Ann Maya, Global Head of Strategic Projects bei Boomi (Bild: 2026 Boomi, LP)
Vier bis fünf neue AI-Frontier-Modelle werden in einer einzigen Woche veröffentlicht, und diese Zahl steigt weiter. Ein verschärfter Wettbewerb, Innovationen bei Hardware und Inferenz-Training sowie das Aufkommen günstigerer, sehr leistungsfähiger Open-Weight-Modelle drücken die Token-Preise nach unten – tatsächlich um 90 Prozent seit 2021. Aber warum steigen dann die Kosten für agentenbasierte KI?
Das liegt an einem Prinzip namens Jevons-Paradoxon. Je günstiger der Stückpreis, desto höher die Nutzung. Günstigere Token haben die Ausgaben nicht gesenkt; sie haben agentenbasierte Workflows vielmehr erst praktikabel gemacht, und eine einzige agentenbasierte Aufgabe kann 10- bis 50-mal so viele Token verbrauchen wie eine einzelne Chat-Interaktion. Die Lektion lautet nicht, dass KI teurer geworden ist. Sie lautet, dass weniger Leute auf den Kostenzähler geschaut haben.
Ein Blick auf einige reale Agenten-Szenarien verdeutlicht die Herausforderung: Der Onboarding-Agent von SPIE Nederland löst 60 Prozent der Service-Desk-Anfragen ohne Eskalation, was den IT- und Service-Desk-Teams etwa 30 Minuten pro Tag erspart. Die Culina Group reduzierte die Incident-Triage von stundenlanger E-Mail-Ketten-Archäologie auf 35 Sekunden. Diese Ergebnisse stammen von Agenten, die auf die richtigen Systeme zugreifen konnten – innerhalb von Systemgrenzen, die auch tatsächlich durchgesetzt wurden und transparent waren. Sie werden mit kuratierten Unternehmensdaten direkt aus den führenden Systemen (Systems of Record) gespeist. Mit zunehmender Skalierung und Nutzung möchten die Entwickler der Agenten möglicherweise mehrere Modelle austauschen oder parallel einsetzen, dies ist möglich, weil sie Teil eines modularen Systems sind. Sie können problemlos mit zukünftigen Agenten und/oder anderen deterministischen Prozessen zusammenarbeiten.
Da der Einsatz von Enterprise-Agenten steigt, rücken die Gesamtbetriebskosten dieser Agentensysteme stärker in den Fokus. Hier kommt das Model Routing ins Spiel. Routing ist ein echter Kostenhebel. Unternehmen können signifikante Einsparungen erzielen, indem sie den Großteil der Routineanfragen (wie Support-Triage) an kleinere, günstigere Modelle weiterleiten und die Frontier-Modelle für den schwierigeren, risikoreicheren Teil der Arbeit reservieren.
Angesichts immer kürzerer Release-Zyklen bei Modellen lässt sich beobachten, dass jedes größere Update die Rangliste der Leistungsfähigkeit – wenn auch nur kurzzeitig – neu mischt, bevor das nächste Modell erscheint. Das bedeutet, dass Routing mehr ist als nur reine Kosteneinsparung; es ist eine der effektivsten Methoden, um das Beste aus den Modellen herauszuholen, indem die richtige Aufgabe an das richtige Modell gesendet wird. Modell- und Aufgaben-Routing sind somit zu einem Teil des architektonischen Vorteils geworden.
Viele Organisationen möchten außerdem nicht, dass ihre Daten für das Training eines öffentlichen Modells verwendet werden. Mit der Nutzung eines internen Open-Weight-Modells lässt sich die Kontrolle über das kollektive Wissen in der eigenen Umgebung halten.
Multi-Agenten-Ökosysteme, ob mit interner oder externer Reichweite, sind bereits Realität. Ein einzelnes Modell, eine einzige Laufzeitumgebung oder eine einzige Routing-Technologie ist nicht zwingend die richtige Wahl für jeden Workload. Daher ist es wichtig, bei Bedarf problemlos Änderungen vornehmen zu können. Genau wie Unternehmen mit einer Vielzahl von Anwendungen, Clouds, APIs und Datenumgebungen arbeiten, werden auch ihre KI-Umgebungen heterogen sein. Es ist für den Erfolg von KI-Initiativen entscheidend, dass Unternehmen ihre Wahlfreiheit behalten.
Composability auf der Agenten-Ebene wird die schnellen Innovatoren von der Masse abheben, doch das hängt davon ab, was sich auf der darunterliegenden Ebene befindet. KI-Agenten sollten Teil einer neutralen, integrierten Plattform sein, die kritische Systeme verbinden, Daten und Ressourcen in einer vertrauenswürdigen Kontextebene bündeln und bereinigen kann, um dann den entsprechenden Zugriff auf Tools und Ereignis-Trigger genau dort sicherzustellen, wo sie benötigt werden. Produktivität ist dezentralisiert, weshalb eine zentrale Kontrolle erforderlich ist.
Lösungsansatz: Infrastruktur und AI Gateways
Unternehmen benötigen eine Grundlage, um den Entscheidungen und Aktionen von Modellen und Agenten vertrauen zu können. Darüber hinaus benötigen sie eine Überprüfbarkeit dieser Aktivitäten und der damit verbundenen Kosten. Beides erfordert eine zentrale Governance, Überwachung und Kontrolle. AI Gateways bieten die Antwort auf beide Herausforderungen, die sich gegenseitig verstärken. Erstens können Agenten oft nicht auf die Unternehmenssysteme zugreifen, die sie benötigen, um nützlich zu sein. Zweitens hat die IT nur begrenzte Kontrolle über die bestehenden Zugriffe. Zusammen bereiten diese Aspekte Organisationen Probleme, die gerade erst am Anfang ihrer KI-Transformation stehen. Die Anzahl der Agenten wächst schneller als die Schutzmechanismen, die sie kontrollieren sollen. Es bedarf einer Governance, die auf jeder Ebene des KI-Stacks verankert ist. Das Management der Total Cost of Ownership und die Bewertung des ROI sind sehr schwierig ohne eine Möglichkeit, den Wert der Aktivitäten im Verhältnis zu Nutzung und Identitäten zu messen, zu verfolgen und abzustimmen.
Anbieter wie Boomi schließen diese Lücke mit Technologien, die zwischen den Agenten und den von ihnen genutzten Systemen sitzen. Diese wenden direkt integrierte (out of the box) Richtlinien und Sicherheitskontrollen an, anstatt dass Organisationen eine Governance-Schicht von Grund auf neu entwickeln müssen. So erhalten Agenten nur Zugriff auf das, was sie wirklich benötigen, jede Interaktion wird protokolliert und die Kosten werden bis hinunter auf den Modellaufruf genau getrackt.
Fazit
Die meisten derzeit auf dem Markt verfügbaren Lösungen adressieren nur das eine oder das andere dieser Probleme. Wenn sie jedoch in Kombination mit einer zentralisierten, offenen Plattform und einer schlanken, hybriden Laufzeitarchitektur genutzt werden, um die notwendige Governance bereitzustellen, ändert sich der Ansatz grundlegend. Organisationen können KI-Lösungen dann souverän im gesamten Unternehmen ausrollen, einschließlich für nicht-technische Wissensarbeiter. Auf diese Weise erschließt sich ein echtes, funktionierendes und agentenbasiertes Unternehmen, das auf Wachstum und Skalierbarkeit ausgelegt ist.
Weitere Artikel
Für 6,75 Milliarden US-Dollar: Qualtrics übernimmt Press Ganey Forsta
QuoIntelligence erhält 7,3 Millionen Euro für Ausbau von Cyber Risk Intelligence
Versa SASE: KI in Unternehmen sicher einsetzen und skalieren
Qualtrics hebt Ex-Microsoft-Manager ins KI-Führungsteam – Unternehmen zertifiziert nach SO/IEC 42001:2023