Auf einen Blick: Die Integration nicht-deterministischer KI in Unternehmensprozesse erfordert effektive Governance und Orchestrierung, um die Vorhersehbarkeit zu gewährleisten. Dazu gehört sicherzustellen, dass KI-Agenten innerhalb etablierter Rahmenbedingungen arbeiten, um ihre Handlungen und Auswirkungen zu steuern.
KI-Agenten können Variabilität einführen; daher muss die Governance konsistente Ergebnisse sicherstellen.
Orchestrierung erleichtert das Handeln der Agenten und setzt gleichzeitig Richtlinien und Verantwortlichkeit in allen Geschäftsprozessen durch.
Die Enterprise IT hat jahrzehntelang Vorhersehbarkeit in ihre Systeme eingebaut. Transaktionen werden committed oder zurückgesetzt, Datenpipelines landen pünktlich, und eine Arbeitslast, die letzte Nacht lief, läuft heute Abend genauso. Diese Konsistenz ermöglicht es einer Bank, eine Zahlung abzuwickeln und ein Krankenhaus einen Patienten aufzunehmen. Vorhersehbarkeit ist das Produkt.
KI ist die erste Technologie, die wir im Unternehmensmaßstab eingesetzt haben und die sich anders verhält. Geben Sie einem Modell zweimal dieselbe Eingabe, und es kann sich zu zwei verschiedenen, gleichermaßen vertretbaren Antworten durchsetzen. Genau diese Eigenschaft macht KI wertvoll bei Problemen, für die deterministische Software nie entwickelt wurde, und sie macht es auch schwer, KI in Unternehmen zu betreiben, die sich um Gewissheit herum organisiert haben.
Die Frage der Fähigkeiten ist geklärt. Unternehmen arbeiten daran, wie sie nicht-deterministische KI in Prozesse einbetten können, die auf Gewissheit basieren. Ein Agent gehört in die Produktion, wenn die ihm übertragene Arbeit abgeschlossen ist, die Beweise hinter seinen Entscheidungen sichtbar sind und eine Person weiterhin eingreifen kann. Agentische KI-Governance ist nun das, was zwischen einem vielversprechenden Piloten und einer Produktionsbereitstellung steht.
Enterprise-KI stockt bei der Komplexität
IDC prognostiziert, dass sein Global DataSphere bis 2030 mehr als 700 Zettabyte überschreiten wird. [1] Google allein verarbeitet jetzt mehr als 3,2 Billiarden KI-Token pro Monat, gegenüber 9,7 Billionen vor zwei Jahren. [2] Fast drei Viertel der Organisationen betreiben hybride Cloud-Umgebungen. [3] Und unsere eigene Forschung zeigt, dass 94 Prozent der Organisationen den Großrechner weiterhin als langfristige Plattform oder als Heimat für neue Arbeitslasten betrachten.
Unternehmen haben die Datenplattform, den hybriden Bestand und den Großrechner als getrennte Programme verwaltet, jeweils mit eigenen Eigentümern und Kontrollen. Ein KI-Agent, der in einem Geschäftsprozess platziert ist, durchquert alle drei Domänen in einem einzigen Ausführungspfad. Ein Prozess, der einst drei Systeme berührte, umfasst nun Unternehmensanwendungen, Datenpipelines, öffentliche und private Cloud, den Großrechner und eine wachsende Zahl von KI-Agenten.
Unsere Kunden nennen vier Hauptbedenken hinsichtlich der Skalierung von KI: Datenqualität und Fragmentierung, die operativen Anforderungen neuer KI-Workloads, die Ausbreitung von Tools über hybride Umgebungen und die Lücken zwischen dem Großrechner und allem drumherum. Alle vier Aspekte existieren vor agentischer KI, und Agenten verstärken jede einzelne, indem sie Verbindungen schneller vervielfachen, als Organisationen sie steuern können.
Orchestrierung stellt die Vorhersehbarkeit wieder her
Ein KI-Agent bestimmt bei jeder Ausführung seinen Handlungsweg, sodass zwei Versuche desselben Vorfalls unterschiedlichen Pfaden zur Diagnose folgen können. Aber der Agent führt seine eigenen Vorschläge nicht selbst aus. Die Orchestrierung entscheidet, ob die Aktion erlaubt ist, sequenziert sie mit der Arbeit während des Flugs und zeichnet das Ergebnis auf, und agentische KI-Governance setzt Identität, Umfang, Genehmigung und Audit in diesem Moment durch. Ein Richtliniendokument funktioniert nur, wenn jemand es liest und befolgt. Die im Ausführungspfad durchgesetzte Richtlinie gilt für jeden Agenten, jedes Mal, unabhängig davon, welches Team es erstellt hat.
Unternehmen besitzen bereits eine Orchestrierung, die für ihre kritischsten Arbeitslasten entwickelt wurde. Sie auf KI auszuweiten ist schneller und kostengünstiger, als Governance in jedem KI-Projekt separat zu organisieren.
Jedes fähige Team kann nun einen Agenten zusammenstellen, der Informationen abruft, Werkzeuge aufruft und eine definierte Aufgabe abschließt. Die Schwierigkeit liegt beim Agenten, ihm Zugang zu einem aktuellen operativen Kontext, einer unterstützten Handlungsweise und einem Owner zu geben, wenn sich die Bedingungen ändern. Der eigene Agent eines Kunden kann innerhalb dieser Kontrollen laufen, und das sollte er auch.
Drei Ergebnisse bestimmen, ob diese Erweiterung erfolgreich ist: Skalierbarkeit, damit die Automatisierung mit dem Unternehmen wächst; operative Resilienz, damit Störungen eingedämmt und wiederherstellbar bleiben; und Vertrauen und Zuversicht, damit Teams erklären und verteidigen können, was ihre Systeme getan haben. Die Arbeit, die wir in unserem Portfolio ankündigen, passt zu diesen Ergebnissen.
Governance muss über jede Arbeitslast hinweg Bestand haben
Betrachten Sie die Darlehensvermittlung. Aufnahme, Verarbeitung, Underwriting, Entscheidung, Buchung, Finanzierung und Service werden seit langem über eine Kette von Unternehmenssystemen hinweg orchestriert. In der agentischen Version desselben Prozesses werden mehrere dieser Phasen von KI-Agenten und KI-Orchestratoren bearbeitet, die neben benutzerdefinierten Anwendungen, Echtzeit- und Batchdatenaustausch sowie traditionellen Systemen sitzen. Der Geschäftsprozess blieb gleich, während sich die Mischung der Systeme, die ihn ausführten, veränderte. Ein Agent in dieser Kette ist entscheidend für seine Wirkung darauf, ob der Prozess abgeschlossen wird, zusammen mit den Abhängigkeiten, Ausnahmen und Serviceniveaus, die ihn umgeben.
Das ist die Ko-Orchestrierung gemischter Arbeitslasten: deterministische Aufgaben und nicht-deterministische Agenten, die als ein Prozess koordiniert sind, wobei Abhängigkeiten, Servicelevel und Wiederherstellung gleichmäßig über beide angewendet werden. Ohne sie laufen Agenten außerhalb des Systems, das alles andere steuert – dasselbe Problem, das Unternehmen bei der Konsolidierung nicht genehmigter Skripte und Scheduler gelöst haben.
Teams gewähren Agenten Befugnisse im Verhältnis zu dem, was sie überprüfen und rückgängig machen können, daher muss der Umfang konkret sein. Ein Agent mit einer definierten Aufgabe und einem definierten Explosionsradius gewinnt schneller Vertrauen als einer mit großem Spielraum, und die Grenze ist wichtiger als die Fähigkeit.
In der Praxis bedeutet das, mit einer einzelnen Aufgabe zu beginnen, sie mit der heutigen Arbeitsweise abzumessen und den Aufgabenbereich eines Agenten zu erweitern, wenn die Ergebnisse stimmen.
Dasselbe gilt für die darunterliegenden Daten. Ein Agent, der über veraltete oder unvollständige Eingaben argumentiert, liefert eine vertretbare Antwort aus schlechten Beweisen, und ein gut koordinierter Prozess trägt diese Antwort stromlos weiter, ohne Einspruch zu erheben. Zu wissen, woher die Daten stammen, ob sie nutzbar sind und was davon abhängt, ist jetzt eine operative Frage.
Der Großrechner erhöht die Einsätze noch weiter. Er hält die Transaktionen und die Geschäftslogik, von der der Rest des Unternehmens abhängt, und das Wissen, das für den Betrieb benötigt wird, liegt jedes Jahr bei weniger Personen. Governance, die an einer Plattformgrenze endet, ist keine Governance. Ein Satz von Richtlinien muss in jeder Umgebung gelten, die ein Agent berührt, mit einem einzigen Audit-Pfad dahinter, weil Governance, die innerhalb jedes Produkts separat aufgebaut ist, genauso fragmentiert wird wie der Bestand, den sie kontrollieren sollte.
Drei Fragen entscheiden, ob ein Agent kandidiert
Ein Makler schlägt eine Lösung vor. Vor der Handlung stehen drei Fragen: Wie weit die Reichweite dieses Agenten reicht, wer sie verlängert hat und was es kosten würde, die Lösung rückgängig zu machen.
Das sind Fragen zum System rund um den Agenten und können nur beantwortet werden, wenn die Antworten vor dem Vorfall erstellt wurden. Ein Agent, der seine Diagnose erklären kann, aber nicht seine Autorität, erhält keine Genehmigung, und das sollte er auch nicht.
Das ist auch der Grund, warum Abweichungen tolerierbar sind. Derselbe Agent kann durch eine andere Route an einem anderen Tag zu derselben Schlussfolgerung kommen, und das kostet nichts, wenn jede Route dieselben Überprüfungen besteht und denselben Eintrag hinterlässt. Die Route wird erst dann zum Problem, wenn sie entscheidet, was der Agent berühren durfte.
Die Produktion basiert auf Disziplin
Die erste Phase der Enterprise-KI belohnte Experimente. Die Produktion stellt eine schwierigere Frage. Die Anzahl der Agenten, die eine Organisation betreibt, sagt wenig darüber aus, ob einem von ihnen eine bedeutende Arbeit anvertraut werden kann. Entscheidend ist, ob sie innerhalb derselben Disziplin wie alles andere arbeiten, worauf das Unternehmen angewiesen ist, wo die Arbeit korrekt sequenziert wird und eine Entscheidung noch Monate später einem Auditor erklärt werden kann, der nie im Raum war. Das ist es, was agentische KI-Governance bewirkt.
Modelle werden sich ändern, und das gilt auch für Agenten-Frameworks. Die Notwendigkeit, kritische Arbeit vorhersehbar zu erledigen, wird beide überdauern. Eine Fähigkeit, die diese drei Fragen nicht beantworten kann, gehört nicht in die Systeme, die Ihr Unternehmen steuern, egal wer sie baut. Unternehmen lernten einst, Software in ihrem Namen handeln zu lassen, ohne jeden Schritt zu beobachten, und Vorhersehbarkeit bleibt das Produkt.
Deshalb sitzen die von uns eingeführten Fähigkeiten im Ausführungspfad. Control-M's neueste Version entwickelt KI-klare Orchestrierung, die KI-Agenten mit Geschäfts-Workflows verbindet und sowohl in SaaS- als auch in selbstgehosteten Umgebungen verfügbar ist. Die neuen KI-Pilot-Funktionen von Control-M bringen konversationelle Analysen und Workflow-Erklärungen in die Überwachungsperspektiven, sodass ein Operator ein Problem in natürlicher Sprache verstehen und lösen kann, anstatt diesen Kontext von Hand zusammenzustellen. Data Assurance für Control-M SaaS verbessert die Qualität der Daten, auf die ein Workflow angewiesen ist – was hier wichtig ist, weil ein Agent, der über nicht verifizierte Eingaben argumentiert, eine sichere Antwort auf schlechte Beweise liefert. Und Multi-Region Disaster Recovery schützt missionskritische Workflows gegen die eine Bedingung, aus der kein Agent sich herausfinden kann, nämlich dass die Umgebung selbst versagt.
Auf dem Mainframe, wo sowohl die Einsätze als auch das Fähigkeitsproblem am schärfsten sind, setzen BMC AMI Agentics for Ops und BMC AMI Agentics for Data spezialisierte Agenten ein, um Probleme zu untersuchen, Ursachen zu erklären, nächste Schritte zu empfehlen und dieselbe Expertise für Db2-Leistung und -optimierung einzubringen. BMC AMI Assistant bringt Mainframe-Wissen und KI-Unterstützung direkt in Microsoft Teams, weil Beweise nur dort nützlich sind, wo die Arbeit bereits stattfindet. Neue Entwicklungsmöglichkeiten lösen das Kompetenzproblem von der anderen Seite an, indem sie synthetische Testdaten aus dem eigenen Code eines Programms generieren, um die Zykluszeit zu verkürzen und die Qualität zu verbessern. Und ein bereicherter Sicherheitskontext stärkt die Cyber-Resilienz dort, wo Störungen am wenigsten erschwinglich sind.
Diese Fähigkeiten laufen auf den Systemen, die wir Unternehmen seit vier Jahrzehnten beim Betrieb unterstützen, und auf diesem Grund muss jede Behauptung über verlässliche KI bestehen. Die Arbeit besteht nun darin, die Vorhersehbarkeit zu sichern, während die darin befindlichen Systeme beginnen, zu vernünftigen. Für die vollständigen Veröffentlichungsdetails besuchen Sie die What's New-Seiten zu Control-M und BMC AMI.
[1]: IDC, Market Forecast: IDC Global DataSphere Forecast, 2026–2030, Juni 2026 (öffentliches Abstract). https://my.idc.com/getdoc.jsp?containerId=US53425426
[2]: Google, "I/O 2026: Willkommen in der agentischen Zwilling-Ära", 19. Mai 2026. https://blog.google/innovation-and-ai/sundar-pichai-io-2026/
[3]: Flexera, 2026 State of the Cloud Report, März 2026, S. 13. https://resources.flexera.com/web/pdf/Flexera-State-of-the-Cloud-Report-2026.pdf
[4]: BMC, Mainframe-Umfrage 2026. https://www.bmc.com/info/mainframe-survey.html
Entdecken Sie, was es Neues gibt:
Diese Beiträge sind meine eigenen und spiegeln nicht unbedingt die Position, Strategien oder Meinung von BMC wider.