„Es geht nicht darum, Menschen zu ersetzen – sondern sie zu befähigen.“, Kevin Harmer, Chief Cloud Officer bei Adastra

8. Januar 2026

Kevin Harmer, Chief Cloud Officer bei Adastra, erklärt, wie Agentic AI funktioniert – und wie sie Teams von repetitiven Aufgaben befreit, damit sie sich auf wertschöpfende Tätigkeiten konzentrieren können. Er skizziert einen Weg in drei Etappen: von Dateneinblicken, über unterstützte Entscheidungsfindung, bis hin zur automatisierten Entscheidungsfindung im gesamten Unternehmen – immer mit gesteuerter Autonomie, kontrollierbaren Eingriffsmöglichkeiten und verlässlichen Vertrauensgrenzen. Harmer zeigt, wie Unternehmen über persönliche Produktivitätstools wie Copilot hinausgehen – hin zu einem unternehmensweiten Agenten-Framework mit wiederverwendbaren Agents, etwa für KYC-Prozesse. Er beschreibt einen dreistufigen Ansatz: strategische Analyse und Process Mining, ein Leuchtturmprojekt als Proof of Concept und schließlich eine zentral gesteuerte Plattform für die Skalierung im gesamten Unternehmen. Anhand realer Ergebnisse wird das Potenzial deutlich: Eine automatisierte Rechnungsverarbeitung spart jährlich 200.000 Stunden, ein agentengestütztes Revenue Cycle Management senkt Kosten und beschleunigt Zahlungseingänge, und das Logistikprogramm „Happier Trucks“ reduziert Leerfahrten und steigert die Umsätze durch streckenbasierte Verkaufsempfehlungen.

• Was braucht es, um von einzelnen Empfehlungen zu vertrauenswürdiger, unternehmensweiter Automatisierung zu gelangen?
• Wann sind „ausreichend gute“ Daten tatsächlich gut genug – und wie können Agents Lücken sichtbar machen und die Datenqualität kontinuierlich verbessern?
•  Welche Governance-, Betriebs- und Change-Management-Modelle schaffen Vertrauen, ohne die Umsetzung auszubremsen?

Interview ansehen

Podcast anhören

Nur in englischer Sprache verfügbar.

Podcast als Interview lesen

(Das Interview wurde gekürzt und mit Hilfe von ChatGPT bearbeitet.)

Mark Kohout: Agentic AI ist die nächste technologische Grenze der KI-Revolution – mit Produktivitätsgewinnen, die wir uns heute erst ansatzweise vorstellen können. Aber was genau bedeutet das, und wie startet man damit? Willkommen zum Adastra-Podcast über Agentic AI. Wir decken auf, was sich dahinter verbirgt, wie echte Transformation aussieht und wie der Einstieg gelingt. Mein Name ist Mark Kohout, ich leite den Bereich Governance bei Adastra Nordamerika. Es freut mich sehr, meinen Freund und heutigen Gast vorzustellen: Kevin Harmer, Chief Cloud Officer bei Adastra. Kevin ist seit über 30 Jahren in der Branche und seit 16 Jahren bei Adastra tätig. Er treibt die Agentic Transformation bei unseren Kunden maßgeblich voran. Außerdem ist er Powersport-Fan – und aktuell ein etwas enttäuschter Anhänger der Toronto Blue Jays.

Kevin Harmer: Nächstes Jahr wird’s besser.

Mark Kohout: Die Hoffnung stirbt zuletzt, oder? Kevin ist heute bei mir im Studio in Toronto, um etwas Klarheit in den Hype rund um Agentic AI zu bringen. Schön, dass du da bist – herzlich willkommen.

Kevin Harmer: Schön, hier zu sein, Mark. Ich freue mich sehr, heute über Agents zu sprechen.

Mark Kohout: Fangen wir ganz vorne an. Was ist Agentic AI und warum interessieren sich Unternehmen gerade jetzt dafür? Es gibt seit Jahren prädiktive Modelle und Machine Learning, zuletzt kamen große Sprachmodelle dazu. Was bringt Agentic AI zusätzlich?

Kevin Harmer: Agentic AI befreit Menschen von repetitiven, wenig wertschöpfenden Aufgaben, sodass sie sich auf höherwertiges Denken, Zusammenarbeit und Innovation konzentrieren können. Wenn Agents 50 bis 75 Prozent der Routinetätigkeiten mit geringem Entscheidungsaufwand automatisieren, können Unternehmen das Potenzial ihrer Mitarbeitenden für wirklich wirkungsvolle Arbeit freisetzen.

Mark Kohout: Das heißt, wir übergeben Routinetätigkeiten an die Technologie und setzen menschliche Fähigkeiten dort ein, wo sie im Unternehmen den größten Mehrwert schaffen.

Kevin Harmer: Genau. Ich sehe die agentische Transformation in drei Entwicklungsstufen:

Stufe 1: Entscheidungs-Einblicke – Erkenntnisse aus Unternehmensdaten gewinnen, sowohl aus strukturierten Quellen wie Data Lakes und Warehouses als auch aus unstrukturierten Formaten wie Dokumenten, Bildern oder Videos.

Stufe 2: Entscheidungs-Unterstützung – Auf Basis dieser Einblicke Handlungsempfehlungen ableiten.

Stufe 3: Entscheidungs-Automatisierung – Diese Maßnahmen in großem Maßstab automatisiert umsetzen – mit klarer Kontrolle und Aufsicht.

Mark Kohout: Aus Sicht der Governance heißt das doch, dass man erst einmal Systeme wie SharePoint und die Dokumentenlandschaft in den Griff bekommen muss.

Kevin Harmer: Kuratierte und gut strukturierte Daten sind hilfreich, aber man braucht keine perfekten Daten, um loszulegen. Mit dem richtigen Framework können Agents die jeweils besten verfügbaren Daten identifizieren und bereits in Stufe 1 nützliche Erkenntnisse liefern. Zum Beispiel mit einer 360-Grad-Kundensicht, die auf CRM-Historie, Umfragen und Produktinteraktionen basiert.

Mark Kohout: Und dieses Fundament bereitet den Weg für Stufe 2. Wir sehen, wie große Sprachmodelle bereits Schlussfolgerungen ziehen und Inhalte zur Interpretation und Analyse generieren. Ist das die Idee?

Kevin Harmer: Genau. Ein einfaches öffentliches Beispiel für einen Insight-Agenten der Stufe 1 ist ChatGPT. Unternehmen brauchen davon aber sichere, private Varianten auf Basis ihrer eigenen Daten. In Stufe 2 werden diese Einblicke dann genutzt, um konkrete Handlungsempfehlungen abzuleiten – zum Beispiel die Next Best Action für Cross- oder Upselling, basierend auf dem Kundenprofil und vergangenen Ergebnissen.

Mark Kohout: Worin liegt der Unterschied zu klassischem Machine Learning – also deterministischen Modellen – im Vergleich zu probabilistischen LLMs?

Kevin Harmer: Es ist kein Entweder-oder. Agents in Stufe 2 können sowohl deterministische ML-Ergebnisse als auch probabilistische Empfehlungen von LLMs integrieren. Entscheidend ist das Vertrauen. Man startet nicht direkt in Stufe 2. Zuerst müssen die Erkenntnisse in Stufe 1 belastbar nachgewiesen werden, erst dann können sie als Grundlage für verlässliche Handlungsempfehlungen in Stufe 2 dienen.

Mark Kohout: Damit sind wir bei Stufe 3 angekommen – der Automatisierung im großen Maßstab.

Kevin Harmer: Genau. Stufe 3 ist die Entscheidungsautomatisierung und bedeutet, empfohlene Maßnahmen bei Millionen von Kunden umzusetzen. Wenn Stufe 2 beispielsweise die beste Upselling-Möglichkeit identifiziert, sorgt Stufe 3 dafür, dass kanalübergreifende Kommunikation erstellt und koordiniert wird, um diesen Umsatz auch zu realisieren. In diesem Maßstab braucht es Kontrollmechanismen mit menschlicher Einbindung, Vertrauensschwellen, Monitoring und produktähnliche Nutzererlebnisse, um die Automatisierung sicher zu steuern. Es geht dabei weniger um eine ChatGPT-ähnliche Interaktion und mehr um eine skalierbare, gesteuerte Umsetzung mit klarer Aufsicht.

Mark Kohout: Je weiter man sich durch die einzelnen Stufen bewegt, desto wichtiger werden organisatorische Bereitschaft und Vertrauen – also Risikomanagement, Transparenz, Nachvollziehbarkeit und der Umgang mit sensiblen Daten. Agents arbeiten dabei mit gesteuerter Autonomie.

Kevin Harmer: Genau. Nehmen wir Microsoft Copilot – ein großartiges Tool für persönliche Produktivität, zum Erstellen, Zusammenfassen oder Recherchieren. Aber wenn Sie ein unternehmensweites System zur Erstellung standardisierter Arbeitsanweisungen wollen, das Dokumente, Bilder und Videos aus dem gesamten Unternehmen verarbeitet, brauchen Sie deutlich mehr Leistung und Koordination. Das ist echte agentische Automatisierung mit Governance.

Mark Kohout: Das führt uns direkt zur AI-Governance – also zu Themen wie Risiko, Resilienz und dem Umgang mit personenbezogenen Daten. Die meisten Unternehmen starten mit persönlichen Produktivitätstools wie Copilot und stehen dann vor der Herausforderung, diese Technologien unternehmensweit zu verankern, mit Kontrollmechanismen, Transparenz, Dokumentation und Maßnahmen zur Vermeidung von Bias.

Kevin Harmer: Absolut. Erfolgreiche agentische Transformation sehen wir als einen dreistufigen Prozess.

1. Strategie: Zuerst gilt es, durch Process Mining wertschöpfende Potenziale zu identifizieren – also herauszufinden, wo Menschen Zeit verbringen und wo Automatisierung mit logischem Verständnis unterstützen kann.
2. Nachweis:Im nächsten Schritt geht es darum, die Wirksamkeit an einem Leuchtturm-Anwendungsfall zu belegen. Ein Beispiel: Ein Kunde verarbeitet jährlich 50.000 Rechnungen. Durch die Automatisierung manueller Schritte mithilfe von Inferenz und gleichzeitiger Beibehaltung menschlicher Freigaben konnten wir vier Stunden pro Rechnung einsparen – das sind 200.000 Stunden pro Jahr, bei vollständiger Prüfbarkeit.
3. Framework: Aufbau eines Agenten-Frameworks – also eines Agentenkatalogs mit wiederverwendbaren, vertrauenswürdigen Agents, die auf System-of-Record-Daten basieren. Ein Beispiel wäre ein „Know Your Customer“-Agent, den sowohl Vertrieb als auch Marketing nutzen können. Dieses Framework muss sicher, kontrolliert, selbstüberwachend, bias-sensibel und datenschutzkonform sein.

Mark Kohout: Damit wären Governance und Risiken angesprochen. Wir stellen fest, dass AI-Governance weniger ein theoretisches Konstrukt ist, sondern vielmehr eine praktische Umsetzung in den eingesetzten Tools erfordert. Es gibt Standards wie ISO 42001 und etablierte Risikorahmenwerke, aber die eigentliche Herausforderung ist es, Governance im operativen Einsatz zum Funktionieren zu bringen.

Kevin Harmer: Genau. Man kann sich dabei an bestehenden Strukturen wie der Data Governance orientieren. Wichtig ist, Entscheidungsstrukturen, Prozesse und Abläufe zu etablieren, die zu den eingesetzten Tools und Workflows passen.

Mark Kohout: Theorie ist gut – aber wie sieht die Realität aus? Wo stehen Unternehmen heute, und welche Hürden begegnen ihnen auf dem Weg durch die einzelnen Stufen?

Kevin Harmer: Die meisten Unternehmen befinden sich aktuell in Stufe 1. Sie testen Entscheidungsunterstützungs-Agents, die auf Abruf relevante Erkenntnisse liefern und dabei die Flut an Power-BI-Dashboards reduzieren sollen. Die größte Herausforderung ist dabei die Genauigkeit – insbesondere das Vermeiden von Halluzinationen und Fehlinterpretationen. Unser geschäftskontextbezogener, klar strukturierter Ansatz mit gut katalogisierten, zweckgebundenen Agents und einer Agent-of-Agents-Methodik kann die Treffergenauigkeit von rund 80 auf über 99 Prozent steigern. Ein konkretes Beispiel ist das Revenue Cycle Management (RCM). RCM-Dienstleister arbeiten zwischen Krankenhäusern und Versicherern. In der Vergangenheit erledigte ein Team von 500 Personen Aufgaben wie das Transkribieren von Arztberichten, das Erstellen klinischer Notizen, das Pflegen von Krankenhaus-IT-Systemen, das Auswählen von Versicherungscodes, das Einreichen von Leistungsansprüchen und das Bearbeiten von Rückfragen. Wir haben ein Agenten-Framework mit etwa 100 Agents eingeführt, das diese Schritte automatisiert. Heute steuern nicht mehr 500 Personen diese Prozesse, sondern 50 Verantwortliche überwachen die Agenten. Das senkt die Kosten, verkürzt die Zahlungszyklen von Monaten auf Wochen und schafft klare Wettbewerbsvorteile.

Mark Kohout: Eine agentische Workforce also.

Kevin Harmer: Genau. Und es geht nicht darum, Menschen zu ersetzen. Es geht darum, Teams zu befähigen, sich auf höherwertige Aufgaben zu konzentrieren, während Agents sich um manuelle, wenig wertschöpfende Tätigkeiten kümmern.

Mark Kohout: Abgesehen von der Technologie, wie sieht es mit Menschen und Prozessen aus? Welche Rolle spielt Change Management dabei? Und bringt ihr Fachbereiche und IT von Anfang an gemeinsam an den Tisch?

Kevin Harmer: Es braucht vier Perspektiven: Menschen, Prozesse, Richtlinien und Plattform. Agentische Transformation bedeutet, Prozesse neu zu denken – und das hat direkte Auswirkungen auf Rollen und Arbeitsabläufe. Der Wandel muss durch Schulungen, klare Governance und unterstützende Tools begleitet werden. Ein weiteres Beispiel ist „Happier Trucks“. Früher verbrachten Logistikteams den Großteil des Tages mit der Planung der Routen für den nächsten Tag. Für den Vertrieb blieben am Nachmittag etwa zwei Stunden, um die Routen zu überfliegen und gezielt Upselling- oder Cross-Selling-Potenziale bei Kunden entlang der Strecke zu identifizieren. Dadurch sank der Leerraum in den Lkw von 20 auf 18 Prozent. Mit Agents liegt der optimale Logistikplan bereits um 7 Uhr morgens vor. Ein Vertriebs-Agent analysiert die Strecken und zeigt gezielt die größten Verkaufschancen entlang der Route auf. Der Vertrieb hat so den ganzen Tag Zeit zu agieren. Der Leerraum sinkt auf unter 10 Prozent, und die Arbeitsweise verändert sich grundlegend: Der Plan steht früh fest, und der Agent schlägt vor, wen man anrufen sollte, was zu sagen ist und welches Angebot passt.

Mark Kohout: Das heißt, wir gewinnen an Prozesseffizienz und machen gleichzeitig einen großen Schritt in Richtung datengetriebene Entscheidungsfindung.

Kevin Harmer: Genau – und das ermöglichen Agents.

Mark Kohout: Letzte Frage: Wie sollten Unternehmensverantwortliche den Einstieg angehen?

Kevin Harmer: Gehen Sie die drei Schritte. Zuerst gilt es, Potenziale zu identifizieren – entweder bereichsübergreifend oder gemeinsam mit einem besonders engagierten Fachbereich. Wir bei Adastra bieten dazu den „Agentic AI Day“ an: ein Workshop, in dem wir das Machbare abbilden, rund 200 Ideen sammeln und daraus die fünf mit dem höchsten Nutzen, der größten Umsetzbarkeit und dem größten Vertrauen auswählen – inklusive klarer Roadmap. Der zweite Schritt ist ein Leuchtturm-Anwendungsfall, mit dem man den Nutzen konkret belegt. Und im dritten Schritt wird das Agentic Framework implementiert und skaliert – idealerweise auf Basis der bestehenden Aktivitäten in Stufe 1 und 2, um den Weg zu Stufe 3 zu ebnen.

Mark Kohout: Klein, aber wirkungsvoll starten, den Mehrwert belegen und dann über Prozesse und die Unternehmensarchitektur hinweg skalieren.

Kevin Harmer: Genau. Selbst wenn man schon erste Schritte gemacht hat, geht es letztlich darum, wie man mit Governance und Wiederverwendbarkeit Stufe 3 erreicht.

Mark Kohout: Kevin, wir könnten noch stundenlang weitersprechen, aber wir belassen es dabei. Vielen Dank für deine Zeit – das war wirklich aufschlussreich. Und auch an unser Publikum: Danke, dass Sie diesen Adastra-Podcast verfolgt haben. Wenn er Ihnen gefallen hat, freuen wir uns über ein Like und ein Abo. Bis zum nächsten Mal.