{"id":882025,"date":"2025-01-01T09:51:56","date_gmt":"2025-01-01T09:51:56","guid":{"rendered":"https:\/\/www.capgemini.com\/de-de\/?post_type=client-story&p=882025"},"modified":"2026-01-22T07:45:25","modified_gmt":"2026-01-22T07:45:25","slug":"ki-agenten-fuer-die-verwaltung-wie-die-bundesagentur-fuer-arbeit-grosse-sprachmodelle-einsetzt","status":"publish","type":"client-story","link":"https:\/\/www.capgemini.com\/de-de\/news\/kundenprojekte\/ki-agenten-fuer-die-verwaltung\/","title":{"rendered":"KI-Agenten f\u00fcr die Verwaltung: Wie die Bundesagentur f\u00fcr Arbeit gro\u00dfe Sprachmodelle einsetzt"},"content":{"rendered":"\n
\"\"<\/picture><\/div>
<\/div>
Public Sector<\/span><\/div><\/div><\/div>

KI-Agenten f\u00fcr die Verwaltung: Wie die Bundesagentur f\u00fcr Arbeit gro\u00dfe Sprachmodelle einsetzt<\/h1><\/div>

Mit dem gezielten Einsatz von KI-Agenten testet die Bundesagentur f\u00fcr Arbeit (BA), wie sich technologische Innovation mit den hohen Anforderungen des \u00f6ffentlichen Sektors vereinen l\u00e4sst.<\/h2>
Download Artikel <\/span>538 KB pdf<\/span><\/a><\/div><\/div><\/div><\/div><\/div><\/div><\/header>\n\n\n\n
\n

Dieser Artikel von Eldar Sultanow (Capgemini) und Florian Winzer (Bundesagentur f\u00fcr Arbeit) erschien urspr\u00fcnglich im Beh\u00f6rdenspiegel<\/a>, Juni 2<\/em>025.<\/p>\n\n\n\n

Das Ziel ist ambitioniert: \u00c4nderungsanforderungen (Request for Change,kurz RfC-Dokumente) und Nutzeranforderungen (User Stories) sollen nicht mehr von Menschen in Jira-Tickets \u00fcbersetzt werden. Diese Aufgabe \u00fcbernimmt k\u00fcnftig ein intelligenter Agent \u2013 automatisch, zuverl\u00e4ssig und datenschutzkonform. Im Kontext des IT-Verfahrens ALLEGRO haben Architekten der BA und Kollegen von Capgemini sinnvolle Use Cases f\u00fcr KI-Agenten erarbeitet und setzen die Agenten zur Erstellung von Jira-Tickets um.<\/p>\n\n\n\n

ALLEGRO bildet zentrale F\u00f6rderprozesse nach dem SGB II ab \u2013 von der Antragstellung \u00fcber die Bewilligung bis zur Abrechnung und Bescheidung. Das System wird von \u00fcber 40.000 Anwendern genutzt und verarbeitet j\u00e4hrlich ein Transaktionsvolumen im Milliardenbereich.<\/p>\n\n\n\n

Weniger Routine, mehr Wirkung<\/strong><\/p>\n\n\n\n

Verwaltungen k\u00e4mpfen mit wachsenden Aufgaben, komplexen ITLandschaften und knappen Ressourcen. Gleichzeitig schlummern gerade in den standardisierten Prozessen enorme Potenziale f\u00fcr Automatisierung \u2013 wenn sie intelligent umgesetzt werden. Klassische L\u00f6sungen zur Robotic Process Automation (RPA) sto\u00dfen dabei schnell an ihre Grenzen.<\/p>\n\n\n\n

Mit Sprachmodellen, also Large Language Models (LLMs), er\u00f6ffnet sich ein neuer Weg: flexibel, kontextsensitiv und sprachbasiert. Genau hier setzt das Pilotprojekt der Bundesagentur f\u00fcr Arbeit an.<\/p>\n\n\n\n

Was genau passiert da?<\/strong><\/p>\n\n\n\n

Statt Tickets manuell zu erstellen, \u00fcbernimmt ein System aus mehreren KI-Agenten die Arbeit. Ein Reader-Agent liest die Anforderung und extrahiert relevante Inhalte aus RFCs oder User Stories. Ein Planner-Agent zerlegt die Aufgabe in konkrete Arbeitsschritte. Und ein Creator-Agent erstellt daraus automatisch ein vollst\u00e4ndiges Jira-Ticket \u2013 mit Titel, Beschreibung, Priorit\u00e4t, Aufwandssch\u00e4tzung und Kategorie (aktuell: \u201eAufgabe\u201c). Die Aufwandssch\u00e4tzung ist derzeit noch nicht implementiert. Das System muss zun\u00e4chst mit Tausenden Tickets trainiert werden, wobei verschiedene Parameter wie Kategorie, Themengebiete, Sch\u00e4tzgrundlagen und Puffer ber\u00fccksichtigt werden m\u00fcssen.<\/p>\n\n\n\n

Human-in-the-Loop<\/strong><\/p>\n\n\n\n

Abschlie\u00dfend pr\u00fcft ein Reviewer-Agent das Ergebnis auf Konsistenz und Dubletten. Wenn der Reviewer-Agent Fehler findet, gibt er seinen Befund wieder an den Reader-Agent zur\u00fcck. Das ist ein entscheidender Unterschied zur klassischen Automatisierung, deren Ergebnis deterministisch ist. Agenten verhalten sich analog zu Menschen: Zwei vergleichbar gut qualifizierte Gruppen von Menschen w\u00fcrden auch nicht zu zwei wortgleichen Ergebnissen kommen. Dennoch w\u00e4ren beide Ergebnisse gut genug, um darauf basierend weiterzuarbeiten. Dieselbe G\u00fcte erreicht hier eine Gruppe von KI-Agenten. Der \u201eHuman-in-the-Loop\u201c gibt die Tickets final frei. Klingt futuristisch? Ist es nicht \u2013 es l\u00e4uft bereits in einer sicheren, abgeschirmten Pilotumgebung.<\/p>\n\n\n\n

Technisch ganz vorne dabei<\/strong><\/p>\n\n\n\n

Zum Einsatz kommen ausschlie\u00dflich lokal betriebene Modelle. Technisch lie\u00dfe sich das Ganze auch in einer Cloud betreiben \u2013 ob private, hybrid oder public. Modelle wie Aleph Alpha (mit datenschutzkonformen APIs), LLaMA, Mistral oder Qwen liefern die n\u00f6tige Intelligenz. Gesteuert wird das Ganze \u00fcber CrewAI, eine Open-Source-Plattform f\u00fcr koordinierte Multi-Agenten-Systeme. Die Pilotumgebung ist vollst\u00e4ndig in die lokale Jira-Instanz der Bundesagentur f\u00fcr Arbeit integriert \u2013 \u00fcber klar definierte Schnittstellen der Jira-API sowie das Logging der verwendeten Frameworks.<\/p>\n\n\n\n

Die ersten Ergebnisse sind beeindruckend<\/strong><\/p>\n\n\n\n