KI-Agenten selbst entwickeln oder kaufen?

Noch vor einem Jahr war agentenbasierte Künstliche Intelligenz (KI) etwas, dass sich hauptsächlich in Pilotprojekten finden ließ. Heute integrieren CIOs sie in kundenorientierte Arbeitsabläufe, wo Genauigkeit, Latenz und Nachvollziehbarkeit ebenso wichtig sind, wie die Kosten.

Dadurch, dass sich diese Technologie über die experimentelle Phase hinaus weiterentwickelt hat, stellt sich die Frage: „Eigenentwicklung oder Kauf?“ Die Antwort ist schwierig. Denn anders als herkömmliche Software ist agentenbasierte KI kein einzelnes Produkt, sondern ein Stack aus Basismodellen, Orchestrierungsschichten, domänenspezifischen Agenten, Datenfabriken und Governance-Systemen. Jede Schicht birgt unterschiedliche Risiken und Vorteile.

CIOs können sich nicht mehr einfach nur fragen, ob sie selbst entwickeln oder kaufen sollen. Sie müssen sich in einem Umfeld mit vielen Komponenten zurechtfinden und entscheiden,

• was beschafft,
• was intern entwickelt und
• wie die architektonische Flexibilität in einem sich monatlich verändernden Umfeld erhalten werden kann.

Die richtige Entscheidung zwischen Eigenentwicklung und Kaufentscheidung

Matt Lyteson, CIO für Technologietransformation bei IBM, beginnt jede Entscheidung über Eigenentwicklung oder Kauf mit der Frage, ob die Kundeninteraktion ein entscheidender Wettbewerbsvorteil ist. Lautet die Antwort „Ja“, reicht seiner Meinung ein Kauf allein selten aus.

„Ich stelle mir immer wieder die Frage, ob der Kundensupport strategisch wichtig für das Unternehmen ist“, und ergänzt: „Wenn wir etwas in einem hochspezialisierten Bereich tun – etwas, das mit dem Umsatz zusammenhängt oder ein Kernbestandteil unserer Kundenbetreuung ist –, ist das in der Regel ein Zeichen dafür, dass wir eine eigene Lösung entwickeln sollten.“

IBM wendet diese Logik intern an und nutzt agentenbasierte KI, um seine Mitarbeitenden zu unterstützen. Diese Interaktionen basieren jedoch auf umfassenden Kenntnissen über die Rolle, die Geräte, die Anwendungen und die bisherigen Probleme des jeweiligen Mitarbeitenden. Ein Tool eines Drittanbieters kann zwar allgemeine IT-Probleme lösen, aber nicht die Besonderheiten der IBM-Umgebung.

Erst kaufen, später verändern

Lyteson warnt jedoch davor, die strategische Relevanz nicht als einzigen Faktor heranzuziehen. Geschwindigkeit ist ebenfalls wichtig. „Wenn ich etwas schnell in Produktion bringen muss, kann die Geschwindigkeit wichtiger sein als der Wunsch nach einer eigenen Entwicklung“, sagt er. „Ich kann eine generischere Lösung akzeptieren, wenn sie uns zügig einen Mehrwert bietet.“

In der Praxis sieht das so aus: Manchmal kaufen CIOs zuerst und passen dann die bestehende Lösung an oder entwickeln mit zunehmender Reife des Anwendungsfalls erforderliche Ersatzlösungen selbst.

Build or Buy

Eine weitere Erkenntnis stammt von Wolters Kluwer, wo Alex Tyrrell, CTO des Gesundheitsbereichs, früh im Entscheidungsprozess Experimente durchführt, um die Machbarkeit zu prüfen. Anstatt voreilig zu entscheiden, ob man selbst entwickeln oder zukaufen soll, untersucht sein Team jeden Anwendungsfall zügig, um zu verstehen, ob es sich um ein Standardprodukt oder etwas anderes als üblich handelt.

„Man muss schnell experimentieren, um zu verstehen, wie komplex das Problem tatsächlich ist“, führt Tyrell aus. „Manchmal stellt sich dabei heraus, dass es sinnvoller ist, zuzukaufen und schnell auf den Markt zu kommen. Manchmal stößt man aber auch frühzeitig auf Einschränkungen, und das zeigt einem, wo man selbst entwickeln muss.“

Mehrwert mithilfe von Experimenten früh erkennen

Der CTO merkt zudem an, dass viele ehemals spezialisierte Aufgaben – OCR, Zusammenfassung, Extraktion – dank Fortschritten in der generativen KI standardisiert wurden. Diese lassen sich schneller kaufen als selbst entwickeln. Anders verhält es sich jedoch mit der übergeordneten Logik, die Arbeitsabläufe im Gesundheitswesen, im Rechtswesen und im Finanzwesen steuert. Diese Ebenen entscheiden darüber, ob eine KI-Antwort lediglich hilfreich oder wirklich zuverlässig ist.

Da beginnt die interne Entwicklungsarbeit, so Tyrrell. Es zahlt sich aus, zu experimentieren, denn schnelle Tests sollen sehr früh zeigen, ob ein Standardagent einen echten Mehrwert bietet oder ob die Domänenlogik angepasst werden muss, so der Experte.

Vorsicht beim Kauf

CIOs gehen oft zudem davon aus, dass der Kauf neuer Lösungen die Komplexität reduziert. Doch die Tools von Drittanbietern bringen ihre eigenen Herausforderungen mit sich. Tyrrell nennt die Latenz als Hauptproblem, denn eine Chatbot-Demo mag zwar unmittelbar wirken, aber ein kundenorientierter Workflow erfordert schnelle Reaktionen.

„Wenn ein Agent in einen Transaktionsworkflow eingebunden wird, erwarten Kunden nahezu sofortige Ergebnisse“, sagt er. „Selbst kleine Verzögerungen führen zu einer schlechten Nutzererfahrung, und es kann schwierig sein, die Ursache für Latenz in einer Anbieterlösung zu ermitteln.“

Die Kosten werden schnell zum zweiten Schock, da eine einzelne Kundenanfrage die Verankerung, den Abruf, die Klassifizierung, Kontextbeispiele und mehrere Modellaufrufe umfassen kann. Jeder Schritt verbraucht dabei Tokens, und Anbietende vereinfachen die Preisgestaltung oft in ihren Marketingmaterialien. CIOs erkennen die wahren Kosten jedoch erst, wenn das System im großen Maßstab läuft.

Dann kommt die Integration: Viele Lösungen versprechen eine nahtlose CRM- oder Ticketing-Integration. Doch in Unternehmensumgebungen wird dies selten erreicht. Lyteson hat es selbst erlebt, wie er sagt. „Auf den ersten Blick sieht es nach Plug-and-Play aus“, erläutert er. „Wenn es sich aber nicht problemlos mit meinem CRM verbinden oder die richtigen Geschäftsdaten abrufen lässt, benötigt es mehr Technologie, und dann ist der Kauf schnell nicht mehr zielführend.“

Diese unerwarteten Entwicklungen verändern das Kaufverhalten von CIOs im Bereich KI. Anstatt statische Anwendungen zu erwerben, kaufen sie zunehmend Plattformen – erweiterbare Umgebungen, in denen Agenten orchestriert, gesteuert und ausgetauscht werden können.

Daten-Architektur und -Governance nicht vergessen

Die meisten CIOs haben diese zentrale Bedeutung von Daten für die Entwicklung von KI erkannt. Razat Gaurav, CEO des Software-Unternehmens Planview, vergleicht Unternehmensdaten mit den Wassermengen eines Sees: Sie sind zwar reichlich vorhanden, aber ohne Aufbereitung ungenießbar.

„Man braucht Filter – Kuratierung, Semantik, ontologische Schichten –, um sie nutzbar zu machen“, erläutert er. Ohne sie sind Fehlinterpretationen nahezu vorprogrammiert, so der Experte.

Die meisten Unternehmen arbeiten mit Dutzenden oder Hunderten von Systemen. Taxonomien unterscheiden sich, Felder ändern sich, und Datenbeziehungen sind selten eindeutig. Agentenbasiertes Reasoning versagt bei inkonsistenten oder isolierten Informationen.

Deshalb integrieren Anbieter wie Planview und Wolters Kluwer semantische Schichten, Graphstrukturen und Data Governance in ihre Plattformen. Diese kuratierten Strukturen sollen es Agenten ermöglichen, harmonisierte, kontextualisierte und zugriffskontrollierte Daten zu verarbeiten.

Entwicklung braucht Reife

Für CIOs bedeutet dies, dass die Entscheidung zwischen Eigenentwicklung und Kauf eng mit dem Reifegrad ihrer Datenarchitektur verknüpft ist. Sind Unternehmensdaten fragmentiert, unvorhersehbar oder schlecht verwaltet, haben selbstentwickelte Agenten Schwierigkeiten, gut zu funktionieren. Der Kauf einer Plattform, die das semantische Rückgrat bereitstellt, ist dann möglicherweise der einzige Weg.

Lyteson, Tyrrell und Gaurav betonen übereinstimmend, dass die KI-Governance, die Ethik, Berechtigungen, Prüfprozesse, operative Aufsicht und Datenmanagementrichtlinien umfasst, weiterhin in der Verantwortung des CIOs liegen muss. Governance ist keine zusätzliche Aufgabe, sondern integraler Bestandteil der Agentenentwicklung und -bereitstellung. Und sie ist eine Ebene, die CIOs nicht auslagern können.

Bereits UI kann Probleme machen

Denn Daten bestimmen die Machbarkeit, Governance die Sicherheit. Lyteson beschreibt, wie selbst harmlose UI-Elemente Probleme verursachen können. Ein Button, der ein einfaches Daumen-hoch- und Daumen-runter-Feedback gibt, kann zum Beispiel die gesamte User-Eingabe, einschließlich sensibler Informationen, an den Support des Anbieters senden.

„Man könnte ein Modell freigeben, das nicht mit den eigenen Daten trainiert wurde, und dann klickt ein Mitarbeiter auf einen Feedback-Button“, erklärt er. Dieses Fenster kann sensible Daten aus der Eingabe-Aufforderung enthalten, daher ist eine entsprechende Steuerung auch auf der Benutzeroberfläche erforderlich.

Sicherheitslücke: Inkonsistente Steuerung

Rollenbasierter Zugriff stellt eine weitere Herausforderung dar, denn KI-Agenten können die Berechtigungen der aufgerufenen Modelle nicht einfach erben. Wird die Steuerung nicht konsistent auf der semantischen Ebene und der Agentenebene angewendet, können unautorisierte Daten durch Interaktionen in natürlicher Sprache offengelegt werden.

Gaurav weist darauf hin, dass frühe Implementierungen in der Branche genau auf dieses Problem gestoßen sind, beispielsweise in Fällen, in denen die Daten eines leitenden Angestellten in der Suche eines Mitarbeiters auftauchten.

Die Orchestrierungsschicht, das neue architektonische Herzstück

Der auffälligste Konsens aller drei Ansätze liegt in der wachsenden Bedeutung einer unternehmensweiten KI-Plattform: einer Schicht, die Agenten orchestriert, Berechtigungen verwaltet, Anfragen weiterleitet und das zugrundeliegende Modell abstrahiert.

Lyteson bezeichnet dies als einzigartige KI-Plattform für Unternehmen – die Grundlage für die Entwicklung und Integration von KI im gesamten Unternehmen. Tyrrell setzt neue Standards wie MCP ein, um deterministische Interaktionen zwischen mehreren Agenten zu ermöglichen. Gauravs vernetzter Arbeitsgraph spielt eine ähnliche Rolle in der Planview-Plattform und verknüpft Daten, Ontologie und domänenspezifische Logik.

Diese Orchestrierungsschicht leistet mehrere Dinge, die weder Anbieter noch interne Teams allein leisten können: Sie gewährleistet die Zusammenarbeit von Agenten verschiedener Hersteller und bietet eine zentrale Plattform, um Governance-Richtlinien durchzusetzen. Zudem ermöglicht sie CIOs den Austausch von Modellen oder Agenten, ohne Arbeitsabläufe zu unterbrechen.

Der CIO als Dirigent

Letztendlich entsteht so eine Umgebung, in der Domänenagenten, Anbieterkomponenten und interne Logik ein zusammenhängendes Ökosystem bilden. Mit einer solchen Schicht entfällt die Frage nach Eigenentwicklung oder Kauf:

CIOs können so

• einen Agenten eines Anbieters erwerben,
• einen spezialisierten Risikomanagement-Agenten entwickeln,
• das Basismodell kaufen und
• all dies über eine von ihnen kontrollierte Plattform orchestrieren.

Prozess statt einmaliges Ereignis

Gaurav erklärt, dass Unternehmen schneller als erwartet von Pilotprojekten zu Produktionsumgebungen übergehen. Vor sechs Monaten experimentierten viele noch, jetzt skalieren sie ihre Systeme.

Tyrrell wiederum geht davon aus, dass Multi-Partner-Ökosysteme, angetrieben durch gemeinsame Protokolle und die Kommunikation zwischen Agenten, zum neuen Standard werden.

Lyteson ist überzeugt, dass CIOs KI künftig wie ein Portfolio steuern und fortlaufend prüfen werden, welche Modelle, Agenten und Koordinationsansätze den größten Nutzen bei möglichst geringen Kosten bieten.

Erst Pilotieren und validieren, dann skalieren

Aus diesen Perspektiven wird deutlich, dass die Frage nach Eigenentwicklung oder Fremdbezug weiterhin relevant bleibt. Sie hat sich aber zu einem fortlaufenden Prozess und nicht mehr zu einer einmaligen Entscheidung entwickelt.

Letztendlich müssen CIOs agentenbasierte KI mit einem strukturierten Ansatz angehen:

• Sie benötigen Klarheit darüber, welche Anwendungsfälle relevant sind und warum.
• Sie sollten mit kleinen, sicheren Pilotprojekten beginnen und erst skalieren, wenn die Ergebnisse konsistent sind.
• Logik sollte dort entwickelt werden, wo sie sich von anderen abhebt, bei bereits erfolgter Standardisierung auf bestehende Lösungen zurückgegriffen und die Datenkuratierung als erstklassiges Entwicklungsprojekt behandelt werden.

Wichtig ist auch, frühzeitig in eine Orchestrierungsschicht zu investieren, die Agenten harmonisiert, die Governance sicherstellt und das Unternehmen vor Abhängigkeiten von einzelnen Anbietern schützt.

Verbunden durch Governance und Koordination

Agentenbasierte KI verändert die Unternehmensarchitektur grundlegend, und die erfolgreichen Implementierungen von heute entstehen nicht einfach durch Eigenentwicklung oder Zukauf – sie werden systematisch zusammengestellt. Unternehmen erwerben Basismodelle, implementieren Domänenagenten von Anbietern, entwickeln eigene Workflows und verbinden alles unter gemeinsamer Governance und Koordination.

Die CIOs, die in dieser Ära erfolgreich sein werden, sind nicht diejenigen, die die entscheidendsten Eigenentwicklungs- oder Kaufentscheidungen treffen. Es werden diejenigen sein, die die anpassungsfähigste Architektur, die stärkste Governance und das tiefste Verständnis dafür schaffen, wo jede Ebene des KI-Stacks ihren Platz hat. (tf/rs)