KI wird immer leistungsfähiger. Der Einsatz innerhalb eines Unternehmens wird dadurch jedoch nicht unbedingt einfacher.

Wenn Unternehmen über die Experimentierphase hinausgehen und KI in weitere Bereiche ihres Geschäfts integrieren, stoßen sie auf eine ganz eigene Reihe von Herausforderungen. Die Fragen drehen sich zunehmend darum, welche Modelle welche Aufgaben übernehmen sollen, ob die zugrunde liegenden Daten gut genug sind, worauf KI-Systeme zugreifen dürfen – und wer dies entscheidet –, und ob die bestehende Governance mithalten kann.

Mehrere Entwicklungen dieser Woche deuten auf dasselbe Fazit hin: Die nächste Phase der Unternehmens-KI hängt möglicherweise weniger vom Zugang zu den neuesten Modellen ab als davon, ob Unternehmen diese tatsächlich verwalten können.

Multi-Modell-Betrieb wird zum Standard

Unternehmen wählen nicht mehr einfach ein einzelnes KI-Modell aus. Sie betreiben mehrere Modelle mit jeweils unterschiedlichen Fähigkeiten, Kosten und Risiken. Das bedeutet, dass jemand entscheiden muss, welches Modell welche Aufgabe übernimmt – und wann diese Entscheidungen angepasst werden sollten.

Das Zahlungs- und Datenunternehmen Deluxe beispielsweise betreibt mehr als 50 KI-Agenten, deren Anfragen über ein zentrales Gateway an verschiedene Modelle weitergeleitet werden. Das Unternehmen berücksichtigt bei der Auswahl der Modelle Faktoren wie Qualität, Risiko, Geschwindigkeit und Kosten.

Das ist eine deutlich andere Herausforderung als die Wahl eines einzelnen KI-Anbieters. Je mehr Modelle Unternehmen hinzufügen, desto mehr wird die Modellauswahl selbst zu einer laufenden Operational-Funktion – aus einer periodischen Anbieterentscheidung wird wiederkehrende Arbeit: Anfragen weiterleiten, Ergebnisse vergleichen und diese Entscheidungen überprüfen, wenn sich Qualitäts-, Kosten- und Risikoprofile verschieben. (Verwandt: Gemini 3.8 Live Transforms Conversational AI.)

Datenqualität schwächt KI-Projekte weiterhin

Die Verwaltung der Modelle ist nur ein Teil des Problems. KI-Projekte stoßen auch auf eine vertraute Hürde im Unternehmen: schlechte oder fragmentierte Daten.

In einer aktuellen Collibra-Umfrage sagten 72 % der KI-Entscheider, dass eine schlechte Datenbasis die Ursache war, wenn KI-Initiativen im Unternehmen scheiterten. Die Zahl erinnert daran, dass das Problem bei stagnierenden KI-Initiativen oft schon vor dem Modell liegt: in den Daten, die dieses speisen.

Governance hinkt der agentenbasierten KI hinterher

Die operativen Fragen enden nicht bei den Daten. Unternehmen verfügen möglicherweise über KI-Governance-Richtlinien, doch ihre Strategien sehen agentspezifische Systeme möglicherweise nicht vor.

Ein am Dienstag veröffentlichter EY-Bericht ergab, dass fast sechs von zehn Befragten in Organisationen, die agentenbasierte KI einsetzen, der Ansicht waren, dass nach dem Einsatz keine einzelne Gruppe die Agenten überwachte. Fast die Hälfte sagte, ihre Governance-Frameworks seien nicht an agentspezifische Risiken angepasst worden, während vier von zehn keinen Überblick über alle KI-Tools in ihren Netzwerken hatten.

Das ist ebenso eine operationale wie eine Governance-Lücke. Unternehmen können KI-Systeme nicht effektiv verwalten, wenn sie nicht wissen, was läuft oder wer für die Aufsicht verantwortlich ist. Die Ergebnisse lassen Organisationen mit zwei unmittelbaren Fragen zurück: Wer trägt nach dem Livegang der Agenten die Verantwortung für deren Überwachung, und wie lässt sich ein vollständiges Bild der bereits im Netzwerk laufenden KI-Tools erstellen?

Die organisatorische Herausforderung

Ein leistungsfähigeres Modell wird keines dieser Probleme lösen. Sie erfordern, dass Unternehmen Entscheidungen über Architektur, Daten, Verantwortlichkeit und Aufsicht treffen, während KI in immer mehr Bereiche des Geschäfts eingebettet wird.

Der schwierige Teil der UnternehmensI dürfte nicht mehr der Zugang zu leistungsfähiger Technologie sein. Es geht darum, eine Organisation aufzubauen, die sie betreiben kann – und die zu beobachtenden Indikatoren sind interne: Datenvorbereitung, Governance-Abdeckung und klare Verantwortungslinien. (Verwandt: Calls for AI slowdown raise new challenges for open-weight models.)

Auch diese Woche in den KI-Nachrichten

• AI Is Now Leading Driver of New Cybersecurity Spending: Sieben von zehn CISOs stufen KI mittlerweile als ihre oberste Priorität für neue Cybersicherheit-Ausgaben ein, insbesondere für Sicherheitsautomatisierung sowie Identity- und Access-Management.
• Altman, Amodei Talk AI Pacing at Dreamforce: Die KI-Laboreleiter nutzten Salesforces Dreamforce-Konferenz, um über eine Verlangsamung des Tempos der Frontier-KI-Entwicklung zu sprechen, während die Sorge wächst, dass Fähigkeiten schneller voranschreiten als Schutzmaßnahmen.
• Gemini 3.8 Live Transforms Conversational AI: Das neue Google-Modell ergänzt Echtzeit-Denkleistungen, Tool-Nutzung und visuelle Verarbeitung bei gleichzeitiger Aufrechterhaltung natürlicher Sprachinteraktionen.
• Calls for AI Slowdown Raise New Challenges for Open-Weight Models: Aufrufe zur Verlangsamung der Frontier-KI-Entwicklung könnten neue Herausforderungen für Open-Weight-Modelle schaffen und Unternehmen potenziell mehr Verantwortung für Tests, Überwachung und Governance überlassen.
• AI Panic Is Giving CIOs a New Trust Problem: Die wachsende Angst rund um KI stellt CIOs vor eine neue Herausforderung, wenn sie organisatorisches Vertrauen in Unternehmens-Deployments aufbauen wollen, ohne berechtigte Bedenken gegenüber der Technologie herunterzuspielen.
• 'We're Going to Stop Talking About AI,' and Other Industrial Predictions: Fertigungsunternehmen erwarten, dass KI weniger eine eigenständige Initiative bleibt und stärker in den Alltag der Abläufe eingebettet wird. (Verwandt: AI changes the ROI equation. Here's how some have found success.)
  -AI Makes a Mess of the Tech Job Market**: KI verändert den Tech-Arbeitsmarkt: Eine Analyse von fast 50.000 Ingenieurs-Stellenausschreibungen zeigt sich verschiebende Skill-Anforderungen und eine wachsende Zahl spezialisierter Rollen.

Über die Autorin

Liz Hughes ist eine preisgekrönte Editorial- und Content-Strategin mit jahrzehntelanger Erfahrung in Newsroom-Verlagen, digitalen Medien und Executive Communication. Zuletzt war sie Redakteurin von AI Business und IoT World Today und leitete dort die Editorial-Strategie, die tägliche Berichterstattung sowie Newsletter mit mehr als 1 Million Lesern pro Monat. Ihre Arbeit konzentriert sich auf KI und neue Technologien mit dem Schwerpunkt, reale Adaption von Hype zu unterscheiden; sie hat über generative KI, Robotik, autonome Systeme und Unternehmens­technologie berichtet. Hughes ist auch Gründerin von LTH Media, einer strategischen Editorial-Praxis, und schreibt weiterhin für führende Tech- und Wirtschaftspublikationen.

Dieser Artikel von der freien Autorin Liz Hughes erschien ursprünglich am 18. September 2026 auf AI Business.