Agentic AI bezeichnet eine Klasse von KI-Systemen, die autonom mehrstufige Aufgaben in einer definierten Umgebung ausführen, dabei Werkzeuge aufrufen, Entscheidungen treffen und sich an Veränderungen im Kontext anpassen können. Im Unterschied zu klassischen generativen KI-Systemen, die auf einen einzelnen Prompt eine einzelne Antwort liefern, agieren Agenten in einer Sequenz aus Wahrnehmung, Planung, Werkzeug-Aufruf, Beobachtung und Anpassung. Die Begriffsfamilie ist 2024 und 2025 entstanden, mit Microsoft, Anthropic, OpenAI, Google und SAP als zentralen Treibern.
Im SAP-Change-Management-Kontext bedeutet Agentic AI, dass Software-Agenten Aktivitäten ausführen, die zuvor menschliche Entwickler, Berater oder Change-Manager erledigt haben. Beispiele: Ein Agent generiert ABAP-Code aus einer Anforderungsbeschreibung. Ein Agent erfasst einen Change-Record, klassifiziert ihn und routet ihn an die zuständige Genehmigungsstufe. Ein Agent prüft einen Transport gegen Sicherheits- und Qualitätsregeln und blockiert ihn bei Mängeln. Ein Agent analysiert die Auswirkungen einer geplanten Änderung auf die produktive Landschaft.
Die operative Bewegung in der SAP-Welt im Jahr 2026: Aus dem Joule Studio Agent Builder entstehen SAP-eigene Agenten. Aus der MCP-Server-Landschaft entstehen Agenten, die mit nicht-SAP-Modellen wie Claude, GPT oder Gemini auf SAP-Systeme zugreifen. Aus AI-Coding-Werkzeugen wie Claude Code, Cursor und GitHub Copilot entstehen Code-erzeugende Agenten. Diese drei Welten überlappen, konkurrieren und ergänzen sich gleichzeitig.
SAP-Kunden sehen sich 2026 mit drei verschiedenen Agenten-Ökosystemen konfrontiert, die unterschiedliche Governance-Anforderungen haben:
Welt 1: SAP-native Agenten (Joule Studio). Diese Agenten werden im Joule Studio Agent Builder entwickelt und deployed. Sie laufen innerhalb des SAP-Ökosystems, nutzen SAP-APIs und sind in SAP-Prozesse integriert. Die Governance-Kette ist klar: SAP ist Provider, der Kunde ist Deployer. Änderungen an diesen Agenten gehen über das Joule Studio und müssen in den Change-Prozess eingebunden werden.
Welt 2: MCP-basierte externe Agenten. Das Model Context Protocol (MCP) ermöglicht es, externe KI-Modelle (Claude, GPT, Gemini) mit SAP-Systemen zu verbinden über spezialisierte MCP-Server. Diese Agenten laufen außerhalb von SAP, greifen aber über APIs auf SAP-Daten und -Prozesse zu. Die Governance-Frage ist komplex: Wer ist Provider, wer Deployer? Wie werden Änderungen an diesen Agenten dokumentiert?
Welt 3: AI-Coding-Agenten. Werkzeuge wie Claude Code, GitHub Copilot und Cursor erzeugen Code, auch ABAP-Code, der in SAP-Systeme deployed wird. Diese Agenten sind nicht im SAP-Change-Prozess sichtbar, es sei denn, der erzeugte Code wird explizit als Transport Request erfasst. Der AI-generierte Code läuft durch den normalen Transport-Prozess, aber seine KI-Herkunft ist nicht dokumentiert.
Eine belastbare Agentic-AI-Governance-Architektur für SAP-Umgebungen besteht aus drei Ebenen:
Inventar-Ebene. Alle Agenten, die auf SAP-Systeme zugreifen oder SAP-Prozesse beeinflussen, werden erfasst: Name, Typ (SAP-nativ, MCP-basiert, Coding-Agent), Zweck, betroffene SAP-Systeme, Provider, Deployer, Risikoklassifikation nach EU AI Act, Change-Verantwortlicher.
Pipeline-Ebene. Jeder Agent hat eine definierte Deployment-Pipeline: Wie wird der Agent entwickelt oder konfiguriert? Wie wird eine neue Version getestet? Wie wird sie in Produktion gebracht? Wer genehmigt die Produktivsetzung? Die Pipeline ist die technische Umsetzung des Change-Prozesses für Agenten.
Kontrollpunkt-Ebene. Vor der Produktivsetzung jedes Agenten-Updates durchläuft die Änderung definierte Kontrollpunkte: Risikoklassifikation überprüft (hat sich die Klasse geändert?), Auswirkungsanalyse durchgeführt (welche SAP-Prozesse sind betroffen?), Test-Abdeckung sichergestellt (wurde das neue Verhalten getestet?), Human-in-the-Loop aktiviert (hat ein Mensch das Ergebnis bestätigt?), Audit-Trail gepflegt (ist die Änderung im Change-Record dokumentiert?).
Das Geschwindigkeits-Governance-Paradox. Agenten werden eingesetzt, weil sie Aufgaben schneller erledigen als Menschen. Aber schnelle Ausführtung und belastbare Governance stehen in Spannung: Ein Agent, der in Sekunden Entscheidungen trifft, braucht ein Governance-Framework, das diese Entscheidungen trotzdem nachvollziehbar macht. Ohne Human-in-the-Loop-Design gibt es keinen Punkt, an dem ein Mensch das Agenten-Handeln prüfen kann.
Das MCP-Governance-Vakuum. MCP-Server-basierte Agenten laufen außerhalb des SAP-Change-Prozesses. Sie können SAP-Daten lesen, Prozesse auslösen und ABAP-Code erzeugen, ohne dass eine dieser Aktivitäten automatisch im Change-System erfasst wird. Das MCP-Ökosystem entwickelt sich schnell, aber die Governance-Standards sind noch im Entstehen.
Das Provider-Deployer-Vakuum für Custom-Agenten. Wer einen eigenen Agenten im Joule Studio baut, wird selbst zum Provider im Sinne des EU AI Act (Artikel 25: substanzielle Änderung). Die Provider-Pflichten (Artikel 16, Konformitätsbewertung, technische Dokumentation) liegen dann beim Kunden, nicht bei SAP. Viele Kunden sind sich dieser Rollensverschiebung nicht bewusst.
Human-in-the-Loop als Designprinzip. Kein produktiver Agent agiert vollständig autonom ohne definierte Punkte, an denen ein Mensch prüft und genehmigt. Diese Punkte werden vorab festgelegt: bei der Ersteinführung, bei jeder Änderung, bei unerwarteten Ergebnissen, bei Schwellenwertüberschreitungen. Human-in-the-Loop ist nicht ein Komfort-Feature, sondern eine regulatorische Anforderung nach Artikel 26 (2) EU AI Act.
Agenten-Inventar als Pflichtgrundlage. Bevor der erste Produktiv-Agent läuft, wird ein Inventar aufgebaut: welche Agenten existieren, welche Risikoklasse haben sie, wer ist verantwortlich. Das Inventar ist die Grundlage für EU-AI-Act-Compliance, aber auch für operative Kontrolle: Wer weiss, welche Agenten auf welche SAP-Systeme zugreifen können?
Change-Prozess für KI-Änderungen. Jede Änderung an einem produktiven Agenten durchläuft den Change-Prozess. Das betrifft Modell-Updates (SAP liefert eine neue Version des Joule-Agenten), Konfigurationsänderungen (im Joule Studio), Prompt-Updates (veränderte Anweisungen an den Agenten), Tool-Änderungen (neue APIs, die der Agent nutzen darf). Der Change-Record enthält den Agenten-Namen, die Art der Änderung, die Auswirkung auf die Risikoklasse und den Human-in-the-Loop-Nachweis.
Agentic AI im SAP-Change-Management ist 2026 keine Zukunftsmusik mehr, sondern operative Realität in drei Welten: SAP-native Agenten, MCP-basierte externe Agenten und AI-Coding-Agenten. Jede Welt hat eigene Governance-Anforderungen. Human-in-the-Loop als Designprinzip, Agenten-Inventar als Pflichtgrundlage, Change-Prozess für jede KI-Änderung sind die drei operativen Konsequenzen.