Viele Teams starten Agentic-AI-Initiativen mit der falschen Kernfrage: "Welchen Agenten können wir bauen?"

Die bessere Frage lautet: "Welchen Job darf ein Agent zuverlässig, messbar und kontrollierbar übernehmen?"

Der Unterschied ist entscheidend. Ein Prompt beschreibt Verhalten. Ein Operating Model beschreibt Verantwortung. Wenn ein Agent Daten liest, Tools nutzt, Workflows ausführt oder Entscheidungen vorbereitet, braucht er mehr als gute Instruktionen. Er braucht Identität, Berechtigungen, Scope, Auditierbarkeit und Eskalationslogik.

Für Produktteams verschiebt sich damit die Arbeit. Agentic AI ist nicht nur ein Feature-Thema. Es ist Product Management, Platform Governance und Operating Model Design gleichzeitig.

Warum gute Prompts nicht reichen

Ein guter Prompt kann Ton, Ziel, Grenzen und Beispiele beschreiben. Aber er beantwortet nicht automatisch die harten Systemfragen:

• Auf welche Daten darf der Agent zugreifen?
• Welche Tools darf er ausführen?
• Welche Aktionen brauchen menschliche Freigabe?
• Welche Kosten darf ein Durchlauf verursachen?
• Welche Entscheidungen müssen nachvollziehbar dokumentiert werden?
• Wann muss der Agent stoppen?

Diese Fragen sind nicht kosmetisch. Sie entscheiden, ob ein Agent produktiv skalieren kann oder nur als beeindruckende Demo funktioniert.

Das eigentliche Risiko liegt nicht im Modell

Viele Risiken entstehen nicht, weil das Modell "dumm" ist. Sie entstehen, weil das System drumherum unklar ist.

Ein Agent mit zu breiten Berechtigungen kann falsche Daten lesen, falsche Aktionen ausführen oder Kosten erzeugen, die niemand geplant hat. Ein Agent ohne Audit kann zwar Arbeit erledigen, aber niemand kann später sauber erklären, warum. Ein Agent ohne Scope kann aus einer Assistenzfunktion schleichend zu einem operativen Akteur werden, ohne dass Produkt, Plattform oder Compliance darauf vorbereitet sind.

Das Problem ist also selten nur Modellqualität. Das Problem ist unklare Verantwortung.

Vier Fragen vor dem Rollout

Vor jedem ernsthaften Agenten-Rollout sollten Produktteams mindestens vier Fragen beantworten.

1. Identität: Wer handelt?

Ein Agent braucht eine eigene Identität im System. Nicht als Mensch, sondern als kontrollierbarer technischer Akteur. Ohne Identität gibt es keine saubere Rechteverwaltung, keine nachvollziehbaren Logs und keine klare Verantwortung.

2. Berechtigungen: Was darf der Agent?

Berechtigungen sollten jobbezogen sein, nicht bequem. Ein Support-Agent braucht andere Rechte als ein Research-Agent. Ein Agent, der Vorschläge macht, braucht andere Rechte als ein Agent, der Aktionen ausführt.

3. Scope: Wo endet Autonomie?

Scope definiert die Grenze zwischen automatisierter Arbeit und menschlicher Entscheidung. Gute Agentenprodukte machen diese Grenze sichtbar. Schlechte Agentenprodukte verstecken sie in Prompts.

4. Audit: Was ist später erklärbar?

Auditierbarkeit ist kein Enterprise-Extra. Sie ist Voraussetzung, wenn Agenten wiederholbar Arbeit erledigen sollen. Produktteams müssen klären, welche Inputs, Tool Calls, Entscheidungen, Kosten und Eskalationen dokumentiert werden.

Was das für Product Discovery bedeutet

Agentic Product Discovery sollte nicht mit Features starten, sondern mit Jobs und Risiken.

Gute Discovery-Fragen sind:

• Welcher wiederkehrende Job ist teuer, häufig oder fehleranfällig?
• Welcher Outcome ist eindeutig genug messbar?
• Welche Daten und Tools braucht der Agent wirklich?
• Welche Aktion darf der Agent ohne Freigabe ausführen?
• Welche Fehlentscheidung wäre kritisch?
• Welche Review-Quote ist wirtschaftlich tragbar?

Damit wird aus einer AI-Idee ein Produktmodell.

Was ARISE im Product Assessment prüft

Im Product Assessment für Agentic AI Operating Models prüfen wir gemeinsam, ob ein Agenten-Use-Case wirklich produktionsfähig ist.

Der Fokus liegt auf fünf Ergebnissen:

1. Ein klar definierter Job-to-be-done für den Agenten.

2. Ein messbarer Outcome mit Qualitäts- und Risikokriterien.

3. Ein Scope-Modell mit Grenzen, Freigaben und Eskalationen.

4. Ein Berechtigungs- und Audit-Konzept für Produkt- und Plattformteams.

5. Eine Roadmap, die nicht nur AI-Features liefert, sondern verantwortbare Workflow-Automatisierung aufbaut.

CTA

Wenn ihr Agenten in Produkt- oder Plattformprozesse bringt, prüft nicht nur die Modellfähigkeit.

Prüft die Betriebsfähigkeit.

ARISE hilft euch, Agenten nicht als Demo, sondern als kontrollierbares Arbeitssystem zu bauen: mit Product Assessment, Scope-Design, Governance-Fragen, Roadmap-Schärfung und Operating-Model-Review.

Nächster Schritt: Product Assessment für Agentic AI Operating Models.

‍