Die Zahlen innerhalb von Global Business Services zeigen derzeit klar in die falsche Richtung — und die Lücke vergrößert sich beschleunigt. Die GBS-Workloads sollen in diesem Jahr um 15 % steigen. Personal um 10 %. Budgets um 7 %. Das ist keine operative Unannehmlichkeit. Es ist eine strukturelle Verbindlichkeit, die sich in der Bilanz der Finanzfunktion aufbaut.
Für GBS-Leader ist die Botschaft eindeutig: Das kostenbasierte, headcount-getriebene Servicemodell stößt an strukturelle Grenzen. Organisationen, die dies früh erkennen und mit architektonischem Anspruch statt taktischem Experimentieren reagieren, werden definieren, wie High-Performance-GBS im nächsten Jahrzehnt aussieht. Wer hingegen KI weiterhin als Produktivitäts-Add-on zu einem unveränderten Operating Model behandelt, wird ein zunehmend teures Delta managen müssen, das sich nicht mehr schließen lässt.
Agentic AI ist kein Technologietrend, den man beobachten sollte. Es ist der strategische Wendepunkt, der darüber entscheidet, welche GBS-Organisationen intelligent skalieren und welche lediglich beschäftigter werden.
Das Ende der Pilotphase
In den letzten zwei Jahren war die dominante GBS-Reaktion auf generative KI kontrolliertes Experimentieren: Proof-of-Concepts in Accounts Payable, Chatbot-Piloten im HR-Service, Zusammenfassungs-Tools, die in bestehende Workflows integriert wurden. Die Ergebnisse waren in einzelnen Bereichen durchaus vielversprechend — aber sie haben keine messbaren Ergebnisse auf Unternehmensebene erzeugt.
Das ist kein Technologieversagen. Es ist ein Architekturproblem.
Generative KI, als punktuelle Lösung in einem unveränderten Prozess eingesetzt, führt zu inkrementeller Effizienz. Agentic AI — KI-Systeme, die argumentieren, planen, Aufgaben sequenzieren und über mehrere Systeme hinweg mit minimaler menschlicher Intervention handeln können — operiert auf einer grundlegend anderen Ebene. Sie unterstützt keinen Prozess. Sie führt ihn aus.
Die Erkenntnisse der Hackett Group spiegeln diesen Reifegrad wider. Nahezu 90 % der GBS-Leader berichten inzwischen, dass KI Routineaufgaben verändert. Mehr als die Hälfte sieht messbare Auswirkungen auf komplexe Tätigkeiten. Laut derselben Studie erzielen Organisationen 13 % Verbesserungen in der Customer Experience, 11 % Steigerungen in Servicequalität und Mitarbeiterengagement sowie 10 % Produktivitätszuwachs nicht durch besseres Prompting, sondern durch die bewusste Neugestaltung von Arbeitsabläufen.
Die Pilotphase ist vorbei. Die Frage ist nicht mehr, ob Agentic AI eingesetzt wird, sondern wie sie für Enterprise-Performance architektonisch gestaltet wird.
Was Agentic AI im GBS-Kontext wirklich bedeutet
Der Begriff „Agentic AI“ wird derzeit oft unscharf verwendet. Es lohnt sich daher, präzise zu definieren, was er im GBS-Kontext bedeutet.
Ein KI-Agent ist ein System, das ein definiertes Ziel über eine Sequenz von Aktionen verfolgt — Informationen sammeln, Entscheidungen treffen, mit externen Systemen interagieren und andere Agenten einbinden — ohne dass ein Mensch jeden Schritt steuern muss. Im GBS-Kontext bedeutet das: Ein Agent kann eine Rechnung empfangen, sie gegen Vertragsbedingungen validieren, ein ERP-System abfragen, Ausnahmen zur Prüfung markieren und die Zahlung auslösen — end-to-end, in großem Maßstab und kontinuierlich.
Das ist kategorisch etwas anderes als Robotic Process Automation (RPA) oder ein GenAI-Copilot. RPA folgt starren Regeln in deterministischer Reihenfolge. Ein Copilot unterstützt menschliche Arbeit. Ein Agent erledigt die Arbeit selbst und passt seinen Weg dynamisch an.
Eine Enterprise-Studie von IBM zeigt, dass bis Ende dieses Jahres die meisten großen Organisationen digitale Belegschaften von mehr als 1.600 KI-Agenten einsetzen werden. Die Frage ist nicht mehr, ob das technisch möglich ist. Die Frage ist, ob das GBS-Operating Model — Governance, Datenarchitektur, Performance-Metriken und Talentmodell — darauf ausgelegt ist, dies zu steuern.
Für die meisten Organisationen lautet die ehrliche Antwort: noch nicht.
Die eigentliche Grenze ist nicht die Technologie
Die wichtigste Erkenntnis aktueller GBS-Forschung betrifft nicht KI-Fähigkeiten, sondern organisatorische Reife.
Sieben von zehn Führungskräften nennen laut The Hackett Group unzureichende KI-Governance als zentrale Hürde ihrer Transformation — nicht Modellqualität, nicht Kosten, sondern Governance.
Dies zeigt sich im GBS in drei Dimensionen:
Agenten-Sprawl. Ohne einheitliche Strategie entstehen isolierte, nicht integrierte Agentenlandschaften. Einzelne Teams lösen lokale Probleme mit lokalen Tools. Das Ergebnis ist technische Fragmentierung, Sicherheitsrisiken und steigende Koordinationskosten.
Datenintegritätsdefizite. Agentic AI ist nur so gut wie die Datenbasis. In gewachsenen GBS-Organisationen mit M&A-Historie oder fragmentierten ERP-Landschaften sind Stammdaten oft inkonsistent. Ohne saubere Vendor- und Datenmodelle ist jeder Agent unzuverlässig.
Fehlgeleitete Performance-Logik. Klassische KPIs wie Cost per Transaction oder Headcount Ratio messen Input, nicht Outcome. Organisationen, die weiterhin alte Kennzahlen optimieren, treffen rational falsche Entscheidungen.
Das sind keine Technologieprobleme. Es sind Operating-Model-Probleme.
Wie die Architektur aussieht
Das Agentic Enterprise Operating Framework von The Hackett Group beschreibt Strategie, Governance, Daten, Technologie und Workflows als integriertes System.
Drei Bereiche sind entscheidend:
Prozessklarheit vor Automatisierung. Ein ineffizienter Prozess wird durch KI nicht besser, sondern schneller ineffizient.
Governance by Design. KI-Governance ist kein IT-Risikothema, sondern operative Steuerung: Autonomiegrade, Human-in-the-loop-Design, Fehlerbehandlung und kontinuierliche Verbesserung.
Neudesign der Performance-Architektur. Outcome-basierte Steuerung erfordert ein neues Verständnis von „Good Performance“ jenseits von SLA-Logiken.
Das strategische Zeitfenster
Die aktuelle Phase ist ungewöhnlich: Die Technologie ist reif, der Wettbewerbsvorsprung früh sichtbar, und die organisatorische Fähigkeit zur Umsetzung noch selten.
GBS-Organisationen, die jetzt beginnen, gewinnen 12–18 Monate operativen Vorsprung. Wer wartet, holt nicht mehr auf, sondern reagiert.
Die Produktivitätslücke wird sich nicht durch inkrementelle Automatisierung schließen, sondern durch architekturgetriebene Transformation auf Operating-Model-Ebene.
Die Talvoren Perspektive
Bei Talvoren Advisory liegt der Fokus auf der Schnittstelle von Enterprise Architecture, GBS-Transformation und KI-gestütztem Operating Model Design. Wir begleiten Organisationen im DACH-Raum beim Übergang von Pilotierung zu skalierbarer, governance-basierter Umsetzung.
Im Zentrum stehen drei Fragen: Wie ist Ihre Daten- und Governance-Reife tatsächlich? Welche Prozesse sollten neu gestaltet statt nur automatisiert werden? Und wie sieht Performance aus, wenn Agenten transaktionale Arbeit übernehmen?
Diese Fragen entscheiden darüber, ob Transformation Wert schafft oder Komplexität skaliert.
Talvoren Advisory ist eine in Berlin ansässige Boutique-Transformationsberatung mit Schwerpunkt auf GBS-Transformation, Enterprise Operating Models und KI-gestützten Betriebsmodellen für mittelgroße und große Organisationen im DACH-Raum und international.
