Einleitung: Von der Assistenz zur Autonomie
Die Wirtschaftsinformatik befindet sich aktuell in einer Phase konzeptioneller Neuorientierung: Generative KI-Systeme werden nicht länger primär als reaktive Assistenzwerkzeuge verstanden, sondern zunehmend als agentische Informationssysteme (Agentic IS), die eigenständig Ziele verfolgen, Handlungen initiieren und Verantwortung für Aufgaben mit hoher Unsicherheit übernehmen (Baird & Maruping, 2021). Agentische Systeme sind demnach nicht länger passive Werkzeuge, sondern Artefakte, die eigenständig Rechte und Pflichten zur Zielerreichung übernehmen können (Holldack et al., 2026). Für die Wirtschaftsinformatik eröffnet sich damit ein Forschungsfeld an der Schnittstelle von Human-Computer Interaction (HCI), Organisationsgestaltung und intelligenten Informationssystemen.
Theoretische Einordnung und konzeptionelle Fundierung
Die zunehmende Verbreitung agentischer Systeme erfordert eine Weiterentwicklung etablierter Theorien des soziotechnischen Systemdesigns. Während klassische Ansätze der IS-Nutzungsforschung dem menschlichen Akteur analytische Primärstellung einräumen und Technologie als passives Werkzeug behandeln, argumentieren Baird und Maruping (2021), dass diese Annahme für eine neue Generation „agentischer“ IS-Artefakte revidiert werden muss. Sie führen hierzu das Konzept der Delegation als theoretische Linse ein, um die Beziehung zwischen Mensch und agentischem IS-Artefakt entlang der Dimensionen Endowments, Preferences und Roles sowie der Mechanismen Appraisal, Distribution und Coordination zu erklären (Baird & Maruping, 2021).
Ergänzend liefert das Task-Technology Fit (TTF)-Modell einen etablierten Bezugsrahmen zur Passung zwischen Aufgabenanforderungen und technologischen Eigenschaften (Goodhue & Thompson, 1995). Für agentische Architekturen ist dieses Modell um folgende Dimensionen zu erweitern:
- Autonomiegrad: Ausmaß eigenständiger Entscheidungsfindung und Handlungsinitiierung (Baird & Maruping, 2021).
- Intentionalität: Fähigkeit zur zielgerichteten Planung über mehrere Handlungsschritte hinweg (Holldack et al., 2026).
- Fehlertoleranz und Resilienz: Umgang mit Unsicherheit in dynamischen Umgebungen.
- Transparenz: Nachvollziehbarkeit von Entscheidungslogiken und Handlungspfaden.
Methodische Zugänge und empirische Forschung
Die Untersuchung agentischer KI erfordert methodische Designs, die über reine Performance-Metriken hinausgehen und sozio-technische Effekte einbeziehen. Besonders geeignet sind mehrmethodische Forschungsansätze:
- Design Science Research (DSR): Entwicklung und Evaluation von Artefakten in Form von KI-Agenten oder Multi-Agenten-Systemen, differenziert nach Instanziierungen, Modellen und Methoden, mit ex-ante und ex-post Evaluationsdesigns (Hevner et al., 2004).
- Theoriegeleitete Delegationsforschung: Anwendung des Delegationsframeworks zur Modellierung testbarer Hypothesen über Appraisal-, Distributions- und Koordinationsmechanismen (Baird & Maruping, 2021).
- Qualitative Fallstudien: Untersuchung organisationaler Transformationsprozesse und sozio-technischer Wechselwirkungen bei der Einführung agentischer Systeme (Yin, 2014).
Herausforderungen und zentrale Forschungsfelder
Ein zentrales Spannungsfeld betrifft die Nachvollziehbarkeit autonomer Entscheidungs- und Handlungsketten. Autonome KI-Agenten verletzen zentrale Annahmen klassischer Verantwortungszuschreibung, da Handlungen nicht mehr eindeutig auf einzelne menschliche Entscheidungen zurückgeführt werden können (Rahwan et al., 2019). Verantwortung muss daher zunehmend auf Ebene der organisationalen Governance-Architektur verortet werden, die festlegt, welche Ziele ein Agent verfolgt und in welchem Ausmaß Entscheidungsbefugnis delegiert wird (Rahwan et al., 2019).
Daraus ergeben sich zentrale Forschungsfelder:
- Agentische Governance: Entwicklung von Rahmenwerken zur Steuerung, Kontrolle und Auditierbarkeit autonomer Systeme.
- Delegationstheorie: Empirische Prüfung der von Baird und Maruping (2021) vorgeschlagenen Delegationsmechanismen in realen Organisationskontexten.
- Rollen- und Kompetenzwandel: Auswirkungen agentischer Delegation auf Entscheidungsstrukturen und Managerverantwortung.
- Prozessintegration: Einbettung agentischer IS in bestehende Prozesslandschaften.
Implikationen für die Forschung
Agentische KI stellt keine inkrementelle Weiterentwicklung dar, sondern erfordert eine grundlegende Revision der IS-Nutzungstheorie, wie sie durch die MIS Quarterly Special Issue zu Agentic AI adressiert wird (MISQ Executive Special Issue, 2026). Für die Wirtschaftsinformatik ergibt sich die Notwendigkeit, Delegations-, Governance- und Vertrauensmodelle empirisch zu validieren. Insbesondere die Schnittstelle zwischen menschlicher Steuerung und maschineller Autonomie bleibt zentraler Gegenstand zukünftiger Forschung.
Literaturverzeichnis
- Baird, A., & Maruping, L. M. (2021). The next generation of research on IS use: A theoretical framework of delegation to and from agentic IS artifacts. MIS Quarterly, 45(1), 315–341. https://doi.org/10.25300/MISQ/2021/15882
- Holldack, F., et al. (2026). Agentic information systems. Electronic Markets 36, 5. https://doi.org/10.1007/s12525-025-00861-0.
- Rahwan, I., et al. (2019). Machine behaviour. Nature, 568(7753), 477–486.
- Goodhue, D. L., & Thompson, R. L. (1995). Task-technology fit and individual performance. MIS Quarterly, 19(2), 213–236. https://doi.org/10.2307/249689
- Hevner, A. R., March, S. T., Park, J., & Ram, S. (2004). Design science in information systems research. MIS Quarterly, 28(1), 75–105. https://doi.org/10.2307/25148625
- Yin, R. K. (2014). Case study research: Design and methods (5th ed.). Sage.
- MIS Quarterly Executive. (2026). Special Issue Call for Paper: Are organizations ready for autonomous AI agents? https://lnkd.in/dx-wesDZ, zugegriffen am 01.08.2026