Laut einem neuen Bericht von DatabricksDie Landschaft der KI in Unternehmen befindet sich in einem tiefgreifenden Wandel. Organisationen gehen über einfache Chatbots und Pilotprojekte hinaus und setzen auf intelligente Systeme. Agentensysteme die operative Arbeitsabläufe neu definieren.

Die erste Welle generativer KI war von hohen Erwartungen, aber oft begrenztem Nutzen geprägt. Technologieführer kämpften mit isolierten Tools, die keinen transformativen Geschäftswert lieferten. Aktuelle Telemetriedaten von Databricks deuten jedoch auf einen Wendepunkt hin. Der Markt reift, und der Fokus liegt nun auf autonomen Agenten, die komplexe Aufgaben planen und ausführen können.

Daten von über 20.000 Organisationen – darunter 60 Prozent der Fortune 500 – zeigen einen rasanten Wandel hin zu Architekturen, in denen KI-Modelle nicht nur Informationen abrufen, sondern Arbeitsabläufe selbstständig orchestrieren. Diese Entwicklung bedeutet eine grundlegende Umverteilung von Entwicklungsressourcen: Die Nutzung von Multi-Agenten-Workflows auf der Databricks-Plattform wird zwischen Juni und Oktober 2025 voraussichtlich um 327 Prozent steigen.

Der Aufstieg des „Supervisor-Agenten“

Zentral für dieses Wachstum ist das Konzept des 'Supervisor Agent'Anstatt sich auf ein monolithisches Modell zur Bearbeitung jeder Anfrage zu verlassen, fungiert ein Supervisor als Orchestrator. Er zerlegt komplexe Benutzeranfragen und delegiert spezifische Aufgaben an spezialisierte Subagenten oder Tools, ähnlich wie ein Projektmanager in einem Team.

Seit seiner Einführung im Juli 2025 hat sich der Supervisor-Agent schnell zum dominierenden Anwendungsfall entwickelt und machte bis Oktober 37 Prozent aller Nutzungen aus. Diese Struktur spiegelt effektive Organisationshierarchien wider: Ein Manager gewährleistet die Ausführung, ohne jede Aufgabe selbst zu erledigen. Ebenso verwaltet ein Supervisor-Agent die Absichtserkennung, Compliance-Prüfungen und das Routing zu domänenspezifischen Tools.

Während Technologieunternehmen derzeit führend in diesem Bereich sind – sie entwickeln fast viermal so viele Multiagentensysteme wie jede andere Branche –, reicht der Nutzen agentenbasierter KI weit über den Technologiesektor hinaus. Finanzdienstleister beispielsweise setzen Multiagentensysteme ein, um komplexe Dokumentenabfragen und die Einhaltung regulatorischer Vorgaben gleichzeitig zu bewältigen und verifizierte Kundenantworten ohne menschliches Eingreifen zu liefern.

Infrastruktur unter Druck: Die Realität in Echtzeit

Mit dem Übergang von der Beantwortung von Fragen zur Ausführung von Aufgaben durch KI-Agenten steht die zugrundeliegende Dateninfrastruktur vor beispiellosen Herausforderungen. Traditionelle OLTP-Datenbanken (Online Transaction Processing), die für Interaktionen in menschlicher Geschwindigkeit ausgelegt sind, stoßen an ihre Grenzen. Agentenbasierte Arbeitsabläufe stellen diese Annahmen auf den Kopf und erzeugen kontinuierliche, hochfrequente Lese- und Schreibvorgänge.

Das Ausmaß dieser Automatisierung ist atemberaubend. Vor zwei Jahren erstellten KI-Systeme lediglich 0,1 Prozent der Datenbanken. Heute liegt diese Zahl bei beeindruckenden 100 Prozent. 80 ProzentDarüber hinaus werden mittlerweile 97 Prozent der Datenbank-Test- und Entwicklungsumgebungen von KI-Agenten bereitgestellt, sodass Entwickler temporäre Umgebungen in Sekunden statt in Stunden erstellen können.

Im Gegensatz zur traditionellen Stapelverarbeitung im Big-Data-Bereich agiert agentenbasierte KI primär im „Jetzt“. Der Bericht hebt hervor, dass 96 Prozent aller Inferenzanfragen werden in Echtzeit verarbeitet.Dieser Wandel ist besonders deutlich in Sektoren, in denen die Latenzzeit direkt mit dem Wert korreliert, wie beispielsweise im Gesundheitswesen und im Finanzsektor.

Der Multi-Modell-Standard und die Herstellerunabhängigkeit

Die Abhängigkeit von einzelnen Anbietern bleibt ein anhaltendes Risiko für Unternehmensleiter. Um dem entgegenzuwirken, setzen Organisationen verstärkt auf Multi-Modell-Strategien. Stand Oktober 2025 78 Prozent der Unternehmen nutzten zwei oder mehr Familien großer Sprachmodelle (LLM).wie beispielsweise ChatGPT, Claude, Llama und Gemini.

Dieser Ansatz wird immer ausgefeilter. Der Anteil der Unternehmen, die drei oder mehr Modellfamilien nutzen, stieg innerhalb von nur zwei Monaten deutlich von 36 auf 59 Prozent. Diese Vielfalt ermöglicht es den Entwicklungsteams, einfachere Aufgaben an kleinere, kostengünstigere Modelle weiterzuleiten und gleichzeitig komplexere Modelle für anspruchsvolle Denkaufgaben zu reservieren.

Governance als Beschleuniger

Die wohl überraschendste Erkenntnis für viele Führungskräfte ist der Zusammenhang zwischen Governance und Geschwindigkeit. Strenge Governance- und Bewertungsrahmen, die oft als Engpass betrachtet werden, wirken tatsächlich als Beschleuniger für die Produktionsbereitstellung.

Organisationen, die KI-gestützte Governance-Tools einsetzen, haben über 12-mal mehr KI-Projekte in Produktion Im Vergleich zu Unternehmen, die dies nicht tun. Ebenso erzielen Unternehmen, die Bewertungsinstrumente zur systematischen Prüfung der Modellqualität einsetzen, fast sechsmal so viele Produktionsimplementierungen. Governance bietet die notwendigen Leitplanken – wie die Definition der Datennutzung und die Festlegung von Ratenbegrenzungen – und gibt den Stakeholdern die Sicherheit, die Implementierung zu genehmigen.

Der Wert der „langweiligen“ Automatisierung

Autonome Systeme rufen zwar oft Bilder futuristischer Fähigkeiten hervor, ihr aktueller Nutzen für Unternehmen liegt jedoch in der Automatisierung routinemäßiger, monotoner Aufgaben. Die wichtigsten Anwendungsfälle von KI variieren je nach Branche, konzentrieren sich aber alle auf die Lösung konkreter, praktischer Geschäftsprobleme:

• Fertigung & Automobilindustrie: 35 % der Anwendungsfälle konzentrieren sich auf die vorausschauende Wartung.
• Gesundheits- und Lebenswissenschaften: 23 % der Anwendungsfälle beinhalten die Synthese medizinischer Literatur.
• Einzelhandel & Konsumgüter: 14 % der Anwendungsfälle beziehen sich auf Marktforschung.

Darüber hinaus befassen sich 40 Prozent der wichtigsten KI-Anwendungsfälle mit praktischen Kundenanliegen wie Support, Kundenbetreuung und Onboarding. Diese Anwendungen steigern die messbare Effizienz und stärken die organisatorischen Kapazitäten, die für komplexere, agentenbasierte Arbeitsabläufe erforderlich sind.

Für die Führungsebene liegt der zukünftige Weg weniger im Fokus auf der vermeintlichen „Magie“ der KI, sondern vielmehr in der soliden technischen Umsetzung. Wettbewerbsvorteile verlagern sich zurück hin zu den eigenen Entwicklungsmethoden, anstatt sich nur auf die gekauften Lösungen zu konzentrieren. Offene, interoperable Plattformen ermöglichen es Unternehmen, KI auf ihre eigenen Unternehmensdaten anzuwenden und sich so in stark regulierten Märkten langfristig zu differenzieren.