Microsoft 365 wird zur Plattform für KI-Agenten: Warum Copilot, Cowork und Scout nur der Anfang einer neuen Generation agentischer Wissensarbeit sind

Microsoft verändert nicht Copilot – sondern die Wissensarbeit

Seit einigen Monaten vergeht kaum eine Woche ohne neue Ankündigungen rund um Microsoft Copilot. Mit Copilot Cowork, Microsoft Scout, dem Agent Framework sowie neuen Konzepten wie Copilot Credits und Agent-to-Agent-Kommunikation erweitert Microsoft sein KI-Portfolio in rasantem Tempo. Betrachtet man diese Entwicklungen jedoch isoliert, entsteht leicht der Eindruck einer stetig wachsenden Sammlung neuer Funktionen.

Genau hier lohnt sich ein genauerer Blick. Die eigentliche Geschichte besteht nicht darin, dass Microsoft weitere KI-Produkte veröffentlicht. Vielmehr verändert das Unternehmen Schritt für Schritt die Architektur von Microsoft 365. Künstliche Intelligenz entwickelt sich von einem einzelnen Assistenten zu einer Plattform, auf der spezialisierte KI-Agenten eigenständig Aufgaben übernehmen, zusammenarbeiten und Unternehmenswissen nutzen.

Diese Entwicklung markiert einen fundamentalen Wandel: Während bisher vor allem die Qualität einzelner Sprachmodelle im Mittelpunkt stand, rücken nun Themen wie Kontext, Zusammenarbeit mehrerer Agenten, Governance und Interoperabilität in den Vordergrund. Die Frage lautet deshalb nicht mehr ausschließlich, welches Modell die beste Antwort erzeugt, sondern zunehmend, welcher Agent für eine bestimmte Aufgabe die größte Kompetenz besitzt.

Vom persönlichen Assistenten zur Plattform für Wissensarbeit

In meinem vorherigen Beitrag Siri AI vs. Microsoft 365 Copilot: Warum Apple und Microsoft KI völlig unterschiedlich denken wurde deutlich, dass Apple und Microsoft zwei unterschiedliche Strategien verfolgen. Apple konzentriert sich auf den Personal Context – also den persönlichen Nutzungskontext auf dem eigenen Gerät. Microsoft hingegen nutzt mit dem Microsoft Graph den Organizational Context, also das Wissen einer gesamten Organisation.

Bereits dort zeichnete sich ab, dass die Zukunft nicht einem universellen KI-Assistenten gehört, sondern spezialisierten Agenten, die unterschiedliche Aufgaben übernehmen und ihre jeweiligen Stärken miteinander kombinieren. Genau diese Entwicklung nimmt inzwischen konkrete Formen an. Mit Copilot, Cowork und Scout entstehen erstmals klar definierte Rollen innerhalb einer gemeinsamen Plattform.

Dadurch verändert sich auch die Rolle von Microsoft 365. Die Produktivitätsplattform entwickelt sich zunehmend zu einem Betriebssystem für agentische Wissensarbeit – vergleichbar mit dem Wandel, den Cloud-Plattformen in den vergangenen Jahren für klassische Anwendungen durchlaufen haben.

Ziel dieses Beitrags

Dieser Beitrag versteht sich daher bewusst nicht als Produktvorstellung von Copilot Cowork oder Microsoft Scout. Einzelne Funktionen werden sich in den kommenden Monaten weiterentwickeln, neue Agenten werden hinzukommen und bestehende Konzepte werden erweitert. Interessanter als diese kurzfristigen Neuerungen ist jedoch die dahinterliegende Architektur.

Im Mittelpunkt steht deshalb eine grundlegendere Fragestellung: Wie entwickelt sich Microsoft 365 von einem KI-Assistenten zu einer Plattform für spezialisierte KI-Agenten – und welche technischen, organisatorischen und wirtschaftlichen Konsequenzen ergeben sich daraus?

Um diese Frage zu beantworten, betrachten wir zunächst die Entwicklung von Microsofts KI-Strategie. Anschließend beleuchten wir die Rolle von Kontext und Microsoft Graph, analysieren die neue Agentenarchitektur und ordnen schließlich ein, weshalb Themen wie Copilot Credits, Governance und Agent Economy weit mehr sind als reine Produktdetails. Genau darin dürfte eine der spannendsten Entwicklungen moderner Enterprise-KI liegen.

Vom Copilot zur Agentenplattform

Betrachtet man die öffentliche Diskussion über künstliche Intelligenz, entsteht leicht der Eindruck, Microsoft habe seine KI-Strategie erst mit der Einführung von Microsoft 365 Copilot begonnen. Tatsächlich reicht ihre Entwicklung jedoch deutlich weiter zurück. Die aktuellen Agentenplattformen sind nicht das Ergebnis einer kurzfristigen Neuausrichtung, sondern der vorläufige Höhepunkt einer technologischen Evolution, die bereits viele Jahre vor dem Durchbruch generativer KI ihren Anfang nahm.

Ein wesentlicher Ausgangspunkt war Microsoft Search. Ziel dieser Plattform war es zunächst nicht, Fragen in natürlicher Sprache zu beantworten oder Inhalte zu generieren. Vielmehr sollte sie das stetig wachsende Organisationswissen innerhalb von Microsoft 365 intelligent erschließen. Dokumente, E-Mails, Kontakte, Kalender oder Teams-Unterhaltungen sollten nicht länger isoliert nebeneinanderstehen, sondern schnell gefunden und in ihrem jeweiligen Arbeitskontext nutzbar werden. Bereits hier zeigte sich eine Erkenntnis, die bis heute den Kern moderner Enterprise-KI bildet: Der eigentliche Mehrwert entsteht nicht allein durch große Datenmengen, sondern durch ihre sinnvolle Vernetzung.

Mit der Einführung des Microsoft Graph entwickelte Microsoft diesen Ansatz konsequent weiter. Aus einer intelligenten Suchplattform entstand schrittweise eine organisationsweite Wissensschicht, welche die Beziehungen zwischen Informationen, Personen, Besprechungen, Dokumenten und Geschäftsprozessen beschreibt. Damit verlagerte sich der Fokus von der Suche nach einzelnen Informationen hin zum Verständnis ihrer Zusammenhänge – eine Entwicklung, die sich später als entscheidende Voraussetzung für den produktiven Einsatz künstlicher Intelligenz erweisen sollte.

Rückblickend wird deutlich, dass Microsoft damit bereits lange vor dem Einzug großer Sprachmodelle die infrastrukturellen Grundlagen für moderne KI-Systeme geschaffen hatte. Generative KI wurde nicht auf eine bestehende Produktlandschaft aufgesetzt. Vielmehr traf sie auf eine Plattform, deren eigentliche Aufgabe bereits darin bestand, Organisationswissen zu strukturieren, Beziehungen zwischen Informationen sichtbar zu machen und dieses Wissen kontextbezogen verfügbar zu machen. Microsoft 365 Copilot markierte deshalb nicht den Beginn dieser Entwicklung – sondern den ersten für Benutzer:innen sichtbar gewordenen Meilenstein einer deutlich umfassenderen Strategie.

Microsoft 365 Copilot machte die Plattform erstmals sichtbar

Mit der Vorstellung von Microsoft 365 Copilot wurde diese über Jahre aufgebaute Infrastruktur erstmals für viele Benutzer:innen unmittelbar erlebbar. Generative KI hielt Einzug in den Arbeitsalltag und ermöglichte es, Dokumente zusammenzufassen, Präsentationen zu erstellen, E-Mails zu formulieren oder Besprechungen auszuwerten – jeweils auf Grundlage der Informationen, auf die Benutzer:innen im Rahmen ihrer bestehenden Berechtigungen ohnehin zugreifen durften.

Der eigentliche Innovationsschritt bestand jedoch nicht allein in der Integration eines Large Language Models. Microsoft kombinierte erstmals die sprachlichen Fähigkeiten generativer KI mit dem Organisationswissen des Microsoft Graph. Dadurch konnte Copilot nicht nur natürlich formulierte Anfragen verstehen, sondern diese gleichzeitig in den fachlichen und organisatorischen Kontext einer Organisation einordnen. Die Qualität der Antworten beruhte somit nicht ausschließlich auf dem trainierten Wissen des Sprachmodells, sondern auf der Verbindung von Sprachverständnis und aktuellem Unternehmenswissen.

Genau hierin unterschied sich Microsoft 365 Copilot von vielen frei verfügbaren KI-Systemen. Während klassische Chatbots überwiegend auf ihr vortrainiertes Wissen zurückgreifen und nur begrenzten Zugriff auf aktuelle Informationen besitzen, verbindet Copilot generative KI mit Dokumenten, E-Mails, Kalendern, Teams-Unterhaltungen und weiteren Datenquellen innerhalb von Microsoft 365. Dadurch entstand erstmals ein KI-Assistent, der nicht nur Sprache versteht, sondern auch den Arbeitskontext seiner Benutzer:innen berücksichtigt.

Rückblickend wird jedoch deutlich, dass auch Microsoft 365 Copilot nicht das eigentliche Ziel dieser Entwicklung war, sondern vielmehr einen weiteren Meilenstein auf dem Weg zu einer umfassenden KI-Plattform markierte. In meinem früheren Beitrag Microsoft Copilot wird Multi-Modell: Warum Claude die KI-Architektur neu definiert habe ich bereits erläutert, weshalb Microsoft den Fokus zunehmend von einzelnen Sprachmodellen auf eine flexible Multi-Modell-Architektur verlagert. Die aktuellen Entwicklungen zeigen inzwischen jedoch, dass selbst diese Architektur lediglich einen Zwischenschritt darstellt. Entscheidend ist heute nicht mehr, welches Modell eine Antwort erzeugt, sondern wie unterschiedliche Modelle, Werkzeuge und spezialisierte Agenten innerhalb einer gemeinsamen Plattform zusammenarbeiten.

Warum Sprachmodelle zunehmend in den Hintergrund treten

In den vergangenen Jahren konzentrierte sich ein großer Teil der öffentlichen Diskussion über künstliche Intelligenz auf die Leistungsfähigkeit einzelner Sprachmodelle. GPT, Claude, Gemini oder andere Large Language Models wurden anhand ihrer Benchmark-Ergebnisse verglichen, ihre Fähigkeiten beim Programmieren bewertet und ihre Leistungen beim logischen Schlussfolgern oder der Textgenerierung gegenübergestellt. Mit dem Aufkommen moderner Reasoning-Modelle rückte zunehmend die Frage in den Mittelpunkt, welches Modell komplexe Aufgaben am zuverlässigsten planen und bearbeiten kann.

Microsoft verfolgt inzwischen jedoch einen deutlich umfassenderen Ansatz. Die aktuellen Entwicklungen rund um Copilot Chat, Copilot Cowork, das Microsoft Agent Framework und spezialisierte Agenten zeigen, dass das Sprachmodell zunehmend als eine von mehreren Komponenten innerhalb einer größeren Architektur betrachtet wird. Entscheidend ist nicht länger allein, welches Modell eingesetzt wird, sondern welche Aufgabe gelöst werden soll, welcher Kontext dafür zur Verfügung steht und welche Werkzeuge der Agent zur Ausführung nutzen kann.

Ein moderner Agent erzeugt deshalb nicht nur Texte oder beantwortet Fragen. Er recherchiert Informationen, analysiert Dokumente, plant mehrstufige Arbeitsabläufe, nutzt externe Anwendungen über Tool Calls, bewertet Zwischenergebnisse und kann bei Bedarf weitere spezialisierte Agenten in seine Planung einbeziehen. Für diese unterschiedlichen Aufgaben eignen sich je nach Anwendungsfall sogar verschiedene Sprachmodelle. Ein leistungsfähiges Reasoning-Modell kann beispielsweise komplexe Planungsaufgaben übernehmen, während ein kleineres Modell für Routineaufgaben oder lokale Ausführung auf einem Copilot+ PC ausreichend sein kann. Die Auswahl des jeweils geeigneten Modells erfolgt damit zunehmend automatisch und orientiert sich an den fachlichen und technischen Anforderungen der jeweiligen Aufgabe.

Diese Entwicklung markiert einen grundlegenden Perspektivwechsel. Während sich die erste Generation generativer KI vor allem durch die Leistungsfähigkeit einzelner Sprachmodelle definierte, rückt heute die Architektur des Gesamtsystems in den Mittelpunkt. Nicht das Sprachmodell allein bestimmt die Fähigkeiten eines Agenten, sondern das Zusammenspiel aus Modell, Organisationskontext, Werkzeugen, Ausführungslogik und Governance. Genau dieser Wandel bildet die Grundlage für die nächste Entwicklungsstufe von Microsoft 365 – den Übergang von einem einzelnen KI-Assistenten zu einer Plattform spezialisierter Agenten.

Agentic AI verändert die Architektur von Microsoft 365

Betrachtet man diese Entwicklung als Ganzes, wird deutlich, dass Microsoft inzwischen eine neue Phase seiner KI-Strategie erreicht hat. Nach intelligenten Suchdiensten, organisationsweitem Wissensmanagement, generativer KI und der Öffnung für mehrere Sprachmodelle rückt nun die Plattform selbst in den Mittelpunkt. Ziel ist es nicht länger, einen einzelnen KI-Assistenten kontinuierlich um neue Funktionen zu erweitern. Stattdessen entsteht schrittweise eine Infrastruktur, auf der spezialisierte Agenten zusammenarbeiten und komplexe Arbeitsabläufe gemeinsam bewältigen können.

Diese Entwicklung wird durch Technologien wie das Microsoft Agent Framework, die Agents SDKs, die Unterstützung des Model Context Protocol (MCP) sowie die Integration von Agent-to-Agent-Kommunikation (A2A) sichtbar. Sie bilden die technische Grundlage dafür, dass Agenten Werkzeuge nutzen, Informationen austauschen und ihre jeweiligen Fähigkeiten innerhalb einer gemeinsamen Plattform kombinieren können.

Microsoft 365 entwickelt sich dadurch zunehmend von einer Sammlung intelligenter Anwendungen zu einem verteilten agentischen System. Copilot bleibt dabei die zentrale Benutzeroberfläche für die Interaktion mit künstlicher Intelligenz. Im Hintergrund übernehmen jedoch immer häufiger spezialisierte Agenten eigenständige Aufgaben, planen Arbeitsabläufe, greifen auf Unternehmenswissen zu oder koordinieren ihre Arbeit mit weiteren Agenten. Die Leistungsfähigkeit der Plattform entsteht somit nicht mehr durch einen universellen Assistenten, sondern durch das koordinierte Zusammenspiel vieler spezialisierter Komponenten.

Offene Standards wie MCP und A2A spielen dabei eine Schlüsselrolle. Sie ermöglichen es, nicht nur Microsoft-eigene Agenten miteinander zu verbinden, sondern auch Lösungen anderer Hersteller oder unternehmenseigene Entwicklungen in dieselbe Plattform zu integrieren. Dadurch entsteht ein offenes Agentenökosystem, das sich kontinuierlich erweitern lässt und den Übergang von proprietären Insellösungen hin zu interoperablen Enterprise-Plattformen unterstützt.

Auf diese Entwicklung bin ich bereits ausführlich im Beitrag Agentic AI Foundation: Warum Anthropic, OpenAI und die Linux Foundation eine neue Open-Source-Ära für KI-Agenten einleiten eingegangen. Dort stand insbesondere die Entstehung gemeinsamer Standards und Frameworks für agentische Systeme im Mittelpunkt. Die aktuellen Microsoft-Ankündigungen zeigen nun sehr deutlich, wie diese Konzepte Schritt für Schritt ihren Weg aus der Grundlagenforschung und Open-Source-Community in produktive Unternehmensplattformen finden.

Damit schließt sich zugleich der Bogen dieses Kapitels. Die eigentliche Innovation besteht heute nicht mehr darin, immer leistungsfähigere Sprachmodelle bereitzustellen oder einzelne KI-Funktionen zu ergänzen. Microsoft entwickelt Microsoft 365 vielmehr konsequent zu einer Plattform weiter, auf der spezialisierte Agenten gemeinsam arbeiten, Organisationswissen nutzen und Aufgaben arbeitsteilig ausführen können. Genau diese Agentenarchitektur bildet den Ausgangspunkt für die folgenden Kapitel dieses Beitrags – und sie dürfte die zukünftige Entwicklung von Microsoft 365 wesentlich stärker prägen als jedes einzelne Sprachmodell.

Kontext wird zur wichtigsten Ressource eines Agenten

Die Entwicklung von Microsoft 365 zu einer Agentenplattform wirft unmittelbar eine zentrale Frage auf: Wodurch unterscheidet sich ein produktiver Enterprise-Agent eigentlich von einem frei verfügbaren KI-Chatbot? Die Antwort liegt weniger im verwendeten Sprachmodell als vielmehr in den Informationen, auf die ein Agent während seiner Arbeit zugreifen kann.

Große Sprachmodelle verfügen über beeindruckendes Allgemeinwissen und sind in der Lage, Sprache zu verstehen, Schlussfolgerungen abzuleiten und komplexe Inhalte zu generieren. Für den produktiven Einsatz im Unternehmensumfeld reicht dieses Wissen jedoch allein nicht aus. Ein Agent kann nur mit den Informationen arbeiten, die ihm tatsächlich zur Verfügung stehen. Ohne Zugriff auf aktuelle Dokumente, Projektinformationen, Kommunikationsverläufe oder organisatorische Zusammenhänge bleibt selbst das leistungsfähigste Sprachmodell ein sehr gut informierter Generalist.

Die richtige KI für die richtige Aufgabe

Hinzu kommt ein weiterer Aspekt, der mit der zunehmenden Verbreitung agentischer Systeme an Bedeutung gewinnt: Nicht jede Aufgabe erfordert überhaupt den Einsatz eines großen Sprachmodells. Viele wiederkehrende oder klar definierte Arbeitsabläufe lassen sich effizienter durch spezialisierte Small Language Models (SLMs), lokale KI-Modelle oder klassische regelbasierte Verfahren lösen.

Im Sinne von TinyAI entscheidet künftig nicht mehr das Sprachmodell über die Architektur eines Systems. Vielmehr wählt der Agent abhängig von Aufgabe, Kontext und verfügbaren Ressourcen die jeweils am besten geeignete KI-Komponente aus. Große Sprachmodelle bleiben damit ein wichtiger Baustein moderner Agenten – sie sind jedoch längst nicht mehr für jede Aufgabe die optimale oder wirtschaftlichste Lösung.

Kontext macht aus KI einen Enterprise-Agenten

Erst der verfügbare Kontext macht aus einem Sprachmodell einen produktiven Enterprise-Agenten. Werden aktuelle Unternehmensdaten, bestehende Berechtigungen und organisatorische Beziehungen berücksichtigt, entstehen Antworten und Handlungsempfehlungen, die sich unmittelbar auf die konkrete Arbeitssituation beziehen. Genau dadurch verändert sich auch der Maßstab für die Bewertung moderner KI-Systeme. Nicht mehr allein die Qualität des Sprachmodells entscheidet über den praktischen Nutzen eines Agenten, sondern seine Fähigkeit, relevante Informationen sicher, aktuell und kontextbezogen in seine Entscheidungen einzubeziehen.

Damit verschiebt sich der Fokus grundlegend. Während sich die erste Generation generativer KI vor allem durch immer leistungsfähigere Sprachmodelle auszeichnete, rückt bei agentischen Systemen der verfügbare Kontext in den Mittelpunkt. Genau hierin liegt einer der entscheidenden Unterschiede zwischen einem allgemeinen KI-Chatbot und einer Enterprise-Plattform wie Microsoft 365 – und zugleich einer der wichtigsten Gründe, weshalb Microsoft den Microsoft Graph als zentrales Fundament seiner Agentenarchitektur kontinuierlich weiterentwickelt.

Zwei Perspektiven auf Kontext: Personal Context und Organizational Context

Im vorherigen Beitrag Siri AI vs. Microsoft 365 Copilot: Warum Apple und Microsoft KI völlig unterschiedlich denken wurde bereits deutlich, dass Apple und Microsoft ihre KI-Strategien aus unterschiedlichen Blickwinkeln entwickeln. Beide Unternehmen verfolgen zwar dasselbe Ziel, nämlich künstliche Intelligenz möglichst sinnvoll in den Arbeits- und Lebensalltag zu integrieren. Sie setzen dabei jedoch auf unterschiedliche Formen des Kontexts.

Apple konzentriert sich mit Siri AI auf den Personal Context. Die künstliche Intelligenz berücksichtigt den persönlichen Nutzungskontext eines Geräts und kann beispielsweise geöffnete Apps, aktuelle Termine, Nachrichten, Fotos oder Standortinformationen in ihre Antworten einbeziehen. Dadurch entsteht eine KI, die den individuellen Alltag einer Benutzerin oder eines Benutzers möglichst nahtlos unterstützt und situationsbezogen reagieren kann.

Microsoft erweitert diese Perspektive um eine zweite Dimension. Im Mittelpunkt steht hier der Organizational Context – also das gemeinsame Wissen einer Organisation. Ein Agent soll nicht nur erkennen, woran eine Person gerade arbeitet, sondern auch verstehen, welche Dokumente zu einem Projekt gehören, welche Entscheidungen in Besprechungen getroffen wurden, welche Informationen in Teams-Unterhaltungen enthalten sind oder welche Inhalte in SharePoint und Outlook bereits vorliegen. Grundlage hierfür bilden die bestehenden Berechtigungen innerhalb von Microsoft 365, sodass Agenten ausschließlich auf Informationen zugreifen können, für die eine Benutzerin oder ein Benutzer ohnehin autorisiert ist.

Gerade dieser Unterschied ist für das Verständnis agentischer Systeme von zentraler Bedeutung. Während der Personal Context den individuellen Arbeits- und Nutzungskontext beschreibt, erweitert der Organizational Context den Blick auf das kollektive Wissen einer gesamten Organisation. Beide Perspektiven verfolgen unterschiedliche Ziele und stehen deshalb nicht in Konkurrenz zueinander. Vielmehr ergänzen sie sich. Erst das Zusammenspiel persönlicher und organisatorischer Kontextinformationen ermöglicht es, Aufgaben nicht nur sprachlich korrekt, sondern auch situativ, fachlich und organisatorisch fundiert zu bearbeiten.

Microsoft Graph macht aus Informationen Organisationswissen

Die technische Grundlage dieses Organizational Context bildet der Microsoft Graph. Häufig wird er vereinfacht als Programmierschnittstelle für Microsoft 365 beschrieben. Tatsächlich erfüllt er jedoch eine wesentlich umfassendere Aufgabe. Der Graph stellt nicht lediglich Daten aus unterschiedlichen Microsoft-Diensten bereit, sondern beschreibt die Beziehungen zwischen ihnen und schafft damit ein digitales Abbild der Zusammenarbeit innerhalb einer Organisation.

Hierzu verknüpft Microsoft Graph Informationen aus Diensten wie Outlook, Teams, SharePoint, OneDrive, Planner oder Microsoft Entra ID zu einem gemeinsamen Wissensmodell. Dabei werden nicht nur Dokumente, Termine oder Nachrichten erfasst, sondern auch deren fachliche Zusammenhänge. So kann das System beispielsweise erkennen, welche Personen gemeinsam an einem Projekt arbeiten, welche Dokumente in einer Besprechung verwendet wurden, welche Aufgaben zu einem bestimmten Vorgang gehören oder welche Teams-Kanäle und SharePoint-Bibliotheken denselben organisatorischen Kontext besitzen.

Ergänzt wird dieses Wissensmodell durch Microsoft Search und Graph Search. Während klassische Suchmaschinen in erster Linie nach Begriffen oder Dateinamen suchen, berücksichtigen diese Dienste zusätzlich Beziehungen, Berechtigungen und den fachlichen Zusammenhang von Informationen. Für Agenten entsteht dadurch ein entscheidender Vorteil: Sie erhalten nicht lediglich eine Liste einzelner Dokumente, sondern einen strukturierten Wissenskontext, der Personen, Inhalte, Kommunikation und Arbeitsprozesse miteinander verknüpft.

Der Microsoft Graph entwickelt sich damit zu einer zentralen Wissensschicht innerhalb von Microsoft 365. Er liefert Agenten nicht nur Informationen, sondern den organisatorischen Kontext, in dem diese Informationen entstanden sind und genutzt werden. Genau dieser Unterschied bildet die Grundlage dafür, dass moderne KI-Agenten Zusammenhänge erkennen und Aufgaben wesentlich fundierter bearbeiten können als klassische Chatbots.

Kontext braucht Vertrauen: Berechtigungen und Governance

Der verfügbare Kontext entscheidet darüber, wie leistungsfähig ein Agent arbeiten kann. Gleichzeitig stellt genau dieser Kontext eine der größten Herausforderungen für den produktiven Einsatz künstlicher Intelligenz im Unternehmensumfeld dar. Je umfassender ein Agent auf Organisationswissen zugreifen kann, desto wichtiger wird die Frage, welche Informationen er tatsächlich nutzen darf und unter welchen Bedingungen dieser Zugriff erfolgt.

Microsoft verfolgt deshalb einen konsequent sicherheitsorientierten Ansatz. Agenten erhalten keine eigenen oder erweiterten Berechtigungen. Sie arbeiten vielmehr innerhalb der bestehenden Sicherheits- und Berechtigungskonzepte von Microsoft 365 und können ausschließlich auf diejenigen Informationen zugreifen, für die eine Benutzerin oder ein Benutzer bereits autorisiert ist. Grundlage hierfür bildet das aus Zero-Trust-Architekturen bekannte Prinzip des Least Privilege. Ein Agent erhält also stets nur denjenigen Zugriff, der für die jeweilige Aufgabe erforderlich ist – nicht mehr und nicht weniger.

Damit endet die Verantwortung jedoch nicht bei den Zugriffsrechten. Moderne Enterprise-KI benötigt zusätzlich Mechanismen, die den produktiven Einsatz von Agenten transparent, nachvollziehbar und kontrollierbar machen. Genau hierfür stellt Microsoft mit dem Copilot Control System, Microsoft Purview, Microsoft Defender sowie den Governance-Funktionen von Microsoft 365 eine umfassende Betriebs- und Sicherheitsarchitektur bereit. Sie ermöglicht es, Agenten zu verwalten, Richtlinien durchzusetzen, Datenzugriffe nachzuvollziehen und den Einsatz künstlicher Intelligenz dauerhaft unter organisatorischer Kontrolle zu halten.

Auf diese Zusammenhänge bin ich bereits ausführlich im Beitrag Microsoft 365 Copilot administrieren: Daten, Governance, Agents und Sicherheit im Enterprise-Kontext eingegangen. Dort stehen insbesondere Berechtigungskonzepte, Datenschutz, Governance und Sicherheitsmechanismen im Mittelpunkt. Ergänzend erläutert der Beitrag Moderne Microsoft Security-Architektur in der Praxis – Zero Trust, Identity, Cloud und Operations ganzheitlich denken, weshalb kontinuierliche Governance und permanente Überprüfung im Zero-Trust-Modell längst zu den Grundprinzipien moderner Unternehmens-IT gehören. Agentische KI führt diese Entwicklung konsequent fort. Künftig werden nicht nur Benutzer:innen, Geräte und Anwendungen verwaltet, sondern zusätzlich digitale Agenten, ihre Werkzeuge, ihre Datenquellen und ihre Handlungsspielräume.

Damit schließt sich zugleich der Argumentationsbogen dieses Kapitels. Ein leistungsfähiger Enterprise-Agent entsteht nicht allein durch ein modernes Sprachmodell und auch nicht ausschließlich durch den Zugriff auf Organisationswissen. Erst das Zusammenspiel aus Kontext, Berechtigungen, Governance und Sicherheitsmechanismen schafft die Grundlage dafür, dass Agenten produktiv, vertrauenswürdig und nachvollziehbar arbeiten können. Genau auf diesem Fundament baut die weitere Entwicklung von Microsoft 365 zur offenen Agentenplattform auf.

Die Architektur einer Agentenplattform

Ein klassischer Chatbot nimmt eine Eingabe entgegen, verarbeitet diese Eingabe mit einem Sprachmodell und gibt anschließend eine Antwort aus. Dieses Prinzip bleibt für viele einfache Aufgaben ausreichend. Es stößt jedoch schnell an Grenzen, sobald ein System nicht nur antworten, sondern auch handeln soll.

Ein KI-Agent benötigt deshalb eine erweiterte Architektur. Er muss Ziele interpretieren, Zwischenschritte planen, Werkzeuge auswählen, externe Datenquellen einbinden und Ergebnisse prüfen. Je nach Aufgabe muss er außerdem mit weiteren Agenten kommunizieren oder den Benutzer beziehungsweise die Benutzerin an definierten Stellen wieder einbinden.

Genau an dieser Stelle verändert sich die technische Perspektive. Aus einem Dialogsystem wird eine Ausführungsumgebung. Der Agent ist nicht mehr nur Schnittstelle zum Sprachmodell, sondern eine Komponente innerhalb eines größeren Systems. Dazu gehören Modelle, Datenquellen, Werkzeuge, Sicherheitsgrenzen, Laufzeitumgebungen und Schnittstellen zu anderen Agenten.

Microsoft entwickelt mit dem Agent Framework, den Agents SDKs und den Integrationen rund um MCP und Agent-to-Agent-Kommunikation genau diese technische Grundlage. Das Ziel ist nicht, einzelne Agenten isoliert bereitzustellen. Vielmehr entsteht eine Plattform, auf der Agenten entwickelt, betrieben, abgesichert und miteinander verbunden werden können.

Das Microsoft Agent Framework als technische Grundlage

Das Microsoft Agent Framework bildet eine zentrale Grundlage für die Entwicklung agentischer Anwendungen. Es stellt Konzepte bereit, mit denen Entwickler:innen Agenten strukturieren, mit Werkzeugen verbinden und in bestehende Anwendungen integrieren können. Damit wird Agentic AI aus der experimentellen Phase stärker in Richtung produktiver Softwareentwicklung verschoben.

Wichtig ist dabei der Plattformgedanke. Ein Agent besteht nicht nur aus einem Prompt und einem Sprachmodell. Er benötigt eine definierte Rolle, Zugriff auf geeignete Werkzeuge, eine Ausführungslogik und einen kontrollierten Zugriff auf Daten. Außerdem muss nachvollziehbar sein, welche Schritte der Agent ausgeführt hat und an welcher Stelle menschliche Kontrolle erforderlich bleibt.

Das Agent Framework adressiert genau diese Anforderungen. Es schafft eine Architektur, in der Aufgaben geplant, Werkzeuge eingebunden und Ergebnisse verarbeitet werden können. Dadurch lassen sich Agenten deutlich robuster entwickeln als mit einfachen Prompt-Ketten.

Für Unternehmen ist das entscheidend: Agentische Systeme müssen wartbar, überprüfbar und integrierbar sein. Sie dürfen nicht als Blackbox neben der vorhandenen IT-Landschaft existieren. Das Agent Framework zeigt deshalb, dass Microsoft Agenten zunehmend wie produktive Softwarekomponenten behandelt – mit Architektur, Laufzeit, Schnittstellen und Governance-Anforderungen.

Agents SDKs: Agenten werden entwickelbare Software

Mit den Agents SDKs erweitert Microsoft diesen Ansatz um Werkzeuge für Entwickler:innen. SDKs sind deshalb wichtig, weil sie Agenten aus dem Bereich einzelner Konfigurationen herauslösen und in klassische Entwicklungsprozesse integrieren. Dadurch können Unternehmen künftig eigene Agenten entwickeln, testen, versionieren und in bestehende Anwendungen einbinden. Das betrifft nicht nur Microsoft 365, sondern auch Fachverfahren, interne Portale, branchenspezifische Lösungen oder Automatisierungsplattformen. Ein Agent kann beispielsweise Informationen aus einem CRM-System abrufen, eine interne Wissensdatenbank durchsuchen, Daten validieren und anschließend eine Aufgabe in einem Workflow-System anstoßen.

Damit wird die Entwicklung von Agenten zunehmend Teil moderner Softwarearchitektur. Agenten benötigen Rollenmodelle, Schnittstellen, Fehlerbehandlung, Protokollierung und Sicherheitsprüfungen. Gleichzeitig müssen sie flexibel genug bleiben, um mit unterschiedlichen Modellen oder Werkzeugen arbeiten zu können. Genau hier liegt der strategische Mehrwert der SDKs. Microsoft schafft damit nicht nur eigene Agenten wie Cowork oder Scout, sondern ermöglicht auch ein Ökosystem unternehmenseigener und partnerbasierter Agenten. Das ist ein deutlicher Unterschied zu einem geschlossenen Assistentenmodell.

Tool Use: Wenn Agenten Werkzeuge nutzen

Ein zentraler Unterschied zwischen Chatbots und Agenten liegt im Tool Use. Ein Sprachmodell kann Text erzeugen, aber es kann nicht von selbst eine Datei öffnen, einen Kalendereintrag erstellen, eine Datenbank abfragen oder einen Workflow ausführen. Dafür benötigt es Werkzeuge, die kontrolliert angebunden werden.

Tool Use beschreibt genau diesen Mechanismus. Ein Agent erkennt, dass eine Aufgabe nicht allein durch Textgenerierung lösbar ist, wählt ein geeignetes Werkzeug aus, übergibt Parameter und verarbeitet das Ergebnis. Erst dadurch wird aus einem sprachbasierten System eine handlungsfähige Komponente.

Im Microsoft-365-Kontext kann das sehr konkret werden. Ein Agent könnte relevante Dokumente über Microsoft Graph finden, eine Besprechung aus dem Kalender berücksichtigen, Inhalte aus Teams auswerten und anschließend einen Entwurf in Word oder Outlook vorbereiten. Entscheidend ist: Der Agent handelt nicht beliebig. Er nutzt definierte Werkzeuge innerhalb definierter Berechtigungen.

Damit verschiebt sich auch die Verantwortung in der IT. Administrator:innen und Entwickler:innen müssen nicht nur Datenzugriffe prüfen, sondern auch Werkzeuge, Aktionen und Ausführungsrechte kontrollieren. Tool Use macht Agenten leistungsfähig – aber zugleich governance-relevant.

MCP: Ein gemeinsames Protokoll für Werkzeuge und Kontext

Das Model Context Protocol, kurz MCP, spielt in dieser Architektur eine besondere Rolle. Es dient als standardisierte Schnittstelle, über die KI-Systeme mit externen Werkzeugen, Datenquellen und Kontextinformationen verbunden werden können. Ohne solche Standards besteht die Gefahr, dass jeder Agent eigene Integrationen benötigt. Das wäre schwer wartbar, unsicher und kaum skalierbar. MCP verfolgt dagegen das Ziel, Werkzeuge und Datenquellen nach einem einheitlichen Muster bereitzustellen. Agenten können dadurch kontrolliert auf Funktionen zugreifen, ohne dass jede Integration individuell neu erfunden werden muss.

Für Unternehmen ist dieser Punkt besonders relevant. Viele Organisationen verfügen über gewachsene Systemlandschaften. Neben Microsoft 365 existieren Fachanwendungen, Datenbanken, Dokumentenmanagementsysteme, Ticketsysteme und branchenspezifische Plattformen. MCP bietet hier einen Weg, diese Systeme für Agenten zugänglich zu machen, ohne die Grundlogik jedes einzelnen Agenten anzupassen.

Gleichzeitig erhöht ein standardisiertes Protokoll die Kontrollierbarkeit. Wenn klar definiert ist, welche Werkzeuge angeboten werden, welche Daten übertragen werden und welche Aktionen erlaubt sind, lassen sich Sicherheits- und Governance-Vorgaben deutlich besser umsetzen.

Agent-to-Agent: Wenn Agenten miteinander arbeiten

Neben der Verbindung zu Werkzeugen wird auch die Kommunikation zwischen Agenten wichtiger. Genau hier setzt Agent-to-Agent-Kommunikation, kurz A2A, an. Dahinter steht die Idee, dass spezialisierte Agenten nicht isoliert arbeiten, sondern Aufgaben untereinander koordinieren können. Das ist vor allem dann relevant, wenn Aufgaben komplexer werden. Ein Agent kann beispielsweise eine Anfrage entgegennehmen, ein anderer Agent recherchiert Daten, ein weiterer erstellt eine Bewertung und ein vierter bereitet eine Präsentation oder einen Bericht vor. Jeder Agent übernimmt eine klar definierte Rolle innerhalb eines größeren Arbeitsprozesses.

Diese Arbeitsteilung ähnelt modernen Softwarearchitekturen. Auch dort übernehmen spezialisierte Dienste unterschiedliche Aufgaben und kommunizieren über definierte Schnittstellen. Übertragen auf KI bedeutet das: Die Qualität eines Systems entsteht nicht mehr nur durch ein besonders leistungsfähiges Modell, sondern durch die sinnvolle Zusammenarbeit mehrerer spezialisierter Komponenten. Für Microsoft 365 eröffnet diese Architektur eine neue Perspektive. Copilot kann als zentrale Interaktionsfläche dienen, während spezialisierte Agenten im Hintergrund Aufgaben übernehmen. Damit entsteht schrittweise ein Ökosystem agentischer Dienste, das weit über die klassische Chatoberfläche hinausgeht.

Interoperabilität wird zum strategischen Faktor

Je mehr Agenten in Unternehmen eingesetzt werden, desto wichtiger wird Interoperabilität. Kein Unternehmen wird dauerhaft ausschließlich mit einem einzigen Agenten, einem einzigen Modell oder einem einzigen Anbieter arbeiten. Viel wahrscheinlicher ist eine Landschaft aus Microsoft-Agenten, eigenen Agenten, Partnerlösungen und spezialisierten KI-Diensten. Interoperabilität entscheidet dann darüber, ob diese Agenten produktiv zusammenarbeiten können oder ob neue Datensilos entstehen. Offene Schnittstellen wie MCP und A2A sind deshalb nicht nur technische Details. Sie sind Voraussetzung dafür, dass agentische KI in komplexen IT-Landschaften überhaupt sinnvoll betrieben werden kann.

Diese Entwicklung passt zu dem, was bereits im Beitrag zur Agentic AI Foundation beschrieben wurde. Dort standen offene Standards und die Zusammenarbeit verschiedener Anbieter im Mittelpunkt. Microsoft greift diese Entwicklung nun auf und integriert entsprechende Konzepte in die eigene Plattformstrategie.

Das ist ein wichtiger Punkt: Microsoft baut keine rein isolierte Copilot-Welt. Vielmehr entsteht eine Architektur, in der Microsoft 365 als Plattform fungiert, aber zugleich anschlussfähig für externe Werkzeuge, offene Protokolle und eigene Unternehmensagenten bleibt.

Die eigentliche Plattform entsteht zwischen Modell, Kontext und Aktion

Die Architektur einer Agentenplattform lässt sich letztlich als Zusammenspiel mehrerer Ebenen verstehen. Das Sprachmodell bleibt wichtig, bildet aber nur eine Komponente. Erst durch Kontext, Werkzeuge, Laufzeitumgebung, Sicherheitskontrollen und Agentenkommunikation entsteht ein produktives System.

Vereinfacht betrachtet besteht diese Architektur aus folgenden Ebenen:

• Modelle für Sprachverständnis, Reasoning und Generierung
• Kontextquellen wie Microsoft Graph, Search oder externe Systeme
• Werkzeuge für konkrete Aktionen und Datenzugriffe
• Agentenlogik für Planung, Ausführung und Kontrolle
• Governance für Berechtigungen, Richtlinien und Nachvollziehbarkeit
• Interoperabilität für die Zusammenarbeit mehrerer Agenten

Genau dieses Zusammenspiel macht den Unterschied aus. Ein einzelner Agent kann nützlich sein. Eine Plattform entsteht jedoch erst, wenn Agenten zuverlässig entwickelt, verbunden, betrieben und kontrolliert werden können.

Damit wird auch die strategische Richtung von Microsoft sichtbar. Das Unternehmen veröffentlicht nicht einfach weitere KI-Funktionen für Microsoft 365. Es legt die technische Basis für eine Umgebung, in der Agenten künftig wie spezialisierte digitale Rollen innerhalb der Organisation arbeiten können.

Copilot, Cowork und Scout – Drei Rollen innerhalb einer Plattform

Nachdem in den vorherigen Kapiteln die Grundlagen moderner Agentenarchitekturen betrachtet wurden, stellt sich nun die entscheidende Frage: Wie setzt Microsoft dieses Konzept konkret in Microsoft 365 um? Die Antwort fällt überraschend deutlich aus. Microsoft entwickelt nicht länger einen universellen KI-Assistenten, der sämtliche Aufgaben gleichermaßen übernehmen soll. Stattdessen entstehen spezialisierte Agenten, die jeweils für unterschiedliche Arbeitsweisen optimiert sind.

Diese Entwicklung folgt einem bekannten Prinzip moderner Softwarearchitekturen. Auch in klassischen IT-Systemen übernimmt nicht ein einzelner Dienst sämtliche Aufgaben. Datenbanken, Webserver, Authentifizierungsdienste oder Messaging-Systeme erfüllen jeweils klar definierte Rollen und arbeiten über standardisierte Schnittstellen zusammen. Genau dieses Prinzip überträgt Microsoft nun auf künstliche Intelligenz. Copilot, Cowork und Scout konkurrieren daher nicht miteinander. Sie ergänzen sich. Jeder dieser Agenten besitzt einen eigenen Schwerpunkt, nutzt unterschiedliche Kontextinformationen und unterstützt Benutzer:innen auf unterschiedliche Weise. Dadurch verändert sich auch die Wahrnehmung von KI im Unternehmensalltag. Statt eines einzelnen Gesprächspartners entsteht schrittweise ein Team spezialisierter digitaler Assistenten, die gemeinsam verschiedene Aufgaben übernehmen.

Copilot – Die zentrale Benutzeroberfläche für künstliche Intelligenz

Microsoft 365 Copilot bleibt dabei das zentrale Einstiegssystem. Für viele Benutzer:innen wird Copilot weiterhin die erste Anlaufstelle sein, wenn Informationen recherchiert, Inhalte erstellt oder Zusammenfassungen erzeugt werden sollen. Seine Stärke liegt vor allem in der Interaktion. Copilot versteht natürlich formulierte Anfragen, greift auf den Organizational Context des Microsoft Graph zu und unterstützt bei typischen Wissensarbeiten innerhalb von Microsoft 365.

Typische Einsatzszenarien sind beispielsweise:

• Zusammenfassen längerer Dokumente oder Besprechungen
• Formulieren von E-Mails
• Erstellen von Präsentationen
• Analyse von Tabellen
• Recherche innerhalb des Unternehmenswissens
• Beantwortung fachlicher Fragestellungen

Copilot bleibt damit in erster Linie ein dialogorientierter Assistent. Benutzer:innen steuern den Arbeitsablauf aktiv und entscheiden selbst, welche Aufgaben ausgeführt werden sollen. Der Schwerpunkt liegt auf der Zusammenarbeit zwischen Mensch und KI innerhalb eines interaktiven Dialogs.

Cowork – Wenn KI eigenständig Wissensarbeit übernimmt

Mit Copilot Cowork erweitert Microsoft dieses Konzept um eine neue Rolle. Während Copilot überwiegend auf einzelne Eingaben reagiert, übernimmt Cowork komplette Arbeitsaufträge. Dabei geht es nicht um einzelne Antworten, sondern um die eigenständige Bearbeitung komplexerer Aufgaben. Benutzer:innen formulieren das gewünschte Ziel, während Cowork den notwendigen Arbeitsablauf plant und innerhalb seiner Berechtigungen ausführt.

Ein typischer Auftrag könnte beispielsweise lauten: „Bereite die Unterlagen für das Lenkungsausschuss-Meeting vor und fasse alle Entwicklungen der vergangenen zwei Wochen zusammen."

Um dieses Ziel zu erreichen, könnte Cowork selbstständig:

• relevante Dokumente identifizieren
• Teams-Unterhaltungen auswerten
• aktuelle Projektinformationen berücksichtigen
• offene Aufgaben zusammenführen
• Zusammenfassungen erstellen
• einen Bericht vorbereiten
• Entwürfe für Präsentationen oder E-Mails erzeugen

Dabei arbeitet Cowork nicht losgelöst von den Benutzer:innen. Vielmehr übernimmt der Agent delegierte Wissensarbeit, während Entscheidungen und Freigaben weiterhin beim Menschen verbleiben. Cowork entwickelt sich damit von einem klassischen Assistenten zu einer Art digitaler Projektmitarbeitender, der klar definierte Arbeitsaufträge eigenständig vorbereitet.

Scout – Der kontinuierliche Arbeitsbegleiter

Eine nochmals andere Rolle übernimmt Microsoft Scout. Während Copilot auf Dialoge reagiert und Cowork konkrete Arbeitsaufträge ausführt, begleitet Scout den Arbeitsalltag kontinuierlich. Im Mittelpunkt steht dabei nicht die Bearbeitung einzelner Aufgaben, sondern das Verständnis des aktuellen Arbeitskontextes. Scout beobachtet nicht beliebig das Nutzerverhalten, sondern nutzt – innerhalb der geltenden Datenschutz- und Berechtigungskonzepte – Informationen über aktuelle Arbeitsabläufe, geöffnete Anwendungen und laufende Aktivitäten, um proaktiv Unterstützung anzubieten.

Dadurch verändert sich die Interaktion mit künstlicher Intelligenz grundlegend. Unterstützung erfolgt nicht erst nach einer Anfrage, sondern kann bereits dann angeboten werden, wenn sie aufgrund des aktuellen Arbeitskontextes sinnvoll erscheint.

Interessant ist dabei die Parallele zum vorherigen Beitrag über Siri AI. Während Apple den persönlichen Nutzungskontext eines Geräts in den Mittelpunkt stellt, verfolgt Microsoft mit Scout einen vergleichbaren technischen Ansatz für den digitalen Arbeitsplatz. Beide Systeme arbeiten kontinuierlich im Hintergrund, unterscheiden sich jedoch deutlich hinsichtlich ihrer Zielsetzung. Siri AI optimiert den persönlichen Alltag, Scout den professionellen Arbeitskontext innerhalb von Microsoft 365.

Drei Agenten – drei Rollen

Die Unterschiede zwischen Copilot, Cowork und Scout lassen sich nur bedingt anhand einzelner Funktionen erklären. Wesentlich aussagekräftiger ist die Betrachtung ihrer jeweiligen Rolle innerhalb der Plattform. Jeder dieser Agenten verfolgt eine andere Zielsetzung, arbeitet mit einem unterschiedlichen Schwerpunkt und unterstützt Benutzer:innen auf eigene Weise.

Copilot – Der dialogorientierte Wissensassistent

Copilot bildet den dialogorientierten Einstieg in die Welt der künstlichen Intelligenz. Seine Stärke liegt im unmittelbaren Austausch mit den Benutzer:innen. Fragen beantworten, Informationen recherchieren, Inhalte formulieren oder Dokumente zusammenfassen – all diese Aufgaben entstehen aus einer konkreten Interaktion heraus. Copilot bleibt damit der zentrale Gesprächspartner innerhalb von Microsoft 365 und dient als intelligente Benutzeroberfläche für den Zugriff auf Organisationswissen.

Cowork – Der Agent für delegierte Wissensarbeit

Cowork übernimmt dagegen eine deutlich aktivere Rolle. Statt einzelne Fragen zu beantworten, verarbeitet der Agent vollständige Arbeitsaufträge. Benutzer:innen beschreiben das gewünschte Ergebnis, während Cowork die notwendigen Zwischenschritte plant, geeignete Werkzeuge auswählt und die Aufgabe innerhalb seiner Berechtigungen selbstständig vorbereitet. Der Schwerpunkt verschiebt sich damit vom Dialog hin zur delegierten Wissensarbeit.

Scout – Der kontinuierliche Arbeitsbegleiter

Scout ergänzt beide Ansätze um eine dritte Perspektive. Der Agent begleitet den Arbeitsalltag kontinuierlich und berücksichtigt dabei den aktuellen Nutzungskontext. Anders als Copilot wartet Scout nicht zwingend auf eine konkrete Anfrage, sondern erkennt Situationen, in denen Unterstützung sinnvoll sein könnte. Ziel ist es, Arbeitsabläufe proaktiv zu unterstützen, bevor Benutzer:innen selbst aktiv nach Informationen suchen müssen.

Arbeitsteilung statt Universalassistent

Erst das Zusammenspiel dieser unterschiedlichen Rollen verdeutlicht die eigentliche Strategie von Microsoft. Copilot, Cowork und Scout sind keine konkurrierenden Produkte, sondern spezialisierte Agenten innerhalb einer gemeinsamen Plattform. Jeder übernimmt einen klar abgegrenzten Verantwortungsbereich und ergänzt die Fähigkeiten der anderen Agenten. Dadurch entsteht schrittweise ein arbeitsteiliges System, das unterschiedliche Formen der Wissensarbeit unterstützt und künftig um weitere spezialisierte Agenten erweitert werden kann.

Die Unterschiede lassen sich daher weniger über einzelne Funktionen als vielmehr über ihre jeweilige Rolle innerhalb der Plattform zusammenfassen.

Vom Assistenten zur Agentenplattform

Die dargestellten Rollen überschneiden sich zwar in einzelnen Funktionen, verfolgen jedoch unterschiedliche Ziele. Copilot unterstützt Benutzer:innen im direkten Dialog und erleichtert den Zugriff auf Wissen. Cowork übernimmt delegierte Wissensarbeit, plant mehrstufige Arbeitsabläufe und führt diese innerhalb definierter Rahmenbedingungen aus. Scout ergänzt beide Ansätze, indem er den aktuellen Arbeitskontext kontinuierlich berücksichtigt und proaktiv Unterstützung anbietet.

Entscheidend ist jedoch weniger die Existenz dieser drei Agenten als ihr Zusammenspiel. Microsoft entwickelt keine Reihe voneinander unabhängiger KI-Produkte, sondern etabliert ein arbeitsteiliges System, in dem spezialisierte Agenten ihre jeweiligen Stärken kombinieren. Jeder Agent übernimmt klar definierte Aufgaben, greift auf unterschiedliche Kontextinformationen zu und arbeitet innerhalb eines gemeinsamen Sicherheits- und Governance-Modells.

Damit wird auch deutlich, weshalb Microsoft heute zunehmend von einer Agentenplattform spricht. Die eigentliche Innovation besteht nicht darin, dass Copilot um weitere Funktionen erweitert wird. Vielmehr entsteht Schritt für Schritt eine Plattform, auf der spezialisierte Agenten gemeinsam arbeiten, Informationen austauschen und komplexe Aufgaben arbeitsteilig lösen können. Copilot, Cowork und Scout markieren dabei erst den Anfang einer Entwicklung, die künftig durch weitere Microsoft-Agenten sowie unternehmenseigene und herstellerübergreifende Agenten ergänzt werden dürfte.

Das Agententeam wächst weiter

Copilot, Cowork und Scout markieren vermutlich erst den Anfang dieser Entwicklung. Microsoft schafft derzeit die technischen Voraussetzungen, damit Unternehmen künftig weit mehr als nur die von Microsoft bereitgestellten Agenten einsetzen können. Mit dem Microsoft Agent Framework, Copilot Studio, den Agents SDKs sowie der Unterstützung offener Standards wie MCP und Agent-to-Agent (A2A) entsteht eine Plattform, auf der sich spezialisierte Agenten entwickeln, integrieren und miteinander verbinden lassen.

Gleichzeitig wächst das Portfolio spezialisierter Agenten kontinuierlich. Neben allgemeinen Wissensagenten entstehen zunehmend Lösungen für klar definierte Aufgabenbereiche – beispielsweise für Vertrieb, Softwareentwicklung, Datenanalyse, IT-Betrieb oder Cybersicherheit. Hinzu kommen unternehmenseigene Agenten, die individuelle Geschäftsprozesse unterstützen und vorhandenes Fachwissen in die tägliche Arbeit einbringen. Langfristig dürfte sich dadurch eine heterogene Agentenlandschaft entwickeln, in der Microsoft-Agenten, Partnerlösungen und selbst entwickelte Agenten über gemeinsame Standards zusammenarbeiten.

Gerade hierin liegt die eigentliche strategische Bedeutung der aktuellen Microsoft-Entwicklungen. Copilot, Cowork und Scout sind keine isolierten Produkte und auch keine konkurrierenden Assistenten. Sie bilden vielmehr die erste Generation einer Plattform, deren Ziel nicht die Bereitstellung eines universellen KI-Assistenten ist, sondern die Zusammenarbeit spezialisierter Agenten innerhalb einer gemeinsamen Architektur.

Damit verändert sich auch die Rolle künstlicher Intelligenz im Unternehmensalltag grundlegend. An die Stelle eines einzelnen Assistenten tritt schrittweise ein Netzwerk digitaler Spezialist:innen, die unterschiedliche Aufgaben übernehmen, Informationen austauschen und ihre jeweiligen Stärken kombinieren. Benutzer:innen arbeiten künftig nicht mehr ausschließlich mit einer einzelnen KI, sondern delegieren Aufgaben an ein Team spezialisierter Agenten, das sie bei unterschiedlichen Formen der Wissensarbeit unterstützt.

Im nächsten Kapitel betrachten wir deshalb, wie sich diese Entwicklung unmittelbar auf die tägliche Arbeit auswirkt. Denn wenn Agenten nicht mehr nur Fragen beantworten, sondern eigenständig Arbeitsaufträge planen und ausführen, verändert sich auch die Art, wie Menschen mit künstlicher Intelligenz interagieren – weg vom klassischen Prompt, hin zur Delegation kompletter Aufgaben.

Vom Prompt zur Delegation von Arbeit

Mit jeder neuen Generation künstlicher Intelligenz verändert sich nicht nur die Technologie, sondern auch die Art, wie Menschen mit ihr zusammenarbeiten. Während klassische Chatbots vor allem auf einzelne Fragen reagieren, übernehmen moderne KI-Agenten zunehmend komplette Arbeitsaufträge. Dadurch verschiebt sich der Schwerpunkt von der Formulierung einzelner Anweisungen hin zur Beschreibung eines gewünschten Ergebnisses.

Dieser Wandel erscheint auf den ersten Blick unscheinbar. Tatsächlich verändert er jedoch die tägliche Wissensarbeit grundlegend. Benutzer:innen steuern nicht länger jeden einzelnen Arbeitsschritt, sondern delegieren Aufgaben an spezialisierte Agenten, die den Weg zur Lösung eigenständig planen und innerhalb ihrer definierten Möglichkeiten ausführen.

Bisher stand der Dialog im Mittelpunkt: Benutzer:innen formulierten eine Frage oder einen Arbeitsauftrag möglichst präzise und erhielten darauf eine Antwort. Dieses Prinzip prägt bis heute den Umgang mit Chatbots und generativen KI-Systemen. Der Erfolg hing dabei maßgeblich von der Qualität des Prompts ab.

Mit agentischen Systemen verschiebt sich dieser Schwerpunkt jedoch. Nicht mehr die exakte Formulierung jedes einzelnen Arbeitsschrittes steht im Vordergrund, sondern die Beschreibung des gewünschten Ergebnisses. Der Agent übernimmt anschließend einen Teil der Planung und entscheidet selbst, welche Zwischenschritte notwendig sind, um dieses Ziel zu erreichen.

Diese Entwicklung verändert die Rolle der Benutzer:innen grundlegend. Sie formulieren künftig weniger Arbeitsanweisungen und übernehmen stattdessen zunehmend die Rolle einer fachlichen Auftraggeberin oder eines fachlichen Auftraggebers.

Gute Prompts bleiben wichtig – ihre Aufgabe verändert sich

Diese Entwicklung bedeutet allerdings nicht, dass Prompting künftig an Bedeutung verliert. Im Gegenteil: Gut formulierte Prompts bleiben eine wesentliche Voraussetzung für qualitativ hochwertige Ergebnisse. Allerdings verändert sich ihre Funktion.

Im Beitrag KI-Prompting zwischen Produktivität und Risiko – Wie gute Prompts entstehen und warum Prompt Injection zur Gefahr wird habe ich bereits erläutert, welche Bestandteile leistungsfähige Prompts auszeichnen und weshalb Kontext, Zieldefinition und Sicherheitsaspekte entscheidend sind. Agentische Systeme bauen auf diesen Prinzipien auf. Der Unterschied besteht darin, dass Benutzer:innen nicht mehr jeden einzelnen Arbeitsschritt beschreiben müssen. Statt detaillierter Anweisungen rückt die Beschreibung des gewünschten Ergebnisses in den Mittelpunkt.

Anstelle einer Folge einzelner Prompts wie:

• „Fasse das Dokument zusammen.“
• „Erstelle daraus eine Präsentation.“
• „Schreibe eine E-Mail an das Projektteam.“
• „Erstelle eine Aufgabenliste.“

könnte künftig bereits ein einzelner Auftrag genügen: „Bereite die Unterlagen für das Projektmeeting am Montag vor und informiere anschließend das Team über die wichtigsten Ergebnisse.“ Der Agent zerlegt diese Aufgabe anschließend selbstständig in mehrere Arbeitsschritte und führt sie innerhalb seiner definierten Möglichkeiten aus.

Planning und Reasoning werden zur eigentlichen Intelligenz

Damit Agenten eigenständig arbeiten können, benötigen sie Fähigkeiten, die weit über die reine Textgenerierung hinausgehen. Zwei Konzepte gewinnen dabei zunehmend an Bedeutung: Planning und Reasoning.

Planning beschreibt die Fähigkeit, eine komplexe Aufgabe in logisch aufeinander aufbauende Teilschritte zu zerlegen. Der Agent entwickelt dabei gewissermaßen einen Arbeitsplan, bevor er mit der eigentlichen Ausführung beginnt. Je nach Ziel können unterschiedliche Strategien erforderlich sein. Ein Agent entscheidet beispielsweise, ob zunächst Informationen recherchiert, Dokumente ausgewertet oder externe Systeme eingebunden werden müssen.

Reasoning ergänzt diese Planung um die Fähigkeit, Zwischenergebnisse zu bewerten und Schlussfolgerungen abzuleiten. Der Agent überprüft, ob die verfügbaren Informationen ausreichen, ob weitere Daten benötigt werden oder ob alternative Vorgehensweisen sinnvoll erscheinen.

Wie moderne Sprachmodelle Informationen verarbeiten und Zusammenhänge erkennen habe ich in diesem Kontext im Beitrag Wie KI lernt – vom Datenpunkt zur Entscheidung vertiefend betrachtet. Agentische Systeme bauen auf diesen Fähigkeiten auf und erweitern sie um eine zusätzliche Ebene: Sie erzeugen nicht nur Antworten, sondern entwickeln daraus eigenständige Handlungsstrategien.

Tool Calls verbinden Denken und Handeln

Planning und Reasoning allein reichen jedoch nicht aus. Ein Agent muss seine Überlegungen auch in konkrete Aktionen umsetzen können. Genau hier kommen Tool Calls ins Spiel.

Ein Tool Call ermöglicht es dem Agenten, definierte Werkzeuge oder Dienste aufzurufen. Das können beispielsweise Microsoft Graph, Outlook, Teams, SharePoint, Planner oder externe Fachanwendungen sein. Der Agent entscheidet anhand seines Arbeitsplans, welches Werkzeug für den nächsten Schritt benötigt wird, übergibt die erforderlichen Parameter und verarbeitet anschließend das Ergebnis.

Ein typischer Arbeitsablauf könnte beispielsweise so aussehen:

1. Der Agent analysiert den Auftrag
2. Er identifiziert die relevanten Informationsquellen
3. Über Microsoft Graph ruft er aktuelle Projektdokumente ab
4. Anschließend wertet er Teams-Unterhaltungen und Besprechungsnotizen aus
5. Daraus erstellt er einen strukturierten Bericht
6. Abschließend bereitet er einen Entwurf für eine E-Mail oder Präsentation vor

Für Benutzer:innen erscheint dieser Ablauf häufig als eine einzige Aufgabe. Tatsächlich führt der Agent im Hintergrund zahlreiche einzelne Tool Calls aus, die den Arbeitsprozess Schritt für Schritt zusammensetzen.

Human in the Loop bleibt unverzichtbar

Trotz zunehmender Autonomie verfolgt Microsoft keinen Ansatz vollständig selbstständig handelnder KI-Systeme. Agenten sollen Entscheidungen unterstützen und Aufgaben vorbereiten, nicht jedoch unkontrolliert handeln. Deshalb bleibt das Konzept Human in the Loop ein zentraler Bestandteil agentischer Systeme. Menschen definieren Ziele, legen Rahmenbedingungen fest und entscheiden an kritischen Punkten über Freigaben oder Korrekturen. Der Agent übernimmt die operative Ausführung innerhalb dieser Vorgaben.

Gerade im Unternehmensumfeld ist dieses Zusammenspiel von großer Bedeutung. Geschäftskritische Entscheidungen, rechtlich relevante Vorgänge oder sicherheitskritische Prozesse erfordern weiterhin menschliche Verantwortung. Agenten reduzieren den manuellen Aufwand erheblich, ersetzen jedoch nicht die fachliche oder organisatorische Verantwortung. Autonomie bedeutet daher nicht Kontrollverlust. Vielmehr entsteht eine neue Form der Zusammenarbeit, bei der Menschen strategische Entscheidungen treffen und Agenten die operativen Arbeitsschritte übernehmen.

Von einzelnen Aufgaben zu autonomen Arbeitsabläufen

Die eigentliche Veränderung liegt deshalb nicht in einer einzelnen neuen Funktion, sondern in der Art, wie Arbeit organisiert wird. Während klassische Chatbots überwiegend einzelne Fragen beantworten oder Texte generieren, können Agenten komplette Arbeitsabläufe vorbereiten und koordinieren. Mehrere Tool Calls, Planungs- und Entscheidungsprozesse sowie unterschiedliche Datenquellen verschmelzen dabei zu einem zusammenhängenden Workflow.

Diese Entwicklung eröffnet Unternehmen neue Möglichkeiten. Wiederkehrende Wissensarbeit lässt sich zunehmend standardisieren, delegieren und automatisieren, ohne dass Benutzer:innen jeden einzelnen Schritt selbst steuern müssen. Gleichzeitig bleibt genügend Flexibilität erhalten, um individuelle Anforderungen oder unerwartete Situationen zu berücksichtigen.

Genau hierin liegt der eigentliche Paradigmenwechsel. Benutzer:innen beschreiben künftig immer häufiger das gewünschte Ergebnis, während Agenten den Weg dorthin selbstständig planen und innerhalb definierter Grenzen ausführen. Die Interaktion mit künstlicher Intelligenz entwickelt sich damit vom Formulieren einzelner Prompts zur Delegation kompletter Arbeitsaufträge – ein Wandel, der die tägliche Wissensarbeit in den kommenden Jahren ebenso grundlegend verändern dürfte wie einst die Einführung grafischer Benutzeroberflächen oder moderner Cloud-Plattformen.

Agentische KI braucht eine neue Infrastruktur

Die Einführung agentischer KI verändert nicht nur die Art der Zusammenarbeit zwischen Mensch und künstlicher Intelligenz. Sie verändert auch die technischen Anforderungen an die zugrunde liegende IT-Infrastruktur. Während klassische Chatbots überwiegend einzelne Anfragen verarbeiten und anschließend eine Antwort zurückgeben, greifen Agenten kontinuierlich auf Datenquellen zu, nutzen Werkzeuge, koordinieren Arbeitsabläufe und kommunizieren zunehmend mit weiteren Agenten.

Damit steigt die Komplexität der gesamten Plattform erheblich. Ein Agent benötigt nicht nur Rechenleistung für die Ausführung eines Sprachmodells, sondern muss gleichzeitig Kontextinformationen abrufen, Berechtigungen berücksichtigen, externe Dienste ansprechen und die Ergebnisse verschiedener Verarbeitungsschritte koordinieren. Diese Entwicklung zeigt deutlich, weshalb Infrastruktur heute zu einem strategischen Bestandteil moderner KI-Lösungen wird. Die Qualität eines Agenten hängt längst nicht mehr ausschließlich vom verwendeten Sprachmodell ab. Ebenso entscheidend sind Netzwerk, Speicher, Rechenleistung, Datenzugriff und die Fähigkeit, diese Komponenten zuverlässig miteinander zu verbinden.

Microsoft Graph wird zum Wissensfundament der Plattform

Vorab habe ich bereits erläutert, welche Bedeutung der Microsoft Graph für den Organizational Context besitzt. Mit der zunehmenden Verbreitung agentischer Systeme wächst seine Rolle jedoch noch einmal erheblich. Während klassische Anwendungen Informationen häufig nur bei Bedarf abrufen, greifen Agenten kontinuierlich auf Organisationswissen zu. Dokumente, Besprechungen, Kalender, Teams-Unterhaltungen, Aufgaben oder SharePoint-Inhalte bilden gemeinsam den Wissenskontext, auf dessen Grundlage ein Agent Entscheidungen vorbereitet oder Arbeitsabläufe plant.

Der Microsoft Graph entwickelt sich dadurch zunehmend zu einer zentralen Wissensschicht innerhalb von Microsoft 365. Er verbindet Informationen aus unterschiedlichen Diensten, berücksichtigt bestehende Berechtigungen und stellt Agenten den jeweils erforderlichen Kontext bereit. Diese Architektur verdeutlicht erneut einen grundlegenden Unterschied zwischen klassischen Chatbots und agentischen Systemen. Nicht das Sprachmodell besitzt das eigentliche Wissen über eine Organisation, sondern die Plattform, auf der dieses Wissen strukturiert, geschützt und für Agenten verfügbar gemacht wird.

Cloud und lokale KI wachsen zusammen

Noch vor wenigen Jahren wurden nahezu sämtliche KI-Anfragen ausschließlich in Cloud-Rechenzentren verarbeitet. Mit der zunehmenden Leistungsfähigkeit moderner Endgeräte verändert sich dieses Bild jedoch deutlich. Microsoft verfolgt in diesem Zusammenhang aktuell einen hybriden Ansatz. Besonders rechenintensive Sprachmodelle oder organisationsweite Analysen werden weiterhin in Azure ausgeführt. Gleichzeitig übernehmen moderne Windows-Geräte immer mehr Aufgaben lokal. Dazu gehören beispielsweise kleinere Sprachmodelle, Bildverarbeitung oder kontinuierlich laufende KI-Funktionen, die geringe Latenzen und einen unmittelbaren Zugriff auf den lokalen Arbeitskontext erfordern.

Mit Windows AI und Windows ML stellt Microsoft hierfür eine einheitliche Laufzeitumgebung bereit. Anwendungen können dadurch KI-Funktionen nutzen, ohne selbst unterschiedliche Hardwareplattformen berücksichtigen zu müssen. Gleichzeitig entscheidet das System, ob ein Modell lokal oder in der Cloud ausgeführt werden sollte. Diese Aufgabenteilung verbindet die Skalierbarkeit der Cloud mit den Vorteilen lokaler Verarbeitung. Besonders Agenten wie Scout, die kontinuierlich den aktuellen Arbeitskontext berücksichtigen, profitieren von dieser Architektur.

Copilot+ PCs und NPUs werden zum Bestandteil moderner Arbeitsplätze

Diese Entwicklung erklärt zugleich, weshalb Microsoft den Copilot+ PCs eine so zentrale Rolle beimisst. Erstmals verfügen Windows-Endgeräte serienmäßig über leistungsfähige Neural Processing Units (NPUs), die speziell für KI-Berechnungen entwickelt wurden.

Im Gegensatz zu CPU und GPU arbeiten NPUs besonders energieeffizient und eignen sich hervorragend für kontinuierlich laufende KI-Aufgaben. Dadurch können Sprachmodelle oder andere KI-Komponenten direkt auf dem Endgerät ausgeführt werden, ohne jede Anfrage an ein Cloud-Rechenzentrum senden zu müssen.

Im Beitrag Wir bauen einen eigenen Copilot+ PC: Mein Weg zum KI-Arbeitsrechner für 2026 und darüber hinaus habe ich bereits erläutert, weshalb diese Hardwaregeneration weit mehr ist als ein kurzfristiger Marketingbegriff. Die aktuellen Entwicklungen rund um Scout und andere agentische Systeme zeigen nun sehr konkret, warum lokale KI künftig eine immer größere Rolle spielen dürfte. Agentische KI entsteht damit nicht ausschließlich in der Cloud. Sie verteilt sich zunehmend auf Rechenzentren, Unternehmensnetzwerke und moderne Endgeräte, die gemeinsam eine intelligente Laufzeitumgebung bilden.

Azure bleibt das Rückgrat agentischer Plattformen

Trotz der zunehmenden Bedeutung lokaler KI bleibt die Cloud unverzichtbar. Komplexe Agenten benötigen Zugriff auf organisationsweites Wissen, skalierbare Rechenleistung und zentrale Sicherheitsmechanismen. Genau hierfür bildet Azure weiterhin das Fundament.

Dienste wie Azure AI, die Azure AI Runtime und die Plattformen rund um Azure AI Foundry stellen die Infrastruktur bereit, auf der große Sprachmodelle, Agenten und deren Werkzeuge betrieben werden können. Gleichzeitig übernimmt Azure Aufgaben wie Identitätsmanagement, Skalierung, Protokollierung oder die sichere Anbindung externer Systeme. Dadurch entsteht eine klare Arbeitsteilung. Während lokale Systeme den unmittelbaren Nutzungskontext verarbeiten, übernimmt die Cloud organisationsweite Analysen, umfangreiche Modelle und die Koordination komplexer Agentenprozesse.

Observability wird zum neuen Infrastrukturbaustein

Mit der steigenden Zahl autonom arbeitender Agenten gewinnt ein weiterer Aspekt erheblich an Bedeutung: Observability. Bei klassischen Anwendungen genügte es häufig, Systemauslastung oder Fehlermeldungen zu überwachen. Agentische Systeme stellen deutlich höhere Anforderungen. Administrator:innen müssen nachvollziehen können, welche Agenten aktiv waren, welche Werkzeuge sie genutzt haben, welche Entscheidungen getroffen wurden und auf welche Daten dabei zugegriffen wurde.

Observability umfasst daher weit mehr als klassisches Monitoring. Sie schafft Transparenz über den gesamten Lebenszyklus eines Agenten – von der Zieldefinition über einzelne Tool Calls bis hin zu den erzeugten Ergebnissen. Gemeinsam mit Microsoft Purview, Microsoft Defender und dem Copilot Control System bildet sie eine wichtige Grundlage für Governance, Compliance und Sicherheitsanalysen. Je autonomer Agenten arbeiten, desto wichtiger wird ihre Nachvollziehbarkeit. Vertrauen entsteht nicht allein durch leistungsfähige Modelle, sondern durch die Möglichkeit, Entscheidungen und Arbeitsabläufe jederzeit überprüfen zu können.

Netzwerke werden zum Rückgrat agentischer Zusammenarbeit

Nicht nur Endgeräte und Cloud-Plattformen verändern sich. Auch Netzwerke müssen sich an die Anforderungen agentischer KI anpassen. Während herkömmliche Büroanwendungen überwiegend Daten zwischen Clients und Servern austauschen, erzeugen Agenten deutlich komplexere Kommunikationsmuster. Mehrere Agenten greifen gleichzeitig auf gemeinsame Wissensquellen zu, kommunizieren über standardisierte Protokolle miteinander und binden externe Werkzeuge in ihre Arbeitsabläufe ein. Hinzu kommen große Datenmengen, die zwischen Cloud, Rechenzentrum und Endgeräten ausgetauscht werden.

Im Beitrag Wenn Netzwerke intelligent werden: Wie KI, Wi-Fi 7 und Ethernet die Infrastruktur neu definieren habe ich diskutiert, warum moderne KI-Infrastrukturen zunehmend auf hochperformante Spine-Leaf-Architekturen, verlustarme Ethernet-Netzwerke und intelligente Datenpfade setzen. Genau diese Entwicklungen gewinnen mit agentischen Systemen zusätzlich an Bedeutung. Netzwerke transportieren künftig nicht mehr nur Datenpakete. Sie verbinden Modelle, Agenten, Werkzeuge und Wissensquellen zu einer gemeinsamen Plattform.

Agentische KI erhöht den Infrastrukturbedarf auf allen Ebenen

Bereits im Beitrag KI frisst Hardware – Warum der Infrastrukturhunger den IT-Markt neu definiert zeichnet sich ab, welche Auswirkungen moderne KI auf Rechenzentren, GPUs und Speichersysteme besitzt. Agentische KI verstärkt diesen Trend noch einmal erheblich. Ein einzelner Agent nutzt nicht nur ein Sprachmodell. Er verarbeitet Organisationswissen, greift auf zahlreiche Werkzeuge zu, kommuniziert mit anderen Agenten und führt mehrstufige Arbeitsabläufe aus. Daraus entstehen zusätzliche Anforderungen an Rechenleistung, Speicher, Netzwerk, Sicherheitsmechanismen und Plattformdienste.

Die Infrastruktur entwickelt sich dadurch vom reinen technischen Unterbau zu einem entscheidenden Wettbewerbsfaktor. Unternehmen benötigen künftig nicht nur leistungsfähige Sprachmodelle, sondern eine Umgebung, in der Kontext, Werkzeuge, Governance und Agenten zuverlässig zusammenarbeiten können.

Genau hierin liegt die eigentliche Herausforderung der nächsten Jahre. Agentische Systeme stellen nicht einfach höhere Anforderungen an einzelne Hardwarekomponenten. Sie verändern die gesamte Architektur moderner Unternehmens-IT – vom Copilot+ PC über den Microsoft Graph bis hin zu Azure, Netzwerken und GPU-gestützten Rechenzentren. Nur wenn diese Bausteine als integrierte Plattform zusammenspielen, können KI-Agenten ihr volles Potenzial im produktiven Unternehmensalltag entfalten.

Von der Lizenz zum Betriebsmodell

Mit der Einführung von Microsoft 365 Copilot bestand die wichtigste organisatorische Aufgabe zunächst darin, geeignete Benutzer:innen zu identifizieren und die entsprechenden Lizenzen bereitzustellen. Administrator:innen beschäftigten sich vor allem mit Berechtigungen, Datenschutz, Governance und der technischen Aktivierung der neuen Funktionen.

Die aktuellen Entwicklungen rund um Copilot Cowork, spezialisierte Agenten und verbrauchsabhängige Dienste zeigen jedoch, dass dieser Ansatz nicht mehr ausreicht. Agentische KI entwickelt sich zunehmend von einer klassischen Softwarelizenz zu einer Plattform, deren Betrieb kontinuierlich verwaltet, überwacht und optimiert werden muss.

Damit verändert sich die Rolle der IT grundlegend. Neben der Bereitstellung von Lizenzen rücken Fragen nach Kostenkontrolle, Sicherheitsüberwachung, Ressourcennutzung und Governance in den Mittelpunkt. Agentische Systeme werden damit nicht nur Teil der täglichen Wissensarbeit, sondern auch Teil der Betriebs- und Sicherheitsarchitektur von Microsoft 365.

Copilot Credits führen ein neues Abrechnungsmodell ein

Ein sichtbares Zeichen dieses Wandels sind die Copilot Credits. Während klassische Microsoft-365-Lizenzen überwiegend einem festen Abonnementmodell folgen, werden bestimmte Agentenfunktionen künftig verbrauchsabhängig abgerechnet.

Dieses sogenannte Usage-Based Billing orientiert sich nicht mehr ausschließlich an der Anzahl lizenzierter Benutzer:innen, sondern am tatsächlichen Ressourcenverbrauch. Besonders rechenintensive Aufgaben, umfangreiche Agentenprozesse oder spezialisierte Dienste können dadurch zusätzliche Kosten verursachen.

Dieser Ansatz erinnert an die Entwicklung von Azure. Auch dort werden Ressourcen wie Rechenleistung, Speicher oder Netzwerknutzung seit vielen Jahren nach tatsächlichem Verbrauch abgerechnet. Mit Copilot Credits hält dieses Prinzip nun erstmals auch Einzug in die Wissensarbeit.

Damit verschiebt sich die wirtschaftliche Betrachtung erheblich. Unternehmen müssen künftig nicht mehr nur entscheiden, wer einen Copilot erhält, sondern auch, welche Aufgaben sinnvoll an Agenten delegiert werden und welchen geschäftlichen Mehrwert diese Automatisierung erzeugt.

Consumption wird Teil der täglichen Administration

Die Einführung verbrauchsabhängiger Dienste verändert gleichzeitig die tägliche Administration.

Administrator:innen müssen künftig nicht nur Benutzerkonten verwalten oder Sicherheitsrichtlinien definieren. Ebenso wichtig wird die kontinuierliche Beobachtung des Ressourcenverbrauchs. Welche Agenten werden besonders häufig genutzt? Welche Arbeitsabläufe verursachen den größten Verbrauch? Lassen sich Prozesse optimieren oder besser verteilen?

Damit entwickelt sich Consumption Management zu einer neuen administrativen Aufgabe. Ähnlich wie bei Azure-Ressourcen gewinnen Transparenz und Kostenkontrolle zunehmend an Bedeutung. Unternehmen benötigen geeignete Auswertungen, um den tatsächlichen Nutzen agentischer Systeme beurteilen und wirtschaftlich steuern zu können.

Agentische KI wird dadurch planbarer, gleichzeitig aber auch komplexer. Der Betrieb endet nicht mit der Bereitstellung eines Agenten – er beginnt dort erst.

Governance wird zum kontinuierlichen Prozess

Mit steigender Autonomie der Agenten wächst auch die Bedeutung einer durchgängigen Governance. Bereits im Beitrag Microsoft 365 Copilot administrieren: Daten, Governance, Agents und Sicherheit im Enterprise-Kontext habe ich thematisiert, wie wichtig Berechtigungen, Datenschutz und Compliance für den produktiven Einsatz von KI sind. Agentische Systeme erweitern diese Anforderungen um eine zusätzliche Dimension.

Governance umfasst künftig nicht nur den Zugriff auf Daten, sondern den gesamten Lebenszyklus eines Agenten. Unternehmen müssen daher festlegen:

• welche Agenten eingesetzt werden dürfen
• auf welche Werkzeuge sie zugreifen können
• welche Datenquellen genutzt werden
• wann menschliche Freigaben erforderlich sind
• wie Änderungen dokumentiert und überprüft werden

Dadurch entwickelt sich Governance von einer einmaligen Konfigurationsaufgabe zu einem kontinuierlichen Managementprozess. Für Administrator:innen, die bereits nach den Prinzipien einer Zero-Trust-Architektur arbeiten, ist dieser Gedanke allerdings keineswegs neu. Zero Trust versteht Sicherheit seit jeher nicht als einmalige Konfiguration, sondern als fortlaufenden Prozess, bei dem Identitäten, Berechtigungen, Geräte, Anwendungen und Datenzugriffe kontinuierlich überprüft und angepasst werden.

Agentische KI erweitert dieses Prinzip konsequent um eine weitere Ebene. Künftig müssen nicht nur Benutzer:innen und Geräte verwaltet werden, sondern auch KI-Agenten, deren Werkzeuge, Berechtigungen, Datenquellen und Kommunikationsbeziehungen. Governance entwickelt sich dadurch zu einem ganzheitlichen Betriebsmodell, das den gesamten Lebenszyklus eines Agenten begleitet – von der Bereitstellung über den produktiven Einsatz bis hin zu Monitoring, Auditing und kontinuierlicher Optimierung.

Auf diese Zusammenhänge bin ich bereits ausführlich im Beitrag Moderne Microsoft Security-Architektur in der Praxis – Zero Trust, Identity, Cloud und Operations ganzheitlich denken eingegangen. Dort wird deutlich, dass moderne Sicherheitsarchitekturen längst nicht mehr aus einzelnen Schutzmechanismen bestehen. Vielmehr greifen Identitätsmanagement, Zero Trust, Cloud Security, Security Operations und Governance ineinander – eine Entwicklung, die sich mit agentischen KI-Systemen konsequent fortsetzt.

Sicherheit endet nicht beim Sprachmodell

Je selbstständiger Agenten arbeiten, desto wichtiger wird ihre kontinuierliche Absicherung. Microsoft erweitert deshalb die Sicherheitsarchitektur von Microsoft 365 um Funktionen, die speziell auf agentische Systeme ausgerichtet sind. Microsoft Defender unterstützt dabei, ungewöhnliche Aktivitäten oder potenzielle Angriffe auf Agenten zu erkennen. Gleichzeitig helfen Microsoft Purview und das Copilot Control System, Datenzugriffe, Richtlinien und Compliance-Anforderungen organisationsweit durchzusetzen.

Damit verändert sich auch der Blick auf Sicherheit. Nicht allein das Sprachmodell muss geschützt werden. Ebenso wichtig ist die Absicherung der Werkzeuge, Datenquellen und Kommunikationswege, auf die Agenten zugreifen. Gerade Tool Calls und Agent-to-Agent-Kommunikation machen deutlich, dass sich die Angriffsfläche erweitert. Jeder zusätzliche Dienst, jede externe Datenquelle und jede Schnittstelle muss deshalb in bestehende Sicherheitskonzepte integriert werden. Sicherheit wird damit zu einem integralen Bestandteil der Agentenarchitektur und nicht zu einer nachgelagerten Ergänzung.

Observability schafft Vertrauen in autonome Systeme

Ein weiterer Baustein gewinnt mit agentischer KI deutlich an Bedeutung: Observability. Während klassisches Monitoring überwiegend den technischen Zustand eines Systems überwacht, beantwortet Observability weitergehende Fragen:

• Welche Agenten waren aktiv?
• Welche Werkzeuge wurden verwendet?
• Welche Daten wurden verarbeitet?
• Welche Entscheidungen wurden getroffen?
• Welche Schritte führten zum Ergebnis?

Diese Transparenz ist eine wesentliche Voraussetzung für den produktiven Einsatz autonomer Systeme. Nur wenn Arbeitsabläufe nachvollziehbar bleiben, lassen sich Fehler analysieren, Sicherheitsvorfälle untersuchen oder regulatorische Anforderungen erfüllen. Observability wird damit zu einem Vertrauensmechanismus. Sie ermöglicht Unternehmen, nicht nur die Ergebnisse eines Agenten zu bewerten, sondern auch den Weg dorthin nachzuvollziehen.

Der Betrieb wird Teil der Agentenarchitektur

Die Entwicklung der vergangenen Kapitel lässt sich damit um eine weitere Erkenntnis ergänzen: Zu Beginn stand die Frage, wie Agenten aufgebaut sind und welche Rollen Copilot, Cowork oder Scout innerhalb der Plattform übernehmen. Nun wird deutlich, dass diese Architektur weit über die eigentlichen Agenten hinausreicht.

Lizenzierung, verbrauchsabhängige Abrechnung, Governance, Sicherheit, Monitoring und Observability bilden gemeinsam die betriebliche Grundlage agentischer Systeme. Sie entscheiden darüber, ob KI nicht nur technisch funktioniert, sondern auch wirtschaftlich, sicher und nachvollziehbar eingesetzt werden kann.

Genau hierin unterscheidet sich Microsofts Ansatz von vielen isolierten KI-Lösungen. Agentische KI wird nicht als einzelnes Produkt verstanden, sondern als Bestandteil einer umfassenden Enterprise-Plattform. Betrieb, Sicherheit und Kostenkontrolle sind deshalb keine nachgelagerten Verwaltungsaufgaben, sondern von Anfang an Teil der Architektur.

Mit dieser Entwicklung verändert sich nicht nur die Wissensarbeit, sondern auch die Rolle der IT-Abteilungen. Sie werden künftig nicht mehr ausschließlich Anwendungen bereitstellen und verwalten, sondern zunehmend eine Plattform betreiben, auf der Menschen und spezialisierte KI-Agenten gemeinsam arbeiten. Dieser Wandel bildet zugleich die Grundlage für den abschließenden Blick auf die nächste Evolutionsstufe – die entstehende Agent Economy.

Die nächste Evolutionsstufe: Die Agent Economy

Mit Copilot, Cowork und Scout entwickelt Microsoft nicht nur neue KI-Funktionen. Hinter diesen Produkten zeichnet sich ein grundlegender Wandel der Wissensarbeit ab. Die aktuelle Entwicklung macht deutlich, dass Unternehmen künftig nicht mehr ausschließlich mit einzelnen KI-Assistenten arbeiten werden. Stattdessen entsteht schrittweise eine Plattform, auf der spezialisierte Agenten Aufgaben übernehmen, miteinander kommunizieren und gemeinsam Geschäftsprozesse unterstützen.

Microsoft beschreibt diese Entwicklung im aktuellen Work Trend Index mit dem Begriff der Frontier Firm. Gemeint sind Organisationen, in denen Menschen und KI-Agenten arbeitsteilig zusammenarbeiten. Digitale Mitarbeitende übernehmen klar definierte Wissensaufgaben, während Menschen Ziele formulieren, Ergebnisse bewerten und Verantwortung für Entscheidungen tragen.

Damit verändert sich nicht nur die Art, wie künstliche Intelligenz eingesetzt wird. Agenten entwickeln sich zunehmend von einer Funktion innerhalb einzelner Anwendungen zu einer organisatorischen Ressource, die dauerhaft in Arbeitsabläufe und Geschäftsprozesse eingebunden wird. Welche strategische Tragweite dieser Wandel besitzt und weshalb er sich mit früheren Plattformwechseln der IT vergleichen lässt, zeigt der folgende Exkurs.

Die Agent Economy wird im Unternehmensalltag sichtbar

Die strategischen Überlegungen zur Agent Economy spiegeln sich bereits heute in den ersten konkreten Entwicklungen wider. An die Stelle eines einzelnen universellen KI-Assistenten tritt zunehmend ein arbeitsteiliges System spezialisierter Agenten. Jeder Agent übernimmt klar definierte Aufgaben und bringt eigene Fähigkeiten, Werkzeuge sowie Zugriffsmöglichkeiten auf unterschiedliche Datenquellen mit.

Diese Spezialisierung folgt einem Prinzip, das in der Unternehmens-IT seit vielen Jahren etabliert ist. So wie Anwendungen oder Microservices jeweils einen klar abgegrenzten Verantwortungsbereich übernehmen, entwickeln sich nun auch KI-Agenten zu digitalen Spezialist:innen. Ein Agent unterstützt beispielsweise den Vertrieb bei der Vorbereitung von Kundengesprächen, ein anderer analysiert Sicherheitsereignisse, während weitere Agenten Projektinformationen konsolidieren oder Berichte erstellen. Gemeinsam ergänzen sie die menschliche Wissensarbeit, ohne deren Verantwortung zu übernehmen.

Damit wird zugleich deutlich, dass die Agent Economy nicht aus einzelnen Agenten besteht, sondern aus ihrem koordinierten Zusammenspiel. Wie diese Zusammenarbeit technisch umgesetzt wird und weshalb Multi-Agent-Systeme zur bevorzugten Architektur moderner Enterprise-KI werden, betrachtet der nächste Abschnitt.

Multi-Agent-Systeme werden zum Normalfall

Die Agent Economy wird sich nicht durch immer leistungsfähigere Einzelagenten entwickeln, sondern durch das koordinierte Zusammenspiel spezialisierter Agenten. Unterschiedliche Aufgaben erfordern unterschiedliche Fähigkeiten, unterschiedliche Datenquellen und teilweise sogar unterschiedliche KI-Modelle. Ein universeller Assistent könnte diese Vielfalt nur mit erheblicher Komplexität abbilden. Microsoft verfolgt deshalb einen anderen Ansatz und setzt auf eine arbeitsteilige Agentenarchitektur.

In einem Multi-Agent-System übernimmt jeder Agent einen klar definierten Verantwortungsbereich. Während ein Agent beispielsweise Informationen recherchiert, analysiert ein anderer Dokumente, koordiniert Arbeitsabläufe oder kommuniziert mit Unternehmensanwendungen. Bei komplexeren Aufgaben tauschen die Agenten Informationen aus, koordinieren ihre Arbeitsschritte und führen ihre Ergebnisse zu einem gemeinsamen Resultat zusammen. Dadurch entstehen flexible Arbeitsabläufe, die sich leichter erweitern, überwachen und an neue Anforderungen anpassen lassen als monolithische KI-Systeme.

Dieses Architekturprinzip ist in der Unternehmens-IT keineswegs neu. Moderne Anwendungen basieren seit vielen Jahren auf Microservices oder anderen verteilten Architekturen, bei denen spezialisierte Komponenten über standardisierte Schnittstellen zusammenarbeiten. Microsoft überträgt dieses bewährte Konzept nun konsequent auf künstliche Intelligenz. Agenten werden damit zu eigenständigen Softwarekomponenten innerhalb einer gemeinsamen Plattform – mit klar definierten Aufgaben, Schnittstellen und Verantwortlichkeiten.

Offene Standards entscheiden über den Erfolg

Arbeitsteilige Agentensysteme können ihre Stärken jedoch nur dann vollständig entfalten, wenn die beteiligten Agenten unabhängig von ihrem Hersteller oder ihrer technischen Umsetzung miteinander kommunizieren können. Genau deshalb gewinnen offene Standards eine zentrale Bedeutung für die weitere Entwicklung agentischer Plattformen. Erst sie schaffen die Voraussetzung dafür, dass Agenten Informationen austauschen, Werkzeuge gemeinsam nutzen und komplexe Aufgaben über Systemgrenzen hinweg koordinieren können.

Mit dem Model Context Protocol (MCP) entsteht ein standardisierter Mechanismus, um Agenten Kontextinformationen, Datenquellen und Werkzeuge bereitzustellen. Ergänzend definiert Agent-to-Agent (A2A) eine gemeinsame Grundlage für die Kommunikation zwischen unterschiedlichen Agenten. Gemeinsam bilden beide Standards das Fundament für interoperable Agentensysteme, deren Zusammenarbeit nicht mehr von proprietären Integrationen einzelner Hersteller abhängt.

Diese Offenheit besitzt eine erhebliche strategische Bedeutung. Unternehmen verfügen heute bereits über eine heterogene IT-Landschaft aus Cloud-Diensten, Fachanwendungen, Datenplattformen und individuell entwickelten Lösungen. Weder technisch noch wirtschaftlich wäre es sinnvoll, sämtliche Systeme durch Produkte eines einzelnen Herstellers zu ersetzen. Offene Standards ermöglichen stattdessen, Microsoft-Agenten, branchenspezifische Lösungen, Open-Source-Agenten und unternehmenseigene Entwicklungen innerhalb einer gemeinsamen Architektur miteinander zu verbinden.

Genau hierin unterscheidet sich die entstehende Agent Economy von früheren Generationen digitaler Assistenten. Der eigentliche Mehrwert entsteht nicht innerhalb eines einzelnen Produkts, sondern durch die Fähigkeit, spezialisierte Agenten, bestehende Unternehmenssysteme und unterschiedliche KI-Modelle zu einem gemeinsamen Ökosystem zusammenzuführen. Interoperabilität wird damit zu einer der wichtigsten Voraussetzungen für produktive Enterprise-KI.

Unternehmensagenten werden zum Wettbewerbsvorteil

Offene Standards und interoperable Agentenplattformen schaffen zunächst die technische Grundlage. Der eigentliche Wettbewerbsvorteil entsteht jedoch dort, wo Unternehmen ihre eigenen Prozesse, ihr Fachwissen und ihre organisatorischen Besonderheiten in spezialisierte Agenten überführen. Während Microsoft allgemeine Agenten für typische Wissensaufgaben bereitstellt, gewinnen künftig vor allem unternehmenseigene Agenten an Bedeutung.

Jede Organisation verfügt über individuelle Geschäftsprozesse, etablierte Arbeitsweisen, branchenspezifische Anforderungen und internes Erfahrungswissen. Dieses Wissen lässt sich nur begrenzt durch universelle Standardlösungen abbilden. Genau hier eröffnen das Microsoft Agent Framework, Copilot Studio und die Agents SDKs neue Möglichkeiten. Unternehmen können Agenten entwickeln, die interne Richtlinien berücksichtigen, auf eigene Fachanwendungen zugreifen und organisationsspezifische Arbeitsabläufe unterstützen.

Dadurch entstehen digitale Spezialist:innen, deren Fähigkeiten unmittelbar aus dem organisatorischen Kontext des Unternehmens hervorgehen. Sie kennen nicht nur die verfügbaren Datenquellen, sondern auch interne Abläufe, Verantwortlichkeiten und fachliche Zusammenhänge. Ihre Stärke liegt deshalb weniger im allgemeinen Sprachverständnis als im sicheren und zielgerichteten Umgang mit unternehmensspezifischem Wissen.

Die eigentliche Differenzierung entsteht künftig somit nicht mehr durch das verwendete Sprachmodell, sondern durch die Qualität des eigenen Agentenökosystems. Unternehmen, denen es gelingt, Organisationswissen, Fachprozesse, Governance und technische Plattformen sinnvoll miteinander zu verbinden, schaffen einen Wettbewerbsvorteil, der sich nicht durch den Wechsel auf ein anderes Sprachmodell reproduzieren lässt. Genau hierin dürfte langfristig einer der wichtigsten strategischen Werte agentischer KI liegen.

Von der Plattform zum Ökosystem

Diese Entwicklung knüpft unmittelbar an meinen Beitrag Agentic AI Foundation: Warum Anthropic, OpenAI und die Linux Foundation eine neue Open-Source-Ära für KI-Agenten einleiten an. Dort habe ich erläutert, weshalb die Zukunft agentischer Systeme nicht in proprietären Insellösungen liegt, sondern in offenen Standards, interoperablen Frameworks und einer herstellerübergreifenden Zusammenarbeit.

Microsoft setzt diese Grundidee inzwischen konsequent auf Enterprise-Ebene um. Mit dem Agent Framework, dem Model Context Protocol (MCP), Agent-to-Agent-Kommunikation (A2A), dem Microsoft Graph und Copilot Studio entsteht eine Plattform, auf der nicht nur Microsoft-eigene Agenten, sondern auch unternehmenseigene Entwicklungen und Lösungen anderer Anbieter gemeinsam arbeiten können. Aus einzelnen Agenten entsteht dadurch Schritt für Schritt ein wachsendes Ökosystem spezialisierter Dienste.

Damit verändert sich zugleich die Rolle von Microsoft 365 grundlegend. Die Plattform dient nicht länger ausschließlich als Werkzeug für Kommunikation und Produktivität, sondern entwickelt sich zur Infrastruktur für agentische Wissensarbeit. Menschen, KI-Agenten, Unternehmensanwendungen und externe Dienste werden über gemeinsame Standards miteinander verbunden und können innerhalb eines gemeinsamen Sicherheits- und Governance-Modells zusammenarbeiten.

Diese Entwicklung verdeutlicht noch einmal die zentrale Argumentationslinie dieses Beitrags: Microsoft erweitert Microsoft 365 nicht lediglich um weitere KI-Funktionen. Vielmehr entsteht schrittweise eine offene Plattform, auf der spezialisierte Agenten, Organisationswissen und bestehende Unternehmenssysteme zu einem vernetzten Agentenökosystem zusammenwachsen.

Die Zukunft gehört vernetzten Agentenökosystemen

Immer deutlicher zeichnet sich ab, dass die nächste Entwicklungsstufe künstlicher Intelligenz nicht durch einzelne KI-Assistenten geprägt wird, sondern durch vernetzte Agentenökosysteme. Schritt für Schritt entsteht eine Plattform, auf der spezialisierte Agenten Organisationswissen nutzen, Aufgaben koordinieren und gemeinsam mit Menschen komplexe Wissensarbeit unterstützen. Genau hierin unterscheidet sich die aktuelle Entwicklung grundlegend von der ersten Generation generativer KI, die vor allem auf einzelne Assistenten und dialogorientierte Interaktionen ausgerichtet war.

Damit verschiebt sich auch der Maßstab für die Bewertung moderner KI-Plattformen. Die entscheidende Frage wird künftig nicht mehr lauten, welches Sprachmodell die höchste Benchmark erreicht oder welcher Assistent die überzeugendsten Antworten formuliert. Ausschlaggebend wird vielmehr sein, wie effizient Agenten zusammenarbeiten, wie sicher sie Organisationswissen nutzen, wie flexibel sie sich in bestehende Geschäftsprozesse integrieren lassen und wie gut Unternehmen ihre Agentenlandschaften organisatorisch steuern können.

Genau darin liegt die eigentliche Bedeutung der Agent Economy. Ihr Erfolg entscheidet sich nicht an einzelnen Agenten, sondern an der Qualität des gesamten Ökosystems. Offene Standards, gemeinsamer Kontext, Governance und Interoperabilität bilden gemeinsam die Grundlage dafür, dass spezialisierte Agenten ihre jeweiligen Stärken miteinander verbinden können. Unternehmen werden deshalb zunehmend digitale Teams aufbauen, in denen Menschen und KI-Agenten arbeitsteilig zusammenarbeiten und sich gegenseitig ergänzen.

Die Zukunft gehört damit nicht einzelnen KI-Assistenten, sondern vernetzten Agentenökosystemen. Microsoft entwickelt Microsoft 365 Schritt für Schritt zu einer Plattform, auf der genau diese Form der Zusammenarbeit möglich wird. Damit ist die Grundlage geschaffen, um im abschließenden Kapitel die zentrale Frage dieses Beitrags zu beantworten: Welche Rolle wird Microsoft 365 künftig im Zeitalter agentischer Wissensarbeit einnehmen?

Fazit – Microsoft 365 wird zum Betriebssystem für agentische Wissensarbeit

Die vergangenen Kapitel haben gezeigt, dass sich die aktuellen Entwicklungen rund um Copilot, Cowork und Scout nur dann richtig einordnen lassen, wenn sie als Teil einer grundlegenden Plattformstrategie verstanden werden. Microsoft erweitert Microsoft 365 nicht lediglich um neue KI-Funktionen. Vielmehr entsteht Schritt für Schritt eine Infrastruktur, auf der spezialisierte Agenten Organisationswissen nutzen, miteinander kommunizieren und innerhalb klar definierter Sicherheits- und Governance-Rahmen eigenständig Aufgaben übernehmen können.

Copilot bleibt dabei die vertraute Benutzeroberfläche für die Zusammenarbeit zwischen Mensch und künstlicher Intelligenz. Cowork erweitert diese Architektur um delegierbare Wissensarbeit, indem komplexe Arbeitsaufträge geplant und vorbereitet werden. Scout ergänzt die Plattform um kontinuierlichen persönlichen Arbeitskontext und ermöglicht dadurch eine zunehmend proaktive Unterstützung. Erst das Zusammenspiel dieser unterschiedlichen Rollen macht deutlich, dass Microsoft nicht auf einen universellen KI-Assistenten setzt. Stattdessen entsteht ein arbeitsteiliges System spezialisierter Agenten, dessen Leistungsfähigkeit aus der Kombination unterschiedlicher Fähigkeiten hervorgeht.

Kontext, Architektur und Governance bilden gemeinsam die Plattform

Ebenso deutlich wurde, dass agentische KI weit mehr benötigt als leistungsfähige Sprachmodelle. Erst der Microsoft Graph als organisatorische Wissensbasis ermöglicht Agenten, Informationen in ihrem fachlichen Zusammenhang zu verstehen und daraus kontextbezogene Entscheidungen abzuleiten. Das Sprachmodell bleibt zwar eine unverzichtbare Komponente für Sprachverständnis, Schlussfolgerungen und die Generierung von Inhalten. Den eigentlichen Mehrwert erzeugt jedoch erst das Zusammenspiel aus Organisationswissen, Werkzeugen und Ausführungslogik.

Gleichzeitig schaffen das Microsoft Agent Framework, die Agents SDKs, das Model Context Protocol (MCP) sowie Agent-to-Agent-Kommunikation (A2A) die technische Grundlage für ein offenes Agentenökosystem. Microsoft-eigene Agenten, branchenspezifische Lösungen und unternehmenseigene Entwicklungen können dadurch innerhalb einer gemeinsamen Architektur zusammenarbeiten. Aus einzelnen KI-Assistenten entsteht Schritt für Schritt eine Plattform, deren Stärke nicht im einzelnen Agenten, sondern in der Zusammenarbeit vieler spezialisierter Komponenten liegt.

Mit dieser Öffnung wächst zugleich die Bedeutung von Governance, Sicherheit und Observability. Technologien wie das Copilot Control System, Microsoft Purview und Microsoft Defender zeigen, dass produktive Agentensysteme nur dann vertrauenswürdig betrieben werden können, wenn Berechtigungen, Nachvollziehbarkeit, Compliance und kontinuierliche Überwachung von Beginn an Bestandteil der Architektur sind. Damit knüpft agentische KI unmittelbar an etablierte Konzepte wie Zero Trust an und erweitert diese um den sicheren Betrieb digitaler Agenten.

Agentische KI verändert auch das Betriebsmodell

Mit Copilot Credits und verbrauchsabhängigen Abrechnungsmodellen verändert Microsoft nicht nur die technische Architektur, sondern auch das wirtschaftliche Verständnis künstlicher Intelligenz. Unternehmen lizenzieren künftig nicht mehr ausschließlich Software, sondern betreiben eine Plattform, auf der digitale Arbeitsleistung geplant, überwacht und kontinuierlich optimiert werden muss. Betrieb, Governance, Kostenkontrolle und Sicherheit wachsen dadurch zu einem gemeinsamen Managementprozess zusammen.

Diese Entwicklung markiert einen ähnlichen Wandel wie einst der Übergang zum Cloud Computing. Infrastruktur wurde damals zu einer Plattform, die flexibel bereitgestellt und nach Verbrauch abgerechnet werden konnte. Agentische KI überträgt dieses Prinzip nun auf Wissensarbeit. Digitale Agenten werden zu produktiven Ressourcen, deren Einsatz nicht nur technisch, sondern auch organisatorisch und wirtschaftlich gesteuert werden muss.

Die eigentliche Innovation liegt im Plattformgedanken

Betrachtet man die Entwicklung als Ganzes, wird deutlich, dass sich die Diskussion über künstliche Intelligenz grundlegend verändert hat. Während in den vergangenen Jahren vor allem die Leistungsfähigkeit einzelner Large Language Models im Mittelpunkt stand, rücken heute Kontext, Interoperabilität, Governance und agentische Zusammenarbeit in den Vordergrund. Die Qualität einer Enterprise-KI wird künftig nicht mehr allein durch das verwendete Sprachmodell bestimmt, sondern durch die Fähigkeit, Organisationswissen sicher zu nutzen, unterschiedliche Agenten zu koordinieren und neue Dienste flexibel in bestehende Plattformen einzubinden.

Genau hierin liegt die eigentliche Bedeutung der aktuellen Microsoft-Strategie. Microsoft entwickelt nicht einfach bessere KI-Assistenten. Das Unternehmen schafft die technische und organisatorische Grundlage für eine Plattform, auf der Menschen und spezialisierte Agenten gemeinsam Wissensarbeit leisten können. Copilot bleibt dabei die vertraute Benutzeroberfläche. Im Hintergrund entsteht jedoch ein offenes Agentenökosystem, dessen Leistungsfähigkeit aus dem Zusammenspiel von Kontext, Architektur, offenen Standards und Governance erwächst.

Ausblick

Aus heutiger Sicht stehen wir erst am Anfang dieser Entwicklung. Copilot, Cowork und Scout markieren vermutlich die erste Generation einer Plattform, die sich in den kommenden Jahren kontinuierlich erweitern wird. Weitere Microsoft-Agenten, branchenspezifische Lösungen und unternehmenseigene Entwicklungen werden dieses Ökosystem ergänzen und über offene Standards miteinander zusammenarbeiten.

Die entscheidende Frage wird deshalb künftig nicht mehr lauten, welcher KI-Assistent die überzeugendsten Antworten formuliert oder welches Sprachmodell die höchste Benchmark erreicht. Ausschlaggebend wird vielmehr sein, wie gut Unternehmen ihre Agentenlandschaften gestalten, Organisationswissen nutzbar machen und den sicheren Betrieb dieser Plattform gewährleisten.

Microsoft 365 entwickelt sich damit von einer Produktivitätssuite zu einem Betriebssystem für agentische Wissensarbeit. Genau darin könnte sich rückblickend die eigentliche strategische Bedeutung der aktuellen KI-Entwicklung von Microsoft zeigen.

Quellenangaben

(Abgerufen am 05.07.2026)

Microsoft-Strategie und Agent Economy

• Charles Lamanna (Microsoft): Copilot Cowork is now generally available
• Charles Lamanna (Microsoft): Copilot Cowork: A new way of getting work done
• David Rothschild, Markus Mobius, Jake Hofman, Eleanor Dillon, Daniel G. Goldstein, Nicole Immorlica, Sonia Jaffe, Brendan Lucier, Aleksandrs Slivkins, Matthew Vogel (Microsoft): The Agentic Economy
• Frank X. Shaw (Microsoft): Von der Idee bis zur Bereitstellung: Der komplette KI-Lebenszyklus auf der Microsoft Ignite 2025
• Markus Zeischke (Microsoft): Die Highlights der Microsoft Ignite 2025: KI-Agenten, Azure, Microsoft 365 und mehr
• Microsof: Offiziell verfügbar: Microsoft Agent Framework 1.0
• Microsoft: 2025: The year the Frontier Firm is born
• Microsoft: Democratizing AI: Satya Nadella on AI vision and societal impact at DLD
• Microsoft: Digital Labor: Project Karya
• Microsoft: Microsoft 365 Roadmap
• Microsoft: Microsoft Frontier Program: Try what’s next in AI
• Microsoft: Press Release & Webcast: Earnings Release FY26 Q3
• Microsoft: Workers around the world are asking, ‘Why the office?’
• Mustafa Suleyman (Microsoft): An AI companion for everyone
• Omar Shahine (Microsoft): Introducing Microsoft Scout: Your always-on personal agent
• Samantha Kubota (Microsoft): Opening digital markets so AI can shop — and negotiate — for you

Microsoft 365 Copilot, Cowork und Scout

• Microsoft Learn: Copilot Control System overview
• Microsoft Learn: Copilot Cowork overview
• Microsoft Learn: Get started with Microsoft Scout
• Microsoft Learn: Microsoft 365 Copilot overview
• Microsoft Learn: Microsoft Scout (Frontier) overview
• Microsoft Learn: Overview of Microsoft 365 Copilot Chat
• Microsoft Learn: Privacy and protections
• Microsoft Learn: Responsible AI FAQ for Copilot Cowork
• Microsoft Learn: Responsible AI overview for Microsoft Scout
• Microsoft Learn: Use Microsoft Purview to manage data security & compliance for Microsoft 365 Copilot Cowork
• Microsoft Learn: Use Microsoft Scout
• Microsoft: AI credits and limits for Microsoft 365 subscriptions
• Microsoft: Get started with Cowork

Agent Framework, Agents SDK und Agentenarchitektur

• Microsoft Learn: A2A Integration
• Microsoft Learn: Architecting agent solutions: Principles and patterns
• Microsoft Learn: Create your first agent in Copilot Studio
• Microsoft Learn: Microsoft 365 Agents SDK documentation
• Microsoft Learn: Microsoft Agent 365 SDK and CLI
• Microsoft Learn: Microsoft Agent Framework

Model Context Protocol (MCP) und Agent-to-Agent-Kommunikation

• Anna Gutowska (IBM): What is Model Context Protocol (MCP)?
• Anthropic: Introducing the Model Context Protocol
• Jason Kellington (Microsoft): Protecting AI conversations at Microsoft with Model Context Protocol security and governance
• Linux Foundation: Linux Foundation Announces the Formation of the Agentic AI Foundation (AAIF), Anchored by New Project Contributions Including Model Context Protocol (MCP), goose and AGENTS.md
• Microsoft Learn: Build Agents using Model Context Protocol on Azure
• Microsoft Learn: Connect an agent available over the Agent2Agent (A2A) protocol
• Microsoft Learn: Extend your agent with Model Context Protocol
• Microsoft Learn: Model Context Protocol (MCP) on Windows
• OpenAI: Building MCP servers for ChatGPT Apps and API integrations

Microsoft Graph, Microsoft Search und Organisationswissen

• Microsoft Learn: Overview of Microsoft Graph
• Microsoft Learn: Overview of Microsoft Graph permissions
• Microsoft Learn: Overview of the Microsoft Search API in Microsoft Graph
• Microsoft Learn: Overview of Microsoft Graph Data Connect
• Microsoft Learn: Microsoft Graph security API overview
• Microsoft Learn: Authorization and the Microsoft Graph Security API
• Microsoft Learn: Microsoft Graph Security API data flow
• Microsoft Learn: Overview of Microsoft Search
• Microsoft Learn: Microsoft Graph REST API v1.0 endpoint reference

Sicherheit, Governance und Zero Trust

• Microsoft Learn: AI agent runtime protection with Microsoft Defender for Endpoint (Preview)
• Microsoft Learn: Copilot Control System overview
• Microsoft Learn: Enhance security with the principle of least privilege
• Microsoft Learn: Key concepts - Copilot Studio security and governance
• Microsoft Learn: Privacy and protections
• Microsoft Learn: What's new at Microsoft Ignite 2025 - Microsoft Entra

Betrieb, Observability und verbrauchsbasierte Abrechnung

• Microsoft Learn: Azure Copilot Observability Agent
• Microsoft Learn: Billing rates and management
• Microsoft Learn: Licensing and AI Builder credits
• Microsoft Learn: Licensing and Copilot Credits
• Microsoft Learn: Manage consumption-based billing for agent capabilities (preview)
• Microsoft Learn: Measure the consumption of each tenant
• Microsoft Learn: Observability
• Microsoft Learn: Understand usage-based billing and cost management for Copilot Credits

Windows AI, Azure AI und KI-Infrastruktur

• Microsoft Learn: AI Runtime
• Microsoft Learn: Model Context Protocol (MCP) on Windows
• Microsoft Learn: What is Windows ML?

Videos und Präsentationen

• Microsoft (YouTube): Keynote: A New Frontier | Building the Future Firm – Jared Spataro | M365 Community Conference
• Microsoft (YouTube): Microsoft Build 2026 | Satya Nadella Opening Keynote
• Techusiness (YouTube): Microsoft Ignite '25 Keynote | Charles Lamanna Microsoft President, Business Apps & Agents

Berichte, Analysen und Sekundärquellen

• AIthoria: Copilot Cowork: Warum dein Copilot-Abo nur noch die halbe Rechnung ist
• AIthoria: Microsoft Scout: Was Microsofts erster Autopilot für dein Unternehmen bedeutet
• Carsten Groth: Empowering the Future: Microsoft’s Vision for an Agent-Powered Digital Era with Power Platform
• Frank Goortani (Medium): Model Context Protocol (MCP) and OpenAI’s Stance
• Frank Paterno, Annie Zemalicka-Hayes (ClickDimensions): Microsoft Ignite Takeaways for Microsoft Partners
• Golo Roden (Heise): Mächtigere KI-Systeme mit dem Model Context Protocol (MCP)
• Günter Born (BornCity): Copilot Cowork: Microsoft führt Pay-per-Task ab 1. Juli ein
• Günter Born (BornCity): Microsoft Scout: Der autonome KI-Agent für Microsoft 365
• Günter Born (BornCity): Model Context Protocol (MCP) geht an Agentic AI Foundation
• James Dawson (Endjin): Adventures in Least Privilege: When an owner isn't an owner
• Leitwerk: Microsoft Copilot Cowork: Wenn die KI nicht nur antwortet, sondern arbeitet
• Moritz Förster (Heise): Vom Chat zum Agenten: Copilot Cowork für Microsoft 365 ist da
• Ragnar Heil (HanseVision): Copilot Credits statt AI Builder Credits: Was das für Ihr Digitalprojekt bedeutet
• Sophie Brooks (Business Chief): Microsoft’s New Growth Era: Inside Satya Nadella’s AI Vision
• Steve Denning (Forbes): Microsoft’s AI Vision Is Brilliant, But Who Will It Prioritize?
• Tobias Költzsch (Golem): Microsoft will Nutzer von neuer KI "abhängig machen"

Weiterlesen hier im Blog

• Agentic AI Foundation: Warum Anthropic, OpenAI und die Linux Foundation eine neue Open-Source-Ära für KI-Agenten einleiten
• KI frisst Hardware – Warum der Infrastrukturhunger den IT-Markt neu definiert
• KI-Prompting zwischen Produktivität und Risiko – Wie gute Prompts entstehen und warum Prompt Injection zur Gefahr wird
• Microsoft 365 Copilot administrieren: Daten, Governance, Agents und Sicherheit im Enterprise-Kontext
• Microsoft Copilot wird Multi-Modell: Warum Claude die KI-Architektur neu definiert
• Moderne Microsoft Security-Architektur in der Praxis – Zero Trust, Identity, Cloud und Operations ganzheitlich denken
• Siri AI vs. Microsoft 365 Copilot: Warum Apple und Microsoft KI völlig unterschiedlich denken
• Wenn Netzwerke intelligent werden: Wie KI, Wi-Fi 7 und Ethernet die Infrastruktur neu definieren
• Wie KI lernt – vom Datenpunkt zur Entscheidung
• Wir bauen einen eigenen Copilot+ PC: Mein Weg zum KI-Arbeitsrechner für 2026 und darüber hinaus