Die fortschreitende Digitalisierung verändert Lernprozesse in der beruflichen Weiterbildung grundlegend und stellt erhöhte Anforderungen an berufstätige Erwachsene. Neben technischen Voraussetzungen rücken auch psychologische Einflussfaktoren zunehmend in den Vordergrund. Auf Grundlage leitfadengestützter Interviews mit acht ExpertInnen aus der Erwachsenenweiterbildung untersucht dieser Beitrag die Bedeutung von Motivation, Selbstregulation und digitaler Selbstwirksamkeit für das digitale Lernen berufstätiger Erwachsener. Die qualitative Inhaltsanalyse nach Mayring zeigt ein differenziertes Bild: Motivation gilt als notwendige Bedingung für die Teilnahme an digitalen Lernangeboten, reicht jedoch allein nicht für nachhaltigen Lernerfolg aus. Als entscheidender Faktor erweist sich vielmehr die Selbstregulation, da sie es Lernenden ermöglicht, digitale Lernprozesse in flexiblen Umgebungen eigenständig zu planen, zu steuern und langfristig aufrechtzuerhalten. Zugleich beeinflusst die digitale Selbstwirksamkeit sowohl den Zugang zu digitalen Lernformaten als auch die Stabilisierung von Motivation und gewinnt insbesondere in der Einstiegsphase an Bedeutung. Die Ergebnisse machen zudem deutlich, dass psychologische Faktoren nicht isoliert wirken: Lernzeit, organisationale Unterstützung und technische Infrastruktur prägen ihr Zusammenspiel maßgeblich. Der Beitrag zeigt damit, dass digitales Lernen berufstätiger Erwachsener weit über die rein technische Bereitstellung digitaler Technologien hinausgeht und wesentlich von der gezielten Förderung psychologischer Ressourcen abhängt.
Digitale Transformationsprojekte in Unternehmen werden häufig als technologische Vorhaben verstanden. In der Praxis zeigt sich jedoch, dass ihr Erfolg wesentlich von organisationalen und menschlichen Faktoren abhängt. Der Beitrag untersucht Partizipation als Erfolgsfaktor digitaler Transformationsprojekte am Beispiel der Einführung von Digital Supply Chain Twins. Grundlage ist eine qualitative Expertenstudie mit 16 Interviews. Die Interviews wurden ursprünglich zur digitalen Transformation logistischer Netzwerke und zur Implementierung datenintensiver Entscheidungssysteme geführt. In der induktiven Auswertung traten jedoch zahlreiche Befunde hervor, die über technische Aspekte hinausgehen, etwa Akzeptanz, Vertrauen, Kommunikation, Verantwortlichkeiten, Führung, Qualifizierung und Change Management. Auf Basis von Literatur zu Partizipation, digitaler Beteiligung und Change Management werden sieben partizipationsorientierte Erfolgsfaktoren synthetisiert und mit den induktiven Interviewkodes abgeglichen. Der Beitrag entwickelt auf Basis einer theoriegeleiteten Re-Analyse qualitativer Interviewdaten eine konzeptionelle Übersicht partizipationsorientierter Erfolgsfaktoren digitaler Transformationsprojekte. Besonders sichtbar wird die partizipative Relevanz auch in vermeintlich technischen Feldern wie Datenqualität, Interoperabilität und Schnittstellenmanagement. Die Analyse legt nahe, Partizipation in digitalen Transformationsprojekten nicht allein als Beteiligungsformat, sondern als sozio-technische Gestaltungslogik zu verstehen.
Der E-Commerce befindet sich an einem Wendepunkt. Agentische KI (engl. Agentic AI) übernimmt zunehmend Aufgaben, die bisher zentral für digitale Marketing- und Handelsprozesse waren: Produktsuche, Vergleich, Empfehlung und Kaufvorbereitung, in den nächsten Ausprägungen auch die Kaufentscheidung und die Transaktionsauslösung selbst. Entwicklungen wie ChatGPT Shopping und die Integration von Instant Checkout verdeutlichen diesen Wandel. Die aufkommenden Agentic-Commerce-Funktionalitäten verändern Customer Journeys, Produktsichtbarkeit und die grundlegenden Marketing-Logiken im E-Commerce nachhaltig. Der Beitrag analysiert diese Veränderungen, arbeitet zentrale Herausforderungen heraus und leitet Handlungsfelder ab. Er versteht sich als Einladung an Praktikerinnen und Praktiker ebenso wie an Forschende, sich mit einer Transformation auseinanderzusetzen, die bereits heute strategisches Handeln erfordert.
Der Schweizer Arbeitsmarkt unterliegt aktuell tiefgreifenden Veränderungen. Technologische Innovationen wie die Künstliche Intelligenz (KI), ein branchenübergreifender Mangel an Fachkräften, sowie der Bedarf an flexiblen, digital unterstützten Arbeitsformen erfordern zeitgemässe Ansätze für die Karriereberatung und Stellenempfehlungen. Vorhandene IT-basierte Beratungs- und Empfehlungssysteme beschränken sich oft auf die Informationsbereitstellung über Webseiten, fokussieren auf einzelne Branchen oder betrachten die Anforderungen des Bildungs- und Arbeitsmarktes isoliert. In diesem Projekt wird ein ganzheitliches System vorgestellt, welches berufliche Profile, Kompetenzen, Bildungswege und Arbeitsmarktinformationen vereint. Zentrales Element ist ein KI-Agent, welchen wir mit einer Graph-Datenbank und einem vektorbasierten System kombinieren. Im Projekt werden Daten aus den schweizerischen und europäischen Bildungs- und Klassifikationssystemen sowie Schweizer Arbeitsmarktdaten miteinander verknüpft. Dieser Beitrag gibt Praktiker:innen Einblicke in die konzeptionellen Grundlagen, die methodische Vorgehensweise und die Softwarearchitektur eines KI-basierten Beratungs- und Empfehlungssystems, das Fachberatende in ihrer Praxis und Nutzer:innen bei der eigenständigen Orientierung zu Berufs- und Karriereoptionen unterstützt. Darüber hinaus werden erste Ergebnisse sowie Herausforderungen anhand konkreter Beispiele diskutiert.
Ergänzend zu den in der Forschung diskutierten hochautonomen Agenten-Systemen zeigt die Praxis Stand Ende 2025, dass unter dem Begriff Agent derzeit vor allem deterministische Workflows mit gezielt begrenzten Entscheidungsbefugnissen verstanden und implementiert werden. Trotz dieser Begrenzung unterscheiden sie sich fundamental von Chatbots, da sie interpretative Entscheidungen treffen und automatisierte Systemaktionen auslösen, von der Ticketpriorisierung bis zur Compliance-Prüfung. Gerade daraus entsteht ein spezifischer Governance-Bedarf, da fehlerhafte Entscheidungen unmittelbare und verkettete Systemeffekte haben können. Auf Basis von Beratungsprojekten entwickeln wir vier Governance-Prinzipien für diese produktiven Agenten-Workflows: (1) Bounded Autonomy, die begrenzte Entscheidungsfähigkeit innerhalb deterministischer Prozesse, als konzeptionelle Grundlage, (2) Robuste KI-Infrastruktur mit umfassender Nachvollziehbarkeit, (3) Risikobasierte Klassifikation mit proportionaler Steuerung sowie (4) Kontinuierliche Qualitätssicherung durch empirische Validierung mit menschlicher Fachbewertung. Diese Prinzipien untermauern wir mit einem operativen Orientierungsrahmen für Praktiker. Für den branchenweiten Nachweis wirksamer KI-Governance fehlt jedoch ein technologieneutraler Prüfstandard, eine Lücke, die Umsetzung und Vergleichbarkeit erschwert.
Mit der digitalen Transformation und der damit einhergehenden Ausrichtung an Plattformkonzepten und Digitalen Services zählen Daten zu den entscheidenden Elementen der Wettbewerbsfähigkeit. Sie sichern eine stabile Führungsrolle im Wettbewerb, indem sie helfen, komplexe Geschäftsmodelle zu betreiben oder neue Märkte zu erschließen. Ein Ordnungsrahmen für diese Daten und ihr Management ist daher wichtiger Erfolgsfaktor. Data Governance schafft diesen Ordnungsrahmen und damit einen Mehrwert für die Organisation. Nicht immer wird dieser Mehrwert verstanden, Data Governance stattdessen als unerwünschte Bürokratie abgelehnt. Zusätzlich kann der Eindruck entstehen, dass regelmäßige Prüfungen dieser Data Governance das Tagesgeschäft belasten. Tatsächlich schafft eine gute Data-Governance-Prüfung Transparenz. Sie deckt Lücken auf und unterstützt die Fachbereiche darin, Verbesserungspotentiale zu erschließen und dadurch genau jenen Mehrwert zu schaffen, von dem die gesamte Organisation profitiert. Dieser Beitrag soll daher aufzeigen, welche Aspekte in einer Prüfung betrachtet werden können und welcher Mehrwert durch die Beschäftigung mit den Prüfungsthemen geschaffen werden kann.
Die Verbreitung generativer KI hat zu einem rasanten Anstieg synthetischer Medieninhalte im Internet geführt. Diese Entwicklung verändert die digitale Öffentlichkeit grundlegend, denn hochqualitative Deepfakes lassen sich selbst von geschulten Personen kaum noch sicher von authentischen Medien unterscheiden. Gleichzeitig sind die Folgen KI-manipulierter Inhalte, wie Betrug, Falschinformation oder Vertrauensverlust, umfassend bekannt. Während regulative oder bildungspolitische Maßnahmen primär die Detektionsfähigkeiten der Allgemeinheit stärken können, benötigen besonders digitalforensische Fachkräfte in Sicherheitsbehörden, Presse oder Privatwirtschaft technische Unterstützung bei der Identifikation von Deepfakes. Das Forschungsprojekt „Multi-Modal Deepfake Detection“ (MuDDi) entwickelt hierfür Werkzeuge zur multimodalen Erkennung von KI-Inhalten und verbindet dabei bisher getrennte Forschungsansätze zu Inhaltsformaten wie Text, Bild, Video und Audio. Dieser Artikel stellt den aktuellen Forschungsstand von MuDDi auf Basis der Design-Science-Research-Methodologie dar. Nach der Problembeschreibung präsentiert der Artikel umsetzungs- und praxisrelevante Anforderungen aus qualitativen Expert:inneninterviews, die das technische Framework und den Prototypen als Forschungsartefakte leiten. Das Framework beschreibt die konkrete Umsetzung der Design-Anforderungen, während der Prototyp die Analyse von Bildern, Videos und Audio mittels KI-basierter End-to-End-Detection-Module, Wasserzeichenerkennung, der Extraktion pulsbasierter Signale aus Gesichtsregionen, kontextsensitivem Reasoning und dem Abgleich von Lippenbewegungen zu Tonspur demonstriert. Abschließend skizziert der Beitrag die geplante Umsetzung als Proof of Concept in der öffentlichen Verwaltung sowie die Evaluation und Kommunikation des Projekts.
Generative künstliche Intelligenz wird im E‑Commerce zunehmend eingesetzt, um Produktbeschreibungen, Antworten im Kundendienst und Bildmaterial für Onlineshops automatisiert zu erzeugen. Damit verbunden ist die Herausforderung, die Qualität und Regelkonformität dieser Inhalte in großem Umfang sicherzustellen, ohne dabei aufwändige manuelle Prüfprozesse etablieren zu müssen. In diesem Beitrag stellen wir einen Bewertungsagenten vor, der auf großen Sprachmodellen basiert und KI-generierte Inhalte anhand expliziter Qualitäts- und Compliance-Kriterien bewertet sowie, wenn nötig, eine Korrektur bzw. erneute Generierung veranlasst. Der Bewertungsagent vergibt nachvollziehbare Bewertungen mit Begründungen und kann problematische Inhalte entweder zur Überarbeitung an das erzeugende System zurückgeben oder an menschliche Prüfer eskalieren. Methodisch folgt der Beitrag einem gestaltungsorientierten Forschungsansatz, der auf einer langfristigen, transdisziplinären Kooperation der HTW Dresden mit der Otto Group basiert. In mehreren Designzyklen wurden zunächst Anforderungen aus der Unternehmenspraxis und dem Regulierungsrahmen, insbesondere dem europäischen Rechtsrahmen für künstliche Intelligenz, erhoben und in einen Bewertungskatalog für Chatbot-Antworten überführt. Dieser Katalog wurde anschließend in auswertbare Bewertungsregeln umgesetzt, kalibriert und in einen lauffähigen Bewertungsagenten integriert, der zunächst für Kundenchats pilotiert und später auf generierte Produktbilder erweitert wurde. Der Beitrag zeigt, wie ein solcher Bewertungsagent als eigenständiger Qualitätssicherungsschritt in den Content-Pipelines agentischer Architekturen des elektronischen Handels verankert werden kann, und leitet daraus Implikationen für Praxis und Forschung ab.
Mit fortschreitender technologischer Entwicklung können immer weniger Organisationen KI-Innovation dem Zufall überlassen. Dieser Beitrag rekonstruiert das Managementsystem, das Deutschlands größtes E‑Commerce-Unternehmen (OTTO) befähigt, organisationale Intention kontinuierlich in wertstiftende KI-Innovation zu übersetzen. Demnach beruht kontinuierliche KI-Innovation auf dem Zusammenspiel von fünf KI-Innovationsprozessen, das sich durch Maßnahmen auf den Ebenen Führung, Planung, Unterstützung sowie Erfolgskontrolle Verbesserung begünstigen lässt. Der Beitrag identifiziert relevante Gestaltungsaspekte des betrieblichen KI-Innovationsmanagements und entsprechende OTTO-Praktiken. Er bietet mithin eine Grundlage für Entscheidungsträger, KI-Innovation in anderen Kontexten zu systematisieren.
Unternehmen stehen in dynamischen Märkten vor der Herausforderung, große Mengen an Informationen frühzeitig zu verarbeiten, um fundierte strategische Entscheidungen zu treffen. Klassische Methoden der strategischen Vorausschau, wie Trendstudien, Delphi-Befragungen oder manuelles Horizon Scanning, stoßen dabei aufgrund begrenzter Verarbeitungskapazität, zeitlicher Verzögerungen und kognitiver Verzerrungen an ihre Grenzen. In diesem Artikel zeigen wir, wie autonome KI-Agenten (Agentic AI) diese Einschränkungen überwinden können. Wir stellen eine Architektur für ein Multi-Agenten-System vor, das jeweils einen Scout‑, Validator- und Synthese-Agenten umfasst. Der Scout-Agent identifiziert relevante Signale in unstrukturierten Datenquellen, der Validator-Agent prüft deren Plausibilität, Quellenqualität und mögliche Biases, und der Synthese-Agent verdichtet die validierten Informationen zu strukturierten Impact-Bewertungen, die als Entscheidungsgrundlage für das Strategieteam dienen. So können Unternehmen die strategische Vorausschau von einer punktuellen Tätigkeit zu einem permanenten, datengetriebenen Prozess transformieren. Wir argumentieren, dass Agentic Foresight das Potenzial hat, die Geschwindigkeit und Genauigkeit der Informationsverarbeitung signifikant zu erhöhen und durch kontinuierliches Monitoring sowie iterative Validierung die Entscheidungsgrundlagen des Managements zu verbessern. Gleichzeitig diskutieren wir Limitationen wie Halluzinationsrisiken, Inferenzkosten und Governance-Herausforderungen. Die Rolle des Menschen bleibt zentral, um kritische Bewertungen vorzunehmen und ethische Verantwortung zu gewährleisten. Abschließend diskutieren wir die Integration in bestehende Strategieprozesse sowie Perspektiven für prädiktive Modelle, kooperative Agentensysteme und neue Anwendungsfelder, die Unternehmen einen potenziellen Informations- und Wettbewerbsvorsprung verschaffen.
Von 2021 bis 2026 profitierte der öffentliche Gesundheitsdienst in Deutschland von Fördermitteln aus dem „Pakt für den Öffentlichen Gesundheitsdienst“ für Digitalisierungsvorhaben. Die digitale Reife der Gesundheitsämter hat sich seither kontinuierlich weiterentwickelt, jedoch bleibt offen, wie dieser Transformationsprozess von Mitarbeitenden in den Gesundheitsämtern eingeordnet wird und welche Faktoren den Erfolg oder Misserfolg digitaler Implementierungen in der Praxis beeinflussen. Vor diesem Hintergrund untersucht diese Studie auf Basis von 16 leitfadengestützten Interviews mit Mitarbeitenden in Gesundheitsämtern, wie digitale Technologien im öffentlichen Gesundheitsdienst eingeführt, wahrgenommen und genutzt werden. Zur systematischen Analyse dient das Consolidated Framework for Implementation Research (CFIR), das technische, organisationale und kontextuelle Einflussfaktoren der Implementierung erfasst. Die Analyse zeigt, dass die Implementierung digitaler Technologien im öffentlichen Gesundheitsdienst von Herausforderungen geprägt ist. Dazu zählen ausgeprägte bürokratische Hürden, Defizite in der IT-Ausstattung, eine fehlende Standardisierung und begrenzte personelle Ressourcen für eine effiziente Umsetzung digitaler Lösungen. Gleichzeitig werden auch zentrale Erfolgsfaktoren sichtbar. Die Corona-Pandemie hat den Digitalisierungsdruck verstärkt und zu einer gesteigerten Akzeptanz digitaler Technologien beigetragen. Besonders die Unterstützung durch Führungskräfte, die aktive Einbindung der Mitarbeitenden sowie eine konsequente Bürgerorientierung erweisen sich als entscheidend für den Implementierungserfolg. Basierend auf der Analyse werden Maßnahmen abgeleitet, wie bestehende Barrieren überwunden und digitale Vorhaben im öffentlichen Sektor nachhaltig umgesetzt werden können. Die Studie leistet einen wichtigen Beitrag zur Kontextualisierung von Implementierungsfaktoren speziell für den ÖGD und bietet zudem übertragbare Impulse für die digitale Transformation öffentlicher Verwaltungen.
Diese Arbeit untersucht, wie ein KI-Agent zur automatisierten Erschließung und Integration unstrukturierter Daten im industriellen Engineer-to-Order-Kontext eingesetzt werden kann. Da ein großer Teil des Unternehmenswissens in frei formatierten Dokumenten vorliegt, ist er bislang für datenbasierte Entscheidungsunterstützung nur eingeschränkt nutzbar. Im Rahmen eines Design-Science-Research-Ansatzes wurde in Kooperation mit Siemens Energy ein modularer, KI-basierter Prototyp entwickelt, in dem der Agent als Middleware agiert: Er extrahiert fortlaufend projektspezifische Informationen aus Dokumenten, verknüpft sie über Vektor-Embeddings mit bestehenden Datenbeständen und ergänzt sie durch Interpretationen eines Large Language Models. Die aufbereiteten Daten werden in ein Tool zur visuellen Prozesssteuerung integriert und den Anwendern bereitgestellt. Die Evaluation mit realen Unternehmensdaten zeigt signifikante Verbesserungen hinsichtlich Effizienz, Transparenz und Nachvollziehbarkeit der Informationsverarbeitung. Die Arbeit bietet übertragbare Gestaltungsansätze und identifiziert Forschungsbedarf zu Multimodalität, Nutzerakzeptanz und nachhaltiger Systemintegration.
Der Einsatz von KI-Agenten im Datenmanagement bietet Potenziale wie die skalierbare Verarbeitung heterogener Datensätze oder die Reduktion manueller Aufwände und kann somit die Grundlage für schnellere, robustere und besser dokumentierte datenbasierte Entscheidungsprozesse darstellen. Vor dem Hintergrund von Fachkräftemangel und steigenden Compliance-Anforderungen wirken agentische Systeme als Hebel, um knappe personelle Ressourcen auf komplexe, wertschöpfende Tätigkeiten zu verlagern und gleichzeitig Governance‑, Transparenz- und Qualitätsanforderungen an Datenbestände besser zu erfüllen. Gleichzeitig verändert der Einsatz von KI-Agenten das soziotechnische Arbeitssystem des Datenmanagements grundlegend, insbesondere im Hinblick auf Handlungsspielräume und Kompetenzanforderungen der Beschäftigten. Diese Arbeit untersucht, welchen Einfluss KI-Agenten künftig auf das soziotechnische Arbeitssystem „Datenmanagement“ im Bereich der intelligenten Mobilität haben und welche Veränderungen sich daraus ergeben. Der Wandel wird entlang der vier Dimensionen soziotechnischer Systeme – Technologie, Aufgaben, Mensch, Struktur – analysiert. Die Ergebnisse zeigen, dass vor allem repetitive Routinetätigkeiten durch KI-Agenten automatisiert werden könnten, während sich der menschliche Fokus auf komplexe und wertschöpfende Aufgaben verlagert. Es entstehen neue Rollenprofile von Datenarbeitern mit Konfliktpotenzialen: Neben KI-Bürokraten, die Richtlinien und Compliance sicherstellen, entwickeln KI-Unternehmer innovative Lösungsansätze. Zudem zeichnet sich die Notwendigkeit stärker zentralisierter Organisationsstrukturen zur Steuerung und Verantwortung des KI-Einsatzes ab. Für Praktiker im Bereich der intelligenten Mobilität identifiziert die Arbeit zentrale Transformationsfelder im Datenmanagement und unterstützt damit ein proaktives Gestalten des anstehenden Wandels.
KI-Agenten, die eigenständig mehrstufige Aufgaben planen und ausführen, markieren einen grundlegenden Wandel gegenüber herkömmlichen Chatbots. Sie buchen Reisen, verfassen E‑Mails oder werten Finanzdaten aus, zunehmend ohne menschliche Einzelfreigabe. Mit dieser Autonomie entstehen jedoch neuartige Risiken, die bei klassischer Software nicht auftreten: Agenten können nicht existierende Schnittstellen halluzinieren, fehlerhafte Informationen dauerhaft im Gedächtnis verankern oder kleine Fehler über verkettete Arbeitsschritte zu schwer revidierbaren Konsequenzen aufschaukeln. Konventionelle Risikobewertungen, die auf statische Modelle ausgelegt sind, greifen hier zu kurz. Vertrauen wird damit nicht nur zur Akzeptanzfrage, sondern zum Sicherheits- und Qualitätsfaktor. Dieser Beitrag verbindet architektonische Risikoanalysen agentischer Systeme mit etablierten Vertrauensmodellen und Erkenntnissen der sozialen Erklärungsforschung. Daraus werden im Rahmen der gestaltungsorientierten Forschung fünf Gestaltungsempfehlungen abgeleitet: kontrastive Entscheidungstransparenz, gestufte Handlungsautonomie, proaktive Unsicherheitskommunikation, prüfbares und korrigierbares Gedächtnis sowie domänenspezifische Kompetenzbegrenzung. Die Empfehlungen werden anhand eines durchgängigen Praxisszenarios, einem KI-Reiseassistenten, veranschaulicht und richten sich an UX-Designer sowie Systemarchitekten. Die übergreifende Einsicht: Vertrauenswürdigkeit entsteht nicht durch maximale Leistungsdarstellung, sondern durch einen kalibrierten Umgang mit den eigenen Grenzen.
Agentenbasierte künstliche Intelligenz eröffnet neue Möglichkeiten für die Unterstützung heterogener Bevölkerungsgruppen in Wohnquartieren. Sozialroboter bieten als physische Plattform für KI-Agenten einen vielversprechenden Zugang, da sie in halböffentlichen Räumen präsent sind, soziale Signale interpretieren und sich an wechselnde Gegenüber anpassen können. Allerdings fehlt es bislang an einem systematischen Überblick über die relevanten Forschungsperspektiven dieses Feldes. Der vorliegende Beitrag adressiert diese Lücke, indem er auf Grundlage einer Synthese fünf bestehender Frameworks zehn Forschungsperspektiven für den Einsatz von KI-Agenten in Form von Sozialrobotern in Wohnquartieren herleitet. Diese Perspektiven wurden mittels einer Real-Time-Delphi-Studie mit 43 Expertinnen und Experten aus Wissenschaft und Praxis hinsichtlich ihrer wissenschaftlichen und praktischen Relevanz validiert. Die Ergebnisse bestätigen die Relevanz aller zehn Perspektiven. Aus den qualitativen Daten wurde zudem eine elfte Perspektive – die Perspektivenverschränkung – identifiziert, die die systematischen Interdependenzen zwischen den Forschungsperspektiven als eigenständigen Forschungsgegenstand markiert. Der Beitrag liefert damit einen Orientierungsrahmen für einzelne Forschende und interdisziplinäre Verbünde, der eine gezielte Verortung und koordinierte Bearbeitung des Forschungsfeldes ermöglicht und zugleich Praxisakteuren aus Wohnungswirtschaft, Quartiersmanagement und Architektur als Anforderungsraster für Quartiersprojekte dient.
Die automatisierte Erstellung von Workflows gilt als vielversprechender Ansatz, um auch Fachkräfte ohne tiefgehende Programmierkenntnisse in die Prozessautomatisierung einzubinden. Doch bestehende Ansätze scheitern an einem grundlegenden Problem: Sie erzeugen syntaktisch korrekte Prozesse, die jedoch zur Laufzeit abbrechen, weil erforderliche Stammdaten fehlen oder halluziniert werden. Die Autoren entwickeln ein Multi-Agent-System, das dieses Abhängigkeitsdilemma durch intelligente Arbeitsteilung löst. Spezialisierte Agenten generieren Workflow-Strukturen, während ein Master-Data-Agent prüft, welche Stammdaten in der Zielanwendung existieren, und fehlende Einträge identifiziert. Die Evaluation anhand realer Verwaltungs-Workflows zeigt: Das System erreicht vollständige syntaktische Korrektheit aller erfolgreich generierten Workflows und hohe semantische Qualität bei Standard-Prozessen. Bei komplexen Abhängigkeiten stößt es jedoch an Grenzen. Der pragmatische Lösungsweg ist ein hybrider Ansatz: Das System übernimmt die technische Komplexität, der Mensch validiert fachliche Plausibilität und erstellt Stammdaten manuell. Diese Arbeitsteilung spart beim effizienteren Instruct-Model ein Drittel der Erstellungszeit und transformiert Fachkräfte vom Ersteller zum Reviewer. Der Beitrag liefert Handlungsempfehlungen und zeigt, wann sich der Einsatz agentischer Systeme zur Workflow-Generierung lohnt.
