem Identity Provider, einer Workflow Engine und einer Integrationsschicht abhängen. Eine Änderung an einer dieser Komponenten kann Zuverlässigkeit oder Compliance des Agenten beeinflussen. Enterprise Architecture macht diese Abhängigkeiten sichtbar.
Es geht nicht darum, jedes kleine Experiment mit Bürokratie zu belasten. Es geht darum, Governance verhältnismäßig zu gestalten, wenn Agenten vom Ausprobieren in einen geschäftskritischen Einsatz übergehen. Ein interner Assistent für Meeting-Notizen braucht andere Kontrollen als ein Agent, der Kundendaten ändern, eine Zahlungsausnahme auslösen oder ein Produktiv-Deployment anstoßen kann.
Ein wirksames Inventar ermöglicht es der Führungsebene, vier praktische Fragen zu beantworten.
Das klingt selbstverständlich, ist aber oft die schwierigste Frage. Agenten können in Fachanwendungen, internen Entwicklungsplattformen, Anbieter-Tools, Automatisierungsprodukten und externen Services entstehen. Die Erfassung muss sowohl freigegebene als auch neu entstehende Nutzung berücksichtigen, nicht nur zentral finanzierte Initiativen.
Ein Agent sollte seinen Datenquellen, Tool-Verbindungen, Berechtigungen und Handlungsgrenzen zugeordnet werden. Dazu gehört, ob er Informationen nur abrufen, einen Entwurf erstellen, einen Antrag einreichen oder eine Transaktion abschließen kann. Dieser Unterschied muss explizit dokumentiert sein.
Jeder produktive Agent benötigt klar benannte Verantwortlichkeiten. Der Business Owner sollte für Nutzen und Angemessenheit des Anwendungsfalls verantwortlich sein. Der technische Owner muss Konfiguration, Integrationen und Zuverlässigkeit pflegen. Stakeholder aus Security, Data, Risk und Compliance müssen die Kontrollen prüfen können, die dem Umfang des Agenten entsprechen.
Agenten sollten nicht dauerhaft bestehen, nur weil sie einmal eingeführt wurden. Leistung, Nutzung, Kosten, Qualität und Risikoprofil müssen regelmäßig überprüft werden. Manche rechtfertigen weitere Investitionen. Andere sollten neu gestaltet, eingeschränkt oder stillgelegt werden. Ein Inventar liefert die Grundlage, um diese Entscheidungen bewusst zu treffen.
SAP LeanIX ist relevant, weil es Agenten-Governance als Enterprise-Architecture-Thema behandelt. Der AI Agent Hub soll Organisationen dabei helfen, KI-Agenten im Kontext ihrer gesamten Technologielandschaft zu entdecken, zu verwalten und zu steuern. SAP positioniert den übergreifenden SAP AI Agent Hub als anbieterunabhängige Steuerungszentrale für die Entdeckung und Governance von Agenten, Large Language Models und MCP-Servern im Unternehmen.
Das ist wichtig, weil KI-Agenten nicht isoliert arbeiten. Sie sind Teil von Business Capabilities, Anwendungen, Integrationen, Datendomänen, Security Controls und Technologiestandards. Ein Governance-Tool, das Agenten nur auflistet, aber nicht mit diesem Architekturkontext verbindet, kann weder den vollen Nutzen noch das gesamte Risiko der Landschaft sichtbar machen.
SAP LeanIX hat zudem einen Enterprise Architecture Assistant eingeführt, der auf dem Inventar einer Organisation, Architekturentscheidungen und verbundenen Quellen basiert. Er kann Architekturteams dabei unterstützen, Informationen abzurufen, Abhängigkeiten zu untersuchen und Transformationsentscheidungen vorzubereiten, ohne die nötigen Nachweise zunächst manuell zusammenzutragen. Der MCP Server von SAP LeanIX erweitert diesen Ansatz, indem externe KI-Tools wie Joule und Copilot über ein kontrolliertes Protokoll auf Enterprise-Architecture-Daten zugreifen können.
Diese Funktionen ersetzen kein architektonisches Urteilsvermögen. Sie machen die zugrundeliegenden Architekturinformationen mit der Geschwindigkeit nutzbar, die KI-Programme heute erfordern.
Der beste erste Schritt ist kein unternehmensweites Grundsatzpapier. Sinnvoller ist eine fokussierte Inventur der Agenten, die bereits über relevante Reichweite verfügen.
Beginnen Sie mit Agenten, die auf sensible Daten, kundenorientierte Interaktionen, Finanzprozesse, kritische Betriebssysteme oder Produktionsumgebungen zugreifen. Dokumentieren Sie Zweck, Owner, Berechtigungen und Abhängigkeiten. Klassifizieren Sie diese Agenten anschließend nach Wirkung und Autonomie. Eine hilfreiche Unterscheidung besteht zwischen Agenten, die informieren, Agenten, die empfehlen, Agenten, die Handlungen zur Freigabe vorbereiten, und Agenten, die Handlungen ausführen.
Definieren Sie danach den Mindestnachweis für Governance je Stufe. Höhere Autonomie und größere Auswirkung sollten zu stärkeren Anforderungen an Tests, Monitoring, Freigaben, Logging und Incident Response führen. So entsteht ein pragmatischer Weg, der Innovation mit geringem Risiko ermöglicht und zugleich sicherstellt, dass folgenreichere Agenten die notwendige Aufsicht erhalten.
Integrieren Sie das Inventar schließlich in bestehende Prozesse für Architektur, Security, Identity, Data Governance und Change Management. KI-Governance darf nicht in einer separaten Tabelle eines einzelnen Innovationsteams leben. Sie muss Teil der Art werden, wie die Organisation ihre Technologielandschaft steuert.
Agentische KI kann echten geschäftlichen Nutzen schaffen, aber Nutzen skaliert nicht sicher ohne Transparenz. Die erfolgreichsten Organisationen werden nicht diejenigen sein, die zuerst die meisten Agenten einführen. Es werden diejenigen sein, die ihre Agentenlandschaft sehen, sie mit geschäftlichem und technischem Kontext verbinden, Zugriffe und Verantwortlichkeiten steuern und aus der tatsächlichen Performance der Agenten lernen können.
Ein KI-Agenteninventar bildet dafür die Grundlage. Es gibt der Enterprise Architecture im KI-Zeitalter eine praktische Aufgabe: nicht Experimente zu bremsen, sondern der Organisation genügend Struktur zu geben, damit aus vielversprechenden Experimenten belastbare und vertrauenswürdige Fähigkeiten werden.
KI ist nur so nützlich wie der Geschäftskontext, auf dem sie basiert. SAP Business Data
Bei der Evaluierung einer SAP S/4HANA-Migration fixieren sich die meisten Unternehmen a
Der Champagner ist getrunken, das Projektteam feiert und das neue SAP S/4HANA-System is