Beobachtungszeitraum: 22. Oktober 2026, 09:00 Uhr, bis 29. Oktober, 09:00 Uhr, jeweils Pekinger Zeit. Als Neuigkeiten gelten ausschließlich in diesem Zeitraum offiziell veröffentlichte Rollout-Pläne, Geschäftsinformationen, Forschungsergebnisse und Produktfortschritte. Bereits zuvor laufende Kundenprojekte werden ausdrücklich als Hintergrund eingeordnet und nicht erneut als Neuankündigung dargestellt.
Einleitung
KI in Unternehmen ist in eine anspruchsvollere, aber auch wertvollere Phase eingetreten: vom „Schreiben und Antworten“ zur „tatsächlichen Einbindung in organisatorische Abläufe“. Diese Woche kündigte Uber an, seinen Pilotversuch mit 1.000 Personen zu einem unternehmensweiten Rollout von ChatGPT Work für mehr als 30.000 Beschäftigte auszuweiten. ServiceNow veröffentlichte Angaben zur Veränderung der Agentennutzung in Produktionsumgebungen gegenüber dem Vorjahr. SAP stellte Kundenbeispiele aus Finanzwesen und Beschaffung vor. Zugleich verweist eine auf Selbstauskünften von Unternehmen beruhende Umfrage auf unerwartete Kosten und Governance-Probleme durch KI-Agenten. Google, IBM und Akamai ergänzen unterdessen die technische Grundlage um isolierte Ausführungsumgebungen, Identitätsnachweise und Berechtigungskontrollen.[1][2][3][4][6][7][8]
Zwei Trugschlüsse beim Umgang mit Kennzahlen gilt es zu vermeiden: Freigeschaltete Konten bedeuten nicht, dass Beschäftigte sie dauerhaft nutzen, und die von Anbietern angegebenen Einsparungen sind kein unabhängig überprüfter Return on Investment. Dieser Artikel unterscheidet ausdrücklich zwischen „Rollout gestartet“, „bereits in Nutzung“, „Nutzungsvolumen im Produktivbetrieb“ und „Produkt in der Testversion“, damit Fortschritte unterschiedlicher Reifegrade nicht miteinander vermischt werden.
Topmeldung | Uber weitet ChatGPT Work vom Pilotversuch mit 1.000 Personen auf mehr als 30.000 Beschäftigte aus
Uber kündigte am 22. Oktober offiziell an, ChatGPT Work als KI-Agentenplattform für die Wissensarbeit weltweit mehr als 30.000 Beschäftigten zur Verfügung zu stellen. Damit erweitert das Unternehmen den bisherigen Pilotversuch mit rund 1.000 Personen. Dabei geht es um mehr als die bloße Bereitstellung eines Chat-Zugangs: Nach eigenen Angaben von Uber ist die Plattform mit alltäglichen Arbeitswerkzeugen wie Google Drive, Gmail, Google Calendar und Slack verbunden. Beschäftigte können sie damit beauftragen, anwendungsübergreifend Informationen zusammenzutragen, Besprechungsbriefings vorzubereiten, Präsentationen aufzubereiten und Daten zu analysieren. Die Softwareentwicklungsteams nutzen weiterhin Codex; die beiden Produkte erfüllen unterschiedliche Aufgaben.[1]
Besonders lehrreich für andere Unternehmen sind bei diesem Rollout die Voraussetzungen für eine unternehmensweite Einführung. Uber nennt zugleich eine interne Bibliothek für AI Skills, freigegebene Konnektoren und gezielte Mitarbeiterschulungen. Fehlen diese begleitenden Maßnahmen, können verschiedene Abteilungen bei demselben Modell unterschiedliche Wege der Datenübertragung, Freigabeberechtigungen und Arbeitsregeln nutzen. Mit wachsender Skalierung wird die Prüfung dann immer schwieriger. Die Ausweitung vom Pilotversuch mit 1.000 Personen auf die gesamte Belegschaft zeigt, dass Beschaffung, Berechtigungen, Schulungen und abteilungsübergreifende Arbeitsabläufe in das Projekt einbezogen wurden – es sich also um mehr als einen reinen Leistungstest handelt.[1]
Die Ankündigung besagt jedoch nicht, dass „30.000 Personen das System bereits täglich aktiv nutzen“. Ebenso wenig nennt sie durchschnittlich eingesparte Arbeitsstunden, finanzielle Erträge oder die Kosten der Aufrufe pro Person. Uber will Angaben zur tatsächlichen Nutzung und zu messbaren Ergebnissen erst später veröffentlichen. Die angemessene Einordnung lautet daher: Der unternehmensweite Rollout ist bestätigt; Belege für eine breite tatsächliche Nutzung und den realen ROI stehen noch aus. Andere Unternehmen können den Nutzen einer Ausweitung anhand der Abschlussquote von Tickets, der korrekten Ausführung systemübergreifender Aufgaben, des Zeitaufwands für menschliche Nachprüfungen, der Zahl der Berechtigungsüberschreitungen und der Gesamtkosten je Aufgabe überprüfen, statt die Zahl registrierter Konten als Erfolgskennzahl heranzuziehen.[1]
Meldung 1｜ServiceNow legt erstmals offen: Nutzung von KI-Agenten im Produktivbetrieb gegenüber dem Vorjahr mehr als verdreizehnfacht
In seiner Mitteilung zur Geschäftsentwicklung im dritten Quartal vom 28. Oktober erklärte ServiceNow, dass sich nach den plattformeigenen Messkriterien das Nutzungsvolumen von KI-Agenten durch Kunden in Produktionsumgebungen seit Jahresbeginn gegenüber dem Vorjahreszeitraum mehr als verdreizehnfacht habe. Das ist etwas anderes als die Zahl vorgeführter Demo-Agenten oder eine Prognose zum Lizenzabsatz im nächsten Jahr; zumindest beschreibt es eine vom Plattformanbieter beobachtete Ausweitung der produktiven Nutzung. Allerdings nennt der Finanzbericht weder eine einheitliche Maßeinheit für dieses „Nutzungsvolumen“ noch dessen Verteilung auf Kunden oder die Wirksamkeit bei einzelnen Aufgaben. Daraus lässt sich daher nicht ableiten, dass sich Umsatz oder Effizienz ebenfalls verdreizehnfacht hätten.[2]
Dieselbe Mitteilung berichtet, dass HPE ServiceNow ausgewählt hat, um den Kundensupport und den Außendienst im Cloud- und KI-Geschäft zu modernisieren. Stagwell wiederum will vier Service-Desk-Systeme auf einer Governance-Plattform für mehr als 70 Agenturen zusammenführen. Dabei handelt es sich um an diesem Tag bekannt gegebene Beschaffungs- und Umsetzungsvorhaben, die nicht als bereits vollständig abgeschlossen dargestellt werden dürfen. Die in der Mitteilung aufgegriffenen Kundenbeispiele von Bundesliga, Thrive und INRY waren bereits zuvor separat veröffentlicht worden. In dieser Ausgabe behandeln wir sie deshalb nicht als neue Implementierungen vom 28. Oktober. Unternehmen sollten ihren Fokus von „Welche Agenten gibt es?“ auf „Wie viel verbrauchen sie tatsächlich, wie viele Aufgaben erledigen sie erfolgreich und wer trägt bei Fehlern die Verantwortung?“ verlagern.[2]
Meldung 2｜SAP meldet 45.000 Cloud-Kunden mit KI-Nutzung – die ausgewiesenen Ergebnisse müssen weiterhin nach Prozessen aufgeschlüsselt werden
Für Finanz- und Lieferkettenteams sollte ein aussagekräftiger Vergleich das Geschäftsvolumen, den Anteil an Ausnahmefällen und das Serviceniveau konstant halten. Automatische Problemerkennung, abschließende Bestätigung durch Finanzmitarbeitende, Nachbearbeitung im System und Modellkosten gehören dabei in denselben Bericht. Die Zahl 45.000 bezeichnet Kunden, die KI-Produkte von SAP einsetzen – nicht 45.000 bereits vollständig autonom laufende Agentenprojekte.[3]
Meldung 3｜Redwood-Umfrage mahnt: Skalierbare Agenten sind nicht automatisch kontrollierbare Agenten
Am 22. Oktober veröffentlichte Redwood die Ergebnisse einer Befragung von 300 Fach- und Führungskräften aus den Bereichen Technologie, Risiko und KI. Demnach hatten 77 % der Befragten negative Folgen durch Agenten ohne angemessene Governance erlebt. Am häufigsten waren unerwartete Cloud-Kosten, gefolgt von Betriebsunterbrechungen und Compliance-Problemen. Zudem gaben 42 % an, über ein zentrales Verzeichnis der eingesetzten Agenten zu verfügen; 51 % berichteten von einer Echtzeitüberwachung ihrer Aktivitäten. Erfasst werden hier selbst berichtete Erfahrungen und organisatorische Fähigkeiten der Befragten. Daraus lässt sich nicht ableiten, dass es bei 77 % aller Unternehmen weltweit nachweislich zu tatsächlichen Vorfällen gekommen ist.[4]
Die Umfrage wurde von Redwood in Auftrag gegeben und ist auf dessen Automatisierungsgeschäft ausgerichtet. Stichprobengröße, Zusammensetzung der Befragten und mögliche Auswahlverzerrungen müssen daher berücksichtigt werden. Dennoch wirft sie eine praktische Frage auf: Wenn Unternehmen Agenten erlauben, systemübergreifend in Buchhaltung, CRM, Ticketsystemen und Code-Repositories zu arbeiten, ohne dass Verantwortliche, Werkzeugverzeichnisse, Abschaltmöglichkeiten und Mechanismen zur Abrechnung pro Aufgabe abrufbar sind, lassen sich Vorfälle im Nachhinein nur schwer aufarbeiten. Ein frühzeitiger Aufbau von Bestandsverzeichnissen, Genehmigungsregeln und Kostenüberwachung bietet eine verlässlichere Grundlage, als lediglich die Zahl der Agenten zu erhöhen.[4]
Meldung 4｜Finanzagenten verknüpfen Rechnungseingang, Freigabe und Zahlung – klare Berechtigungsgrenzen bleiben unverzichtbar
Am 22. Oktober kündigte Tipalti den AP Agent an. Er soll Rechnungseingang, Kontierung, Freigabe, Zahlung und Kontenabstimmung innerhalb eines gemeinsamen Workflows koordinieren und zugleich autorisierten KI-Werkzeugen im Unternehmen über MCP Finanzdaten bereitstellen. Das Konzept legt Wert auf Erläuterungen auf Feldebene, nachvollziehbare Aktionsprotokolle und die Möglichkeit für Finanzmitarbeitende, Entscheidungen des Agenten zu hinterfragen oder zu übersteuern. Unternehmen sollen außerdem selbst festlegen können, welche Schritte automatisch ausgeführt werden dürfen.[5]
Hier handelt es sich um Angaben zu neuen Produkten und Funktionen, die der Anbieter selbst veröffentlicht hat. Das Ausgangsmaterial enthält keine ausreichenden Daten, um die Erfolgsquote bei Kundenzahlungen oder die langfristige Kostenentwicklung unabhängig zu überprüfen. Unternehmen sollten bei der Einführung zunächst zwischen „Rechnungsstatus abfragen“, „Sachkonten vorschlagen“, „Zahlungsaufträge vorbereiten“ und „Zahlungen tatsächlich ausführen“ unterscheiden: Für den letzten Schritt sind strengere Freigaben abhängig von Betrag, Zahlungsempfänger und Berechtigungen erforderlich. Die Einführung von MCP bedeutet nicht, dass bestehende ERP-Berechtigungen, das Vier-Augen-Prinzip bei Bankzahlungen oder Zahlungsprüfungen umgangen werden dürfen.[5]
Meldung fünf｜Google, IBM und Akamai schaffen auf drei Ebenen die Voraussetzungen für den Produktivbetrieb von Agenten
Ausführungsumgebung. Google Cloud stellte am 22. Oktober Agent Compute Engine vor: Die Infrastruktur bietet Agenten microVMs mit Hardware-Isolation, kurzlebige Identitäten und persistente Arbeitsbereiche. Während auf ein Modell oder eine menschliche Freigabe gewartet wird, werden ungenutzte Instanzen pausiert, um den Ressourcenverbrauch zu begrenzen. Die Infrastruktur wird bereits für interne Gemini-Agenten-Workloads bei Google eingesetzt. Eine Vorschauversion von Agent Compute Engine für externe Kunden wird jedoch erst in den kommenden Monaten erwartet. Aus internen Nutzungserfahrungen darf nicht abgeleitet werden, dass bereits ein regulär verfügbares Angebot existiert, das alle Unternehmenskunden erwerben können.[6]
Identität und Autorisierung. IBM kündigte am 27. Oktober den Einsatz von HashiCorp Vault und Agent Identity für Agentenidentitäten, kurzlebige Zugangsdaten und den bedarfsgerechten Entzug von Berechtigungen an. Auch watsonx Orchestrate setzt auf plattformübergreifende Erkennung, Isolierung, Bewertung und Abschaltmöglichkeiten. Einige Erkennungs- und Isolierungsfunktionen sind weiterhin als technische Vorschau gekennzeichnet. Im Gegensatz zur herkömmlichen Vergabe langlebiger Administratorschlüssel an Bot-Konten konzentriert sich dieser Ansatz auf die Fragen: „Wer ist für den Agenten verantwortlich, worauf darf er zugreifen und wann werden seine Berechtigungen entzogen?“ Diese Fragen müssen Unternehmen beantworten, bevor sie Agenten tatsächlich an Produktivsysteme anbinden.[7]
Ausführungsgrenzen. Akamai veröffentlichte am 27. Oktober Betaversionen von Akamai Inference und Agent Sandbox: Ersteres bietet verwaltete Modellaufrufe, Letzteres isoliert von Agenten erzeugten Code mithilfe des Spin-Ökosystems und WebAssembly und begrenzt Rechenleistung, Speicher, externe Verbindungen sowie den Zugriff auf Systemfunktionen. Beide Angebote befinden sich in der Betaphase und dürfen nicht als uneingeschränkt für den kommerziellen Produktivbetrieb verfügbar dargestellt werden. Die Ansätze der drei Anbieter sind nicht vollständig gegeneinander austauschbar: microVMs bieten eine vergleichsweise starke Isolation, Komponenten wie Vault verwalten Identitäten und Geheimnisse, und Wasm-Sandboxen beschränken die Befugnisse ausführbaren Codes. Bei der konkreten Auswahl müssen außerdem Latenz, Beobachtbarkeit und betriebliche Komplexität abgewogen werden.[6][7][8]
Zahlen im Überblick｜Bei jeder Zahl zuerst auf die Bezugsgröße achten
- 1.000 → 30.000+: Die von Uber veröffentlichten Zahlen beziehen sich auf die Teilnehmerzahl des Pilotprojekts und den Umfang der Freigabe für die gesamte Belegschaft – nicht auf täglich aktive Nutzer oder eingesparte Arbeitsstunden.[1]
- Mehr als das 13-Fache: Der von ServiceNow gemeldete Anstieg des Verbrauchs durch produktiv eingesetzte KI-Agenten seit Jahresbeginn gegenüber dem entsprechenden Vorjahreszeitraum. Eine betriebliche Bezugsgröße, aus der sich unmittelbar ein ROI berechnen ließe, wurde nicht veröffentlicht.[2]
- 45.000: So viele Cloud-Kunden nutzen laut SAP die KI-Lösungen des Unternehmens. Die Zahl darf nicht mit der Anzahl eigenständiger Agentenprojekte im Produktivbetrieb gleichgesetzt werden.[3]
- 300 Personen, 77 %: Die Stichprobengröße der Redwood-Umfrage und der Anteil der Befragten, die negative Folgen meldeten – keine branchenweite Vorfallquote.[4]
- 0 Bilder: In dieser Ausgabe wurden weder Anbieterlogos noch dekorative Illustrationen oder Werbefotos unklarer Herkunft als Belege für Ergebnisse im Produktivbetrieb verwendet.
Technische Einschätzung｜Von der Modelldemo zur nachhaltigen Bereitstellung: Mindestens fünf Hürden sind zu nehmen
Die erste Hürde ist ein klar abgegrenzter Aufgabenbereich. Wählen Sie zunächst Prozesse mit klar definierten Eingaben, zulässigen Aktionen und Abnahmekriterien, etwa die Erstprüfung finanzieller Unregelmäßigkeiten, die interne Wissenssuche, die Kategorisierung von Kundenanfragen oder die Strukturierung von IT-Tickets. Vergeben Sie abgestufte Berechtigungen für „Suchen, Vorschlagen, Einreichen und Bezahlen“. Dass ein Agent präzise Antworten generieren kann, bedeutet nicht, dass er Buchhaltungsdaten im Produktivsystem direkt ändern dürfen sollte.[5][7]
Die zweite Hürde sind Identitäten und Geheimnisse. Legen Sie für jeden Agenten eine verantwortliche Person, kurzlebige Zugangsdaten, verfügbare Werkzeuge und die minimal erforderlichen Berechtigungen fest. Trennen Sie Browser und Code-Ausführungsumgebungen möglichst von langfristig gültigen Schlüsseln; leiten Sie risikoreiche Aktionen über ein Gateway mit Audit-Protokollierung. Auf diese Steuerungsebene zielen die diese Woche vorgestellten Lösungen von IBM, Google und Akamai gleichermaßen ab, ihr Verfügbarkeitsstatus unterscheidet sich jedoch je nach Anbieter.[6][7][8]
Die dritte Hürde sind menschliche Prüfung und geregelte Rückfallverfahren bei Ausnahmen. Halten Sie für Aufgaben, die keiner Regel zugeordnet werden können, Ergebnisse mit geringer Konfidenz liefern, das Budget überschreiten oder an Ausfällen externer Systeme scheitern, einen Weg zur menschlichen Übernahme offen. Rechnen Sie die Zeit für Prüfung, Rückabwicklung und Nacharbeit ein, statt die Geschwindigkeit eines einzelnen Inferenzvorgangs mit einem Effizienzgewinn im gesamten Prozess gleichzusetzen.[4][5]
Die vierte Hürde ist die Kostenrechnung. Erfassen Sie je abgeschlossener Aufgabe mindestens die Kosten für Token, Werkzeugaufrufe, den Betrieb der Ausführungsumgebung, Speicherung, Protokollierung, Wiederholungsversuche und menschliche Arbeit. Je komplexer ein Agent ist, desto eher können ungenutzte Umgebungen und wiederholte Aufrufe den Vorteil „günstiger Token“ aufzehren. Ermitteln Sie vor der Beschaffung anhand einer kleinen Stichprobe realer Aufgaben einen Ausgangswert für die Kosten pro Aufgabe.[4][6]
Die fünfte Hürde ist die betriebswirtschaftliche Erfolgskontrolle. Erfassen Sie getrennt, wie viele Beschäftigte Zugriffsrechte erhalten haben, wie viele Personen das System wöchentlich aktiv nutzen, wie viele Aufgaben abgeschlossen wurden, wie viele menschliche Korrekturen nötig waren, wie zufrieden die Endkunden sind und welche finanziellen Ergebnisse erzielt wurden. Die von Uber und SAP veröffentlichten Angaben liefern Hinweise auf Reichweite und Akzeptanz, die von ServiceNow auf die produktive Nutzung der Plattform. Das sind wertvolle Fortschritte. Für eine nachvollziehbare Berechnung der Kapitalrendite sind jedoch erst Wirkungsdaten auf Aufgabenebene erforderlich.[1][2][3]
Was als Nächstes zu beobachten ist
Zu beobachten ist, ob Uber künftig die Zahl der tatsächlichen Nutzer, die Qualität abgeschlossener Aufgaben und anwendungsübergreifende Sicherheitsvorfälle offenlegt; ob ServiceNow die Messgrundlage für den 13-fachen Verbrauch im Produktivbetrieb und den geschäftlichen Nutzen näher erläutert; ob aus den SAP-Pilotprojekten Kundenauswertungen mit Ausgangswerten und separat ausgewiesenen Personalkosten hervorgehen; und zu welchen Bedingungen und Preisen Google Agent Compute Engine und Akamai Sandbox aus der Vorschau- beziehungsweise Testphase in den regulären Produktivbetrieb übergehen.[1][2][3][6][8]
Hinweis zu Quellen und Dublettenprüfung: Diese Ausgabe stützt sich auf Originalseiten der Unternehmen, die erstmals vom 22. bis 28. Oktober veröffentlicht wurden. Zudem wurden die einzelnen Themen mit der vorherigen Ausgabe von „KI in der Praxis – Wochenrückblick“ auf Überschneidungen geprüft. Der Zugriff auf NIUX /blog/rss.xml schlug diesmal fehl. Die öffentliche Blogübersicht lag nur als zwischengespeicherte Version vor und deckt nicht alle Entwürfe und veröffentlichten Seiten der letzten 14 Tage ab. Daher wurde keine vollständige websiteweite Dublettenprüfung für die letzten 14 Tage durchgeführt. Sämtliche Betriebskennzahlen der Anbieter sind ausdrücklich als Eigenangaben gekennzeichnet. Es konnten keine verlässlichen Originalbilder beschafft werden, die unmittelbar mit den Belegen dieser Ausgabe zusammenhängen: 0 Bilder im Artikel, 0 Titelbilder.
Quellen
- Uber stellt mit OpenAI allen Mitarbeitenden ChatGPT Work bereit — Uber, abgerufen am 2026-10-29
- ServiceNow veröffentlicht Finanzergebnisse für das dritte Quartal 2026 — ServiceNow, abgerufen am 2026-10-29
- Highlights der KI-Neuerungen im dritten Quartal 2026 — SAP News Center, abgerufen am 2026-10-29
- 77 % der Unternehmen haben für unkontrollierte KI-Agenten einen Preis gezahlt — Redwood Software, abgerufen am 2026-10-29
- Tipalti entwickelt agentische KI mit dem neuen AP Agent weiter und ermöglicht mehr Autonomie in Finanzprozessen — Tipalti, abgerufen am 2026-10-29
- Vorstellung von Agent Compute Engine und erweiterter Governance für Agenten — Google Cloud, abgerufen am 2026-10-29
- IBM stellt Identitätsverwaltung und Kontrolle für KI-Agenten vor und sichert modernste KI für Unternehmen ab — IBM Newsroom, abgerufen am 2026-10-29
- Akamai führt einen KI-Inferenzdienst und eine Ausführungsumgebung für Agenten ein — Akamai, abgerufen am 2026-10-29
