Agentische KI im B2B: So entsteht Wert jenseits von Chatbots

Intro

In dieser Episode ist Hartmut Koenig zu Gast — CTO Central Europe bei Adobe. Er spricht mit Felix darüber, wie KI-Agenten in B2B-Prozessen echten Wert schaffen können: nicht nur durch Produktivität, sondern durch neue Kundenerlebnisse, bessere Sichtbarkeit in KI-gestützten Suchen und agentische Prozesse in Beschaffung, Maintenance und Enterprise-Systemlandschaften. Im Zentrum steht die Frage, wie Unternehmen von „KI als Tool“ zu konkreten, wertschöpfenden Use Cases kommen.

Inhaltsübersicht

Adobe, KI und Hartmuts persönliche KI-Nutzung im Arbeitsalltag
Warum KI eine fundamentale Veränderung ist — aber im Alltag oft noch wie klassische Software genutzt wird
„Model Controlled Web“: Wie sich Suche, Sichtbarkeit und Customer Experience verändern
Warum B2B-Unternehmen durch KI-gestützte Suche neue Chancen bekommen
Agentic Commerce + Predictive Maintenance als besonders starker B2B-Use-Case
Agenten als verbindender „Stoff“ zwischen ERP, CRM, PIM, Produktdaten und Beschaffung
Erfolgsfaktoren: klare Business-Probleme, Governance, Architektur und KI-Literacy

Über den Gast

Hartmut Koenig ist CTO Central Europe bei Adobe. In seiner Rolle arbeitet er mit vielen Unternehmen und CxOs an der Frage, wie KI, Daten, Customer Experience und Enterprise-Technologie zusammenwirken. Im Podcast bringt er eine Perspektive aus Adobe und aus vielen B2B-Transformationen mit — mit besonderem Fokus darauf, wie agentische KI neue Wertschöpfung jenseits reiner Effizienzsteigerung ermöglichen kann.

Detaillierte Zusammenfassung

Adobe, KI und der persönliche Einstieg

Hartmut erklärt, dass Adobe schon seit vielen Jahren KI in Produkten wie Photoshop oder Acrobat einsetzt. Mit generativer KI sind aber neue Möglichkeiten entstanden, die weit über einzelne Produktfeatures hinausgehen — etwa im Umgang mit Dokumenten, Content und Customer Experience.

Persönlich nutzt Hartmut KI im Alltag für Kommunikation, Texte und als Lernfeld für die eigene Organisation. Besonders prägend war ein interner Hackathon, bei dem Teams mit Claude Code eigene Anwendungen gebaut haben. Hartmut beschreibt eine Wetter- und Lauf-Planungs-App, die Wetterdaten, historische Daten und Strava-Runs zusammenführt. Für ihn zeigt das: KI verschiebt die Grenze dessen, was ohne klassische Programmierkenntnisse möglich ist.

Der Stand von KI: fundamental, aber noch untergenutzt

Hartmut ordnet KI als eine der fundamentalsten Veränderungen ein — vergleichbar mit der Einführung des Internets oder sogar der Dampfmaschine. Gleichzeitig sieht er eine Lücke zwischen technologischem Potenzial und heutiger Nutzung: Viele Menschen verwenden KI noch im klassischen Request-Response-Modus, also wie frühere Software.

Der nächste Schritt ist agentische KI: Systeme, die nicht nur antworten, sondern planen, Aktionen ausführen, sich kontrollieren und autonomer in Prozesse eingebunden werden können.

Model Controlled Web: neue Sichtbarkeit für B2B

Ein zentrales Thema ist die Veränderung von Suche und Customer Experience. Hartmut beschreibt, dass neben dem suchmaschinendominierten Web ein „Model Controlled Web“ entsteht: Menschen stellen KI-Modellen konkrete Fragen und erwarten konkrete Empfehlungen.

Für B2B-Unternehmen ist das eine große Chance. Gerade spezialisierte Anbieter, Hidden Champions oder Maschinenbauer waren im klassischen Suchmaschinen- und Markenwettbewerb oft schwer sichtbar. Wenn Kund:innen aber nach einer optimalen Lösung für einen konkreten Use Case fragen, können Differenzierungsmerkmale wichtiger werden als reine Markenbekanntheit.

Hartmut: „Wenn jetzt die Kunden anfangen, mit Modellen zu reden und sagen, ich brauche eine optimale Lösung für folgenden Use Case, dann haben wir als B2B-Unternehmen eine Riesenchance…“

Inhalte werden zur Grundlage von KI-Empfehlungen

Hartmut betont, dass Unternehmen ihre Leistungsversprechen klar, verständlich und maschinenlesbar kommunizieren müssen. Was früher vielleicht kaum jemand auf der Website gelesen hat, kann für KI-Modelle entscheidend sein: Produktvorteile, Spezialanwendungen, Differenzierungsmerkmale und konkrete Use Cases.

Sein Beispiel: Ein Maschinenbauer oder Gabelstaplerhersteller kann in KI-generierten Empfehlungen auftauchen, wenn die Inhalte klar beschreiben, warum die Lösung für bestimmte Anforderungen besonders geeignet ist — etwa enge Kurven, Spezialanwendungen, Nachhaltigkeit oder Zuverlässigkeit.

Agentic Commerce + Predictive Maintenance

Der stärkste Business Case im Gespräch ist die Verbindung von Predictive Maintenance und Agentic Commerce. Hartmut skizziert das Beispiel eines vernetzten Gabelstaplers, der Betriebsstunden, Verschleiß, Ladezyklen oder potenzielle Ausfälle meldet.

Aus diesen Daten kann ein agentischer Prozess ableiten, welche Ersatzteile, Schmierstoffe, Batterien oder Serviceeinsätze benötigt werden. Der Agent kann den Beschaffungsprozess vorbereiten, Angebote vergleichen oder Bestellungen anstoßen — idealerweise mit Human-in-the-Loop-Freigabe.

Der Wert entsteht nicht nur durch weniger manuelle Arbeit, sondern durch höhere Verfügbarkeit, weniger Ausfälle und schnellere Reaktionsfähigkeit.

Warum B2B früher dran sein kann als B2C

Felix und Hartmut diskutieren, warum Agentic Commerce im B2C oft noch weit weg wirkt: Viele Menschen wollen ihrem Agenten noch keine Kreditkarte für Urlaubsbuchungen oder private Einkäufe geben. Im B2B sieht Hartmut dagegen bessere Voraussetzungen.

Beschaffungsprozesse sind dort stärker geregelt, Kontrollmechanismen existieren bereits, und Guardrails lassen sich klarer definieren. Deshalb können agentische Bestell-, Angebots- und Ausschreibungsprozesse im B2B früher wirtschaftlich relevant werden.

Agenten als „Stoff“ über bestehenden Systemen

Ein weiterer zentraler Gedanke: Unternehmen warten seit Jahrzehnten auf perfekt integrierte Systemlandschaften — doch diese Realität gibt es selten. Statt alle Backend-Systeme hart miteinander zu verbinden, können Agenten als verbindender „Stoff“ über bestehende Systeme gelegt werden.

Hartmut beschreibt, wie Agenten oder Schnittstellen Daten aus SAP, CRM, Product Information Systems, Lagerbestand oder Kundendaten zusammenführen können. Über Agent-to-Agent-Kommunikation entsteht eine neue Form von Composability: Systeme müssen nicht vollständig harmonisiert sein, um gemeinsam an einem Prozess zu arbeiten.

Hartmut: „KI kann sich wie so ein Stoff über die Systeme legen — der Stoff, der letztlich diese Silos miteinander verbindet.“

Governance, Architektur und KI-Literacy

Zum Abschluss geht es darum, was Unternehmen jetzt aufbauen müssen. Hartmut sieht zwei zentrale Voraussetzungen: klare Use Cases und Governance. Unternehmen sollten nicht mit der Frage nach dem besten Modell starten, sondern mit dem konkreten Business-Problem: Wo brennt es? Was ist das quantifizierbare Problem? Wie sieht der ideale Zielzustand aus? Und warum kann KI helfen, ihn zu erreichen?

Dazu kommen Risikomanagement, Compliance, Unternehmensarchitektur und KI-Kompetenz im Team. Mitarbeitende sollten ermutigt werden, KI auszuprobieren und praktische Erfahrung zu sammeln — nicht heimlich, sondern als Teil einer Lernkultur.

Kernaussagen

KI wird noch zu oft wie klassische Software genutzt — viele Unternehmen bleiben im Request-Response-Modus, obwohl agentische KI deutlich mehr ermöglichen kann. Agentic AI, Adoption
B2B-Sichtbarkeit verändert sich durch KI-Suche — Use-Case-Relevanz kann wichtiger werden als Markenbekanntheit oder Werbebudget. Model Controlled Web, Sichtbarkeit
Gute Inhalte werden für KI-Modelle strategisch wichtig — maschinenlesbare Differenzierung entscheidet darüber, ob Anbieter in Empfehlungen auftauchen. Content, Customer Experience
Predictive Maintenance + Agentic Commerce ist ein starker B2B-Case — vernetzte Maschinen können Beschaffung, Service und Verfügbarkeit agentisch verbinden. B2B, Beschaffung
Agenten können System-Silos überbrücken — sie ersetzen Enterprise-Systeme nicht, können aber deren Zusammenspiel orchestrieren. Composability, Enterprise Architecture
Problem vor Technologie — erfolgreiche KI-Projekte starten mit einem klaren Business-Problem, nicht mit der Modellfrage. Governance, Use Cases

Fazit und Takeaways

Für B2B-Unternehmen

Sichtbarkeit neu denken: In KI-gestützten Suchen zählt, ob Inhalte konkrete Use Cases und Differenzierungsmerkmale sauber erklären.
Website-Inhalte für Modelle optimieren: Gute Produkttexte, klare Leistungsversprechen und maschinenlesbare Informationen werden strategischer.
Agentic Commerce ernst nehmen: Gerade bei komplexen, wiederkehrenden Beschaffungsprozessen liegt kurzfristig viel Potenzial.

Für Operations-, Service- und Beschaffungsteams

Predictive Maintenance weiterdenken: Der größte Wert entsteht, wenn aus Maschinendaten automatisch vorbereitete Service- und Beschaffungsprozesse werden.
Human-in-the-Loop einbauen: Autonomie muss mit Plausibilitätschecks, Freigaben und klaren Guardrails kombiniert werden.
End-to-End denken: Agentische Prozesse schaffen Wert, wenn sie Daten, Entscheidung und Aktion verbinden — nicht nur einzelne Arbeitsschritte automatisieren.

Für Führungskräfte & Transformationsteams

Mit dem Business-Problem starten: Erst klären, wo messbarer Wert entsteht — dann Technologie auswählen.
Governance und Architektur aufbauen: Compliance, Risikomanagement und Enterprise-Architektur sind Voraussetzungen für skalierbare agentische Systeme.
KI-Literacy fördern: Mitarbeitende müssen KI praktisch ausprobieren, um Chancen und Grenzen realistisch einschätzen zu können.

Am Ende ist die zentrale Botschaft: Agentische KI schafft im B2B nicht nur Effizienz. Sie kann neue Service-Layer, neue Formen von Sichtbarkeit und neue Geschäftsmodelle ermöglichen — wenn Unternehmen mit klaren Problemen, guter Governance und echter Lernbereitschaft starten.

#91Agentische KI im B2B: So entsteht Wert jenseits von Chatbots