Conversational AI antwortet. Operational AI setzt Daten in Handlungen um. Agentic AI verfolgt Ziele innerhalb definierter Grenzen.
Viele Unternehmen sagen heute, sie „nutzen KI“. In der Praxis bedeutet das jedoch häufig Conversational AI: Chatbots, ChatGPT als Schreibhilfe, Microsoft Copilot in Büro-Workflows, KI-Suche, Übersetzung, Zusammenfassung, Ideenfindung, Coding-Unterstützung oder Automatisierung im Kundenservice. Das ist ein ganz anderer Reifegrad als KI, die in Workflows, operative Daten oder autonome Entscheidungsstrukturen eingebettet ist.
In Deutschland nutzen 41 % der Unternehmen mit 20 oder mehr Beschäftigten KI aktiv (Bitkom Research, 2026). Eine spätere Bitkom-Erhebung vom September 2026 nennt bereits 57 %. Die Verbreitung ist jedoch ungleichmäßig: Die Umsetzung konzentriert sich weiterhin auf größere Unternehmen, während der Mittelstand am Anfang steht. Industrie und Dienstleistungen sind weiter; das Baugewerbe weist die geringste KI-Nutzung auf (Licht & Wohlrabe, 2024).
Das ist der entscheidende Punkt: Die KI-Nutzung nimmt zu, aber Nutzung bedeutet nicht automatisch Reife. Für Führungskräfte lautet die Frage daher nicht mehr nur, ob das Unternehmen KI nutzt. Die nützlichere Frage lautet: Welche Art von KI wird eingesetzt, wo sitzt sie im Operating Model, und wie viel Autonomie sollte sie haben?
Conversational AI
Das ist die KI, die die meisten von Tools wie ChatGPT, Microsoft Copilot oder von KI-Assistenten in Unternehmenssoftware kennen. Sie reagiert auf Eingaben der Nutzer und hilft bei Aufgaben wie Schreiben, Zusammenfassen, Suchen, Übersetzen, Programmieren oder Analysieren von Informationen.
In der Praxis sind diese Tools für die Ideenfindung besonders nützlich. Mitarbeitende können damit ein Thema erkunden, verschiedene Blickwinkel vergleichen, nach Beispielen fragen, eine erste Annahme hinterfragen, grobe Notizen in eine Struktur bringen oder mehrere mögliche Ausgangspunkte entwickeln.
Statt ChatGPT zum Beispiel zu bitten, „einen LinkedIn-Post für mein Unternehmen zu schreiben“, ist es besser zu fragen: „Nenne mir fünf mögliche Blickwinkel auf dieses Thema“ oder „Was würde einen Kunden oder potenziellen Investor hier interessieren?“ So wird Conversational AI zu einem Werkzeug zum Denken und nicht nur zum Erzeugen von Text. Der Mensch formuliert weiterhin die Frage, beurteilt die Antwort und entscheidet, was als Nächstes geschieht.
Operational AI
Sie liegt näher an der täglichen Geschäftsausführung. Sie bindet KI in Geschäftsprozesse ein, nutzt operative Daten und setzt Erkenntnisse in Handlungen um, die Teams helfen, Aufgaben zu automatisieren, die Effizienz zu steigern und stärker datenbasiert zu entscheiden.
In der Praxis ist Operational AI KI, die in die Funktionen eingebettet ist, die ein Unternehmen am Laufen halten. Ein starkes Beispiel: Siemens erweitert seinen Industrial Copilot mit Erkenntnissen aus generativer KI, um Instandhaltungsteams beim Übergang von der reaktiven Reparatur zur vorausschauenden und vorbeugenden Instandhaltung zu unterstützen. Die KI wird nicht neben der Arbeit eingesetzt, sie ist in die Arbeit eingebunden.
Wichtig: Ein Tool allein ist noch keine Operational AI. Wer ChatGPT oder Claude separat nutzt, um etwas zu entwerfen, zu fragen oder zu analysieren, nutzt weiterhin im Wesentlichen einen Assistenten. Zu Operational AI wird es, wenn KI mit einem Prozess, mit operativen Daten und mit einer nächsten Handlung im Unternehmen verbunden ist, etwa mit Tools wie n8n und Make . Deshalb ist Operational AI für Endnutzer oft weniger sichtbar, aber enger damit verbunden, wie das Unternehmen tatsächlich läuft. Ihre Rolle besteht nicht nur darin, eine Antwort zu erzeugen, sondern Prozesse messbarer, skalierbarer und teilweise automatisiert zu machen.
Agentic AI
Wenn Conversational AI Menschen beim Denken hilft und Operational AI einen Prozess am Laufen hält, nimmt Agentic AI am Prozess selbst teil. Sie liefert nicht nur eine Antwort; sie verfolgt ein Ziel, nutzt Tools, bewertet Zwischenergebnisse und eskaliert, wo es nötig ist.
Die klarste Formulierung, die ich zuletzt gelesen habe, stammt von Prof. Dr. Joerg Niessing (INSEAD), Prof. Dr. Carsten Feldmann (FH Münster) und Prof. Dr. Michael Bücker (FH Münster) in The European Business Review in diesem Monat: „Generative AI produces outputs; agentic AI participates in processes.“
Ein Agent verfolgt ein Ziel über die Zeit. Er zerlegt das Ziel in Schritte, wählt die passenden Tools, interagiert mit Systemen, bewertet Zwischenergebnisse und passt sich an, wenn sich die Bedingungen ändern. Statt auf einen einzelnen Prompt zu antworten oder einen einzelnen Schritt zu verbessern, arbeitet er innerhalb eines laufenden Workflows – näher an einem Kollegen als an einem Werkzeug.
Ein anschauliches Beispiel ist Agentic Commerce. Statt dass ein Kunde manuell sucht, vergleicht, Rabatte anwendet und bezahlt, könnte ein KI-Einkaufsagent Produkte vergleichen, Lagerbestände prüfen, Liefer- und Rückgabebedingungen bewerten, Loyalty-Vorteile anwenden und den Kauf empfehlen oder abschließen. Berichten zufolge hat OpenAI in der Praxis den direkten Kauf in ChatGPT zugunsten der Produktfindung zurückgestellt, was zeigt, dass sich Agentic Commerce noch entwickelt. Derzeit liegt seine Leistungsfähigkeit bei Empfehlung und Vergleich, während der Mensch weiterhin auf „Kaufen“ klickt.
Es liegt nahe, Agentic AI als Geschichte über Autonomie zu lesen. Aus der Beratungsarbeit bei ProNexum Consulting würde ich sagen: Die eigentliche Herausforderung ist Verantwortlichkeit. Agenten verhalten sich nur dann gut, wenn ihre Ziele, Entscheidungsrechte, Tools, Datenzugriffe und Eskalationswege im Voraus gestaltet wurden. Niessing und seine Mitautoren nennen das bounded agency: „Autonomy, where it exists, is not absolute; it is elicited.“
Dieser eine Satz verändert die Frage für Führungskräfte. Bei Agentic AI geht es weniger darum, „wie viel Autonomie wir dem System geben können“, sondern mehr darum, „welche Entscheidungen das System unter welchen Bedingungen sicher im Namen des Unternehmens treffen darf“. Das ist eine Frage des Operating Models, keine technische – und der rote Faden dieser Reihe.
Wo das in der Praxis steht
Die Verbreitung ist breit, die Reife schmal. Der MIT-Bericht „GenAI Divide“ von 2025 kam zu dem Ergebnis, dass rund 95 % der Organisationen keinen messbaren GuV-Effekt aus GenAI-Initiativen sahen, während nur etwa 5 % der integrierten Piloten erheblichen Wert schufen. Die Boston Consulting Group berichtet auf Unternehmensebene von einem ähnlichen Muster: Nur rund 5 % der Unternehmen sind heute future-built für KI – sie bauen systematisch fortgeschrittene KI-Fähigkeiten auf und erzielen den Großteil des Werts. Gartner erwartet, dass aufgabenspezifische KI-Agenten zunehmend in Unternehmensanwendungen eingebettet werden, prognostiziert aber zugleich, dass über 40 % der Agentic-AI-Projekte bis Ende 2027 eingestellt werden, wenn Kosten, Geschäftswert und Risikokontrollen nicht adressiert werden.
Auf die Abfolge kommt es an: breites Experimentieren, ca. 5 % erzielen Wert, ca. 40 % Abbruchrisiko in der nächsten Welle. Das ist die Reifelücke in Zahlen.
Jede KI-Art steht anders zu dieser Lücke. Conversational AI lässt sich in der Regel nah an der individuellen Produktivität erproben. Operational AI erfordert klarere Prozesse, bessere Daten und stärkere Verantwortlichkeit. Agentic AI fügt eine weitere Ebene hinzu: klare Entscheidungsrechte, Systemzugriff, Governance und ausdrückliche Überlegungen dazu, wie viel Autonomie das System haben soll.
In der Praxis überschneiden sich diese Kategorien, es geht also nicht darum, jedes Tool in eine perfekte Schublade zu stecken.
Die bessere Frage lautet: Welche Teile des Unternehmens sollten unterstützt werden, welche optimiert und welche sollten künftig mit mehr Autonomie handeln?
Von der Technologiefrage zur Frage des Operating Models
Um diese Frage zu beantworten, muss man abbilden, wo KI heute im Operating Model sitzt, wo Daten- und Prozessgrundlagen stark genug sind, um weiterzugehen, und wo menschliches Urteilsvermögen weiterhin eingebunden bleiben muss (Human-in-the-loop). Dann wird KI weniger zu einer Technologiediskussion und mehr zu einer Diskussion über das Operating Model.
Meine Kolleginnen und Kollegen und ich führen dazu in den nächsten Monaten bei ProNexum Consulting eine Reihe durch. Als Nächstes folgt: Automatisierung vs. Augmentierung ist die falsche Debatte.
Dieser Artikel entstand in Zusammenarbeit mit Linh Tong .
Dieser Beitrag erschien zuerst am 26. Mai 2026 auf LinkedIn: Originalfassung (Englisch). Die deutsche Fassung ist eine Übersetzung des englischsprachigen Originals. Der Beitrag dient der allgemeinen Information und stellt keine Rechts-, Steuer- oder Anlageberatung dar.
