Agentic AI als nächster Schritt: Wie handelnde KI Geschäftsprozesse im Enterprise Performance Management autonom optimiert

Warum klassische EPM-Automation an Grenzen stößt – und wo Agentic AI ansetzt

Wenn Planungszyklen auf echten Steuerungsdruck treffen, kippt klassische EPM-Automation schnell von hilfreich zu starr. Regelbasierte Abläufe, Makros und RPA-Skripte greifen sauber, solange Eingaben, Schwellenwerte und Entscheidungspfade stabil bleiben. Sobald jedoch Forecast-Abweichungen, geänderte Treiber oder neue Geschäftskontexte in kurzer Folge auftreten, müssen IT und Controlling die Logik nachpflegen. Genau dort entsteht der operative Engpass: Die Automatisierung verarbeitet den vorgesehenen Fall, reagiert aber nicht eigenständig auf den neuen. Agentic AI setzt an dieser Lücke an, weil sie Ziele eigenständig verfolgt, Entscheidungen trifft und Prozesse proaktiv steuert [1][2].

Im Enterprise Performance Management geht es damit nicht um ein neues Schlagwort, sondern um die Frage, wie Forecast-Korrekturen, Abweichungsanalysen oder das Nachsteuern von Planprämissen künftig laufen. Klassische Automation führt dafür definierte Schritte aus. Sie kann aber nicht selbst beurteilen, welcher Ausreißer eine Gegenprüfung braucht und welcher nur statistisches Rauschen ist. Agentic AI erweitert diesen Rahmen, weil KI-Agenten Ziele in Unteraufgaben zerlegen und diese unabhängig nachverfolgen können [2].

Gerade im EPM-Umfeld ist dieser Unterschied wichtig. Wenn der Umsatzforecast in einer Region abrutscht, reicht es oft nicht, eine Standardregel auszulösen. Das System muss den Abweichungsfall erkennen, mögliche Treiber priorisieren, Daten aus angrenzenden Bereichen anfordern und den Vorgang für die Fachseite vorbereiten. Agentic AI kann solche Ketten nicht nur anstoßen, sondern auch strukturieren, weil sie kontextbezogen entscheidet und Aktionen für dynamische Umgebungen aufschlüsselt [2].

Die technische Architektur: Wie Agentic AI EPM-Prozesse analysiert, plant und ausführt

Wenn ein Forecast in Bewegung gerät, reicht ein einzelner Trigger nicht mehr aus. Die Architektur muss dann mehr leisten als eine Regelkette. Sie braucht einen Zyklus aus Zielsetzung, Planung, Handlung und Lernen, damit der Agent einen Vorgang eigenständig weiterführen kann [3]. Genau darin liegt der technische Unterschied zu klassischer EPM-Automation. Diese arbeitet definierte Schritte ab. Ein Agent prüft zusätzlich, ob das Zwischenziel noch zum Kontext passt, und passt seinen nächsten Schritt an [2].

Für EPM bedeutet das: Der Agent braucht nicht nur Zugriff auf Planungsdaten, Ist-Werte und Treiberlogik. Er braucht auch eine Schicht, die Kontext zusammenführt. Dazu gehören BI-Signale, Abweichungsgrenzen, Historienwerte und Prozesszustände. Erst diese Kombination erlaubt Entscheidungen, die nicht starr an einer einzigen Regel hängen. Agentic AI agiert dafür initiativ und adaptiv; sie folgt nicht bloß einer festen Abfolge, sondern bewertet die Lage und setzt die nächste Aktion passend zum Ziel [2].

Technisch entsteht damit eine Kette aus Orchestrierung, Tool-Nutzung und Speicher. Gedächtnis-Module halten relevante Zwischenergebnisse vor. Tool-Calls greifen auf EPM-Funktionen, Datenquellen oder Freigabeschritte zu. Die Orchestrierung sorgt dafür, dass der Agent aus einem Ziel eine Abarbeitungslogik ableitet [3].

Interne Datenflüsse zwischen EPM, BI und Agenten-Orchestrierung

Ein Agent kann im EPM nur dann sinnvoll handeln, wenn er die operative Lage aus mehreren Quellen zusammensetzt. Dafür müssen Planungswerte, Ist-Daten, Kommentarstände und BI-Kontext in einen gemeinsamen Arbeitsraum fließen. Die Orchestrierung liest nicht nur Zahlen, sondern auch den Status eines Prozesses: Ist ein Forecast bereits freigegeben, wurde eine Abweichung kommentiert, oder wartet ein Szenario noch auf Plausibilisierung? Wenn Sie diese Rolle von Kontextdaten vertiefen möchten, hilft ein Blick auf Agentic AI im Business.

Genau diese Kontexttiefe ist entscheidend, weil Agenten Entscheidungen basierend auf dem Kontext und sich ändernden Bedingungen treffen [2]. Ohne diesen Datenfluss bleibt jede autonome Aktion blind. Mit ihm kann ein Agent priorisieren, ob ein Forecast-Refresh ausreicht oder ob zusätzliche Fachsicht nötig ist. Für IT-Leiter heißt das: Die Schnittstelle zwischen EPM und BI ist nicht nur ein Integrationsprojekt. Sie ist die Voraussetzung dafür, dass der Agent überhaupt eine belastbare Entscheidung ableiten kann.

Tool-Aufrufe und API-Nutzung für Forecast-Anpassungen

Die Handlungsebene entsteht dort, wo der Agent EPM-Funktionen über Schnittstellen anspricht [2]. Praktisch heißt das: Der Agent kann einen Daten-Refresh anstoßen, eine Neuberechnung auslösen oder eine Verteilung neu bewerten, sobald ein neuer Datenpunkt den bisherigen Forecast kippt. Solche Aktionen laufen nicht als starres Skript, sondern als Folge von Entscheidungen im Kontext [2].

Der Nutzen liegt in der Reaktionslogik. Klassische Automatisierung wartet auf einen exakt definierten Auslöser. Ein Agent kann dagegen prüfen, ob ein neuer Wert nur die Prognose aktualisiert oder ob er eine weitergehende Anpassung braucht. Dafür muss er Tools gezielt aufrufen, Zwischenergebnisse speichern und das Resultat wieder in den Prozess zurückspielen [3]. Wenn Ihre Forecast-Landschaft mehrere Systeme berührt, wird genau diese Fähigkeit zum Engpass oder zum Vorteil.

Lernmechanismen zur Stabilisierung der Forecast-Qualität

Ein Agent entfaltet seinen eigentlichen Wert nicht bei der ersten Aktion, sondern in der Verbesserung der Folgeaktionen. Dafür analysiert er Ergebnisse und passt die nächste Entscheidung an. In den verfügbaren Quellen wird dieses Prinzip als Reaktion auf unmittelbare Auswertungen beschrieben: Agenten werten Reaktionen aus und optimieren die nächste Interaktion ohne manuellen Zwischenschritt [4].

Für das EPM lässt sich dieses Muster auf Forecast-Qualität übertragen. Wenn ein Anpassungsschritt regelmäßig zu Korrekturen in der Fachabteilung führt, sollte der Agent diese Rückmeldung als Signal nutzen und seine Priorisierung ändern. Das ist kein statisches Regelwerk mehr. Es ist ein Lernmechanismus, der den Prozess robuster macht, weil er Wiederholungsfehler sichtbar verarbeitet [3]. Wer Agentic AI im Controlling einsetzen will, sollte deshalb nicht nur die Erstentscheidung prüfen, sondern auch die Rückkopplung nach der Ausführung.

Nach der Architektur folgt die Anwendung auf typische EPM-Steuerungsprozesse.

Konkrete Einsatzszenarien: Wo Agentic AI heute schon EPM-Prozesse autonom optimiert

Wenn Forecasts in kurzen Takten kippen, reicht ein reaktiver Kommentarprozess nicht mehr aus. Genau hier wird Agentic AI im EPM interessant: Die Systeme erkennen Abweichungen, ziehen den nächsten Arbeitsschritt nach und behandeln nicht nur einzelne Aufgaben, sondern ganze Prozessketten [1]. Für Finance- und Controlling-Teams bedeutet das einen Wechsel von der isolierten Task-Automation hin zu durchgängiger End-to-End-Steuerung [1].

Der praktische Mehrwert entsteht dort, wo Planungsdaten unstrukturiert werden oder sich häufig ändern. Agentic-AI-Systeme bewältigen komplexe, unstrukturierte Prozesse und agieren dabei anpassbar im laufenden Betrieb [2]. Für EPM-Szenarien ist das relevant, wenn neue Ist-Werte, geänderte Treiber oder zusätzliche Freigabeschleifen in den Prozess hineinlaufen. Dann braucht die Steuerung nicht nur einen Trigger, sondern Kontext und Handlungslogik.

Ein sauberer Einsatz beginnt nicht mit „mehr Automatisierung“, sondern mit der Frage: Welcher Prozessschritt kostet heute am meisten manuelle Koordination, obwohl die Regel dahinter klar genug wäre? Dort lassen sich autonome Agenten mit dem größten Nutzen ansetzen. Wo das Daten- und Entscheidungsmuster stabil genug ist, übernimmt der Agent Routine. Wo das Muster wechselt, passt er seine nächsten Schritte an [2].

Self-Optimizing Forecast Cycles

Forecast-Zyklen werden besonders dann teuer, wenn Ausreißer erst spät auffallen. Agentic AI kann solche Outlier erkennen und den Prozess nicht bei der Warnung stoppen, sondern direkt den nächsten Prüfpfad einleiten. Das ist für Planungsverantwortliche entscheidend, weil ein Forecast nicht nur aktualisiert, sondern inhaltlich eingeordnet werden muss. Agentische Systeme handeln dabei proaktiv und verfolgen definierte Ziele eigenständig [1].

Für die Praxis heißt das: Ein Agent kann einen ungewöhnlichen Trend markieren, betroffene Treiber priorisieren und die Folgeprüfung vorbereiten, ohne dass jemand jeden Schritt manuell anstößt. Die eigentliche Stärke liegt nicht im Erkennen allein, sondern in der anschließenden Ableitung von Maßnahmen. Genau dort verschiebt sich der Prozess von der reinen Analyse zur aktiven Steuerung. Wenn Ihre Forecast-Kette mehrere Fachbereiche berührt, reduziert diese Form der Automatisierung die Zahl der Medienbrüche spürbar [1].

Autonome Abweichungsanalysen im Finanz- und Kostenstellencontrolling

Im Finanz- und Kostenstellencontrolling entstehen Abweichungen selten an einer einzelnen Stelle. Häufig zieht eine Ursachenprüfung mehrere Anschlussfragen nach sich: Kostenarten, Mengen, Periodenverschiebungen, Freigabestatus. Agentic AI kann diese Maßnahmenkette selbst ableiten, statt nur einen Alarm zu setzen [1]. Das ist ein wichtiger Unterschied, weil der Aufwand im Controlling oft nicht in der Analyse selbst liegt, sondern in der Koordination der nächsten Schritte.

Genau hier hilft die Fähigkeit, Routinearbeit zu reduzieren. Agentic AI verringert manuelle Routinetätigkeiten und entlastet Teams dort, wo immer wieder dieselben Prüfschritte anfallen [1]. Für IT- und Fachbereiche ist das relevant, wenn Kostenstellenberichte regelmäßig dieselben Rückfragen auslösen oder wenn Abweichungsanalysen immer wieder in dieselbe Freigabeschleife laufen. Der Agent kann den Vorgang strukturieren, priorisieren und vorbereiten, damit die Fachseite schneller entscheiden kann.

Adaptive Maßnahmensteuerung in Rolling Forecasts

Rolling Forecasts leben davon, dass das System auf neue Erkenntnisse reagiert. Ein lernfähiger Agent passt seine Steuerung deshalb auf Basis vergangener Ergebnisse an [3]. Wenn eine Maßnahme im letzten Zyklus zu vielen Korrekturen geführt hat, sollte der nächste Schritt anders priorisiert werden. Genau diese Anpassung unterscheidet Agentic AI von starrer Automation.

Die Quellen beschreiben Agentic AI als Ansatz, bei dem Systeme nicht nur reagieren, sondern lernen und sich verbessern [3]. Für Rolling Forecasts ist das der entscheidende Hebel. Der Agent kann aus der Qualität früherer Anpassungen ableiten, welche Prüfpfade sich bewährt haben und welche zu viel Nacharbeit erzeugen. So entsteht eine Steuerung, die nicht nur schneller, sondern auch robuster auf wechselnde Planungsdaten reagiert [3].

Im nächsten Kapitel werden Messgrößen und Kriterien vorgestellt, mit denen IT-Leiter die Wirksamkeit solcher Szenarien bewerten.

Messbarkeit und Entscheidungshilfe: Wie IT und Controlling den Reifegrad von Agentic-AI-Einsatz bewerten

Wenn ein Agent im EPM mehr als nur Anweisungen abarbeiten soll, braucht das Projekt eine härtere Messlogik als klassische Workflow-Automation. Sonst bleibt unklar, ob das System wirklich autonom steuert oder nur schneller klickt. Für IT und Controlling sind deshalb drei Fragen entscheidend: Wie oft greift ein Mensch noch ein? Wie viel Prozesslogik läuft ohne manuelle Übergabe? Und wie stabil bleibt der Forecast, wenn der Agent neue Informationen verarbeitet?

Eine belastbare EPM-Metriklandschaft trennt operative und technische Sicht. Auf der Fachseite zählen Interventionsquote, Durchlaufzeit pro Forecast-Zyklus und die Zahl der Nachbearbeitungen. Auf der technischen Seite zählen API-Erfolgsrate, Fehlerrate bei Tool-Calls und die Quote der Fälle, in denen der Agent einen Prozess korrekt bis zum definierten Zielzustand führt. Diese Trennung hilft, weil ein hoher Automationsgrad allein noch keine gute Steuerung beweist. Ein Agent kann viele Schritte ausführen und trotzdem in kritischen Fällen zu oft eskalieren.

Reifegradmodell für Agentic AI im EPM

Für die Einordnung reicht kein binäres „automatisiert oder nicht“. Sinnvoller ist ein Stufenmodell. Auf Stufe 1 führt die Lösung einzelne EPM-Schritte aus, etwa Daten abrufen oder Reports vorbereiten. Auf Stufe 2 setzt sie Teilziele selbstständig um, zum Beispiel eine Abweichung analysieren und den Folgeprozess anstoßen. Auf Stufe 3 steuert der Agent einen kompletten Planungs- oder Forecast-Loop inklusive Lernschleife und passt seine nächsten Aktionen an bisherige Ergebnisse an.

Der Reifegrad steigt also mit zwei Faktoren: Automationsgrad und Lernfähigkeit. Genau diese Kombination trennt Agentic AI von klassischer Regelautomatisierung, denn Agentic AI kann Ziele aufschlüsseln, Tools nutzen und sich im Zeitverlauf anpassen [2]. Für die Praxis ist das wichtig, weil ein hohes Maß an Autonomie erst dann sinnvoll ist, wenn die Datenlage stabil genug ist und die Fachlogik klare Eskalationspunkte vorgibt.

Governance-Anforderungen an KI-Agenten

Agentic AI bringt nicht nur neue Möglichkeiten, sondern auch neue Kontrollpunkte. Sicherheit, Kontrolle und Überwachungsmechanismen sind essenziell [3]. Das gilt im EPM besonders dort, wo Agenten auf Planungsdaten, Finanzkennzahlen oder Freigabeschritte zugreifen. Ohne Rollenmodell, Protokollierung und saubere Freigabegrenzen entstehen schnell Risiken bei unautorisierten Aktionen oder bei Entscheidungen, die Fachabteilungen nicht mehr nachvollziehen können.

Auch die Kostenfrage gehört in die Governance. Wenn ein Agent viele Tool-Calls ausführt, steigt der Betriebsaufwand nicht nur technisch, sondern auch organisatorisch. Deshalb sollten Unternehmen im Lastenheft festhalten, welche Datenzugriffe erlaubt sind, welche APIs der Agent nutzen darf und wann eine menschliche Freigabe zwingend bleibt. Zudem braucht jedes Projekt klare Überwachungsmechanismen für Fehlentscheidungen, Zeitüberschreitungen und abgebrochene Prozessketten. Agentic AI kann Aufgaben eigenständig ausführen, doch genau diese Autonomie verlangt eine eng gefasste Kontrollarchitektur [3].

Die Metriken und Kontrollpunkte führen direkt in den Vergleich mit klassischer EPM-Automation.

Vergleich: Klassische EPM-Automation vs. Agentic AI

Wenn Ihre EPM-Prozesse nur Daten von A nach B schieben, reicht klassische Automation oft aus. Sobald der Ablauf aber auf neue Ist-Werte, Ausreißer oder zusätzliche Freigaben reagieren muss, kippt das Modell. Regelbasierte Workflows arbeiten zuverlässig, solange die Bedingungen stabil bleiben. Agentic AI geht einen Schritt weiter und bewältigt komplexe, unstrukturierte Prozesse deutlich besser [2].

Der Unterschied liegt nicht nur im Automatisierungsgrad, sondern in der Prozesslogik. Klassische EPM-Automation folgt festen Wenn-Dann-Regeln. Sie stößt dort an Grenzen, wo der Agent nicht nur einen Schritt ausführt, sondern Ziele aufschlüsselt, Tools nutzt und den nächsten Arbeitsschritt eigenständig ableitet [2]. Für dynamische Steuerungsprozesse im Controlling ist genau das der kritische Punkt.

Für IT-Leiter ist das kein akademischer Unterschied. Wenn ein Forecast-Prozess nur monatlich läuft und kaum Varianten kennt, bleibt regelbasierte Automation meist die wirtschaftlichere Wahl. Wenn jedoch Abweichungsanalysen, Freigaben und Tool-Wechsel in einer Kette zusammenlaufen, sinkt der Nutzen starrer Workflows schnell. Dann zahlt sich eine Architektur aus, die nicht nur ausführt, sondern den Prozess aktiv weiterführt.

Für die Praxis hilft ein einfacher Prüfpfad: Erstens prüfen Sie die Zahl der Ausnahmen. Zweitens prüfen Sie, wie oft Fachbereiche manuell nachsteuern. Drittens prüfen Sie, ob mehrere Tools oder Fachsysteme in einem Ablauf zusammenspielen müssen. Je höher diese Komplexität, desto eher lohnt sich der Einsatz von KI-Agenten. Das nächste Kapitel überführt diese Logik in konkrete technische und organisatorische Schritte.

Wie Unternehmen Agentic AI im EPM einführen: Technische Schritte und organisatorische Hebel

Wenn Sie Agentic AI im EPM einführen, scheitert das Projekt selten am Modell. Es scheitert meist an der Umgebung, in der der Agent handeln soll. Wer ihm Freigaben, Planungslogik und Datenzugriffe überlässt, verändert damit auch die Organisationslogik. Genau diese strukturelle Verschiebung wird in anderen Unternehmensbereichen bereits beschrieben: Agentic AI führt nicht nur zu effizienteren Abläufen, sondern zu neuen Organisationsmustern und Orchestrierungsrollen [5].

Für EPM heißt das: Erst die Architektur stabilisieren, dann die Verantwortlichkeiten neu schneiden. Sonst entsteht ein Agent, der technisch zwar Entscheidungen trifft, fachlich aber in alten Freigabeketten steckenbleibt.

Technik-Setup für agentenbasierte EPM-Szenarien

Der erste Hebel ist die Schnittstellenfähigkeit. Ein Agent braucht APIs zu ERP-, BI- und EPM-Systemen, sonst bleibt er auf manuelle Exporte angewiesen. Genau dort verliert autonome Steuerung ihren Nutzen. Parallel dazu braucht er ein konsolidiertes Datenmodell für Plan-, Ist- und Forecast-Daten. Wenn Stammdaten, Kontenlogik oder Kostenstellen in mehreren Varianten vorliegen, kann der Agent Abweichungen nicht sauber bewerten.

Die zweite Ebene ist die Sicherheitsschicht. Der Agent darf nicht frei in allen Workflows agieren, sondern nur innerhalb klar definierter Berechtigungen, Protokolle und Eskalationsregeln. Das Monitoring muss deshalb nicht nur technische Fehler erfassen, sondern auch fachliche Abweichungen: Welche Aktion hat der Agent ausgelöst? Welche Daten hat er genutzt? Wann hat er einen Menschen einbezogen? Ohne diesen Layer wird aus Autonomie schnell Intransparenz. Wer die Risiken solcher Agenten systematisch prüfen will, findet eine passende Einordnung in den OWASP Top 10 für Agentic AI Applications.

Neue Rollenprofile im Controlling

Mit Agentic AI verschiebt sich die Arbeit im Controlling weg von der reinen Ausführung hin zur Orchestrierung. Das entspricht der strukturellen Veränderung, die auch in anderen Fachbereichen sichtbar wird: Nicht einzelne Tätigkeiten stehen im Mittelpunkt, sondern die Steuerung vernetzter Abläufe [5]. Für Controlling-Teams bedeutet das weniger manuelle Pflege und mehr Verantwortung für Zieldefinition, Qualitätsregeln und Eskalationspunkte [5].

Praktisch verändert sich damit das Rollenbild des Controllers. Er prüft nicht mehr jeden Einzelschritt selbst, sondern definiert, wann ein Agent autonom nachsteuern darf und wann ein Fachteam übernehmen muss. Dazu kommen neue Aufgaben in der Governance: Regelwerke formulieren, Ausnahmen auditieren und die Wirkung der Agenten im Betrieb messen. Wer diese Rollen nicht frühzeitig klärt, riskiert Konflikte zwischen Fachbereich, IT und Finance.

Für den Kompetenzaufbau reichen klassische Schulungen zu Reporting und Planung nicht mehr aus. Teams brauchen ein Verständnis für Tool-Ketten, Berechtigungsdesign und Kontrollgrenzen. Erst dann lässt sich Agentic AI in EPM-Workflows so einsetzen, dass sie Ergebnisse liefert und nicht nur zusätzliche Komplexität erzeugt.

Fazit: Wie Agentic AI den nächsten Evolutionsschritt im EPM markiert

Wenn Ihr EPM heute nur sauber rechnet, aber bei Ausnahmen, Zielkonflikten oder neuen Datenlagen auf den Menschen wartet, bleibt Potenzial liegen. Genau hier setzt Agentic AI an. Die Systeme verfolgen Ziele eigenständig, treffen kontextbezogene Entscheidungen und führen definierte Arbeitsschritte ohne dauernde manuelle Steuerung aus [2][1].

Für Enterprise Performance Management ist das mehr als ein Automatisierungs-Upgrade. Klassische Workflows sparen Zeit, solange die Prozesslogik stabil bleibt. Agentic AI erweitert diese Logik über feste Regeln hinaus und kann komplexe, unstrukturierte Abläufe kontinuierlich weiterführen [2]. Damit verschiebt sich der Fokus von der reinen Ausführung hin zur aktiven Steuerung. Genau das ist in Planungs-, Forecasting- und Controlling-Prozessen entscheidend, wenn nicht jeder Fall vorab modelliert werden kann.

Der praktische Nutzen liegt in der Orchestrierung. Ein KI-Agent kann Ziele aufschlüsseln, Teilaufgaben koordinieren und mit Tools zusammenarbeiten, um ein Ergebnis zu erreichen [2]. Für IT und Finance heißt das: weniger starre Prozessketten, mehr adaptive Steuerung. Aber diese Logik funktioniert nur mit klaren Schnittstellen, Berechtigungen und Eskalationsregeln. Ohne diese Basis wird aus Autonomie schnell ein unkontrollierter Sonderweg.

Woran Sie den nächsten Reifegrad erkennen

Der Unterschied zwischen klassischer Automation und Agentic AI zeigt sich nicht im Marketing, sondern im Betrieb. Wenn ein Prozess nur dann läuft, wenn alle Eingaben exakt dem erwarteten Muster entsprechen, bleibt er regelbasiert. Wenn er bei Abweichungen selbstständig den nächsten Schritt wählt, nähert er sich agentischem Verhalten an [2]. Für EPM ist genau diese Fähigkeit interessant, weil Planungs- und Steuerungsprozesse selten linear verlaufen.

Der Reifegrad steigt, wenn der Agent nicht nur Daten verarbeitet, sondern auch Kontext auswertet, Zwischenziele setzt und Folgeaktionen auslöst [2]. Dann wird aus Automation ein System, das in wechselnden Situationen handlungsfähig bleibt. Für Entscheider ist das der Punkt, an dem sich Investitionen in Architektur, Governance und Datenqualität erstmals direkt auf die Steuerungsfähigkeit auswirken.

Der sinnvolle nächste Schritt ist kein großer Rollout. Prüfen Sie zuerst, welche Prozesse wirklich autonomes Nachsteuern brauchen und welche weiterhin besser regelbasiert laufen. Genau diese Trennung entscheidet über Wirtschaftlichkeit und Kontrollierbarkeit. Die interne Vertiefung zu Enterprise Performance Management hilft bei der Einordnung der Zielprozesse, während Business Intelligence die nötige Kontextbasis für Agenten im Daten- und Entscheidungsfluss schärft.