Neueste Entwicklungen im Bereich der agentenbasierten KI und Branchentrends

Agentische KI-Systeme – eine Form der künstlichen Intelligenz, die in der Lage ist, zu planen, Werkzeuge einzusetzen und Teile eines Arbeitsablaufs unter begrenzter menschlicher Aufsicht auszuführen – entwickeln sich in Unternehmen zunehmend vom Experimentstadium hin zum produktiven Einsatz, während die entsprechenden Governance-Praktiken Mühe haben, mit dieser Entwicklung Schritt zu halten.

Die Kluft zwischen den Möglichkeiten der Agenten und den von den Unternehmenskontrollen berücksichtigten Aspekten vergrößert sich zunehmend. Agenten, die früher Empfehlungen zur Überprüfung durch einen Mitarbeiter vorlegten, leiten nun Arbeitsabläufe ein, ändern Konfigurationen und geben Kontextinformationen an andere Agenten weiter, ohne auf eine Genehmigung zu warten. IT-Teams übernehmen diese Funktionen zunehmend als Standardfunktionen der Plattform, oft noch bevor die entsprechenden Governance-Richtlinien nachgezogen haben.

Dieser Leitfaden behandelt die spezifischen Veränderungen bei den Fähigkeiten, Rahmenbedingungen und regulatorischen Meilensteinen, anhand derer IT- und Sicherheitsexperten ihre derzeitige Governance-Situation bewerten können.

Warum sich agentische KI schneller weiterentwickelt, als die Unternehmensführung damit Schritt halten kann

Der Begriff „Agentische KI“ bezieht sich auf KI-Systeme, die autonom planen, Entscheidungen treffen und Maßnahmen ergreifen können, um Ziele mit minimalem menschlichem Eingriff zu erreichen. Im Gegensatz zu herkömmlicher KI, die auf Eingabeaufforderungen reagiert, zerlegen agentische Systeme komplexe Ziele in Teilziele, nutzen externe Werkzeuge und passen ihre Vorgehensweise auf der Grundlage der Ergebnisse an.

Die meisten Produktionsimplementierungen basieren heutzutage auf einem großen Sprachmodell (LLM) als Kern für die Schlussfolgerungen, wobei zusätzliche Ebenen die Nutzung von Werkzeugen, den Speicher und die Orchestrierung übernehmen.

Das Verständnis dieser Architektur ist für die Governance von Bedeutung: Die Argumentationsschicht, die Werkzeugschicht und die Orchestrierungsschicht weisen jeweils unterschiedliche Risikoprofile auf.

Ein zwar weniger diskutierter, aber entscheidender Faktor bei der Steuerung von Agenten ist die Qualität und Aktualität der Daten, auf die sich die Agenten zur Laufzeit stützen.

Mit zunehmender Autonomie werden Entscheidungen nicht mehr Schritt für Schritt von Menschen überprüft, was bedeutet, dass ungenaue oder veraltete Daten unmittelbar zu falschen Handlungen führen können. Diese Rahmenwerke konzentrieren sich in der Regel auf Berechtigungen und Nachvollziehbarkeit, doch die Aktualität und Vollständigkeit der Daten sind ebenso wichtige Kontrollmechanismen.

Die Kluft zwischen den Möglichkeiten agentischer Systeme und dem, was die meisten Governance-Rahmenwerke in Unternehmen berücksichtigen, vergrößert sich rasch. Die Einführung von KI in Unternehmen schreitet schneller voran, als viele Governance-Programme dafür ausgelegt sind.

Die McKinsey-Umfrage „ November 2025 “ ( ) ergab, dass 62 % der Befragten angaben, ihre Unternehmen würden zumindest mit KI-Agenten experimentieren, und 23 % gaben an, dass sie bereits irgendwo im Unternehmen ein agentenbasiertes KI-System in großem Maßstab einsetzten. Aus derselben Umfrage ging hervor, dass sich die meisten Unternehmen noch in der Pilotphase befinden und fast zwei Drittel die KI noch nicht unternehmensweit einsetzen, was erklärt, warum Governance-Programme durchweg hinter der Entwicklung der Fähigkeiten zurückbleiben, anstatt ihr vorauszueilen. Das bedeutet zwar nicht, dass der Einsatz von Agenten bereits allgegenwärtig ist, aber es bedeutet, dass Aufsichtsgremien agentenbasierte KI nicht länger als ein rein zukunftsorientiertes Thema betrachten können.

[Erfahren Sie, wie sich die verschiedenen Arten von KI-Agenten unterscheiden, warum diese Unterscheidung für die Governance von Bedeutung ist und wie Sie die Komplexität der Agenten an die Überwachungskapazitäten Ihres Unternehmens anpassen können]

Wenn Mitarbeiter Beschaffungsabläufe einleiten, Konfigurationen ändern oder Zugriffsanfragen ohne menschliche Genehmigung eskalieren können, stellt sich die Frage der Governance in einem anderen Licht dar. Es geht nicht mehr nur darum, wer auf welche Daten zugreifen kann. Es geht darum, welche autonomen Prozesse welche geschäftlichen Maßnahmen unter welchen Bedingungen auslösen können.

Dies stellt eine bedeutende Abkehr von früheren Generationen von KI-Assistenten und sogar von den ihnen vorausgegangenen Chatbots und dialogorientierten Schnittstellen dar, die darauf ausgelegt waren, Empfehlungen anzubieten und auf Anweisungen durch den Menschen zu warten. Die heutige Generation handelt, und die Rahmenbedingungen der Regierungsführung müssen dieser Unterscheidung Rechnung tragen.

In den folgenden Abschnitten werden spezifische Änderungen bei den Funktionen, Aktualisierungen des Rahmenwerks sowie regulatorische Meilensteine behandelt, die IT- und Sicherheitsteams im Hinblick auf ihre derzeitigen Governance-Strukturen bewerten können. Der rote Faden, der sich durch alle diese Beispiele zieht: Agenten agieren nicht mehr am Rande von Geschäftsprozessen. Sie sind in die zentralen Arbeitsabläufe eingebettet, die die Bereiche Beschaffung, Lieferkettenmanagement, Sicherheitsmanagement und Infrastrukturmanagement steuern.

Aktualisierungen der Modellfähigkeiten und die Auswirkungen einer erweiterten Autonomie auf das IT-Risiko

Mehrere Plattform-Updates im vergangenen Jahr haben den Handlungsspielraum der Agenten erweitert, ohne dass ein menschliches Eingreifen erforderlich ist. Die zugrunde liegenden KI-Modelle, auf denen diese Agenten basieren, sind zudem bei mehrstufigen Schlussfolgerungen leistungsfähiger geworden, was bedeutet, dass dieselben Kontrollgrenzen, die vor zwölf Monaten noch angemessen waren, möglicherweise nicht mehr das gesamte Spektrum der Handlungen abdecken, die ein Agent heute ausführen kann. In den Modellveröffentlichungen von Anthropic, OpenAI und verschiedenen anderen Start-ups wurden insbesondere der erweiterte Einsatz von Werkzeugen und die Fähigkeit zur mehrstufigen Planung als Entwicklungsziele hervorgehoben – Fähigkeiten, die sich in Unternehmensumgebungen unmittelbar in einem erweiterten autonomen Handeln niederschlagen.

Auf der Plattformseite senken die großen Anbieter die Hürden für den Einsatz in der Produktion. Microsoft positioniert Copilot Studio als Plattform für die Entwicklung und Verwaltung von Agenten, darunter auch solche, die Aufgaben oder Geschäftsprozesse eigenständig verwalten und an der Koordination mehrerer Agenten mitwirken können. SAP beschreibt Joule Agents als geschäftsprozessorientierte Agenten, die Arbeitsabläufe in großem Maßstab automatisieren und komplexe, funktionsübergreifende Prozesse koordinieren. Die Auswirkung auf die Unternehmensführung besteht nicht darin, dass jeder ERP-Workflow nun standardmäßig vollständig autonom ist, sondern darin, dass immer mehr Unternehmensplattformen die Konfiguration und Umsetzung einer agentengesteuerten Aufgabenausführung vereinfachen.

Für IT-Teams müssen die Berechtigungsbereiche für Agenten nun auf Workflow-Ebene festgelegt werden und nicht mehr nur auf der Ebene des Datenzugriffs. Die meisten IAM-Konfigurationen von „ “ beschränken sich standardmäßig auf Datenzugriffsberechtigungen, und Richtlinien zur Steuerung der Workflow-Initiierung oder der Ausführung verketteter Aktionen werden selbst in Umgebungen, in denen moderne Identitätsplattformen zum Einsatz kommen, nur selten explizit definiert.

Eine weitere Anforderung, die sich zunehmend abzeichnet, ist eine durchgängige Steuerung über den gesamten Lebenszyklus eines agentengesteuerten Workflows hinweg. Risiken entstehen nicht nur zum Zeitpunkt der Entscheidung, sondern auch dabei, wie Erkenntnisse gewonnen, Empfehlungen abgeleitet und Maßnahmen umgesetzt werden. Systeme, bei denen diese Phasen auf verschiedene Tools verteilt sind, können es erschweren, nachzuvollziehen, wie eine Entscheidung zu einer bestimmten Änderung in der Umgebung geführt hat.

Die Frage nach der Steuerung jeder datenbanknahen KI-Funktion ist stets dieselbe: Wie aktuell sind die Daten, auf denen eine autonome Entscheidung basiert, welche Caching- oder Replikationsschichten liegen auf dem Weg, und ist diese Latenz für den zu automatisierenden Arbeitsablauf akzeptabel? Diese Fragen gelten unabhängig vom Anbieter.

Das Muster bei den Plattform-Updates ist einheitlich. Agenten entwickeln sich von beratenden Rollen (in denen sie Maßnahmen vorschlagen, die von Menschen genehmigt werden müssen) hin zu Rollen, in denen sie Maßnahmen in der realen Welt ausführen (innerhalb festgelegter Parameter). Dieser Wandel ist zum Teil auf Fortschritte im Bereich des „ “ (maschinelles Lernen) zurückzuführen, die die Fähigkeit der Agenten verbessert haben, aus beobachteten Mustern allgemeine Schlussfolgerungen zu ziehen. Genau jene Fähigkeit, die sie nützlicher macht, führt auch dazu, dass ihr Verhalten an den Rändern ihrer Trainingsverteilung schwerer vorhersehbar ist.

Auswirkungen auf das Unternehmen: Prüfen Sie, ob Ihre IAM-Richtlinien zwischen Berechtigungen für den Datenzugriff und Berechtigungen zur Einleitung von Arbeitsabläufen unterscheiden. Agenten, die innerhalb „genehmigter“ Zugriffsbereiche agieren, können dennoch geschäftliche Aktionen auslösen, die außerhalb der beabsichtigten Governance-Grenzen liegen. Es empfiehlt sich zudem, bei Ihren Plattformanbietern – seien es ERP-, Cloud- oder Endgeräteanbieter – nachzufragen, welche Agent-Funktionen in den jüngsten Updates standardmäßig aktiviert wurden, da nicht alle Funktionserweiterungen über die üblichen Kanäle zur Änderungsbenachrichtigung kommuniziert werden.

Angesichts der zunehmenden Leistungsfähigkeit der Modelle stellt sich nun die Frage, wie sich die Agenten in Produktionsumgebungen untereinander abstimmen.

Änderungen am Agent-Framework und an der Orchestrierung, die sich auf Unternehmensbereitstellungen auswirken

Multi-Agenten-Systeme, bei denen spezialisierte Agenten zusammenarbeiten, um verschiedene Aspekte komplexer Arbeitsabläufe zu bewältigen, halten zunehmend Einzug aus dem Forschungsbereich in produktive IT-Umgebungen. Dies sind keine einfachen Aufgabenketten. Sie umfassen verzweigte Entscheidungslogik, bedingte Eskalationen und systemübergreifende Kontextübergaben, die gleichzeitig die Ebenen des Sicherheitsbetriebs, des IT-Servicemanagements und der Geschäftsanwendungen umfassen können.

Bei vielen frühen Implementierungen in Unternehmen wurden zwischen Erkennung, Analyse und Maßnahme manuelle Kontrollpunkte eingefügt. Was sich derzeit ändert, ist nicht die Existenz der Automatisierung an sich, sondern die Leichtigkeit, mit der Plattformen es Teams ermöglichen, mehrere spezialisierte Akteure innerhalb eines Arbeitsablaufs zu koordinieren. Ein Mitarbeiter, der ein Problem feststellt, kann die Ergebnisse nun mit weniger individueller Koordination als bisher an einen anderen Mitarbeiter oder ein anderes Tool zur weiteren Analyse oder zur Einleitung von Maßnahmen weiterleiten.

[Erfahren Sie, wie agentische KI den Sicherheitsbetrieb verändert, wo sie einen echten Mehrwert bietet und welche Governance-Maßnahmen Teams dabei helfen, sie einzuführen, ohne die Kontrolle zu verlieren]

Dadurch wird der Wirkungsradius eines falsch konfigurierten Agenten geändert. Fehler machen nicht mehr an den Grenzen einzelner Aufgaben Halt. Ein Erkennungsmodul, das einen legitimen Prozess falsch einstuft, kann einen Abhilfemechanismus von auslösen, der ein Produktionssystem unter Quarantäne stellt – und das alles, bevor ein Mitarbeiter die Warnmeldung überhaupt sieht.

Viele große Cloud-Plattformen machen koordinierte, von mehreren Akteuren gesteuerte Arbeitsabläufe bereits deutlich zugänglicher. AWS hat die Multi-Agent-Zusammenarbeit für „ “ in Amazon Bedrock unter März 2025 allgemein verfügbar gemacht und anschließend „ “ Amazon Bedrock AgentCore eingeführt – eine modulare Plattform der Enterprise-Klasse für die Bereitstellung und Verwaltung von Produktionsagenten, die unter Oktober 2025 allgemein verfügbar wurde.

Das Muster ist bei allen Anbietern einheitlich: Der Infrastrukturaufwand für den Einsatz von Multi-Agenten-Systemen in der Produktion nimmt rapide ab. Da sich diese Funktionen immer einfacher implementieren lassen, müssen Governance-Tools in Bezug auf Delegationspfade, Überwachungslogik, Beobachtbarkeit und Fehlerbehandlung Schritt halten.

Auch die menschliche Überwachung in agentenbasierten Systemen wird zunehmend detaillierter. Anstelle eines einfachen Modells, bei dem zu Beginn eines Arbeitsablaufs lediglich „genehmigt“ oder „abgelehnt“ wird, legen Unternehmen zunehmend Kontrollpunkte innerhalb einer Abfolge von Maßnahmen fest. Auf diese Weise können Teams bestimmte Schritte überprüfen, validieren oder außer Kraft setzen, ohne den gesamten Arbeitsablauf zu blockieren, und so ein Gleichgewicht zwischen Geschwindigkeit und Verantwortlichkeit herstellen.

Die Frameworks, die diese asynchronen Übergaben ermöglichen – darunter Open-Source-Orchestrierungstools wie LangGraph und AutoGen –, senken zudem die Hürden für die Bereitstellung von Multi-Agenten-Systemen, was bedeutet, dass IT-Teams möglicherweise auf Agenten-Bereitstellungen stoßen, die außerhalb der genehmigten Unternehmensplattformen erstellt wurden. In den Governance-Richtlinien müssen sowohl von Anbietern verwaltete als auch intern entwickelte Agentensysteme berücksichtigt werden.

Auch die vertikale Spezialisierung schreitet immer schneller voran. So setzt beispielsweise Visa KI-Modelle nach dem Prinzip „ “ zur Betrugserkennung und Risikobewertung bei Zahlungsvorgängen ein, während speziell entwickelte Plattformen im Gesundheitswesen KI für Arbeitsabläufe wie die Überwachung kontrollierter Substanzen und die Einhaltung klinischer Vorschriften nutzen – Kontexte, in denen die fachspezifischen Genauigkeitsanforderungen weitaus strenger sind, als ein Allzweck-Agent sie zuverlässig erfüllen könnte.

Bei Beschaffungsentscheidungen im IT-Bereich bieten Allzweck-Agenten zwar Flexibilität, doch spezialisierte Systeme können in klar definierten Anwendungsfällen eine höhere Genauigkeit und Relevanz gewährleisten. Diese Verlagerung hin zur domänenspezifischen Optimierung wirkt sich auch darauf aus, wie Teams die Effektivität von Agenten bewerten sollten. Die Leistung innerhalb eines definierten Aufgabenbereichs ist bei der Beurteilung der Produktionsreife ein aussagekräftigerer Maßstab als allgemeine Leistungsbewertungen.

Das gleiche Muster zeichnet sich auch über den Softwarebereich hinaus ab. Robotikplattformen integrieren mittlerweile agentenbasierte KI-Ebenen, um dynamische Aufgabenabläufe zu bewältigen, und gehen damit über vorprogrammierte Routinen hinaus hin zu adaptiver Entscheidungsfindung. Infrastrukturanbieter wie Nvidia, deren NIM-Mikroservices und „AI Enterprise“-Plattform zunehmend für die Bereitstellung und den Betrieb von Agent-Workloads in großem Maßstab genutzt werden, erleichtern den Einsatz dieser Systeme in Produktionsumgebungen.

Für Governance-Teams bedeuten diese beiden Trends, dass sich der Umfang der zu berücksichtigenden Aspekte über Cloud-gehostete Agenten hinaus auch auf hardwarebeschleunigte und physisch implementierte Bereitstellungen erstreckt.

Auswirkungen auf das Unternehmen: Wenn Sie Multi-Agenten-Workflows betreiben oder evaluieren, prüfen Sie, ob Ihre Überwachungstools die Übergaben zwischen den Agenten erfassen können. Viele Observability-Plattformen sind für vom Benutzer initiierte Anforderungsabläufe konzipiert und nicht für die Signalübertragung von Agent zu Agent.

Änderungen an der Orchestrierung wirken sich darauf aus, wie die Agenten zusammenarbeiten. Im nächsten Abschnitt wird konkret erläutert, welche Änderungen sich auf der Ebene der Endgeräte und des Sicherheitsbetriebs ergeben.

Endpunktspezifische Entwicklungen und neue Angriffsflächen

Da KI-gestützte Automatisierung zunehmend in die Bereiche „ “, Endpunktmanagement und Sicherheitsbetrieb Einzug hält, erweitert sich die Angriffsfläche in einer Weise, für deren Überwachung herkömmliche Sicherheitstools nicht ausgelegt sind. Im Bereich der Endpunkt- und Antwortschicht von „“ führen die jüngsten Entwicklungen gleichzeitig sowohl zu neuen Funktionen als auch zu neuen Risikomustern.

Agentenabweichung in Produktionsumgebungen

Eine Agentenabweichung tritt auf, wenn sich kumulative Mikroentscheidungen zu Ergebnissen summieren, die niemand beabsichtigt oder ausdrücklich gebilligt hat; dies unterscheidet sich von einer Modellhalluzination, bei der das Modell fehlerhafte Ergebnisse erzeugt. Beim Drift-Risiko geht es oft weniger um fehlerhafte Modellergebnisse als vielmehr um Arbeitsabläufe, die im Rahmen von Berechtigungen ausgeführt werden, die zu weit gefasst waren oder im Laufe der Zeit nicht ausreichend überwacht wurden. Ein Modell kann sich zwar genau wie vorgesehen verhalten, dennoch jedoch außerhalb des beabsichtigten Anwendungsbereichs abdriften, wenn die Begrenzungen des Workflow-Anwendungsbereichs nicht durchgesetzt werden. Für die Praktiker sind daher Genehmigungsstellen, eine Protokollierung auf Schritt-Ebene, Rollback-Pläne und die regelmäßige Überprüfung der Zuständigkeitsbereiche der Beauftragten zentrale operative Kontrollmaßnahmen.

Die Erkennungslücke: Überprüfen Sie, ob Ihre Protokollierung und Erkennungsmechanismen zwischen von Menschen veranlassten Änderungen, Aktivitäten von Dienstkonten und durch Agenten ausgelösten Aktionen unterscheiden. Ist dies nicht der Fall, lassen sich die Aktivitäten der Agenten während eines Vorfalls möglicherweise schwerer nachverfolgen und bei der routinemäßigen Überwachung leichter übersehen.

[Erfahren Sie, welche Anforderungen die KI-Compliance mit sich bringt, warum Vorschriften wie das EU-KI-Gesetz die Anforderungen verschärfen und wie Unternehmen skalierbare Governance-Programme aufbauen können]

Zunahme der Anmeldedaten durch dauerhaften Zugriff von Agenten

Diese Systeme erfordern zur Erfüllung ihrer Funktionen zunehmend einen dauerhaften Zugriff auf Anmeldedaten über mehrere Systeme hinweg. Ein Reparaturtool, das Endgeräte reparieren, Konfigurationen aktualisieren und Dienste neu starten kann, benötigt für jede Aktion Anmeldedaten.

Die Zugriffsrechte von Agenten sind oft umfassender als die eines einzelnen menschlichen Benutzers, und sie sind kontinuierlich aktiv und nicht nur während festgelegter Arbeitszeiten. Erschwerend kommt hinzu, dass sich Benutzer häufig über APIs authentifizieren, die Endpunktmanagement-, Identitäts- und Geschäftsanwendungssysteme miteinander verbinden, was bedeutet, dass ein einziges kompromittiertes Dienstkonto gleichzeitig mehrere Integrationsschichten durchqueren kann. Die meisten Frameworks für die Verwaltung privilegierter Zugriffe (PAM) wurden nicht für die Bewältigung dieses Musters konzipiert.

Diese Risiken werden in fragmentierten Umgebungen häufig noch verstärkt. Wenn Agenten auf unterschiedliche Datenquellen, Steuerungsebenen und Ausführungssysteme zurückgreifen, wird es schwierig, eine einheitliche Überwachung und die Durchsetzung von Richtlinien aufrechtzuerhalten. Ein einheitlicheres Daten- und Ausführungsmodell kann diese blinden Flecken verringern, indem es sicherstellt, dass Entscheidungen, Maßnahmen und Überwachung stets auf derselben verlässlichen Datenquelle basieren.

Datenzugriff über Systemgrenzen hinweg

Agenten, die Daten aus mehreren Datenquellen abfragen, um Entscheidungen zu untermauern, durchlaufen Datenumgebungen auf eine Weise, die Herausforderungen hinsichtlich der Transparenz mit sich bringt. Eine einzelne Abfrage eines Agenten kann Daten aus der Endpunkt-Telemetrie, Identitätssystemen, Business-Intelligence-Plattformen und Geschäftsanwendungen umfassen.

Da die Mitarbeiter Abfragen über diese Quellen hinweg eigenständig verketten können, ist der gesamte Umfang der Daten, auf die zugegriffen wurde, um eine Entscheidung zu treffen, möglicherweise in keinem einzelnen Zugriffsprotokoll eines Systems ersichtlich. Die herkömmliche Protokollierung des Datenzugriffs, die auf die Transparenz auf Anwendungsebene ausgelegt ist, liefert möglicherweise kein vollständiges Bild davon, auf welche Daten ein Mitarbeiter zugegriffen hat, um eine Entscheidung zu treffen.

Die zunehmende Verbreitung von KI-Tools auf den Endgeräten

Eine Lücke in der Unternehmensführung, die weniger Beachtung findet als die unkontrollierte Zunahme von Zugangsdaten oder der Datenzugriff, ist einfacher und unmittelbarer: Die meisten Organisationen verfügen nicht über eine genaue Bestandsaufnahme darüber, welche KI-Tools bereits in ihrer Endgeräteumgebung im Einsatz sind. Lokale große Sprachmodelle, MCP-Server, KI-Modelldateien und KI-Anwendungen von Drittanbietern können auf Endgeräten installiert und ausgeführt werden, bevor IT- oder Sicherheitsteams davon Kenntnis erlangen. Ohne dieses Bestandsverzeichnis können die Governance-Richtlinien nicht durchgesetzt werden.

Dies ist kein zukünftiges Risiko. Da sich KI-Tools auf der Ebene der Entwickler und Power-User zunehmend verbreiten, erweitert sich die Angriffsfläche für KI auf den Endgeräten unabhängig von genehmigten Bereitstellungen. Governance-Programme, die sich ausschließlich auf genehmigte Agent-Pipelines konzentrieren, werden die Risiken übersehen, die durch parallel dazu laufende, nicht genehmigte KI entstehen.

Auswirkungen auf Unternehmen: Die unkontrollierte Verbreitung von KI-Tools und die unkontrollierte Verbreitung von Zugangsdaten verstärken sich gegenseitig. Prüfen Sie, ob Ihre SIEM-Erkennungsregeln Agent-Dienstkonten ebenso gründlich abdecken wie Benutzerkonten und ob Ihr Endpunkt-Inventar nun neben herkömmlicher Software auch KI-spezifische Artefakte erfasst. Wenn von Agenten ausgelöste Konfigurationsänderungen keine Warnmeldungen auslösen, liegt eine Erkennungslücke vor.

Aktuelle Entwicklungen bei Vorschriften und Standards, die den Einsatz agentischer KI prägen

Die rechtlichen Rahmenbedingungen holen bei den Fähigkeiten der agentenbasierten KI auf, und die Phase der Durchsetzung beginnt.

Meilensteine bei der Umsetzung des EU-KI-Gesetzes

Das risikobasierte Regelwerk des EU-KI-Gesetzes „ “ kann auf KI-Systeme angewendet werden, die in den erfassten Bereichen wie kritische Infrastrukturen und Beschäftigung zum Einsatz kommen; dabei spielt jedoch der Zeitpunkt eine entscheidende Rolle. Das Gesetz trat im Jahr 2024 in Kraft, und einige Bestimmungen traten im Jahr 2025 in Kraft. Für KI-Systeme mit hohem Risiko sollen die für die Unternehmensführung besonders relevanten Verpflichtungen hinsichtlich der Bereitstellung und Protokollierung derzeit ab dem 2. August 2026 gelten.

Am 7. Mai 2026 erzielten die EU-Gesetzgeber eine politische Einigung über das „Digital Omnibus“-Paket, das eine 16-monatige Aufschiebung für neue oder wesentlich geänderte KI-Systeme mit hohem Risiko vorsieht, die in Anhang III aufgeführt sind. Die formelle Verabschiedung steht noch aus. Bis zum Inkrafttreten des Gesetzes sollten Organisationen den August 2026 als maßgeblichen Planungsstichtag betrachten und den „Digital Omnibus“-Prozess im Hinblick auf Aktualisierungen verfolgen.

Für Teams, die in den hier behandelten Hochrisikofällen tätig sind, lautet die genauere kurzfristige Erkenntnis wie folgt:

• Protokollierung und Aufbewahrung: Stellen Sie sicher, dass das System Protokolle erstellen kann und dass die für die Bereitstellung Verantwortlichen diese Protokolle unter ihrer Kontrolle für den erforderlichen Zeitraum aufbewahren können.
• Menschliche Aufsicht: Bestimmen Sie verantwortliche Mitarbeiter und legen Sie fest, wie die Aufsicht während der Nutzung ausgeübt wird
• Anwendungsfall- und Risikoprüfung: Bitte prüfen Sie, ob die Bereitstellung in eine Kategorie mit hohem Risiko fällt und ob vor der produktiven Nutzung zusätzliche Verpflichtungen gelten.

Aktualisierungen des NIST AI RMF für autonome Systeme

Das Rahmenwerk für das KI-Risikomanagement des National Institute of Standards and Technology (NIST) ist nach wie vor das wichtigste freiwillige Rahmenwerk, das viele Organisationen als Leitfaden für die KI-Governance nutzen. Das NIST hat seine Leitlinien durch Ressourcen wie das „AI RMF Playbook“ und Profile zu generativer KI erweitert, wobei der Schwerpunkt zunehmend darauf liegt, wie sich KI-Systeme in Produktionsumgebungen verhalten.

Für Teams, die agentenbasierte Systeme einsetzen, geht der praktische Trend in Richtung einer kontinuierlichen Überwachung. Bei der Governance geht es nicht nur um Tests vor der Bereitstellung. Dies erfordert eine kontinuierliche Überwachung dessen, wie sich die Agenten verhalten, auf welche Daten sie sich stützen und wie sich Entscheidungen im Laufe der Zeit in Handlungen umsetzen.

Dazu gehört die Dokumentation der Datenquellen und Datenpipelines, auf deren Grundlage die Agenten ihre Entscheidungen treffen, insbesondere in Umgebungen, in denen die Agenten Live-Systeme statt statischer Datensätze abfragen.

Für Organisationen, die NIST als Grundlage nutzen, verlagert sich der Schwerpunkt von „Testen vor der Bereitstellung“ hin zu „Überwachen und Validieren nach der Bereitstellung“.

Auswirkungen auf das Unternehmen: Falls Ihre Bereitstellung Maßnahmen mit erheblichen Auswirkungen automatisiert, sollten Sie bereits jetzt Rollback-Verfahren, Genehmigungsstufen und Eskalationswege dokumentieren. Selbst dort, wo die Vorschriften „Bereitstellungsringe“ nicht ausdrücklich vorschreiben, stellt das kontrollierte Rollback eine zentrale betriebliche Sicherheitsmaßnahme dar und ist ein wichtiger Faktor für die Nachvollziehbarkeit.

So beurteilen Sie, ob Ihr Governance-Rahmen mit der Entwicklung Schritt gehalten hat

Angesichts der oben beschriebenen Entwicklungen können IT- und Sicherheitsteams ihre derzeitige Governance-Situation anhand spezifischer Kriterien bewerten.

Wenn Organisationen diese Kriterien bewerten, wird deutlich, dass sich Governance nicht mehr auf statische Richtlinienfestlegungen beschränkt. Dies hängt davon ab, wie Entscheidungen zur Laufzeit getroffen werden, wie Maßnahmen systemübergreifend ausgeführt werden und wie die Ergebnisse überwacht und validiert werden.

[Erfahren Sie, wie KI die Cybersicherheit neu gestaltet – von der schnelleren Erkennung und Abwehr von Bedrohungen bis hin zu den Risiken, die entstehen, wenn Angreifer dieselben Fähigkeiten nutzen]

Bevor Sie die einzelnen Kriterien durchgehen, legen Sie Basiskennzahlen für Ihren aktuellen Agenteneinsatz fest: Wie viele Agent-Service-Konten sind aktiv, wie viele Berechtigungen auf Workflow-Ebene wurden erteilt und wie viele von Agenten initiierte Konfigurationsänderungen fanden in den letzten 30 Tagen statt? Ohne diese Ausgangswerte lassen sich die nachstehenden Bewertungskriterien nur schwer umsetzen:

• Aktualität der Entscheidungsdaten: Der entscheidende Aspekt ist, ob die Daten, auf denen die Entscheidungen des Agenten basieren, für die durchzuführende Maßnahme ausreichend aktuell sind. In schnelllebigen Umgebungen können bereits kurze Verzögerungen zwischen der Datenerfassung und der Ausführung durch den Agenten zu fehlerhaften oder unnötigen Korrekturmaßnahmen führen, insbesondere wenn keine Person die Entscheidungen in Echtzeit überprüft. Die Überprüfung der tatsächlichen Verzögerung zwischen der Aktualität der Daten und der Reaktion des Agenten ist ein konkreter Schritt, den die meisten Teams noch nicht unternommen haben.
• Steuerungsmechanismen und menschliche Kontrolle: Die praktische Frage geht über die bloße Existenz von Genehmigungsgrenzen hinaus und betrifft vielmehr, ob diese zum Zeitpunkt der Ausführung konsequent durchgesetzt werden. Viele Organisationen verfügen über informelle oder nur teilweise umgesetzte Genehmigungsmodelle, die die Handlungsmöglichkeiten eines Bearbeiters nach dem Start eines Arbeitsablaufs nicht vollständig einschränken.
• Integration: Bei Integrationsherausforderungen geht es oft weniger um die Konnektivität als vielmehr um die Konsistenz. Wenn mehrere Systeme in die Arbeitsabläufe der Bearbeiter eingebunden sind, können Unterschiede bei den Datenmodellen, Zugriffskontrollen und Protokollierungen zu Lücken in der Transparenz führen und es erschweren, nachzuvollziehen, wie Entscheidungen in konkrete Maßnahmen umgesetzt werden.
• Schrittweise Einführung und stufenweise Bereitstellung: Da die Agenten nun beginnen, Änderungen direkt umzusetzen, wird die Bereitstellungsstrategie zu einem Bestandteil der Governance. Schrittweise Einführungen, eine stufenweise Umsetzung und dokumentierte Fortschrittskriterien können als Sicherheitsmaßnahmen dienen, die die Auswirkungen falscher Entscheidungen begrenzen. In diesem Modell ist die Gestaltung der schrittweisen Einführung nicht nur eine betriebliche Angelegenheit, sondern auch ein Steuerungsmechanismus.

Ein Aspekt, der bei jeder Plattform geprüft werden sollte, ist die Frage, ob ein Rollback von einem Benutzer ausgelöst werden muss oder ob das System den Rollback automatisch auslösen kann, wenn die Ausführung die Validierung nicht besteht. Das automatische Rollback im Fehlerfall stellt eine qualitativ andere Kontrollmaßnahme im Rahmen der Unternehmensführung dar. Es verkürzt die Zeitspanne zwischen einer fehlgeschlagenen Aktion und einer menschlichen Reaktion, was insbesondere in Umgebungen von entscheidender Bedeutung ist, in denen Akteure Änderungen zügig und in großem Umfang umsetzen.

[Erfahren Sie, warum die Regulierung agenter KI mehr erfordert als bloße Zugriffskontrollen und wie man autonome Systeme so gestaltet, dass sie der Rechenschaftspflicht unterliegen, bevor deren unkontrollierte Ausbreitung zu einem Risiko wird]

Einige Plattformen beginnen zudem damit, Vertrauenssignale einzuführen, die mit Empfehlungen und automatisierten Aktionen verknüpft sind. Anhand dieser Signale können Teams entscheiden, wann eine vollautomatische Ausführung zulässig ist und wann eine zusätzliche Überprüfung durch den Menschen erforderlich ist. Auch wenn sie noch nicht standardisiert sind, entwickeln sich vertrauensbasierte Kontrollmechanismen zunehmend zu einer Möglichkeit, das Verhalten von Agenten vorhersehbarer und besser überprüfbar zu machen.

Was IT- und Sicherheitsteams in den nächsten 90 Tagen priorisieren können

Angesichts der in diesem Leitfaden behandelten Entwicklungen finden Sie im Folgenden konkrete Maßnahmen, die IT- und Sicherheitsteams in naher Zukunft ergreifen können. Diese sieben Maßnahmen sind taktischer Natur, sollten jedoch auch als Grundlage für eine umfassendere Überprüfung der KI-Strategie dienen.

1. Überprüfen Sie die Berechtigungsbereiche der Audit-Agenten anhand der IAM-Richtlinien. Bitte prüfen Sie, welche Berechtigungen auf Workflow-Ebene nun von autonomen ERP- und Endpunkt-Agenten benötigt werden. Die meisten IAM-Konfigurationen beziehen sich auf den Datenzugriff und nicht auf die Einleitung von Arbeitsabläufen.
2. Überprüfen Sie die SIEM-Erkennungsregeln für die Dienstkonten der Agenten. Wenn Erkennungsregeln auf Benutzerkonten beschränkt sind, führen vom Agenten ausgelöste Konfigurationsänderungen möglicherweise nicht zur Generierung von Warnmeldungen.
3. Dokumentieren Sie Rücknahmeverfahren, Genehmigungsstufen und Eskalationswege für Arbeitsabläufe von Sachbearbeitern mit erheblichen Auswirkungen. Eine kontrollierte Einführung und Rücknahme sind zentrale betriebliche Sicherheitsvorkehrungen, unabhängig von regulatorischen Anforderungen, und bei Einsätzen, die unter die Bestimmungen des EU-KI-Gesetzes für Systeme mit hohem Risiko fallen, tragen sie unmittelbar zur Nachvollziehbarkeit der Dokumentation bei, die diese Verpflichtungen erfordern.
4. Bewerten Sie die Überwachungsabdeckung bei der Übergabe zwischen Agenten. Wenn Sie Multi-Agent-Workflows ausführen, prüfen Sie, ob Observability-Tools die Kontextübergabe zwischen den Agenten nachverfolgen können.
5. Überprüfen Sie die Annahmen zur Aktualität der Daten für die Entscheidungen der Bearbeiter. Bei jedem Agenten, der autonome Entscheidungen auf der Grundlage des Endpunkt- oder Systemzustands trifft, sollten Sie überprüfen, wie aktuell diese Daten tatsächlich sind.
6. Ermitteln Sie, an welchen Stellen die Workflows vom Erkenntnisgewinn bis zur Umsetzung die Grenzen zwischen den einzelnen Tools überschreiten. Falls mehrere Systeme an der Ermittlung, Entscheidungsfindung und Ausführung beteiligt sind, klären Sie bitte, wie diese Übergänge geregelt, protokolliert und überwacht werden.
7. Erfassen Sie die Identitäten der Agenten und der Dienstkonten. Dokumentieren Sie, welche Agenten welche Tools unter welchen Anmeldedaten und mit welchen Genehmigungen oder RBAC-Einschränkungen aufrufen dürfen. Dies ist oft der schnellste Weg, um zu weit gefasste Zugriffsrechte aufzudecken, bevor sie zu einem Governance-Problem werden.

[Erfahren Sie, wie sich Bedrohungen durch agentenbasierte KI auf Endgeräten konkretisieren und welche Kontrollmaßnahmen Sicherheitsteams benötigen, bevor sie autonome Agenten in der Produktion einsetzen]

Falls die Dokumentation zur KI-Governance Ihres Unternehmens verfasst wurde, bevor agentische Funktionen in die Standard-Plattformstufen aufgenommen wurden, berücksichtigt sie wahrscheinlich weder Berechtigungen auf Workflow-Ebene noch die Übergabe zwischen mehreren Agenten noch die Dokumentationsanforderungen des EU-KI-Gesetzes – allesamt Aspekte, die mittlerweile operative Belange und keine zukünftigen Überlegungen mehr darstellen.

Insgesamt verdeutlichen diese Lücken eine umfassendere Herausforderung: Governance ist nicht mehr nur eine politische Aufgabe. Dies hängt davon ab, dass genaue und aktuelle Daten vorliegen, dass die Fähigkeit besteht, auf der Grundlage dieser Daten im Rahmen kontrollierter Arbeitsabläufe zu handeln, und dass die Transparenz gegeben ist, um in Echtzeit zu verstehen, was autonome Systeme in der gesamten Umgebung tun.

Wie Tanium die Steuerung agentenbasierter KI unterstützt

Die „ “ Tanium Autonomous IT Platform bietet Echtzeit-Endpunktinformationen und eine geregelte Ausführung für den IT- und Sicherheitsbetrieb und stellt damit die Daten- und Steuerungsebene bereit, auf der KI-gestützte und agentenbasierte Arbeitsabläufe beruhen.

Diese Grundlage vereint Echtzeit-Endpunktdaten mit der patentierten „Linear Chain Architecture“ von Tanium sowie Zuverlässigkeits- und Risikobewertungen, eine schrittweise, ringbasierte Bereitstellung und umfassende Integrationen. Auf dieser Grundlage bietet Tanium darüber hinaus Abfragen in natürlicher Sprache, agentenbasierte Arbeitsabläufe mit „Human-in-the-Loop“-Kontrollen sowie eine zentralisierte Überwachung autonomer Aktivitäten.

Tanium Atlas, das autonome Betriebssystem, vereint diese Grundlagen zu einer einheitlichen, geregelten Umgebung, in der Intelligenz, Steuerung und Ausführung innerhalb desselben Arbeitsablaufs zusammenwirken. Da sich das Ökosystem der agentenbasierten KI ständig weiterentwickelt, baut Tanium diese Grundlage weiter aus, damit Unternehmen auch bei zunehmender Autonomie der Systeme den Überblick behalten, Governance-Maßnahmen durchsetzen und sicher handeln können.

Die Wirksamkeit agentischer KI im IT- und Sicherheitsbetrieb hängt weniger von der Komplexität des Modells ab als vielmehr davon, wie sicher es innerhalb festgelegter Rahmenbedingungen von der Erkenntnis zum Handeln übergehen kann. Systeme, die Echtzeitdaten, eine kontrollierte Ausführung und beobachtbare Ergebnisse in einem einzigen Arbeitsablauf miteinander verknüpfen, sind besser geeignet, eine sichere und skalierbare Automatisierung zu unterstützen.

• Echtzeit-Endpunktdaten helfen Teams dabei, KI-gestützte Entscheidungen auf den aktuellen Gerätestatus abzustimmen. Tanium Ask nutzt Interaktionen in natürlicher Sprache, um Erkenntnisse zu gewinnen und Untersuchungen zu unterstützen. Darüber hinaus setzt der „ “ Tanium Ask Agent dies in die Praxis um, indem er automatisierte Workflows mit menschlicher Einbindung für die Datenermittlung, das Software-Management und vieles mehr unterstützt.
• Bei sensiblen Vorgängen sind „Human-in-the-Loop“-Steuerungen integriert. Tanium Ask Agent gewährleistet eine durchgängige menschliche Kontrolle während der gesamten agentenbasierten Arbeitsabläufe und verlangt eine Bestätigung vor der Durchführung von Aktionen, die sich direkt auf Endgeräte oder Tanium-Konfigurationen auswirken. Administratoren können Änderungen überwachen, genehmigen und rückgängig machen, sodass die Teams stets die Kontrolle darüber behalten, was die Plattform in ihrem Namen tut.
• Die Konfidenzbewertung unterstützt die kontrollierte Einführung automatisierter Änderungen. Die schrittweise Bereitstellung mithilfe der Zuverlässigkeitsbewertungen von „ “ ( ) bietet Unternehmen die Möglichkeit, Änderungen stufenweise einzuführen und mögliche Auswirkungen vor der flächendeckenden Umsetzung zu bewerten.
• Die zentralisierte Überwachung autonomer Aktivitäten bietet eine einheitliche Governance-Ebene. Tanium Action Oversight bietet eine kontinuierliche Systemberichterstattung und Transparenz hinsichtlich des aktuellen Status autonomer Aktivitäten plattformweit. Anstatt sich auf einzelne Modulprotokolle oder eine Ad-hoc-Überwachung zu verlassen, ist jedes System in diese zentralisierte Governance-Komponente eingebunden, wodurch IT- und Sicherheitsteams einen einheitlichen Überblick darüber erhalten, welche Aktivitäten die Plattform autonom durchführt, in welchem Umfang und unter welchen Bedingungen.
• Die auf Playbooks basierende Orchestrierung unterstützt kontrollierte, wiederholbare Arbeitsabläufe. Tanium Automate ermöglicht es Teams, Playbooks zu erstellen, die Aktionen zu logischen, wiederholbaren Abläufen verknüpfen – und zwar mit wenig bis gar keinem Programmieraufwand –, um gängige Aufgaben wie die Installation von Patches, die Behebung von Sicherheitslücken und die Bereitstellung von Anwendungen zu automatisieren. Durch schrittweise Einführungen und eine in den Arbeitsablauf integrierte Benutzerüberwachung können Teams die Auswirkungen von Fehlern begrenzen und steuern, wie sich die Automatisierung über die Produktionsumgebungen hinweg skaliert.
• Ein proaktives Schwachstellenmanagement trägt dazu bei, nachgelagerte Risiken in automatisierten Umgebungen zu reduzieren. Tanium Guardian benachrichtigt Teams automatisch über neu auftretende Probleme, einschließlich Zero-Day-Schwachstellen, und gibt Empfehlungen für Maßnahmen durch die Administratoren. Die Inhalte und Erkenntnisse von Guardian werden vom Vulnerability Emergency Response Team (VERT) von Tanium erstellt, einer von Tanium geleiteten Zusammenarbeit zwischen Sicherheitsexperten von Tanium, Branchenpartnern und Kunden.
• Ein einheitlicher IT- und Sicherheitsbetrieb kann Überwachungslücken verringern. Tanium Threat Response überwacht Endgeräteaktivitäten in Echtzeit, unterstützt die Bedrohungssuche und nutzt Tanium Signals zur kontinuierlichen Erkennung und Alarmierung. Da die Untersuchung und die Reaktion auf derselben Plattform ablaufen, können Teams Erkennungsregeln erstellen und optimieren, ohne den Kontext oder das Tool wechseln zu müssen.

Dieser Ansatz spiegelt den operativen Vorteil wider, die Governance auf der Daten- und der Ausführungsebene gemeinsam anzugehen. Ein durchgängiger Ansatz, der die Echtzeit-Datenerfassung, die kontrollierte Ausführung von Arbeitsabläufen, die Erstellung von Prüfpfaden und eine einheitliche Erkennung umfasst, ist das Unterscheidungsmerkmal zwischen Governance-Rahmenwerken, die mit agentenbasierter KI skalierbar sind, und solchen, die mit zunehmender Funktionsfähigkeit der Agenten neue blinde Flecken schaffen.

Wenn Agenten auf der Grundlage des aktuellen Endpunktstatus arbeiten, im Rahmen nachverfolgbarer Arbeitsabläufe agieren und Warnmeldungen durch eine einheitliche Erfassungsabdeckung auslösen, lässt sich die Überwachungslücke, die agentenbasierte KI risikobehaftet macht, aktiv angehen, anstatt sie einfach als gegeben hinzunehmen.

Mit der zunehmenden Verbreitung agentenbasierter KI in Endgeräteumgebungen verlagern sich die Herausforderungen hinsichtlich der Transparenz von Anwendungslisten hin zum Laufzeitverhalten, zu lokalen Modellen und zu eingebetteten Agenten-Frameworks. Dieses Video vermittelt einen praktischen Einblick, wie diese Risiken zutage treten und wie Teams damit beginnen können, sie mithilfe von Tanium zu kategorisieren und zu überwachen.

Häufig gestellte Fragen zum Fortschritt im Bereich der agentenbasierten KI

Sind Sie noch dabei, sich einen Überblick darüber zu verschaffen, was „agentische KI“ bedeutet und wie sie sich auf Ihre Umgebung auswirkt? Diese kurzen Antworten geben einen Überblick über die häufigsten Fragen, die sich Teams derzeit stellen, während sich die Funktionen weiterentwickeln und die Erwartungen an die Governance Schritt halten. Nutzen Sie diese Informationen, um zu verdeutlichen, was sich ändert, welche Auswirkungen dies auf Ihre Risikosituation hat und worauf Sie sich als Nächstes konzentrieren sollten.

Was gibt es Neues im Bereich der agentenbasierten KI?

Agentische KI entwickelt sich über die Chat-basierte Unterstützung hinaus hin zu Systemen, die planen, Werkzeuge einsetzen und mehrstufige Arbeitsabläufe ausführen können. Jüngste Produkteinführungen von Anbietern wie SAP, Microsoft, AWS und Oracle zeigen, dass Unternehmen mittlerweile über mehr Standardlösungen für die Entwicklung und Koordination von Agenten verfügen; die meisten Organisationen befinden sich jedoch noch in einer frühen Phase der Skalierung dieser Lösungen.

Warum scheitern so viele Initiativen im Bereich der agentenbasierten KI in der Praxis?

Viele Fehlschläge sind auf eine Lücke in der Governance zurückzuführen: Die Teams haben die Erwartungen hinsichtlich der Datenaktualität, die Genehmigungsgrenzen, die Identitätskontrollen und die Beobachtbarkeit noch nicht mit den tatsächlichen Möglichkeiten autonomer Arbeitsabläufe in der Produktion in Einklang gebracht. Die McKinsey-Umfrage „ November 2025 “ ( ) ergab, dass fast zwei Drittel der Befragten angaben, ihre Unternehmen hätten noch nicht damit begonnen, KI unternehmensweit einzuführen, was erklärt, warum die Begeisterung für KI-Agenten nach wie vor größer ist als die operative Reife.

Wie wirken sich Weiterentwicklungen im Bereich der agentenbasierten KI auf Entscheidungsprozesse aus?

Durch die jüngsten Plattformaktualisierungen haben die Agenten nun nicht mehr nur eine beratende, sondern auch eine ausführende Rolle übernommen, was bedeutet, dass sie nun Arbeitsabläufe initiieren und Konfigurationen ändern, ohne auf eine Genehmigung durch einen Menschen warten zu müssen. Dadurch ändert sich der Entscheidungsprozess von „Der Agent schlägt vor, der Mensch genehmigt“ zu „Der Agent handelt innerhalb festgelegter Parameter“. Für IT-Teams bedeutet dies, dass die Governance nun nicht nur die Zugriffskontrollen auf Datenebene, sondern auch Berechtigungen auf Workflow-Ebene berücksichtigen muss und dass Überwachungstools von Agenten ausgelöste Aktionen ebenso gründlich erfassen müssen wie von Benutzern ausgelöste.

Hat die agentische KI eine Zukunft?

Agentic AI adoption is accelerating, with nearly 70% of enterprises in Team8's 2025 CISO Village Survey, a community of security leaders at large enterprises, reporting AI agents already in production. Diese Zahl spiegelt wahrscheinlich eher Vorreiter als den Durchschnitt der Unternehmen wider; Laut der McKinsey-Umfrage „ November 2025 “ befinden sich die meisten Unternehmen noch in einem frühen Stadium. Insgesamt deuten die Daten darauf hin, dass die Einführung zwar uneinheitlich verläuft, im oberen Marktsegment jedoch rasch voranschreitet.

Die Zukunft dieser Technologie hängt davon ab, ob die Regulierungsrahmen mit den Fähigkeiten der Agenten Schritt halten können. Die Organisationen, die dieses Ziel erreichen, werden diejenigen sein, die Governance nicht als politische Maßnahme, sondern als operative Disziplin betrachten, die von Anfang an in die Art und Weise eingebettet ist, wie Akteure eingesetzt, überwacht und eingeschränkt werden.

Während „ “-Tools wie ChatGPT vielen Organisationen einen ersten Einblick in KI-generierte Ergebnisse verschafft haben, stellen agentische Systeme eine grundlegend andere Kategorie dar: Sie reagieren nicht nur auf Anfragen, sondern leiten auch eigenständig Maßnahmen ein – und genau dieser Unterschied macht die Governance so entscheidend.

Unternehmen, die Lücken in der Transparenz frühzeitig beheben, sind in der Lage, den Einsatz agentischer KI mit Zuversicht auszuweiten. Unternehmen, die dies nicht tun, werden sich mit Vorfällen konfrontiert sehen, die durch klarere Abgrenzungen und bessere Endpunkt-Intelligenz hätten verhindert werden können.

Governance ist nicht mehr nur eine Frage der Richtlinien – sie hängt von der Verfügbarkeit präziser, aktueller Daten, der Fähigkeit, im Rahmen kontrollierter Arbeitsabläufe zu handeln, sowie der Transparenz ab, um in Echtzeit nachvollziehen zu können, was autonome Systeme tun.
Fordern Sie noch heute eine kostenlose, maßgeschneiderte Demo an unter , um zu erfahren, wie Tanium die Governance autonomer KI unterstützt. Hören Sie sich unseren Podcast „ “ unter an und folgen Sie Tanium auf , auf LinkedIn unter sowie in den sozialen Medien, um regelmäßig über die neuesten Entwicklungen in den Bereichen agentische KI-Governance, Endpunktsicherheit und Unternehmens-IT informiert zu bleiben.