Agentische Verwaltung: Warum 82 % der Behörden KI-Agenten einführen, die Bereitschaft aber weiterhin hinterherhinkt

Warum die Einführung von KI-Agenten schneller voranschreitet als die Bereitschaft

Das Interesse der Behörden an KI-Agenten wächst schnell. Laut einer von Route Fifty und Salesforce berichteten IDC-Studie haben 82 % der befragten Organisationen des öffentlichen Sektors auf Bundes-, Landes- und Kommunalebene in den USA agentische KI eingeführt, und 60 % der Führungskräfte in Behörden sind der Ansicht, dass sie bei der Einführung vor dem privaten Sektor liegen.

Das ist eine beeindruckende Zahl. Sie ist zugleich die Art von Zahl, die einen zweiten Blick verdient.

Einführung bedeutet nicht immer Bereitschaft. Eine Behörde kann Pilotprojekte, interne Tools, KI-Funktionen von Anbietern, Automatisierungsexperimente oder erste agentische Workflows haben, ohne über die Governance, Datenarchitektur, Überwachung, Schulung der Mitarbeitenden und Aufsicht zu verfügen, die für einen verantwortungsvollen Betrieb dieser Systeme in großem Maßstab erforderlich sind.

Hier liegt das Risiko. KI-Agenten sind nicht einfach nur ein weiteres Softwarefeature. Sie können Informationen interpretieren, Tools aufrufen, Arbeit weiterleiten, Ausgaben erzeugen, Entscheidungen empfehlen und in manchen Fällen begrenzte Aktionen ausführen. Je mehr ein Agent tun kann, desto wichtiger wird es zu wissen, auf welche Daten er zugreifen kann, welche Entscheidungen er beeinflussen darf, wer für sein Verhalten verantwortlich ist und was passiert, wenn er sich irrt.

Warum das wichtig ist

Die Einführung von KI in Behörden erfolgt in einem Moment, in dem Behörden unter Druck stehen, die Leistungserbringung zu verbessern, den manuellen Aufwand zu verringern, veraltete Systeme zu modernisieren, die Cybersicherheit zu stärken und mit begrenzten Ressourcen mehr zu leisten. KI-Agenten sind attraktiv, weil sie genau bei diesen Problemen helfen sollen.

Ein gut konzipierter Agent könnte dabei helfen, Anfragen zu priorisieren, Fallakten zusammenzufassen, interne Arbeit weiterzuleiten, die Beschaffungsrecherche zu unterstützen, Workflows zur Betrugserkennung zu begleiten, Antwortentwürfe vorzubereiten oder Mitarbeitenden bei der Navigation durch komplexe Richtlinien und Dokumentationen zu helfen.

Das sind echte Chancen. Doch an Systeme des öffentlichen Sektors werden andere Erwartungen gestellt als an gewöhnliche Produktivitätstools. KI im öffentlichen Sektor muss Transparenz, Barrierefreiheit, Datenschutz, Beschaffungsvorschriften, Aufbewahrung von Aufzeichnungen, Cybersicherheit, Prüfbarkeit und das Vertrauen der Öffentlichkeit berücksichtigen.

GovExec berichtete im Mai 2026, dass IT-Führungskräfte auf Bundesebene zunehmendes Interesse an autonomen KI-Tools zeigen, während Pilotprojekte schneller voranschreiten, aber Lücken bei Governance, Daten und Aufsicht in der gesamten Verwaltung fortbestehen. Das ist der zentrale Spannungsbereich: Behörden handeln schnell, bauen aber vielfach noch die Betriebsstrukturen auf, die für eine sichere Unterstützung agentischer KI erforderlich sind.

Vom Pilotbetrieb zum Druck durch den Produktionseinsatz

Ein Pilotprojekt kann nützlich sein, ohne produktionsreif zu sein. Dieser Unterschied ist wichtig.

Ein kleines Agenten-Pilotprojekt kann mit einer begrenzten Zahl von Nutzenden, kuratierten Daten, manueller Aufsicht und einer eng gefassten Aufgabe betrieben werden. Der Produktionseinsatz ist etwas anderes. Sobald ein Agent Teil des Tagesgeschäfts wird, benötigt die Behörde ein stärkeres Supportmodell. Wer ist dafür verantwortlich? Mit welchen Systemen interagiert er? Wie werden Ausgaben überprüft? Welche Protokolle werden geführt? Was passiert, wenn der Agent eine falsche Antwort gibt, sensible Daten offenlegt oder Arbeit falsch weiterleitet?

Diese Fragen lassen sich während des Experimentierens leicht aufschieben. Viel schwieriger sind sie zu beantworten, nachdem sich ein KI-Tool über mehrere Teams verbreitet hat und Teil informeller Workflows geworden ist.

Dasselbe Muster zeigt sich auch bei Unternehmens-KI im Allgemeinen. Organisationen können beeindruckende Prototypen entwickeln, bevor sie die Daten-, Workflow-, Governance- und Integrationsprobleme gelöst haben, die darüber entscheiden, ob ein System skalierbar ist. Behörden stehen vor derselben Herausforderung, allerdings mit einer zusätzlichen Ebene öffentlicher Rechenschaftspflicht.

Das Problem einer dezentralen Einführung von KI

Die Einführung von KI in Behörden erfolgt oft uneinheitlich. Verschiedene Behörden haben unterschiedliche Aufgaben, unterschiedliche Altsysteme, unterschiedliche Datenumgebungen, unterschiedliche Beschaffungswege und unterschiedliche technische Reifegrade. Manche Teams handeln möglicherweise schnell, andere vorsichtiger. Einige verwenden unternehmensweit genehmigte Tools, während andere mit integrierten KI-Funktionen innerhalb bestehender Plattformen von Anbietern experimentieren.

Diese Flexibilität kann Innovation fördern, aber auch Inkonsistenz schaffen. Ohne ein klares Inventar und ein grundlegendes Governance-Modell wissen Behörden möglicherweise nicht, welche KI-Agenten eingesetzt werden, auf welche Daten sie zugreifen, welche Aktionen sie ausführen können oder ob sie den Erwartungen an Sicherheit und Aufsicht entsprechen.

Das Problem besteht nicht darin, dass jede Behörde exakt dieselbe KI-Strategie benötigt. Das ist nicht der Fall. Der Aufgabenkontext ist entscheidend. Eine Verkehrsbehörde, eine Gesundheitsbehörde, eine Verteidigungsorganisation, eine Stelle zur Leistungsverwaltung und ein lokales Genehmigungsamt werden nicht denselben KI-Bedarf haben.

Dennoch ist eine gemeinsame Grundlage erforderlich. Behörden benötigen einheitliche Erwartungen für Inventarisierung, Datenzugriff, Aufzeichnungen, menschliche Aufsicht, Tests, Überwachung und Reaktion auf Vorfälle. Ohne diese Grundlage kann sich agentische KI schneller verbreiten, als die Organisation sie steuern kann.

Datenbereitschaft ist die Grundlage

KI-Agenten sind auf Daten und Kontext angewiesen. In Behörden liegt dieser Kontext häufig in Altsystemen, Richtliniendokumenten, Fallverwaltungssystemen, Tabellenkalkulationen, Portalen, Aufzeichnungssystemen und institutionellem Wissen, das möglicherweise nicht sauber dokumentiert ist.

Wenn die zugrunde liegenden Daten unvollständig, veraltet, uneinheitlich oder mit schlecht vergebenen Berechtigungen versehen sind, kann ein Agent dennoch selbstsichere Ausgaben erzeugen. Das ist gefährlich, weil überzeugend formulierte Antworten ein falsches Gefühl der Zuverlässigkeit vermitteln können.

Zur Datenbereitschaft für agentische KI gehören mehrere praktische Fragen:

• Auf welche Datenquellen darf der Agent zugreifen?
• Wem gehören diese Datenquellen?
• Wie aktuell und zuverlässig sind sie?
• Welche Daten sollten ausgeschlossen werden?
• Wie werden Berechtigungen durchgesetzt?
• Kann die Behörde eine Ausgabe auf die verwendeten Quellen zurückführen?
• Welche Aufzeichnungen müssen aufbewahrt werden?
• Wie werden Fehler korrigiert, wenn die Quelldaten falsch sind?

Das sind keine theoretischen Governance-Fragen. Sie entscheiden darüber, ob einem KI-Agenten in einem realen Workflow des öffentlichen Sektors vertraut werden kann.

Die Aufsicht muss dem Grad der Autonomie entsprechen

Nicht jeder KI-Agent birgt dasselbe Risiko. Ein interner Assistent, der beim Zusammenfassen von Richtliniendokumenten hilft, unterscheidet sich von einem Agenten, der Leistungsfälle weiterleitet, Vollzugsmaßnahmen empfiehlt, Beschaffungsentscheidungen unterstützt oder Daten in einem operativen System ändert.

Die Aufsicht sollte mit dem Grad der Autonomie und den Auswirkungen des Agenten skalieren. Anwendungsfälle mit geringem Risiko benötigen möglicherweise klare Nutzungsregeln, Zugriffskontrollen und eine grundlegende Überprüfung. Anwendungsfälle mit größeren Auswirkungen können eine formelle Genehmigung, eine Überprüfung durch Menschen, Prüfprotokolle, Tests, Eskalationswege und eine laufende Überwachung der Leistung erfordern.

Entscheidend ist, die Grenzen vor der Bereitstellung festzulegen:

• Was kann der Agent eigenständig tun?
• Was erfordert menschliche Genehmigung?
• Welche Handlungen sind verboten?
• Welches Maß an Zuverlässigkeit ist erforderlich, bevor ein Ergebnis verwendet wird?
• Wer prüft Ausnahmen?
• Wer trägt die Verantwortung für die Ergebnisse?

Wenn diese Fragen unbeantwortet bleiben, verfügt die Behörde nicht über eine Strategie für KI-Agenten. Sie hat ein Automatisierungsexperiment mit unklaren Konsequenzen.

Organisatorische Infrastruktur ist ebenso wichtig wie Technologie

Der Kommentar des Federal News Network vom Mai 2026 zum Aufbau der organisatorischen Grundlage für KI im großen Maßstab macht einen wichtigen Punkt deutlich: Behörden haben nicht den Luxus, zwischen Stabilität und Transformation zu wählen. Sie müssen die Zuverlässigkeit ihrer Aufgabenwahrnehmung bewahren und sich zugleich schnell genug anpassen, um KI verantwortungsvoll einzusetzen.

Das erfordert mehr als Werkzeuge. Es erfordert organisatorische Infrastruktur. Behörden benötigen Governance-Teams, Datenverantwortliche, technische Verantwortliche, Richtlinienverantwortliche, Leitlinien für die Beschaffung, Prozesse zur Risikoprüfung, Überwachungsverfahren, Schulungsprogramme und Pläne zur Reaktion auf Vorfälle.

Hier geraten viele KI-Initiativen ins Stocken. Die Technologie erhält zuerst Aufmerksamkeit. Das Betriebsmodell kommt später – sofern es überhaupt kommt.

Bei agentischer KI ist diese Reihenfolge riskant. Das Betriebsmodell sollte gemeinsam mit der Technologie entwickelt werden, da das Verhalten des Systems, seine Berechtigungen, der Datenzugriff und die Verantwortlichkeitsstruktur allesamt Teil der Umsetzung sind.

Was Behörden jetzt tun sollten

Behörden und Organisationen des öffentlichen Sektors müssen die Einführung von KI nicht aussetzen, bis jede Governance-Frage vollständig geklärt ist. Das wäre unrealistisch und wahrscheinlich kontraproduktiv. Sie benötigen jedoch einen disziplinierten Weg vom Experimentieren zur verantwortungsvollen Nutzung.

• Das Portfolio der KI-Agenten erfassen: Agenten, Pilotprojekte, integrierte Funktionen von Anbietern, inoffizielle Tools und bereits verwendete Automatisierungsabläufe identifizieren.
• Anwendungsfälle und Verantwortliche dokumentieren: Jeder Agent sollte einen fachlichen und einen technischen Verantwortlichen, einen vorgesehenen Zweck, Datenquellen und Entscheidungsgrenzen haben.
• Risiken klassifizieren: Anwendungsfälle nach dem Grad der Autonomie, der Sensibilität der Daten, den Auswirkungen auf die Öffentlichkeit, der betrieblichen Bedeutung sowie der regulatorischen oder politischen Betroffenheit einordnen.
• Eine grundlegende Governance standardisieren: Mindestanforderungen an Datenzugriff, Protokollierung, Tests, menschliche Prüfung, Überwachung und Aufbewahrung von Aufzeichnungen festlegen.
• Zuerst die Datenbereitschaft schaffen: Datenqualität, Metadaten, Berechtigungen, Rückverfolgbarkeit der Quellen und Integrationsmuster verbessern, bevor die Autonomie ausgeweitet wird.
• Auf Vorfälle vorbereiten: Festlegen, was geschieht, wenn ein Agent einen Fehler macht, auf die falschen Daten zugreift, eine fehlerhafte Empfehlung erstellt oder sich unerwartet verhält.
• Die Belegschaft schulen: Mitarbeitende müssen verstehen, was Agenten tun können, wo sie versagen, wie sie verantwortungsvoll eingesetzt werden und wann Bedenken eskaliert werden müssen.

Das Ziel besteht nicht darin, Innovation um ihrer selbst willen zu verlangsamen. Es geht darum zu verhindern, dass die Einführung die Fähigkeit der Behörde zur Risikosteuerung überholt.

Wie Ridiculous Engineering die Bereitschaft für agentische KI beurteilt

Bei Ridiculous Engineering betrachten wir agentische KI als Problem der Umsetzung und des Betriebsmodells, nicht nur als Problem der Toolauswahl. Das Modell ist wichtig, aber das umgebende System ist noch wichtiger: Datenqualität, Berechtigungen, Workflow-Design, Überwachung, Auditierbarkeit, menschliche Kontrolle, Integrationen und Verantwortlichkeiten.

Das gilt insbesondere in Organisationen des öffentlichen Sektors und in regulierten Umgebungen. KI-Agenten müssen nützlich sein, aber sie müssen auch ausreichend erklärbar, steuerbar und betreibbar sein, um in realen Organisationen eingesetzt werden zu können.

Wir unterstützen Organisationen dabei, den praktischen Weg vom Interesse zur Einsatzbereitschaft zu durchdenken. Dazu können die Erfassung von Agenten, die Bewertung von Anwendungsfällen, die Abbildung von Workflows, die Prüfung von Datenquellen, die Gestaltung der Governance, die Integrationsplanung, die Bewertung von Anbietern, die Entwicklung einer Überwachungsstrategie und die Unterstützung bei der Implementierung agentischer Systeme gehören, die in der Produktion und nicht nur in einem Pilotprojekt funktionieren müssen.

Der erste Schritt ist oft einfach: herausfinden, was bereits geschieht. Viele Organisationen stellen fest, dass KI umfassender genutzt wird, als die Führungsebene angenommen hat. Sobald die Landschaft sichtbar ist, wird es deutlich einfacher zu entscheiden, welche Anwendungsfälle eine Ausweitung wert sind, welche stärkere Kontrollen benötigen und welche pausiert oder neu gestaltet werden sollten.

Einführung ist nicht dasselbe wie Einsatzbereitschaft

Der Adoptionswert von 82 % ist ein Zeichen dafür, dass agentische KI kein entfernter Trend im öffentlichen Sektor ist. Behörden und Organisationen des öffentlichen Sektors sind bereits in Bewegung. Einige gehen dabei vermutlich überlegt vor. Andere bewegen sich möglicherweise schneller, als ihre Governance-, Daten- und Aufsichtsmodelle unterstützen können.

Am meisten profitieren werden nicht die Behörden mit den meisten Agenten. Es werden diejenigen sein, die verstehen, wo Agenten eingesetzt werden sollten, welche Grenzen sie benötigen, welchen Daten sie vertrauen können und wie die menschliche Verantwortlichkeit gewahrt bleibt.

Wenn Ihre Organisation KI-Agenten untersucht, bereits Pilotprojekte durchführt oder verstehen möchte, ob ihre Governance- und Datengrundlagen für den produktiven Einsatz bereit sind, kann Ridiculous Engineering helfen. Wir unterstützen Kunden dabei, Anwendungsfälle zu klären, praxistaugliche Leitplanken zu entwickeln und agentische KI-Systeme aufzubauen, die zur Organisation passen, anstatt ihr davonzueilen.

Eine agentische Verwaltung wird nicht allein durch Adoptionsstatistiken definiert. Entscheidend ist, ob Behörden intelligente Automatisierung in vertrauenswürdige öffentliche Dienstleistungen verwandeln können.

Quellen und weiterführende Literatur: Salesforce: Der Aufstieg der agentischen Regierung, Route Fifty: Regierungsverantwortliche und die Einführung agentischer KI, GovExec: Behörden setzen auf agentische KI, doch Fragen zur Bereitschaft bleiben, Federal News Network: Von der Strategie zur Struktur, Weltwirtschaftsforum: Agentische KI für Regierungen nutzbar machen