Wer verstehen will, wie schnell KI in die Praxis vordringt, sollte auf die Softwareentwicklung schauen. Dort ließ sich die Entwicklung der letzten Jahre genau beobachten: zuerst intelligente Autovervollständigung, dann Chat mit Code, heute agentische Zusammenarbeit. KI schreibt nicht mehr nur einzelne Zeilen, sondern nutzt Werkzeuge wie APIs oder Datenbanken, verändert Dateien, testet Ergebnisse und arbeitet iterativ auf ein Ziel hin. Genau deshalb ist die Softwareentwicklung eine gute Messlatte für die Reife agentischer KI.

Diese Entwicklung ist auch für Europa strategisch relevant. Agentische KI verändert, wie Arbeit im Digitalen organisiert wird. Die entscheidende Frage ist aber nicht nur, ob Europa im Wettrennen um die größten LLMs mithalten kann. Entscheidend ist, ob wir die stärksten KI-Systeme für die reale Wirtschaft bauen: für Prozesse, Daten, Entscheidungen und Verantwortung.

Vieles funktioniert heute bereits erstaunlich gut, bei klar umrissenen Aufgaben mit sauberer Werkzeuganbindung und überprüfbaren Erfolgskriterien. Dort liefern agentische Systeme bereits Produktivitätsgewinne. Was aber noch nicht verlässlich gelingt, sind strategische Aufgaben. Hier hilft ein nüchterner Blick: Sprachmodelle können planen, formulieren und oft auch überzeugend schlussfolgern. Aber sie sind nicht dafür gebaut, reale Geschäftsprozesse belastbar vorherzusagen. Kommt eine Bestellung pünktlich? Springt ein Kunde ab? Wird eine Rechnung bezahlt? Die Antworten darauf lassen sich nicht aus Texten ableiten, auf denen die von Agenten genutzten Sprachmodelle basieren. Hier müssen Tabellen und Datenbankeinträge genutzt werden, um aus bestehenden Einträgen Muster für relevante und belastbare Vorhersagen zu erkennen.

Große relationale Modelle, zum Beispiel SAP-RPT-1, markieren deshalb einen wichtigen Schritt. Sie sind auf genau solchen strukturierten Daten trainiert und unterscheiden sich damit grundlegend von Sprachmodellen. Während LLMs auf sprachliche Fortsetzung optimiert sind, müssen relationale Modelle Zusammenhänge zwischen Spalten, Zeilen, Zeitverläufen und numerischen Mustern erfassen. Sie reden nicht besser – sie sagen operativ Relevantes präziser voraus.

Der eigentliche Quantensprung entsteht, wenn beide Welten zusammenkommen. Sprachmodelle sind starke Generalisten: Sie verstehen Anliegen, führen Dialoge, planen Schritte und orchestrieren Werkzeuge. Relationale Modelle sind Spezialisten für Vorhersagen auf strukturierten Daten. Wissensgraphen ergänzen diese Architektur um eine dritte entscheidende Schicht: Sie machen Bedeutungen, Beziehungen und Zuständigkeiten explizit und helfen Agenten so, die richtigen Werkzeuge sicher und zuverlässig zu erkennen und zu nutzen. In agentischen Systemen können diese Komponenten daher ideal zusammenarbeiten. Das Sprachmodell steuert mit Hilfe von Wissensgraphen die Interaktion, das relationale Modell liefert die belastbare Prognose. Daraus entsteht eine neue Nutzererfahrung. Ein Nutzer kann dann nicht nur fragen: „Wo ist meine Bestellung?“, sondern: „Wann kommt sie an, wie sicher ist die Aussage und welche Alternative wäre schneller?“ Solche Fragen verlangen nicht nur Sprachverstehen, sondern prädiktive Intelligenz.

Genau hier sehe ich Europas Chance. Wir sollten uns nicht nur darüber definieren, bei generischen LLMs aufzuholen. Europas Stärke liegt besonders im Aufbau von großen relationalen Modellen für wirtschaftlich relevante Daten- und Prozesswelten. Wissensgraphen sind dafür zentral, weil sie fragmentierte Datenbestände semantisch verknüpfen und Beziehungen, Zuständigkeiten und Regeln explizit machen. Sie geben den Modellen damit nicht nur mehr Input, sondern eine belastbarere Struktur. So werden die Modelle kontextstärker, konsistenter und für reale Unternehmensprozesse besser nutzbar. Für Unternehmen ist das ein konkreter Mehrwert: KI wird nicht nur leistungsfähiger, sondern auch nachvollziehbarer, steuerbarer und verlässlicher. Genau das ist die Voraussetzung dafür, dass agentische Systeme in der Wirtschaft sicher und wirksam eingesetzt werden können.

Dafür müssen wir allerdings mehr tun, als einzelne Anwendungen zu bauen. Wir brauchen gemeinsame Basismodelle für wirtschaftlich relevante Daten- und Prozesswelten – nicht als zentrale Datensammelstelle, sondern als vertrauenswürdige Infrastruktur für gemeinsames Lernen. Europa sollte Basismodelle fördern, die auf breiten, hochwertigen Datenbeständen generische Fähigkeiten für die Wirtschaft lernen. Unternehmen können diese dann für ihre spezifischen Anwendungen veredeln. Gemeinsame Grundlage, individuelle Differenzierung: Das wäre ein europäischer Weg.

Die Zukunft agentischer KI liegt also nicht in einem einzigen allwissenden Modell. Sie liegt in einer Architektur zusammengesetzter Intelligenz. Sie umfasst dialogfähige Generalisten, prädiktive Spezialisten, sowie Wissensgraphen. Diese ermöglichen Agenten den präzisen, nachvollziehbaren und skalierbaren Zugang zu Daten, Werkzeugen und internem Unternehmenswissen. Wer diese Architektur beherrscht, wird die produktivsten KI-Systeme bauen.

Für Europa ist das eine gute Nachricht. Unsere Stärke liegt nicht im Kopieren der Plattformlogik des Konsumenteninternets, sondern in der Verbindung aus Domänenwissen und Prozessverständnis. Wenn wir darauf aufbauen, können wir im globalen Wettbewerb eine führende Rolle einnehmen. Dafür sollten wir gezielt in Basismodelle für wirtschaftlich relevante Daten- und Prozesswelten, in Wissensgraphen und in vertrauenswürdige Infrastruktur für gemeinsames Lernen investieren. Europas Chance liegt nicht in KI, die nur gut spricht, sondern in KI, die in der Wirtschaft verlässlich liefert.

März 2026