Warum 60 % der Agentic-AI-Projekte nie die Pilotphase verlassen – so gelingt die Skalierung von Agentic AI
Sebastian Flach, Regional VP EMEA Nordics, Central & CEE bei SnapLogic, analysiert im Interview die Hürden beim Übergang von KI-Pilotprojekten in den Produktivbetrieb. Er zeigt, weshalb reine KI-Modelle ohne tiefgehende Systemintegration wirkungslos bleiben und wie eine zentral gesteuerte Architektur verlässliche Skalierung sichert. Auf dem Confare CIOSUMMIT Frankfurt vertieft er diese Thematik in seinem Vortrag „The Execution Gap: Why Most Agentic AI Never Leaves the Pilot“.
Warum schaffen es so viele Agentic-AI-Projekte nicht über die Pilotphase hinaus?
Das Problem liegt häufig nicht am KI-Modell selbst, sondern an der Umsetzung im Unternehmen. Laut Gartner scheitern 60 % der Agent-Deployments an der Integration. Dabei lassen sich drei zentrale Lücken identifizieren:
- Integration Gap: KI-Systeme haben keinen oder nur eingeschränkten Zugriff auf relevante Unternehmensdaten und bestehende Systeme.
- Adoption Gap: Viele KI-Tools sind primär für technisch versierte Mitarbeitende entwickelt. Dadurch bleibt ein Großteil der Belegschaft von der Nutzung ausgeschlossen.
- Governance Gap: Unternehmen fehlt die Transparenz darüber, wie KI eingesetzt wird. Es mangelt an Audit-Trails, klaren Verantwortlichkeiten und einer nachvollziehbaren Kostenzuordnung.
Diese drei Lücken sind zentrale Gründe dafür, warum KI häufig in einzelnen Pilotprojekten stecken bleibt, statt unternehmensweit zu skalieren und einen nachhaltigen Mehrwert zu schaffen. Weitere Hintergründe und praktische Einordnungen finden Sie auch in Dominic Wellingtons (Director of Product Marketing, SnapLogic) Blogbeitrag hier.
Was fehlt Unternehmen typischerweise, um aus einem funktionierenden Pilot einen stabilen produktiven Prozess zu machen?
Entscheidend ist daher nicht nur, KI-Agenten zu entwickeln, sondern sie tatsächlich im Unternehmen nutzbar zu machen. Dafür braucht es vier zentrale Voraussetzungen:
- Echte Systemintegration: Eine direkte Anbindung an bestehende Unternehmenssysteme wie SAP, Oracle, Mainframes, Engineering Systeme, EDI, und viele andere, nicht nur an moderne APIs.
- Wiederverwendbare Konnektoren: Bestehende Integrationen sollten mehrfach genutzt werden können, statt für jeden neuen Anwendungsfall von Grund auf neu entwickelt zu werden.
- Empowerment der Business-User: Fachbereiche müssen Workflows selbständig erstellen und anpassen können, ohne für jede Änderung auf die IT warten zu müssen. (Citizen Modell)
- Adoption und Mehrwert: Erfolg sollte nicht allein an der Anzahl an Agenten gemessen werden, sondern daran, ob und wie intensiv sie genutzt werden. Ein Pilot, den niemand nutzt, ist kein Erfolg.
So wird aus einer technischen KI-Implementierung ein skalierbarer, messbarer Mehrwert für das gesamte Unternehmen.
Welche Rolle spielen Integration und Zugriff auf Unternehmensdaten beim Skalieren?
„Integration First, Not AI First“: Entscheidend ist nicht nur, wie leistungsfähig das KI-Modell ist, sondern ob es auf die relevanten Unternehmensdaten und Systeme zugreifen kann. Fehlt dieser Zugriff, sind und bleiben die Ergebnisse allgemein, veraltet oder im schlimmsten Fall falsch. Erst die Integration mit aktuellen Unternehmensdaten schafft die Grundlage für einen verlässlichen und skalierbaren Einsatz von KI.
Was verändert sich für die IT-Architektur, wenn Agenten nicht nur Infos liefern, sondern Aktionen in sensiblen Unternehmens Applikationen wie ERP oder CRM Systemen autark ausführen?
Sobald Agenten nicht nur Informationen abrufen, sondern auch Änderungen in sensiblen Unternehmensapplikationen vornehmen, braucht es klare Regeln. Kritische Aktionen sollten von Menschen kontrollierbar sein und ggf. aktiv freigegeben werden. Jede Aktion muss nachvollziehbar und dokumentiert sein. Entscheidend ist, dass diese Kontrollmechanismen direkt in die Architektur eingebaut werden, ohne die Nutzung unnötig kompliziert zu machen.
Wie verhindert man eine neues, unkontrolliertes Integrationsszenario aus Einzelschnittstellen, Workarounds und redundanten Silos?
Die Lösung besteht darin, bestehende Integrationen wiederzuverwenden, statt für jeden neuen Anwendungsfall eigene Schnittstellen zu entwickeln.
Dafür gibt es zwischen den bestehenden Backend-Systemen wie etwa Anwendungen, Services und Datenbanken und den AI-Agenten eine gemeinsame Integrations- und Orchestrierung Ebene. Über vorgefertigte Konnektoren können neue Anwendungen und AI-Agenten auf bereits vorhandene Verbindungen zugreifen.
So muss nicht für jeden neuen Use Case ein eigenes, monatelanges Integrationsprojekt gestartet werden.
Welche Rolle wird MCP dabei spielen, Agents kontrolliert mit Anwendungen/Daten/Prozessen zu verbinden?
Eine der größten Hürden für den breiteren Einsatz von KI besteht darin, AI-Agenten sicher mit den Anwendungen, Daten und Systemen zu verbinden, die die Unternehmen für die eigenen Zwecke im Einsatz haben. Ohne diesen Zugriff bleiben Agenten auf allgemeines Wissen beschränkt und sind damit für konkrete Unternehmensaufgaben deutlich weniger nützlich.
MCP kann dabei wie ein universeller „USB-C-Anschluss“ funktionieren: als einheitliche Schnittstelle zwischen AI-Agenten und den verschiedenen Systemen.
Allerdings enthalten diese Systeme oft geschäftskritische oder sensible Daten. Deshalb sollte ein AI-Agent nicht einfach uneingeschränkten Zugriff erhalten. Statt für jede Anwendung oder Datenquelle einzeln einen eigenen MCP-Server und eigene Werkzeuge aufzusetzen, ist eine zentrale, MCP-fähige Integrationsschicht sinnvoller.
Diese zentrale Schicht steuert, wer worauf zugreifen darf, setzt Sicherheits- und Compliance-Regeln durch und macht nachvollziehbar, welche Agenten auf welche Systeme zugreifen und was sie dort tun.
Wie viel Governance/Monitoring/Kontrolle braucht ein AI Agent im produktiven Betrieb, ohne Tempo/Nutzen zu verlieren?
So viel Kontrolle wie nötig, aber ohne unnötige Hürden. Jede Anfrage, jeder Tool-Call und die damit verbundenen Kosten sollten nachvollziehbar sein. Kritische Aktionen brauchen eine menschliche Freigabe. Klare Guardrails sorgen dafür, dass Teams schnell und sicher arbeiten können, statt durch langwierige Freigabeprozesse ausgebremst zu werden.
Wo sieht SnapLogic seine Rolle im Agentic-AI-Ökosystem eines CIO?
SnapLogic versteht sich als Integrationsschicht, die Agentic AI mit den tatsächlichen Unternehmens-Systemen verbindet, von SAP und Oracle bis hin zu Mainframes und EDI. Dadurch können Fachexperten die Geschäftsprozesse, die sie im Detail kennen, selbst automatisieren, ohne dafür spezielle Programmierkenntnisse zu benötigen. Die Lücke zwischen fachlicher Absicht und tatsächlicher Automatisierung wird damit deutlich kleiner.
Gleichzeitig bleiben Nutzung, Kosten und Aktionen nachvollziehbar und kontrollierbar. Kurz: SnapLogic schafft das Fundament, um Agentic AI sicher, skalierbar und nah an den tatsächlichen Geschäftsprozessen in den produktiven Betrieb zu bringen.
Möchten Sie erfahren, wie SnapLogic Ihr Unternehmen bei der nahtlosen Integration und Skalierung von Agentic AI unterstützt? Treffen Sie Sebastian Flach und sein Team persönlich auf dem kommenden Confare CIOSUMMIT Frankfurt.
