Die Lücke zwischen dem Ehrgeiz im Bereich agentischer KI und der tatsächlichen Umsetzung ist heute die entscheidende strategische Herausforderung für Global Business Services-Organisationen. Der Ehrgeiz steht nicht in Frage. Agentische KI hat sich rasch als oberste Investitionspriorität etabliert und wird von 65 Prozent der GBS-Befragten in der SSON-Studie genannt – weit vor der traditionellen Automatisierung. Die Umsetzung ist eine andere Sache. Fobpossgbs
Weniger als 10 Prozent der Unternehmen haben agentische KI im funktionalen Maßstab eingesetzt. Nur 6 Prozent der Unternehmen zählen zu den Hochleistern, bei denen KI nachhaltig einen bedeutenden Beitrag zum EBIT leistet – mehr als 5 Prozent. 65 Prozent wollen es. Sechs Prozent haben auf Unternehmensebene davon materiell profitiert. Das Verständnis dieser Lücke ist wertvoller als die Feier des Ehrgeizes. SSON
Was agentische KI tatsächlich ist – und was nicht
Der Begriff wird in Branchendiskussionen mit genug Unschärfe verwendet, um eine kurze Klarstellung zu rechtfertigen. Agentische KI-Systeme unterscheiden sich von herkömmlichen KI-Anwendungen in einem grundlegenden Punkt: Sie arbeiten autonom, führen mehrstufige Workflows aus, treffen Entscheidungen und passen ihr Verhalten auf der Grundlage von Umgebungsfeedback an – ohne kontinuierliche menschliche Eingriffe.
Frühere Automatisierungswellen bewältigten Teile von Prozessen und hinterließen Ausnahmen, bei denen Menschen eingreifen mussten. KI-Agenten können schlussfolgern, zusammenarbeiten und Aktionen koordinieren, wodurch sie komplexe, mehrstufige, nicht-deterministische Prozesse bewältigen können, die bisher vom Menschen abhingen. Emagia
Der Technology Report 2025 von Bain verdichtet das Reifegradmodell auf vier Stufen, die direkt auf die GBS-Planung anwendbar sind. Stufe 1 ist LLM-gestützte Informationsabfrage – die Copilot- und Wissensassistenten-Ebene, auf der die meisten Organisationen derzeit operieren. Stufe 2 sind agentische Einzelaufgaben-Workflows. Stufe 3 ist systemübergreifende Orchestrierung über Silos hinweg. Stufe 4 sind Multi-Agenten-Konstellationen, die autonom im Unternehmensmaßstab operieren. Die meisten GBS-Organisationen befinden sich zwischen Stufe 1 und Stufe 2. Der Wert, der die Investition rechtfertigt, liegt auf Stufe 3 und darüber.
Die drei Grundursachen der Umsetzungslücke
Die Forschung von McKinsey ist eindeutig darin, warum Organisationen diese Lücke nicht schneller schließen. Fast zwei Drittel der Befragten geben an, dass ihre Organisationen noch nicht damit begonnen haben, KI im gesamten Unternehmen zu skalieren. Die Versagensmuster lassen sich in drei Kategorien einteilen. Punku
Fragmentierte Prozesse. Agentische KI erfordert saubere, standardisierte und gut dokumentierte Prozesse, über die sie orchestrieren kann. Ein Agent, der auf inkonsistenten, länderspezifischen Prozessen aufgesetzt wird, glättet diese Inkonsistenzen nicht – er verstärkt sie. Dies ist die grundlegendste Barriere und diejenige, die in technologiegetriebenen KI-Diskussionen am seltensten anerkannt wird. KI kann fragmentierte Daten, unklare Verantwortlichkeiten oder fehlerhafte Prozesse nicht kompensieren. Der Versuch, agentische KI ohne grundlegende Prozessstandardisierung einzusetzen, riskiert, Ineffizienzen zu verstärken statt sie zu beheben. McKinsey & Company
Governance, die nicht mit KI-Geschwindigkeit mithalten kann. Im Zeitalter der agentischen KI können sich Organisationen nicht mehr nur damit befassen, dass KI-Systeme das Falsche sagen – sie müssen sich auch damit auseinandersetzen, dass Systeme das Falsche tun, etwa unbeabsichtigte Aktionen ausführen, Werkzeuge missbrauchen oder über angemessene Leitplanken hinaus agieren. Traditionelle GBS-Governance – periodische Überprüfungen, papierbasierte Kontrollen, SLA-Berichtszyklen – wurde nicht für autonome Systeme konzipiert, die kontinuierlich und gleichzeitig über mehrere Unternehmensfunktionen hinweg operieren. VentureBeat
Talentarchitektur, die nicht zum neuen Liefermodell passt. Fast ein Drittel aller Unternehmen kämpft mit KI-bezogenen Talent- und Kompetenzlücken sowie mit Problemen bei der Integration von KI in bestehende Systeme. Fast ein Viertel der Hochleister – verglichen mit nur 15 Prozent anderer Unternehmen – nennt Change Management als zentrale Herausforderung bei der Skalierung agentischer KI. Die hybride Mensch-Agenten-Belegschaft erfordert andere Rollendesigns, andere Leistungsmanagement-Rahmenwerke und ein anderes Mitarbeiterwertversprechen als die kopfzahlbasierten Modelle, mit denen GBS historisch operiert hat. Bain & Company
Das Pragmatismusprinzip
Eine puristische Sichtweise auf Architektur wird dem Moment nicht gerecht. Angesichts des aktuellen Tempos der KI-Innovation sollten Unternehmen einen architektonischen Nordstern beibehalten, aber den Fortschritt mit zweckgerichteten, domänenspezifischen und menschlich-eingebundenen Implementierungen auf absehbare Zeit aufrechterhalten. Libertify
Dies ist die Position von Bain, und sie verdient Beachtung. Die Organisationen, die auf eine saubere, vollständig integrierte, architektonisch perfekte agentische KI-Umgebung warten, bevor sie irgendetwas einsetzen, beobachten, wie ihre Wettbewerber mit unvollkommenen, aber funktionierenden Implementierungen Vorteile aufbauen. Die Kunst liegt darin, auszuwählen, welche Prozesse zuerst automatisiert werden sollen – jene mit dem höchsten Volumen, der klarsten Entscheidungslogik und den am stärksten standardisierten Daten – und dabei gleichzeitig operative Erfahrung und Governance-Kompetenz aufzubauen.
Die GBS-spezifische Chance
Da Shared Services bereits standardisierte, hochvolumige Prozesse verwalten, bieten sie eine ideale Umgebung, um intelligente Automatisierung sicher zu testen, bevor sie unternehmensweit skaliert wird. Diese Verschiebung wertet die Rolle der GBS-Führung auf. McKinsey & Company
Dies ist der strukturelle Vorteil, den GBS-Organisationen gegenüber anderen Unternehmensfunktionen haben, die agentische KI einzusetzen versuchen. Die Prozesse sind dokumentiert. Die Volumina sind für bedeutungsvolles Lernen ausreichend. Die Governance-Infrastruktur, wenn auch unvollkommen, existiert bereits. Die Organisationen, die diesen Vorteil nutzen, bauen echte KI-Einsatzkompetenz innerhalb von GBS auf – und exportieren diese Kompetenz dann in das breitere Unternehmen.
Diejenigen, die dies nicht tun, werden feststellen, dass der KI-Einsatz auf Geschäftsbereiche verteilt endet, ohne gemeinsame Standards, ohne wiederverwendbare Infrastruktur und ohne organisatorisches Gedächtnis dafür, was funktioniert. Das ist das Fragmentierungsmuster, das sich auf einer höheren Komplexitätsebene wiederholt. Es ist der GBS-Fall im Kleinen – und er vollzieht sich in Echtzeit.
