Agent Control Plane verbindet Wertstrom, KI-Agenten, Kontrollen, fachliche Verantwortung und Kundennutzen in einem kontinuierlichen Lernkreislauf

Ein KI-Agent löst eine Reklamation, aktualisiert Kundendaten und stößt eine Gutschrift an. Der Prozess ist schneller geworden. Aber wer bemerkt, wenn die Entscheidung fachlich falsch war? Wer kann den Vorgang stoppen? Und wer entscheidet, welche Risiken überhaupt automatisiert werden dürfen?

Genau diese Fragen rücken gerade in den Mittelpunkt. Am 17. November 2026 stellte Appian auf seiner europäischen Konferenz neue Funktionen für die Steuerung von KI-Agenten in Geschäftsprozessen vor. Das Unternehmen spricht von einer „Control Plane“, die agentische Arbeit in definierte Prozesse einbettet, überwacht und optimiert. Das ist zunächst eine Herstellerankündigung, kein unabhängiger Wirksamkeitsnachweis. Aber sie zeigt einen wichtigen Richtungswechsel: Die Diskussion verschiebt sich von der Leistungsfähigkeit einzelner Agenten zur Steuerbarkeit ganzer Wertströme.

Meine These: Unternehmen brauchen nicht zuerst mehr Agenten. Sie brauchen ein belastbares Betriebsmodell, das Autonomie, Verantwortung und Wertschöpfung miteinander verbindet.

Agent Control Plane verbindet Wertstrom, KI-Agenten, Kontrollen, fachliche Verantwortung und Kundennutzen in einem kontinuierlichen Lernkreislauf
KI-Agenten entfalten ihren Nutzen erst in einem verantwortbar gesteuerten Wertstrom. Eigene Illustration.

Warum die neue Control-Plane-Debatte wichtig ist

Ein klassischer Workflow folgt überwiegend vordefinierten Regeln. Ein KI-Agent kann dagegen Informationen interpretieren, Werkzeuge aufrufen und zwischen Handlungsoptionen wählen. Das eröffnet neue Möglichkeiten, verändert aber auch das Fehlerbild. Nicht jeder Fehler ist ein Systemausfall. Ein Agent kann technisch erfolgreich arbeiten und dennoch eine fachlich schlechte Entscheidung treffen.

Appian beschreibt in seiner Mitteilung vom 17. November eine Steuerungsschicht für Agenten innerhalb deterministischer Geschäftsprozesse. Grundfunktionen seien bereits verfügbar, weitere seien geplant. Diese Unterscheidung ist wichtig: Eine Produktvision darf nicht als flächendeckend nachgewiesene Fähigkeit verkauft werden. Quelle: Appian, 17.11.2026.

Die Entwicklung steht nicht isoliert. IBM und Microsoft kündigten am 10. November mit Imagine Enterprise eine Plattform für branchenspezifische agentische Prozesse mit Governance und Observability an. Das Datum liegt neun Tage vor diesem Artikel; ich nutze es ausdrücklich als Kontext, nicht als Nachricht der letzten sieben Tage. Quelle: IBM/Microsoft, 10.11.2026.

Die eigentliche Lücke liegt zwischen IT und Fachbereich

Technische Kontrollen können erkennen, ob ein Agent unzulässige Zugriffe versucht, ob eine Schnittstelle ausfällt oder ob ein Ablauf außerhalb definierter Parameter liegt. Sie beantworten aber nicht automatisch, ob eine Gutschrift kundenorientiert, wirtschaftlich und regelkonform ist. Dafür braucht es Prozesswissen, fachliche Qualitätsmaßstäbe und eine klare Entscheidungskompetenz.

Ich halte deshalb wenig von der Vorstellung, eine zentrale KI-Abteilung könne sämtliche Agenten allein kontrollieren. Die IT muss Identitäten, Berechtigungen, Protokollierung und technische Sicherheitsgrenzen sicherstellen. Der Fachbereich muss definieren, was ein gutes Ergebnis ist. Risiko-, Datenschutz- und Compliance-Funktionen legen gemeinsam mit dem Geschäft die verbindlichen Leitplanken fest. Die Führung trägt Verantwortung dafür, dass diese Rollen tatsächlich zusammenarbeiten.

Das ist keine neue Abteilung, die man einfach über die bestehende Organisation stülpt. Es ist eine Erweiterung des Operating Models: Wer darf automatisieren? Welche Entscheidungen bleiben menschlich? Welche Nachweise müssen vorliegen? Und was passiert, wenn ein Agent zwar schnell, aber falsch handelt?

Ein fiktives Beispiel: Reklamationen im Kundenservice

Stellen wir uns ein fiktives Unternehmen vor, das jährlich viele tausend Reklamationen bearbeitet. Ein Agent liest eingehende Nachrichten, gleicht Bestellungen ab und schlägt eine Lösung vor. Ein zweiter Dienst prüft Betragsgrenzen und formale Regeln. Bei unklaren Fällen wird ein Mensch hinzugezogen.

Auf dem Papier klingt das sicher. Doch was geschieht, wenn der Kunde einen berechtigten Sonderfall schildert, der in keiner Regel erfasst ist? Oder wenn der zweite Dienst dieselben fehlerhaften Stammdaten verwendet wie der erste? Dann können zwei technische Komponenten dieselbe falsche Entscheidung bestätigen.

Meine Empfehlung wäre ein abgestuftes Kontrollmodell: Niedrige Beträge und eindeutige Fälle können innerhalb klarer Grenzen automatisch abgeschlossen werden. Bei ungewöhnlichen Mustern, widersprüchlichen Informationen oder hoher finanzieller Wirkung muss eine fachliche Freigabe erfolgen. Zusätzlich braucht es unabhängige Stichproben, Beschwerdeanalysen und regelmäßige Anpassungen der Kriterien.

Entscheidend ist nicht die Anzahl der Freigaben, sondern die nachweisbare Qualität des gesamten Prozesses. Ein hoher Automatisierungsgrad ist kein Wertbeitrag, wenn die Fehlerkosten oder Kundenverluste gleichzeitig steigen.

Was das für agile Transformation und SAFe bedeutet

Hier wird die Debatte für Enterprise Agile Coaches, RTEs und Portfolio-Verantwortliche besonders relevant. In vielen Organisationen werden KI-Initiativen weiterhin als einzelne Tools, Pilotprojekte oder technische Features gesteuert. Damit bleibt die übergreifende Veränderung der Wertschöpfung unsichtbar.

Ich würde KI-Agenten nicht als isolierte Produktivitätsmaßnahme betrachten, sondern als Veränderung des Value Streams. Wenn ein Agent die Bearbeitungszeit einer Aktivität halbiert, der nächste Genehmigungsschritt aber unverändert bleibt, entsteht noch kein entsprechender Kundennutzen. Die lokale Optimierung kann sogar zusätzliche Arbeit im Engpass erzeugen.

Für ein Agile Release Train bedeutet das: Features müssen nicht nur die Funktion des Agenten beschreiben, sondern auch seine Entscheidungsgrenzen, Messbarkeit, fachliche Qualitätskriterien und Rückfallmechanismen. In der System Demo sollte sichtbar werden, wie sich ein kompletter Vorgang verhält – einschließlich Eskalation und Fehlerfall. Inspect & Adapt muss die Wirksamkeit der Kontrollen ebenso betrachten wie Durchlaufzeit und Ergebnisqualität.

Auf Portfolio-Ebene würde ich drei Fragen verpflichtend machen: Welches Geschäftsergebnis soll sich verbessern? Welches Risiko verändert sich durch die Delegation an Agenten? Und welche zusätzliche operative Verantwortung entsteht? Erst dann lassen sich Vorhaben sinnvoll priorisieren, statt nur den vermeintlichen KI-Innovationsgrad zu bewerten.

Fünf Bausteine für ein tragfähiges Agenten-Betriebsmodell

  1. Agenten-Inventar: Jeder produktive Agent hat einen fachlichen Eigentümer, dokumentierten Zweck, eingesetzte Werkzeuge und einen definierten Lebenszyklus.
  2. Entscheidungsrechte: Es ist nachvollziehbar, welche Aktionen autonom erlaubt sind und welche eine Freigabe erfordern.
  3. Fachliche Qualität: Nicht nur technische Erfolgsraten, sondern auch korrekte Ergebnisse, Beschwerden, Nacharbeit und Ausnahmen werden beobachtet.
  4. Nachvollziehbarkeit: Relevante Eingaben, Entscheidungen und Aktionen werden datenschutzgerecht protokolliert und können untersucht werden.
  5. Kontinuierliche Anpassung: Kontrollgrenzen und Evaluationsszenarien werden anhand realer Fehler, neuer Risiken und veränderter Geschäftsprozesse überprüft.

Diese Bausteine sind kein Plädoyer für eine zusätzliche Bürokratieschicht. Im Gegenteil: Gut gestaltete Leitplanken ermöglichen erst, dass risikoarme Entscheidungen ohne ständige Rückfrage getroffen werden können. Autonomie entsteht durch klare Grenzen, nicht durch deren Abwesenheit.

Gegenargument: Wird Governance nicht zum nächsten Flaschenhals?

Das Risiko ist real. Wenn jede Agentenaktion durch ein zentrales Gremium muss, wird die Organisation langsamer und verliert den Vorteil der Automatisierung. Ebenso problematisch wäre eine Control Plane, die lediglich ein neues Dashboard liefert, aber keine Entscheidungen verändert.

Deshalb unterscheide ich zwischen präventiven Grenzen, automatisierten Prüfungen, risikobasierten Stichproben und menschlichen Eskalationen. Nicht jede Aktion braucht dieselbe Kontrolle. Die Intensität muss zur Schadenshöhe, Reversibilität, Datenkritikalität und Unsicherheit passen. Eine rückgängig zu machende interne Klassifikation verlangt etwas anderes als eine irreversible Zahlung oder eine Entscheidung mit rechtlicher Wirkung.

Auch ein zweiter KI-Agent als Prüfer ist kein unabhängiger Garant für Richtigkeit. Gemeinsame Datenquellen, ähnliche Modelle und falsch definierte Bewertungskriterien können systematische Fehler reproduzieren. Die fachliche Verantwortung darf nicht hinter einer Kette automatisierter Prüfungen verschwinden.

Die ersten 30 Tage: klein anfangen, systematisch lernen

Ich würde nicht mit einem unternehmensweiten Governance-Programm starten. Ein geeigneter Anfang ist ein klar abgegrenzter Wertstrom mit messbarem Geschäftsergebnis. Zunächst werden Prozess, Entscheidungspunkte, bestehende Kontrollen und Fehlerkosten sichtbar gemacht. Danach wird eine einzelne Agentenfunktion mit begrenzten Rechten eingeführt.

Im nächsten Schritt testen Fachbereich, IT und Risikofunktionen gemeinsam typische Fälle, Ausnahmen und gezielt schwierige Situationen. Parallel definieren sie einen sicheren Abschalt- oder Rückfallweg. Erst wenn die Ergebnisse nachvollziehbar sind, werden Autonomiegrad und Einsatzbereich schrittweise erweitert.

Für die Messung würde ich Durchlaufzeit, fachliche Trefferquote, Nacharbeitsaufwand, Eskalationsquote und Kundenergebnis gemeinsam betrachten. Eine sinkende Durchlaufzeit allein ist kein Beweis für erfolgreiche Transformation. Und eine hohe Zahl automatisierter Vorgänge sagt noch nichts darüber aus, ob das Unternehmen seine Ziele besser erreicht.

Mein Fazit: Verantwortung muss mit der Automatisierung skalieren

Die Ankündigung von Appian ist für mich vor allem ein Signal für eine reifere Debatte. Unternehmen beginnen zu verstehen, dass Agenten nicht nur entwickelt, sondern über ihren gesamten Einsatz gesteuert werden müssen. Ob die angekündigten Produkte diesen Anspruch tatsächlich erfüllen, muss die Praxis zeigen.

Ich sehe die zentrale Managementaufgabe darin, technische Autonomie mit fachlicher Verantwortung und messbarem Kundennutzen zu verbinden. Wer nur Agenten ausrollt, digitalisiert möglicherweise die nächste organisatorische Schwachstelle. Wer den Wertstrom und sein Betriebsmodell neu gestaltet, schafft die Voraussetzungen für echte Transformation.

Wenn Sie Ihre KI-Initiativen von isolierten Piloten zu verantwortbaren, skalierbaren Wertströmen entwickeln möchten, sprechen wir über die dafür nötigen Führungs-, Portfolio- und Delivery-Strukturen. Kontakt über andreullmann.de.

Häufige Fragen

Was ist eine Control Plane für KI-Agenten?

Eine Control Plane ist eine übergreifende Steuerungsebene, über die sich Agenten und ihre Berechtigungen, Abläufe, Prüfungen und Betriebsdaten verwalten lassen. Der konkrete Funktionsumfang hängt vom Anbieter ab.

Ersetzt ein Kontrollagent die menschliche Verantwortung?

Nein. Automatisierte Prüfungen können Risiken reduzieren, ersetzen aber weder fachlich definierte Qualitätskriterien noch klare Verantwortlichkeiten und geeignete Eskalationsverfahren.

Wie passt Agent Governance zu SAFe?

Sie kann in Portfolio-Entscheidungen, Feature-Akzeptanzkriterien, System Demos und Inspect & Adapt integriert werden. Maßgeblich sind der End-to-End-Wertstrom, die Qualität der Ergebnisse und das verantwortbare Maß an Autonomie.

Quellen und Einordnung: Appian, 17.11.2026; IBM/Microsoft, 10.11.2026; IBM, 27.10.2026; EU-Kommission, AI Act – offizieller Gesetzesüberblick. Herstellerangaben sind als solche eingeordnet; das Beispiel ist fiktiv. Dieser Beitrag wurde mit KI-Unterstützung recherchiert und redaktionell vorbereitet. Eine individuelle rechtliche Prüfung ersetzt er nicht.