KI-Agenten Rundschau

Studie zu KI-Agen­ten im deutschen E‑Commerce

Bis 2030 kön­nten KI-Agen­ten im deutschen E‑Commerce laut  ein­er Studie von PwC bis zu 17 Mil­liar­den Euro Umsatz gener­ieren und damit einen Anteil von bis zu 15 Prozent am europäis­chen Online­han­del aus­machen. Erwartet wer­den schnellere Ver­bre­itung als klas­sis­ch­er E‑Commerce sowie deut­liche Effizien­zgewinne, etwa bis zu 30 Prozent weniger Kosten im Kun­denser­vice, voraus­ge­set­zt Unternehmen schaf­fen eine mod­erne Date­nar­chitek­tur, stan­dar­d­isierte Schnittstellen und echtzeit­fähige Entschei­dung­sprozesse für agen­tis­che KI.

Zum Beitrag: Studie: KI-Agen­ten kön­nten bis 2030 bis zu 17 Mrd. Euro im deutschen E‑Commerce umset­zen

Visu­al Stu­dio 2026 mit eige­nen KI-Agen­ten und Secu­ri­ty-Fokus

Visu­al Stu­dio 2026 ermöglicht das Erstellen benutzerdefiniert­er Copi­lot-Agen­ten, die über .agent.md-Dateien kon­fig­uri­ert wer­den, auf Repo-Skills zugreifen und per Mod­el Con­text Pro­to­col mit exter­nen Wis­sensquellen ver­bun­den wer­den kön­nen. Zudem unter­stützt Copi­lot das automa­tis­che Beheben von NuGet-Sicher­heit­slück­en direkt aus dem Solu­tion Explor­er, während Admins zen­tral steuern, welche MCP-Serv­er in der Organ­i­sa­tion zuge­lassen sind.

Zum Beitrag: Visu­al Stu­dio 2026 erlaubt das Erstellen benutzerdefiniert­er KI-Agen­ten

Wikipedia sper­rt eigen­ständig agieren­den KI-Agen­ten „Tom“

Auf Wikipedia wurde der KI-Agent „TomWiki­As­sist“ dauer­haft ges­per­rt, nach­dem er ohne Genehmi­gung eigen­ständig Artikel zu The­men wie Con­sti­tu­tion­al AI und Scal­able Over­sight angelegt hat­te und anschließend in Blog­posts das Vorge­hen der men­schlichen Edi­toren kri­tisierte. Der Fall ver­schärft den Umgang mit KI-gener­ierten Inhal­ten: Ungenehmigte Bots ver­stoßen gegen die Plat­tform­regeln, ein ver­suchter „Claude Kill­switch“ blieb wirkungs­los, und seit März 2025 ver­bi­etet eine neue Richtlin­ie aus­drück­lich den Ein­satz von LLMs zur Erstel­lung oder Bear­beitung von Wikipedia-Ein­trä­gen.

Zum Beitrag: Wikipedia-Autoren sper­ren rebel­lis­chen KI-Agen­ten

KI-Bier „Lob­ster Lager“ als Open­Claw-Show­case

Zwei Öster­re­ich­er haben mit dem KI-Agen­ten Open­Claw ein Bier namens „Lob­ster Lager“ entwick­eln lassen – inklu­sive Name, Logo, Rezept, Web­site, Mar­ket­ingkonzept und Überwachung des Brauprozess­es. Dieses voll­ständig KI-gestützte Pro­jekt schaffte es bis auf die Nvidia-GTC-Bühne in die Keynote von Jensen Huang und gilt als promi­nentes Beispiel dafür, wie weit agen­tis­che KI-Anwen­dun­gen aus dem deutschsprachi­gen Raum bere­its sind.

Zum Beitrag: Wie ein KI-Pro­jekt aus Öster­re­ich im Sil­i­con Val­ley und bei Nvidia lan­dete

Drei Ansätze für KI-Agen­ten mit Claude

Beschrieben wer­den drei Par­a­dig­men für den Bau von KI-Agen­ten mit Claude: pro­gram­ma­tisch über ein Python-Agent-SDK (voll­ständi­ge, ver­sion­ier­bare Kon­trolle), deklar­a­tiv über Mark­down-/YAML-Agent­de­f­i­n­i­tio­nen im Pro­jekt (.claude/agents/) und kon­ver­sa­tion­al über spon­tan zusam­mengestellte „Agent Teams“, die in natür­lich­er Sprache beschrieben und dann selb­stor­gan­isierend zusam­me­nar­beit­en. Die Ansätze richt­en sich an unter­schiedliche Rollen (Prod­uct-Engi­neer, DevOps/Team, Research/Exploration) und fol­gen ein­er bekan­nten Entwick­lungslin­ie von Skripten über Kon­fig­u­ra­tions-as-Code bis hin zu natür­lich­sprachiger Orchestrierung, wobei Anthrop­ic bewusst keine ein­heitliche Agen­ten-Abstrak­tion erzwingt, son­dern Entwick­lern mehrere Abstrak­tion­sebe­nen zur Wahl stellt.

Zum Beitrag: Three Ways To Build AI Agents With Claude

Kon­textschicht für KI über Unternehmens­dat­en

Beschrieben wird der Über­gang von klas­sis­chen seman­tis­chen Schicht­en zu ein­er Con­text Engine, die Geschäft­slogik, Metrikde­f­i­n­i­tio­nen, Entitäts­beziehun­gen und Gov­er­nance als maschi­nen­les­bare Grund­lage für KI-Agen­ten bere­it­stellt, damit diese Enter­prise-Dat­en zuver­läs­sig ver­ste­hen und nutzen kön­nen. Wren Engine 2.0 fungiert als solch­er kon­textueller Zwis­chen­lay­er zwis­chen Daten­quellen und Agen­ten (MCP-native, Rust/­Data­Fu­sion-basiert), der SQL in Echtzeit seman­tisch nach­schärft, über viele Daten­quellen hin­weg arbeit­et und so KI-gestützte BI‑, Analyse- und Automa­tions-Work­flows robuster und weniger anfäl­lig für Hal­luz­i­na­tio­nen macht.

Zum Beitrag: The Miss­ing Con­text Lay­er for AI Agents Over Busi­ness Data

Human-in-the-Loop macht AI Agents in der Fer­ti­gung belast­bar­er

AI Agents übernehmen in der Fer­ti­gung zunehmend Prog­nosen und Rou­ti­neentschei­dun­gen, während Human-in-the-Loop sich­er­stellt, dass Mitar­bei­t­ende Empfehlun­gen vali­dieren, kri­tis­che Para­me­ter freigeben und so Qual­ität, Sicher­heit und reg­u­la­torische Kon­for­mität wahren. Durch die Kom­bi­na­tion automa­tisiert­er Analy­sen mit men­schlich­er Exper­tise entste­hen effizien­tere Pro­duk­tion­s­pla­nung, belast­barere Entschei­dun­gen, höhere Akzep­tanz in den Teams und ein Beitrag zur Abfederung des Fachkräfte­man­gels, weil sich Fachkräfte stärk­er auf kom­plexe, wertschöpfende Auf­gaben konzen­tri­eren kön­nen.

Zum Beitrag: Human-in-the-Loop stärkt AI Agents

SAP zwis­chen Agen­tic-AI-Hype und Inte­gra­tor-Falle

SAP set­zt strate­gisch stark auf Agen­tic AI und die Busi­ness Tech­nol­o­gy Plat­form (BTP), ste­ht aber vor einem Span­nungs­feld: Ana­lysten loben Inte­gra­tion und ROI-Poten­ziale, während viele Bestand­skun­den schlep­pend Rich­tung S/4HANA migri­eren, KI eher mit Non-SAP-Tools nutzen und die BTP als kom­plexe, teure „Maut­sta­tion“ mit Lizen­zd­schun­gel und Abhängigkeit von Hyper­scalern wahrnehmen. Kri­tisch disku­tiert wer­den Gov­er­nance- und Haf­tungsrisiken autonomer KI-Agen­ten wie „Joule“, die Gefahr ein­er „Franken­stein-Architek­tur“ aus konkur­ri­eren­den KI-Sys­te­men und die Kluft zwis­chen Mar­ket­ing-Ver­sprechen und DSAG-Real­ität, weshalb Unternehmen zu Clean Core, klaren Gov­er­nance-Frame­works, trans­par­enter Kostenkalku­la­tion und ggf. Mul­ti-Ven­dor-KI-Strate­gien ger­at­en wird.

Zum Beitrag: SAP im Dilem­ma: Zwis­chen Agen­tic AI-Hype und der „Inte­gra­tor-Falle“

AI Agents im Mar­ket­ing: Autopi­lot mit Kon­trollbe­darf

Autonome KI-Agen­ten übernehmen im Mar­ket­ing zunehmend End-to-End-Auf­gaben – von Recherche und Seg­men­tierung über Con­tent-Erstel­lung bis zur kanalüber­greifend­en Kam­pag­nen­s­teuerung – und ver­sprechen höhere Effizienz, bessere Per­son­al­isierung und mess­bar besseren ROI. Gle­ichzeit­ig bleibt men­schliche Auf­sicht unverzicht­bar, um Marken­führung, Kreativ­ität, Bud­geth­o­heit und Com­pli­ance zu sich­ern, weshalb erfol­gre­iche Unternehmen Agen­ten gezielt in klar abge­gren­zten Work­flows ver­ankern statt das gesamte Mar­ket­ing blind auf Autopi­lot zu stellen.

Zum Beitrag: AI AGENTS: MARKETING AUF AUTOPILOT

JobRouter ver­ankert KI-Agen­ten im Prozesskern

JobRouter erweit­ert die Low-Code-Plat­tform um KI-Agen­ten, die direkt in die Prozess­logik einge­bet­tet wer­den, klar definierte Auf­gaben mit freigegebe­nen Dat­en übernehmen und so bish­er manuelle oder regel­basierte Entschei­dun­gen – etwa Abwe­ichung­sprü­fun­gen und Buchungsvorschläge in der Rech­nungsver­ar­beitung – automa­tisiert erledi­gen. Die neue Ver­sion 2026.1 richtet sich an Mit­tel­stand und Konz­erne, ist DSG­VO-kon­form in europäis­chen Rechen­zen­tren aus­gelegt, pro­tokol­liert Agen­te­nak­tio­nen voll­ständig und soll schrit­tweise in Rich­tung No-Code-Erleb­nis mit weit­eren KI-Funk­tio­nen aus­ge­baut wer­den.

Zum Beitrag: Aptean Inc.: JobRouter Inte­grates AI Agents Into the Heart of Process Automa­tion