KI-Agenten: Citi investiert 11 Mrd. Dollar, Home Depot wird 4× schneller, Capcom spart 30.000 Std.

These: KI-Agenten werden in Großunternehmen nicht wegen „besserer Antworten“ eingeführt, sondern weil sie Governance und Skalierung in Prozesse bringen, die bisher nur über Menschen steuerbar waren. Citi, Home Depot und Capcom beschreiben auf der Google Cloud Next sehr unterschiedliche Einsatzfelder – Wealth Management, Retail-Service, Game-Testing – und landen trotzdem beim gleichen Kernproblem: Sobald Agenten reales Geld, reale Kunden oder reales Produkt-Output berühren, wird Zuverlässigkeit zur Produktfunktion und Compliance zur Architekturentscheidung.

Das Interessante an den drei Beispielen ist nicht, dass Agenten Dinge „automatisieren“. Das ist zu billig gedacht. Entscheidend ist, dass Agenten Interaktionen vereinheitlichen, messbar machen und über Kanäle hinweg reproduzierbar ausrollen. Bei Citi heißt das: ein auditierbarer Datensatz jeder Kundeninteraktion und „unlimited capacity“ für Beziehungspflege. Bei Home Depot: identische Beratung online, im Store und am Telefon – plus ein Telefonsystem, das Anfragen „roughly four times faster“ löst. Bei Capcom: „roughly 30,000 hours per month per project“ weniger Routinearbeit im Testing, damit Entwickler mehr Zeit für Design statt Regression-Passes haben. Alle drei koppeln den Nutzen an harte Steuerbarkeit: Sicherheits- und Genauigkeitsanforderungen „from day one“, methodische Datenarchitektur, klar definierte Rollenverteilung zwischen Agent und Mensch.

Warum Citi Sky mehr Governance-Tool als Chatbot ist

Citi rahmt seinen Agenten Citi Sky als neuen Interaktionskanal „on par with the introduction of the ATM“. Das klingt nach PR, hat aber einen nüchternen Kern: Wealth Management skaliert historisch über Beraterstunden, nicht über Software. Andy Sieg, Head of Wealth bei Citi, macht daraus eine Wachstumsrechnung. Citi „manages about $1 trillion in wealth for customers“, aber diese Kunden halten „$5 trillion with other banks“. Der Agent soll helfen, dieses Geld zu „convert“ – nicht über eine neue UI, sondern über Reichweite in der Beziehungspflege.

Der operative Hebel ist dabei weniger das Beantworten von Fragen als das Ausführen von Aktionen und das Standardisieren der Kommunikation. Citi Sky „can answer questions and act on them“, läuft „in voice and video“ und soll Vertrauen erzeugen, das Kunden sonst menschlichen Beratern geben. Gleichzeitig liefert das System einen „auditable digital record of every customer interaction“. Das ist der Punkt, an dem Agenten für Banken überhaupt erst interessant werden: Nicht weil Menschen schlecht beraten, sondern weil menschliche Gespräche schwer zu auditieren sind.

Sieg zieht den Vergleich explizit: „Every conversation that we have today is not auditable and recorded, and can vary from advisor to advisor.“ Mit einem „single agent interface“ kann Citi „standardize and audit every interaction“ – ein Governance-Werkzeug, das „Citi has not previously had in its kit“. Im Klartext: Ein Agent schafft einen einheitlichen Prozess, in dem Policy, Produktlogik und Dokumentation konsistent greifen. Damit lässt sich auch nachträglich erklären, warum ein Kunde welche Empfehlung bekam oder welche Aktion ausgelöst wurde.

Diese Auditierbarkeit hängt direkt an der Modell- und Kontrollfrage. Auf die Frage nach Halluzinationen und Fehlern sagt Sieg, „security and accuracy topped the project's requirements list from day one“. Citi Sky laufe „does not run on an off-the-shelf model“. Stattdessen hat Citi „layered its own safeguards, wealth-management expertise, and compliance controls over Google's stack“. Der Agent wird behandelt „as though it were an employee“, „subject to the same securities laws, rules and regulations as everyone else“. Das ist mehr als Metapher: Es beschreibt ein Governance-Mindset, in dem der Agent als verantwortlicher Prozess-Teilnehmer gilt – inklusive der Pflicht, Entscheidungen innerhalb definierter Regeln zu treffen und Nachweise zu erzeugen.

Ein praktisches Beispiel zeigt, warum Citi die Geschwindigkeit als Kapazitätsargument verkauft: Citi Sky kann „market moving announcements from Washington DC“ nehmen und eine „simultaneous portfolio review to all of their clients“ liefern, „based on unfolding events“. Vorher lief das „best we could getting on the phone or by email“. Der Agent ersetzt hier nicht nur Kommunikation, sondern verdichtet Reaktionszeit in ein skalierbares Muster: ein Ereignis, viele Kunden, ein standardisierter Review-Flow, dokumentiert und wiederholbar.

Home Depots „Magic Apron“ zeigt, warum Agenten Kanalgrenzen killen

Home Depot geht das Agenten-Thema vom Kundenzugang her an, nicht vom Modell her. Angie Brown, Executive Vice President und CIO, sagt, man erweitere die „agent-driven experience from the website into stores and phone calls“ mit dem Tool Magic Apron. Die Idee: Jahrzehnte „home improvement expertise“ werden in ein „conversational format“ gegossen. Das Produkt läuft nicht nur im Web, sondern „alongside an in-store pilot“ und in einem „Google-powered phone system that replaces the traditional interactive voice response menu“.

Der Mehrwert entsteht durch Konsistenz. Brown beschreibt, dass das gleiche Framework, das Magic Apron auf der Website betreibt, auch den Store-Pilot und das Telefonsystem antreibt. Wenn ein Kunde online nach „deck materials“ fragt, bekommt er „the same guidance“ am Telefon oder im Laden. Das klingt banal, ist aber ein echter Architekturbruch: In vielen Unternehmen sind Kanäle eigene Silos mit eigenen Wissensständen, Skripten und KPIs. Ein Agent-Framework zwingt die Frage: Wo liegt die Wahrheit – und wie wird sie in jedem Kanal identisch ausgeliefert?

Home Depot legt offen, dass diese Portabilität nicht zufällig entsteht, sondern aus einer methodischen Daten- und Agenten-Schicht. Brown sagt: „From a data perspective, we have a lot of our information in BigQuery“, darauf setze man „Gemini enterprise and the ADK framework“ „to help us build these agents“. Zusätzlich nutze man „(Google Enterprise for Customer Experience) at the top layer“ um „the logic unit that's happening underneath“ offenzulegen. Für Entscheider ist das die entscheidende Botschaft: Der Agent ist nur die Spitze. Darunter braucht es Datenharmonisierung, Zugriffsmuster, Policy und Observability, sonst skaliert man Inkonsistenz.

Dass Home Depot auf Business-Outcomes misst, ist im Agenten-Hype fast schon erfrischend. Brown sagt, Kunden, die mit dem Shopping-Agent interagieren, „convert at a higher rate“. Konkreter wird sie beim Call-Center-Effekt: Das neue Telefonsystem löse Kundenfragen „roughly four times faster“ als das vorherige System. Diese Zahl ist mehr als ein Effizienz-KPI. Sie zeigt, dass Agenten nicht nur Self-Service hübscher machen, sondern in den Kern von Serviceprozessen gehen können – inklusive der Ablösung klassischer IVR-Menüs, die Kunden seit Jahren frustrieren.

Ein weiterer Punkt ist der B2B-ähnliche „professional channel“: Magic Apron wird „deployed“ um „contractors with job pricing“ zu helfen. Damit verschiebt sich Agenten-Nutzen von reiner Beratung in Richtung „assistierte Kalkulation“ – also Entscheidungen, die direkt Marge, Risiko und Kundenbindung betreffen. Wenn ein Agent hier Mist baut, kostet es echtes Geld. Genau deshalb betont Brown, Portabilität erlaube es, „one bar for quality regardless of the customer's entry point“ zu setzen. Qualität wird zum zentralen Steuerungsobjekt – nicht zum Ergebnis zufälliger guter Prompts.

Capcoms 30.000 Stunden zeigen, dass Agenten kreative Arbeit nicht ersetzen, sondern umschichten

Capcom liefert das Gegenbild zu Finance und Retail: Keine Kundengespräche, kein Geldtransfer, dafür Produktqualität und Entwicklungs-Throughput. Shinichi Inoue, Vice President für Game Development Platform und AI Solutions, ordnet den Einsatz als Entlastung repetitiver Aufgaben ein. Capcom hat „3,700 employees“, „about 75 percent“ davon arbeiten „in development“. Inoue sagt, das Unternehmen spare „roughly 30,000 hours per month per project“ indem es repetitive Arbeit an KI-Agenten übergibt, besonders im Testing, das bei modernen Titeln „enormous time“ frisst.

Diese Kennzahl ist in zwei Richtungen spannend. Erstens: Sie zeigt, dass Agenten nicht nur für „Wissensarbeit am Schreibtisch“ taugen, sondern in hochinstrumentierten Produktionsumgebungen wirken, in denen jede Minute Regression-Test und jedes Reproduzieren eines Bugs Zeit kostet. Zweitens: Sie legt offen, wie Unternehmen den Nutzen inzwischen rahmen. Inoue betont nicht primär Kostensenkung, sondern kreative Qualität. Testing müsse passieren, „just as if people are looking at the games, or listening to the games, or playing the games“. Agenten übernehmen diese Aufgaben: „We use AI agents to do those tasks.“

Wichtig ist die Konsequenz für die Arbeitsteilung. Inoue sagt, Agenten übernehmen „much of that work“, wodurch menschliche Kreative sich auf Design statt „regression passes“ konzentrieren. Das ist eine nüchterne, aber harte Aussage: Der Engpass in kreativen Industrien ist oft nicht Ideenmangel, sondern die Menge an Qualitätsarbeit, die nötig ist, um Ideen shipping-fähig zu machen. Wenn Agenten diesen Engpass reduzieren, ändert sich die Produktionsökonomie. Nicht „ein Agent baut ein Spiel“, sondern „ein Agent entfernt den Lärm“, damit Entwickler Entscheidungen treffen können, die den Titel besser machen.

Inoue formuliert den Wert deshalb als „unlocking of creative value“. Er sagt, man könne über Effizienz sprechen, aber wichtiger sei, dass Creator „more focused on their creativity“ wurden und „that part is the significant value to us“. Für DACH-Unternehmen ist das ein brauchbarer Rahmen, gerade in Branchen wie Maschinenbau-Engineering oder Software-Produktentwicklung: Agenten sind am stärksten, wenn sie Routine aus kritischen Pfaden ziehen, nicht wenn sie die Kernentscheidung simulieren sollen.

Was dagegen spricht: Agenten skalieren Fehler schneller als Wissen

So überzeugend die drei Praxisstories klingen, sie enthalten auch die Schwachstelle des Agenten-Narrativs: Sobald ein Agent Portabilität, Kapazität und Geschwindigkeit liefert, skaliert er auch Fehlverhalten. Bei Citi ist das offensichtlich, weil der Agent reale Beratung und potenziell Aktionen rund um Kundenvermögen beeinflusst. Deshalb sagt Sieg, Security und Accuracy standen „from day one“ oben. Und deshalb läuft Citi Sky nicht „off-the-shelf“, sondern mit „safeguards“, Domänenwissen und „compliance controls“ über dem Stack.

Bei Home Depot liegt die Gefahr weniger im regulatorischen Bereich, aber dafür in Marken- und Margenrisiken. Ein Agent, der auf allen Kanälen identisch antwortet, kann Inkonsistenz eliminieren – oder schlechte Logik in alle Kanäle drücken. Das Argument „one bar for quality“ ist damit auch eine Verpflichtung: Du brauchst klare Qualitätsdefinitionen, Testprotokolle und Telemetrie, sonst optimierst du auf Geschwindigkeit und verlierst Vertrauen. Der Hinweis auf die „logic unit that's happening underneath“ ist ein Indiz, dass Home Depot dieses Risiko ernst nimmt.

Bei Capcom ist die Fehlerdimension anders: Wenn Agenten Testing übernehmen, müssen sie zuverlässig genug sein, um echte Qualitätsarbeit zu ersetzen, nicht nur Klickarbeit. Inoue betont Testing „just as if people are looking…“ – das impliziert, dass der Agent nicht nur Skripte abspult, sondern Wahrnehmungsaufgaben abbildet. Der Haken: Solche Agenten brauchen klare Abnahmekriterien, sonst entsteht eine trügerische Sicherheit. Wenn Tests schneller laufen, aber Bugs durchrutschen, zahlst du später mit Patch-Zyklen und Community-Vertrauen.

Die zweite Schwachstelle ist Governance-Overhead. Agenten wirken an der Oberfläche „unlimited“, aber im Betrieb kosten sie Aufmerksamkeit: Policy-Design, Zugriffskontrolle, Monitoring, Incident-Handling. Citi löst das, indem es den Agenten wie einen Mitarbeiter behandelt. Das ist clever, weil es Verantwortlichkeiten und Regeln aus der Organisation in die Technik übersetzt. Gleichzeitig ist es teuer, weil es formale Prozesse erzwingt, die viele Teams in der Prototypenphase gerne umgehen.

So What? Warum DACH-Entscheider Agenten als Kontrollprojekt planen sollten

Was heißt das für dich, wenn du in einem DACH-Unternehmen Agenten evaluierst? Plane das Programm nicht als Modellprojekt, sondern als Kontroll- und Prozessprojekt. Die drei Beispiele zeigen, dass Agenten dort starten, wo zwei Bedingungen erfüllt sind: Erstens gibt es wiederholbare Interaktionen (Kundenberatung, Serviceanfragen, Testing-Schleifen). Zweitens existiert ein klarer Nutzen, der an Skalierung hängt (Wachstum, schnellere Resolution, mehr Entwicklungsdurchsatz). Der Agent ist dann weniger „KI“, sondern eine neue operative Schicht zwischen Daten, Regeln und Ausführung.

Für die DACH-Realität kommt ein zusätzlicher Faktor hinzu: Compliance und Risikoklassen. Wenn dein Agent personenbezogene Daten verarbeitet oder Entscheidungen vorbereitet, landest du schnell in DSGVO-Fragen und ab August 2026 auch in der Hochrisiko-Logik des EU AI Act. Seit August 2025 gelten außerdem die GPAI-Regeln, Governance und Strafen. Das zwingt dich, früh über Nachvollziehbarkeit, Dokumentation und Zugriff nachzudenken – also genau über die Themen, die Citi mit „auditable digital record“ und „subject to the same … rules and regulations“ adressiert. Der praktische Schritt ist banal, aber wirkungsvoll: Definiere für jeden Agenten einen Verantwortlichen wie für einen Mitarbeiter, inklusive Freigabeprozessen und Messpunkten.

Operativ empfehle ich dir drei Leitplanken, die direkt aus den drei Fällen ableitbar sind. Erstens: Setze Qualitätsbars kanalübergreifend, wie Home Depot es beschreibt. Wenn du Agenten in Web, Hotline und Filiale bringst, muss die gleiche Wissensbasis gelten – sonst erhöhst du nur die Varianz. Zweitens: Behandle Auditierbarkeit als Feature. Wenn du nicht erklären kannst, warum der Agent eine Empfehlung gab oder eine Aktion auslöste, wirst du ihn in regulierten oder sicherheitskritischen Kontexten nie skalieren. Drittens: Suche dir zuerst Routinearbeit im kritischen Pfad, wie Capcom es beim Testing macht. Dort ist der ROI leichter zu messen, und du entlastest Experten, statt sie zu ersetzen.

Ein letzter Realitätscheck: Laut DACH-Zahlenstand (Januar 2026) haben 94 Prozent der deutschen Mittelstandsfirmen noch keine KI implementiert. Wenn das stimmt, ist das Agenten-Thema für viele Unternehmen weniger „Next Step“ als „Sprung“. Umso wichtiger ist, klein zu starten: Ein Agent, ein Prozess, ein Datenraum, klare Metriken. Die restliche Skalierung kommt erst, wenn Governance und Reliability im Betrieb funktionieren.

Fazit: Agenten gewinnen, wenn sie Prozesse standardisieren – nicht wenn sie nur gut reden

Citi, Home Depot und Capcom zeigen drei Motive, warum Agenten gerade aus der Experimentierphase herauswachsen: Wachstum durch Kapazität („unlimited capacity“ in der Kundenpflege), Servicequalität durch Kanal-Konsistenz und Geschwindigkeit („roughly four times faster“ am Telefon), sowie Produktivität im Engineering („roughly 30,000 hours per month per project“ im Testing). Der gemeinsame Nenner ist nicht das Modell, sondern das Betriebsmodell: Auditierbarkeit, Qualitätsbars, klare Verantwortlichkeiten.

Meine Prognose: Wenn du Agenten 2026 ernsthaft skalierst, wird dein Engpass nicht Compute oder Prompting sein, sondern Governance-Design. Mit hoher Wahrscheinlichkeit setzt sich ein Muster durch, das Citi explizit macht: Unternehmen behandeln Agenten wie Mitarbeiter, inklusive Regelwerk, Dokumentation und Kontrollen. Wenn/Dann für die Praxis: Wenn du diese „Mitarbeiter-Logik“ von Anfang an in Datenzugriff, Logging und Freigabeprozesse übersetzt, dann kannst du Agenten in kundennahen und produktionsnahen Workflows ausrollen, ohne bei jedem Incident zurück in den Pilotmodus zu fallen. Wenn du es nicht tust, bekommst du zwar Demos, aber keinen Betrieb.

Der Haken ist organisatorisch: Agenten sind ein Schnittstellenprodukt zwischen IT, Fachbereich, Risk/Compliance und Operations. Wer das als reine IT-Einführung verkauft, läuft in die gleiche Falle wie frühe Chatbot-Projekte: nette Oberfläche, wenig Wirkung. Wer es als Kontrollprojekt baut, bekommt Skalierung – und genau darum geht es in allen drei Stories.