Vollständige Orchestrierung für Unternehmens-KI-Agenten: Sechs Ebenen jenseits des Modells.
Enterprise-AI-Agenten versagen in Bezug auf das Modell: Integrationen, Zustand, Beobachtbarkeit, Governance sowie Übergabe an Menschen. Sechs Orchestrierungsebenen und eine Reifekontrolle.
Quellen: **What Full-Stack Orchestration for Enterprise Agent Workflows Actually Involves**
Fragt man ein Team nach der Einführung von KI-Agenten in die Produktion, beginnt das Gespräch in der Regel mit dem Modell. Welches ist am stärksten? Wie gut kann es logisch denken, Anweisungen befolgen und lange Kontexte verarbeiten? Das sind berechtigte Fragen, doch selten liegt das eigentliche Problem darin.
Probleme entstehen erst, wenn der Agent das Modell hinter sich lässt und mit seiner Umgebung arbeiten muss: Unternehmenssysteme, private Daten, Zugriffsrechte, andere Agenten, Richtlinien und Mitarbeiter. Eine Demo kann einen Agenten äußerst fähig erscheinen lassen. In der Produktion kommen alle Schwachstellen zum Vorschein. Deshalb ist Orchestrierung weitaus komplexer als nur die Weiterleitung einer Anfrage an ein Modell.
Was „Full-Stack-Orchestrierung“ umfasst
Der einfachste Weg, das zu verstehen, ist, aufzuhören, einen Agenten als einzelnen KI-Komponenten zu betrachten. Ein Unternehmensagent befindet sich innerhalb eines größeren Workflows. Das Modell liefert die Logik, während andere Schichten entscheiden, welche Daten der Agent sehen darf, welche Aktionen er ausführen kann, was bei Fehlern passiert und wann ein Mensch eingreifen muss.
Sechs Schichten bilden ein praktisches mentales Modell.
Schicht 1: Modell und Logik
Alle denken zuerst an diese Schicht. Das System muss für jede Aufgabe ein geeignetes Modell oder eine geeignete Logikmethode auswählen, denn routinemäßige Klassifizierungen benötigen nicht die Rechenleistung einer komplexen Analyse oder Entscheidungshilfe. In einer ausgereifteren Struktur kann ein Workflow mehrere Modelle oder spezialisierte Logikschritte koordinieren, anstatt jede Anfrage durch ein einziges Modell laufen zu lassen.
Es geht nicht nur darum, ein leistungsstarkes Modell auszuwählen. Vielmehr muss entschieden werden, wo im Arbeitsablauf das Reasoning seinen Platz findet und wie viel Autonomie es erhalten soll – was bereits dann wichtig ist, wenn ein Agent echte Geschäftsprozesse abwickelt.
Schicht 2: Integrationen
Hier trifft der Agent auf die eigentliche Organisation. Ein Support-Arbeitsablauf benötigt möglicherweise Kundendaten, Bestellhistorien, Produktdokumentationen sowie Kontoinformationen, um angemessen antworten zu können. Ein Vertriebs-Arbeitsablauf wiederum muss Kontodaten, Informationen zu Geschäftsmöglichkeiten, frühere Interaktionen sowie aktuelle Geschäftsregeln miteinander verknüpfen.
Der Agent mag all das gut durchdenken, benötigt aber dennoch zuverlässige Zugänge zu den zugrundeliegenden Systemen – und genau da wird es kompliziert. APIs versagen, Datenformate unterscheiden sich, Zugangsdaten verfallen, die Antworten sind unvollständig, es greifen Geschwindigkeitsbeschränkungen und interne Systeme ändern sich. Solche alltäglichen Ingenieurprobleme beeinträchtigen oft die Zuverlässigkeit in der Produktion stärker als ein weiterer kleiner Gewinn in der Modellqualität.
Schicht 3: Zustand und Speicher
Dann kommt der Kontext. Ein Agent, der sich durch einen mehrschrittigen Workflow bewegt, muss wissen, was bereits geschehen ist: Was der Benutzer zuvor gesagt hat, welche Systeme überprüft wurden, was ein anderer Agent herausgefunden hat, welche Entscheidung genehmigt wurde. Diese Informationen bilden den Zustand des Workflows.
Auch das Merken von allem ist keine gute Strategie. Einige Kontexte sind nur für den aktuellen Austausch relevant, andere müssen über den gesamten Arbeitsablauf hinweg erhalten bleiben, und wieder andere sind sensibel und sollten nicht weitergegeben werden, als unbedingt nötig. Daher erfordern Zustand und Speicher eine bewusste Gestaltung, anstatt als Nebeneffekt der Verwendung eines konversationalen Modells behandelt zu werden. Zu wenig Speicher macht einen Arbeitsablauf repetitiv und ineffizient, während zu viel Speicher zu Fehlern, Unvorhersehbarkeiten oder Risiken führt.
Layer 4: Beobachtbarkeit
Während früherer Pilotprojekte wird dieser Layer leicht unterschätzt. Wenn eine herkömmliche Anwendung ausfällt, können Ingenieure in der Regel einen recht vorhersehbaren Ausführungspfad verfolgen. Agenten-basierte Arbeitsabläufe sind anders. Ein Modell kann ein Werkzeug auswählen, etwas abrufen, eine Entscheidung treffen, einen weiteren Schritt auslösen und schließlich ein Ergebnis erzeugen. Wenn etwas schiefgeht, verrät allein die endgültige Antwort nur wenig.
Nützliche Fragen, die danach beantwortet werden sollten, sind:
- Welche Eingabedaten erreichten den Agenten ursprünglich?
- Welcher Schritt in seiner Abwägung führte zur Auswahl?
- Welche nachgelagerten Systeme wurden aufgerufen?
- Fiel ein Aufruf eines Tools fehl?
- Fehlte etwas?
- Wie lange dauerte jeder Schritt?
- Wo wich der Ablauf vom erwarteten Pfad ab?
Um diese Fragen zu beantworten, ist es notwendig, den gesamten Workflow nachzuvollziehen und zu überwachen – nicht nur zu prüfen, ob das Modell verfügbar ist. Ohne das wird das Debuggen zu einer Detektivarbeit.
Schicht 5: Sicherheit und Governance
Sobald ein Agent auf Unternehmensdaten zugreifen oder Aktionen ausführen kann, ist Sicherheit ein Bestandteil der Orchestrierung. Ein Agent sollte nicht einfach deshalb auf alles Zugriff erhalten, weil das zugrunde liegende System es technisch zulässt. Die Berechtigungen sollten zur Aufgabe sowie gegebenenfalls zur Autorität der Person passen, die den Workflow gestartet hat.
Weitere Fragen folgen: Was kann der Agent abrufen und was darf er behalten? Welche Aktionen benötigen zusätzliche Genehmigung? Was muss protokolliert werden? Wie kann die Organisation zeigen, was bei einem bestimmten Lauf geschehen ist? All das kann nicht nach dem Start hinzugefügt werden – es gehört von Anfang an zur Architektur.
Schicht 6: Menschen und Eskalation
Eine häufige Fehlvorstellung bezüglich Autonomie ist, dass Erfolg bedeutet, Menschen aus dem Prozess herauszunehmen. Das ist nicht unbedingt der Fall. Manchmal ist das richtige Vorgehen, anzuhalten und um Hilfe zu bitten.
Betrachten wir einen Support-Mitarbeiter, der routinemäßige Anfragen bearbeitet, aber auf ein ungewöhnliches Kontoproblem stößt. Er kann die Fakten sammeln und einen vorgeschlagenen Antwortentwurf erstellen, doch eine Person muss die endgültige Entscheidung treffen. Oder nehmen wir einen Vertriebsmitarbeiter, der einen Vorschlag ausarbeiten kann, aber nicht berechtigt ist, abweichende Geschäftsbedingungen zu genehmigen. In beiden Fällen bedeutet die menschliche Beteiligung nicht, dass die Automatisierung versagt hat – der Mensch ist vielmehr Teil der Konzeption.
Wichtig ist, ob die Übergabe beabsichtigt ist. Die Person, die übernimmt, sollte den Kontext, die bereits durchgeführten Schritte, die gesammelten Informationen sowie den Grund für die Eskalation erhalten. Andernfalls ist die Arbeit lediglich zwischen Systemen gewandert, ohne dass tatsächlich etwas automatisiert wurde.
Warum die Ebenen nach der Demo erscheinen
In einer Demo verläuft alles reibungslos. Der Benutzer stellt eine Frage, das Modell versteht sie, die Daten sind vorhanden, die Tools liefern Antworten und der Agent reagiert nützlich. In der Produktion ist das selten so ordentlich.
Nehmen wir einen einfachen Support-Ablauf, bei dem der Agent eine Bestellung überprüfen muss und das Bestellsystem vorübergehend nicht verfügbar ist. Was sollte dann geschehen? Der Agent sollte keine Antwort erfinden. Er kann es erneut versuchen, eine genehmigte sekundäre Quelle konsultieren, dem Benutzer mitteilen, dass die Informationen derzeit nicht verfügbar sind, oder die Angelegenheit weiterleiten. Diese Entscheidung hat fast nichts mit der Qualität der Texte des Modells zu tun – es handelt sich dabei um eine Orchestrierungsentscheidung.
Auch im Vertrieb sieht es genauso aus. Wenn ein Agent veraltete Informationen verwendet, kann er zwar einen hervorragend formulierten Vorschlag erstellen, dieser enthält jedoch falsche Angaben. Das Modell hat genau das getan, wofür es entwickelt wurde, und das System als Ganzes versagt dennoch.
Der stärkste Agent ist nicht unbedingt der, der am unabhängigsten handelt. Es ist vielmehr der, der weiß, wie er innerhalb seiner Grenzen sicher arbeiten kann.
Was schiefgeht, wenn nur dem Modell Aufmerksamkeit geschenkt wird
Ein wiederkehrendes Muster in Unternehmensprojekten ist, dass Teams viel Zeit damit verbringen, die Fähigkeiten des Modells zu vergleichen, und nur wenig Zeit damit, das um das Modell herum zu entwerfen. Die üblichen Folgen sind:
- Kontextverschiebung. Eine schlechte Handhabung des Zustands lässt den Agenten auf veralteten oder irrelevanten Informationen handeln.
- Übermäßiger Tool-Zugriff. Breite Berechtigungen erleichtern den Aufbau eines Prototyps, führen aber später zu Problemen bei der Verwaltung.
- Stille Fehler. Wenn eine Abrufschritt fehlschlägt, setzt der Agent seine Arbeit fort und liefert eine plausibel erscheinende Antwort. Das ist gefährlicher als ein offensichtlicher Fehler, denn das Ergebnis sieht korrekt aus.
Ein Checkliste zur Beurteilung der Reife
Bevor ein Workflow über die Pilotphase hinausgeführt wird, hilft eine praktische Reihe von Fragen:
- Logikverarbeitung. Kann der Workflow für verschiedene Arten von Aufgaben einen geeigneten Denkweg wählen?
- Integrationen. Kann der Agent zuverlässig auf die benötigten Unternehmenssysteme zugreifen?
- Zustand. Wird der richtige Kontext zwischen den Schritten beibehalten?
- Berechtigungen. Sind Zugriff und Aktionen auf das Beschränkte beschränkt, was der Agent benötigt?
- Fehlerbehandlung. Was ist der Plan, falls ein Modell, eine API, eine Datengrundlage oder etwas weiter im Prozess ausfällt?
- Beobachtbarkeit. Kann ein Ingenieur einen Ablauf von Anfang bis Ende rekonstruieren?
- Steuerung. Sind Anforderungen bezüglich Datenverarbeitung, Auditing, Aufbewahrung und Richtlinien abgedeckt?
- Übernahme durch Menschen. Kann eine Person ohne Verlust des Kontexts übernehmen?
- Bewertung. Werden realistische Randfälle getestet oder nur die erfolgreichen Beispiele?
- Change Management. Können das Modell, die Integrationen oder die Workflow-Logik geändert werden, ohne den Rest zu stören?
Ein weiterer Test lohnt sich: Wenn das zugrundeliegende Modell morgen ersetzt würde, würde der Rest des Workflows dann noch Sinn ergeben? Ein „Nein“ deutet darauf hin, dass die Architektur zu stark von einem einzigen Modell abhängt.
Wohin die Orchestrierung geht
Die Orchestrierung von Unternehmensagenten wird wahrscheinlich nicht lange ein eigenständiges Thema bleiben. Mit der Reifung der Systeme werden Workflows Modelle mit herkömmlicher Software, Unternehmensdaten, deterministischen Geschäftsregeln, spezialisierten Agenten und menschlichen Entscheidungen kombinieren. Das Modell könnte letztendlich nur noch ein Bestandteil eines viel größeren Ausführungssystems sein.
Das verändert die Bewertung. Neben der Frage, wie intelligent ein Agent ist, sollten Teams auch folgende Fragen stellen:
- Kann er sich erholen, wenn etwas fehlschlägt?
- Können wir verstehen, warum es die Entscheidung getroffen hat, die es getroffen hat?
- Können wir kontrollieren, was es tun darf?
- Gibt es einen Punkt, an dem eine Person eingreifen kann?
- Würde das Unternehmen ihm tatsächlich laufende Prozesse anvertrauen?
Demos werden nicht über die Zukunft von Unternehmensagenten entscheiden. Entscheidend ist die Zuverlässigkeit, also wie sich ein Agent verhält, wenn der Workflow von seinem Skript abweicht.
Verwandte Artikel
- Auswahl eines Partners für die Entwicklung von KI-Agenten: Fragen jenseits der Demo — Wie man Anbieter von Agenten im Jahr 2026 beurteilt: Workflow-Definition, Integrationen, Berechtigungen, Wissen, Fehlertests, Sichtbarkeit der Bereitstellung, menschliche Überprüfung und Verantwortung nach dem Start.
- Der gesamte Stack von Agentic AI, Schicht für Schicht: Vom Frontend bis zur Überwachbarkeit — Zehn Schichten hinter einem Produktionsagenten: Frontend, Eingabeverarbeitung, Teilung in Blöcke, Embeddings, Vektorsuche, Abruf, Prompting, das LLM, Bereitstellung und Bewertung.
- Drei Playwright-Agenten: Planner, Generator und Healer in einer Live-Einkaufswagen-App — Ein Playwright-Framework, bei dem ein Agent die Abdeckung plant, ein anderer Spezifikationen aus Live-Browser-Sitzungen generiert und ein weiterer Fehler behebt, wodurch 22 parallele Tests in etwa 16 Sekunden durchgeführt werden können.
- 11 Gemini Workflows für Android Studio: Tests, Vorschauen, Agent Mode und Abstürze — Praktische Nutzungsmöglichkeiten von Gemini in Android Studio: AGENTS.md, Aufgabenbeschreibungen, Erstellung von Tests und Compose-Vorschauen, Agent Mode, Aktualisierungen von Abhängigkeiten, Datenschutz sowie eine Überprüfungsliste.