Entwicklung und Einsatz von KI-Agenten in der Produktion zeigen eine klare Tendenz hin zu kontrollierten, schrittweise gesteuerten Systemen. Eine aktuelle Studie mit 306 Fachkräften und 20 detaillierten Fallstudien aus 26 Bereichen offenbart, dass 68 % der KI-Agenten maximal zehn Schritte ausführen, bevor menschliche Intervention erforderlich wird. Dies unterstreicht die Präferenz für „tightly bounded autonomy“ – also begrenzte Autonomie – anstelle vollständig autonomer Systeme, um Fehler und ethische Risiken zu minimieren. Die meisten Agenten werden in strukturierten, vordefinierten Workflows eingesetzt, wobei offene, selbstplanende Ansätze selten sind. Nur 7 % der Anwendungen sind maschinenübergreifend, was die Erwartungen an umfassende KI-Agenten-Ökosysteme deutlich zurücknimmt. Die technische Umsetzung basiert weitgehend auf kommerziellen, vorgefertigten Sprachmodellen (LLMs), wobei 70 % auf Prompting statt Gewichtsanpassung setzen. Nur wenige Unternehmen nutzen Fine-Tuning oder privates Hosting, was die Entwicklung beschleunigt, aber Fragen zur Datenprivatsphäre und langfristigen Anpassungsfähigkeit aufwirft. Innerhalb der Unternehmen dominieren interne Tools – etwa für Datenanalyse, Dokumentation oder IT-Operations – gegenüber Kunden- oder Kundennähe orientierten Lösungen. Diese Fokussierung auf internen Einsatz ermöglicht eine stabilere Integration und leichtere Überwachung. Ein weiterer Schlüsseltrend ist die Akzeptanz von Latenz-relaxten Anwendungen: Statt auf Echtzeitantworten zu setzen, nutzen Entwickler KI für nicht-urgenten, batch-basierte Aufgaben wie Berichterstattung oder Datenbereinigung. Dadurch wird die Systemstabilität verbessert, ohne dass hohe Performance-Anforderungen erfüllt werden müssen. Die Bewertung von KI-Agenten bleibt jedoch weitgehend informell: 74 % setzen auf menschliche Beurteilung, 52 % nutzen sogar LLMs als „Judge“ zur Qualitätssicherung. Formale Benchmarks werden kaum genutzt, was zu Lücken bei der objektiven Validierung und Skalierbarkeit führt. Die größte Herausforderung bleibt die Zuverlässigkeit – insbesondere die Sicherstellung der Korrektheit und Nachvollziehbarkeit von KI-Ausgaben. Interessanterweise bauen viele Teams eigene Frameworks statt externe Lösungen zu nutzen. Dies ermöglicht mehr Kontrolle und Anpassungsfähigkeit, birgt aber auch Risiken wie schnelle Feature-Churn und erhöhten Wartungsaufwand. Trotz aller Automatisierung bleibt menschliche Überwachung zentral – nicht als temporäre Maßnahme, sondern als grundlegende Sicherheitsfunktion im agentic Workflow. In der Branche wird die Entwicklung als pragmatisch und realistisch bewertet: Experten sehen in der Begrenzung der Autonomie und der menschlichen Mitwirkung einen gesunden Kompromiss zwischen Innovation und Verantwortung. Unternehmen wie Google, Microsoft und AWS unterstützen diese Entwicklung durch stabile APIs und Monitoring-Tools, doch die dominierende Rolle von Eigenentwicklungen zeigt, dass Standardlösungen noch nicht ausreichen. Langfristig könnte sich eine Hybrid-Ära etablieren, in der KI-Agenten als unterstützende, kontrollierte Werkzeuge in geschlossenen Workflows funktionieren – nicht als Ersatz für Menschen, sondern als intelligente Ergänzung.