Vom Chatbot zum autonomen, aufgabenorientierten KI-Agenten

Von Mirko Peters · 2026-08-28

Willkommen zurück bei unserer laufenden Reise durch moderne Unternehmenstechnologie! Wenn Sie die rasante Entwicklung der künstlichen Intelligenz in der Wo…

Automatisch mit KI aus dem Originalbeitrag übersetzt. Englisches Original lesen

Willkommen zurück bei unserer laufenden Reise durch moderne Unternehmenstechnologie! Wenn Sie die rasante Entwicklung der künstlichen Intelligenz am Arbeitsplatz verfolgen, haben Sie vermutlich einen tiefgreifenden strukturellen Wandel bemerkt. Wir verabschieden uns rasch von der Ära passiver, dialogorientierter Chatbots, die lediglich auf eine Eingabe warten und auf Basis starrer Skripte antworten. Heute betreten wir das Zeitalter proaktiver, autonomer, aufgabenorientierter KI-Agenten. Unternehmen suchen nicht mehr nur nach cleveren Textgeneratoren; sie brauchen Systeme, die schlussfolgern und planen, komplexe Arbeitsabläufe mit mehreren Schritten ausführen und sich nahtlos in die Geschäftsprozesse einfügen können. In diesem ausführlichen Beitrag erläutern wir, was dieser Übergang bedeutet, wie diese Systeme aufgebaut sind und warum der Bau sicherer, proaktiver Agenten die nächste große Herausforderung für IT und Geschäftsbetrieb ist.

Das Wichtigste in Kürze

• KI-Agenten automatisieren Aufgaben und steigern die Produktivität; sie markieren den Wandel von klassischen Chatbots hin zu proaktiven Systemen.
• Definieren Sie klare Ziele und messbare Ergebnisse für Ihren KI-Agenten, damit er zuverlässig und leistungsstark arbeitet.
• Trainieren Sie Ihren KI-Agenten mit hochwertigen, vielfältigen Daten, um seine Lern- und Entscheidungsfähigkeiten zu verbessern.
• Setzen Sie auf ein modulares Design, das Aufgaben aufteilt und Ihren KI-Agenten leichter verwaltbar und einfacher zu debuggen macht.
• Kontinuierliches Testen und Nutzerfeedback sind entscheidend, um die Leistung Ihres KI-Agenten zu verfeinern und seine Zuverlässigkeit sicherzustellen.
• Wählen Sie die passende Bereitstellungsumgebung, ob cloudbasiert oder selbst gehostet, um Ihren betrieblichen Anforderungen gerecht zu werden.
• Etablieren Sie Governance-Praktiken, um die Leistung Ihres KI-Agenten zu überwachen und einen ethisch korrekten Betrieb sicherzustellen.
• Starten Sie mit Ihren KI-Projekten im kleinen Rahmen und erweitern Sie sie schrittweise, sobald Sie Vertrauen und Expertise in der Technologie aufgebaut haben.

Überblick über KI-Agenten

Kernkomponenten

KI-Agenten stellen einen bedeutenden Fortschritt in modernen Softwareanwendungen dar. Diese intelligenten Systeme arbeiten autonom, reagieren auf ihre Umgebung und ergreifen proaktiv Maßnahmen. Ihre Bedeutung liegt in der Fähigkeit, die Effizienz zu steigern und komplexe Aufgaben über verschiedene Branchen hinweg zu automatisieren.

Um KI-Agenten besser zu verstehen, betrachten Sie ihre wesentlichen Merkmale:

Der Übergang von klassischen Chatbots zu proaktiven KI-Agenten markiert einen entscheidenden Wandel in der Art, wie Unternehmen Technologie nutzen. Klassische Chatbots stützen sich häufig auf vordefinierte Skripte und antworten nur, wenn Nutzer sie dazu auffordern. Agentische KI hingegen versteht Kontext, lernt aus Interaktionen und handelt eigenständig. Dadurch kann sie komplexe Aufgaben bewältigen, ohne dass ständig menschliche Eingaben nötig sind.

Hier ist ein Vergleich der beiden:

Die Kernkomponenten eines wirksamen KI-Agenten umfassen:

1. Planungsfähigkeiten: Die Kernfunktion des Agenten, angetrieben durch große Sprachmodelle, umfasst Aufgabenzerlegung, Selbstreflexion, adaptives Lernen und kritische Analyse und ermöglicht so die effektive Erledigung von Aufgaben.
2. Werkzeugnutzung: Der Agent muss auf externe Werkzeuge wie Code-Interpreter, Websuchwerkzeuge, Rechner und Bildgeneratoren zugreifen und diese passend einsetzen, um geplante Aktionen auszuführen.
3. Speicherverwaltung: Speichersysteme umfassen einen Kurzzeitspeicher für den unmittelbaren Kontext und einen Langzeitspeicher für den Abruf historischer Informationen. So kann der Agent Informationen behalten und nutzen, um sich iterativ zu verbessern und Kontinuität zu wahren.

Diese Komponenten wirken zusammen und schaffen ein System, das nicht nur reagiert, sondern Bedürfnisse vorwegnimmt und Probleme proaktiv löst. Dadurch steigert sich die betriebliche Effizienz deutlich, und menschliche Bediener werden entlastet.

Aufbau von KI-Agenten

Planung und Ziele

Wenn Sie mit der Entwicklung von KI-Agenten beginnen, sollten Sie auf eine solide Grundlage achten. Eine klare Planung und gut definierte Ziele sorgen dafür, dass Ihr Agent zuverlässig und effektiv arbeitet. Beginnen Sie damit, den Zweck Ihres Agenten an messbaren Ergebnissen auszurichten. Das heißt, Sie legen fest, wann ein Erfolg vorliegt und wie Sie ihn messen. Wenn Sie beispielsweise einen Agenten für das IT-Service-Management (ITSM) entwickeln, könnte Ihr Ziel darin bestehen, die Zeit bis zur Lösung von Vorfällen um einen bestimmten Prozentsatz zu verkürzen.

Sie sollten jede Fähigkeit Ihres Agenten als Werkzeug mit klar definierten Schnittstellen betrachten. Dieser Ansatz hilft Ihnen, die Komplexität zu beherrschen, und stellt sicher, dass jeder Teil wie erwartet funktioniert. Prompts für Ihren Agenten zu schreiben, gleicht dem Erstellen einer Produktspezifikation. Sie sollten präzise und klar formulieren, damit der Agent versteht, was zu tun ist. Konfigurieren Sie außerdem den Kontext korrekt, damit die Ausführung zuverlässig bleibt. Zum Kontext gehören alle Informationen, die Ihr Agent für Entscheidungen und Handlungen nutzt.

Die Verteilung der Verantwortung auf die Geschäftsbereiche hilft Ihnen, die Wirkung Ihres Agenten zu skalieren. Wenn verschiedene Teams für Teile der Funktionen des Agenten verantwortlich sind, lassen sich Aktualisierungen und Verbesserungen leichter steuern. Außerdem müssen Sie den Zugriff auf strukturierte und unstrukturierte Daten skalieren. Ihr Agent lernt am besten, wenn er auf vielfältige und umfangreiche Datenquellen zurückgreifen kann.

Tipp: Ein modularer Aufbau verbessert die Übersichtlichkeit und die Wiederverwendbarkeit. Zerlegen Sie die Aufgaben Ihres Agenten in kleinere Teile, die parallel laufen können. Das beschleunigt die Ausführung und erleichtert die Fehlersuche.

Daten spielen beim Aufbau von KI-Agenten eine entscheidende Rolle. Hochwertige Trainingsdaten sorgen dafür, dass Ihr Agent korrekte Muster lernt und Verzerrungen vermeidet. Vielfältige Datenquellen ermöglichen es Ihrem Agenten, feine Unterschiede zu erkennen und sich auf neue Situationen gut zu übertragen. Ausgewogene Datensätze fördern die Fairness, weil sie alle Kategorien gleichmäßig abbilden. Einheitlich formatierte Daten helfen Ihrem Agenten, sich auf das Erlernen von Zusammenhängen zu konzentrieren, statt Fehler zu korrigieren. Seltene Fälle und Grenzfälle einzubeziehen, bereitet Ihren Agenten darauf vor, unerwartete Szenarien souverän zu bewältigen.

Bei der Planung und beim logischen Schließen werden Sie auf Herausforderungen stoßen. Die folgende Tabelle zeigt typische Hindernisse und wichtige Details, die Sie im Blick behalten sollten:

Um einen funktionierenden Agenten zu bauen, brauchen Sie die richtigen Werkzeuge für Aktionen. Werkzeuge für Aktionen ermöglichen es Ihrem Agenten, mit externen Systemen zu interagieren, Aufgaben auszuführen und Workflows zu automatisieren. Verbreitete Frameworks und Toolkits sind Semantic Kernel, LangChain und AutoGen. Diese Werkzeuge helfen Ihnen, komplexe Workflows zu orchestrieren, den Speicher zu verwalten und große Sprachmodelle effektiv einzubinden.

Mit dieser Schritt-für-Schritt-Anleitung begleiten Sie den Aufbau Ihrer KI-Agenten:

1. Definieren Sie Zweck und Umfang Ihres Agenten klar.
2. Wählen Sie den KI-Agententyp, der zu Ihrem Bedarf passt, etwa konversationell oder aufgabenorientiert.
3. Entwerfen Sie die Architektur mit modularen Komponenten für Planung, Speicher und Ausführung.
4. Richten Sie Speicher- und Kontextsysteme ein, um Zustand und Verlauf zu verwalten.
5. Wählen Sie die passenden Modelle für maschinelles Lernen und große Sprachmodelle aus.
6. Erstellen oder integrieren Sie ein Retrieval-System für den Datenzugriff.
7. Implementieren Sie Sprachverständnis in natürlicher Sprache und Dialogsteuerung.
8. Entwickeln Sie die Schichten für logisches Schließen und Entscheidungsfindung.
9. Gestalten Sie die Schichten für Aktionen und Ausführung, um Aufgaben zu erledigen.
10. Stellen Sie Ihren KI-Agenten unter Berücksichtigung bewährter Verfahren für Infrastruktur und MLOps bereit.
11. Sichern und skalieren Sie Ihren individuellen KI-Agenten, damit er wachsenden Anforderungen gerecht wird.

Wenn Sie diese Schritte befolgen und sich auf Planung und logisches Schließen konzentrieren, legen Sie ein stabiles Fundament für Ihre agentische KI. Dieses Fundament hilft Ihrem Agenten, autonom und zuverlässig zu handeln, sodass er in realen Umgebungen funktioniert. Ob Sie einen ITSM-Agenten oder einen anderen Typ entwickeln: Sorgfältige Planung und die richtigen Werkzeuge bringen Sie zum Erfolg.

Actionable AI umsetzen

Aufgabenautomatisierung

Um KI-Agenten wirksam und praxisnah einzusetzen, sollten Sie sich auf die Automatisierung von Aufgaben konzentrieren. Dieser Prozess ermöglicht es Ihren KI-Agenten, komplexe Aufgaben autonom auszuführen. Das steigert die Effizienz und verringert den Bedarf an menschlichem Eingreifen. Die Integration von Frameworks wie dem Model Context Protocol (MCP) und Semantic Kernel spielt dabei eine entscheidende Rolle.

Das MCP ist ein grundlegendes Framework, das eine nahtlose Kommunikation zwischen verschiedenen Tools und Diensten ermöglicht. Wenn Sie APIs mit einem Fokus auf Large Language Models entwerfen, stellen Sie sicher, dass Ihre Tools für Sprachmodelle leicht verständlich sind. Im Folgenden finden Sie einige zentrale Punkte für die Integration von MCP in Ihre Entwicklung von KI-Agenten:

• Entwerfen Sie APIs, die Klarheit und Benutzerfreundlichkeit für Sprachmodelle in den Vordergrund stellen.
• Finden Sie ein Gleichgewicht zwischen zu detaillierter und zu oberflächlicher Beschreibung von Tools, um Verwirrung zu vermeiden.
• Begrenzen Sie die Tool-Verfügbarkeit pro Agent, um die Robustheit zu erhöhen und die kognitive Last zu verringern.
• Wählen Sie das Modell passend zur Aufgabe, um Leistung und Kosten zu optimieren.
• Achten Sie auf das Token-Budget, um unnötige Kosten zu vermeiden.
• Sorgen Sie für Observability, um Fehlersuche und Optimierung zu unterstützen.

Semantic Kernel erweitert dagegen die Fähigkeiten Ihres KI-Agenten durch Orchestrierung, Speicher und Plugin-Frameworks. Diese Integration ermöglicht eine zuverlässige Ausführung von Aufgaben und die Anbindung von Daten. Folgende Vorteile bietet der Einsatz von Semantic Kernel in Ihren Automatisierungsvorhaben:

• Es ermöglicht die Verkettung mehrerer Funktionen für komplexe Workflows.
• Es erlaubt, KI-Ausgaben in die Geschäftslogik einzuspeisen und Ergebnisse aus verschiedenen Quellen zusammenzuführen.
• Es liefert kontextbezogenes Verständnis für natürlichere Gespräche.
• Es unterstützt die Skill-Orchestrierung zur Integration von APIs und benutzerdefinierten Skills.

Mit diesen Technologien können Sie Geschäftsprozesse wirksam automatisieren. Ihre KI-Agenten können beispielsweise Incidents selbstständig beheben, den Zustand von Diensten überwachen und sogar fehlerhafte Deployments zurücksetzen. Dieses proaktive Incident Management verkürzt die mittlere Wiederherstellungszeit (Mean Time to Recovery, MTTR) deutlich und steigert die betriebliche Effizienz.

Die messbaren Vorteile von MCP und Semantic Kernel im proaktiven Incident Management sind erheblich. Berücksichtigen Sie folgende Zielwerte:

Mit diesen Werkzeugen können Sie Ihre KI-Agenten lernen und selbstständig handeln lassen. Diese Fähigkeit macht sie von passiven Assistenten zu aktiven Teilnehmern in Ihrem Betrieb. Durch echte Automatisierung straffen Sie nicht nur Prozesse, sondern befähigen Ihre Agenten auch, Aufgaben eigenständig zu bearbeiten.

Testen und Iterieren

Gründliches Testen Ihres KI-Agenten stellt sicher, dass er zuverlässig arbeitet und Ihre Ziele erreicht. Prüfen Sie, ob der Agent gute Entscheidungen trifft, Tools korrekt einsetzt und Aufgaben effizient abschließt. Folgende bewährte Strategien helfen Ihnen beim Testen Ihres Agenten:

• Semantische Distanz: Messen Sie, wie genau die Antworten des Agenten der erwarteten Bedeutung entsprechen. So prüfen Sie, ob der Agent die Aufgabe versteht.
• Fundierung (Groundedness): Vergewissern Sie sich, dass der Agent beim Treffen von Entscheidungen den richtigen Kontext verwendet. Das verhindert Fehler durch Missverständnisse.
• Tool-Nutzung: Prüfen Sie, ob der Agent während der Ausführung die richtigen Tools auswählt und einsetzt. Der korrekte Einsatz von Tools ist entscheidend für den Erfolg der Automatisierung.
• Automatisierte Neubewertungen: Führen Sie Tests mehrfach aus, um zufällige Fehler aufzudecken und die Zuverlässigkeit zu verbessern.
• Erklärungen für Fehler: Lassen Sie Ihren Agenten oder einen LLM-Judge begründen, warum ein Test fehlgeschlagen ist. So können Sie Fehler leichter beheben und den Ergebnissen vertrauen.
• Testen der Tests: Überprüfen Sie Ihre Testmethoden regelmäßig, damit sie wirksam bleiben.
• Lokalisierte Tests: Führen Sie Tests nur dann aus, wenn sie nötig sind, um Zeit und Ressourcen zu sparen.
• Kontinuierliches Testen und Validieren: Nutzen Sie automatisierte Regressionstests, um die Leistung Ihres Agenten über die Zeit zu überwachen und Rückschritte zu vermeiden.

Zusätzlich können Sie Ihren Agenten anhand wichtiger Metriken bewerten. Diese zeigen, wie gut Ihr KI-Agent unter realen Bedingungen arbeitet:

Tipp: Das Testen Ihres KI-Agenten ist keine einmalige Aufgabe. Kontinuierliche Tests helfen Ihnen, neue Probleme frühzeitig zu erkennen und eine hohe Effizienz zu erhalten.

Feedback der Nutzer spielt eine entscheidende Rolle bei der Verbesserung Ihres Agenten. Wenn Nutzer mit Ihrem Agenten interagieren, liefern sie Erkenntnisse, mit denen Sie seine Entscheidungslogik und Ausführung verfeinern können. Schlägt ein Empfehlungsagent beispielsweise einen Künstler vor, den der Nutzer nicht mag, kann der Agent aus diesem Feedback lernen und künftige Vorschläge verbessern. Dieser iterative Prozess führt zu besserer Leistung und höherer Zufriedenheit der Nutzer.

Die folgende Tabelle zeigt, wie wiederholte Feedback-Schleifen die Leistung des Agenten im Zeitverlauf verbessern:

Mit Tests und Iteration lernt Ihr KI-Agent kontinuierlich dazu und trifft intelligentere Entscheidungen. Dieser Ansatz erhöht die Zuverlässigkeit und Effizienz Ihres Agenten und hilft Ihnen, in Ihren Workflows echte Automatisierung zu erreichen.

Bereitstellung und Governance

Die Bereitstellung von KI-Agenten erfordert sorgfältige Planung und Umsetzung. Sie müssen die passende Umgebung wählen, ob cloudbasiert oder selbst gehostet. Jede Option hat Vor- und Nachteile. Cloud-Umgebungen bieten beispielsweise Skalierbarkeit, während selbst gehostete Lösungen mehr Kontrolle über Daten bieten.

Hier sind einige Best Practices für eine effektive Bereitstellung von KI-Agenten:

• Wählen Sie die passende Umgebung: Entscheiden Sie sich je nach Bedarf für eine cloudbasierte oder eine selbst gehostete Lösung.
• Auf Skalierbarkeit ausrichten: Nutzen Sie Warteschlangenmodi und Worker, um steigende Lasten zu bewältigen.
• Workflow-Versionen je Umgebung umsetzen: So können Sie Änderungen testen, ohne die Live-Umgebung zu beeinträchtigen.
• Gründlich testen: Führen Sie Lasttests und Tests in einer Staging-Umgebung durch, um potenzielle Probleme vor dem Livegang zu erkennen.
• Sicherheit und Geheimnisse sorgfältig verwalten: Schützen Sie sensible Informationen vor unbefugtem Zugriff.
• Fehlerbehandlung und Ausweichlösungen implementieren: Bereiten Sie sich auf unerwartete Ausfälle vor, um die Dienstkontinuität zu sichern.
• Kontinuierliches Monitoring sicherstellen: Richten Sie Systeme ein, die die Leistung erfassen und schnell auf Vorfälle reagieren.
• Ausgemusterte Workflows geordnet außer Betrieb nehmen: Stellen Sie veraltete Agenten sicher außer Betrieb, um betriebliche Risiken zu vermeiden.

Governance ist beim unternehmensweiten Einsatz von KI-Agenten entscheidend. Sie brauchen Aufsicht, damit Ihre Agenten ethisch und wirksam arbeiten. Folgende zentrale Aspekte sollten Sie berücksichtigen:

Um Governance sicherzustellen, setzen Sie Strategien wie Entwicklungsaufsicht, Tests und Versionskontrolle ein. Regelmäßige Audits helfen, Verzerrungen und Sicherheitsprobleme aufzudecken. Außerdem sollten Sie Verfahren für Authentifizierung und Autorisierung festlegen, um Ihre Systeme zu schützen.

Tipp: Nutzen Sie Protokollierung und Auditing, um jede Entscheidung und jede Ausgabe festzuhalten. So lässt sich die Leistung analysieren und unerwartetes Verhalten erkennen.

Wenn Sie KI abteilungsübergreifend orchestrieren, verbessern Sie die Zusammenarbeit und die Gesamteffizienz. Erwägen Sie No-Code-KI-Agent-Plattformen, damit auch nicht technische Nutzer Agenten erstellen und verwalten können. Dieser Ansatz fördert die Zusammenarbeit mehrerer Agenten, sodass verschiedene Agenten nahtlos zusammenarbeiten können.

Der Aufbau handlungsfähiger KI-Agenten umfasst mehrere zentrale Schritte. Prüfen Sie zunächst Ihre KI-Reife in Bezug auf Daten, Systeme und Workflows. Klären Sie anschließend Dateneigentum und Governance. Wählen Sie danach den passenden KI-Ansatz für Ihre Anforderungen. Kontinuierliches Lernen ist für den langfristigen Erfolg entscheidend. Es hilft, die Genauigkeit zu erhalten, Drift abzufedern und die Entscheidungsqualität zu verbessern.

Während Sie Ihre Reise in der KI-Entwicklung beginnen, stellen Sie sich auf Veränderung ein. Die Landschaft der KI entwickelt sich ständig weiter. Bleiben Sie neugierig, lernen Sie kontinuierlich dazu und nutzen Sie Ressourcen, um Ihre Fähigkeiten zu erweitern. Ihr proaktives Vorgehen führt zu wirksameren und zuverlässigeren KI-Agenten.

Tipp: Beginnen Sie klein und erweitern Sie Ihre Projekte schrittweise. So gewinnen Sie mit der Zeit Sicherheit und Fachwissen.

Häufige Fragen

Was ist ein KI-Agent?

Ein KI-Agent ist ein Softwareprogramm, das Aufgaben autonom ausführen kann. Er reagiert auf seine Umgebung, lernt aus Interaktionen und ergreift proaktiv Maßnahmen, um bestimmte Ziele zu erreichen.

Wie beginne ich mit der Entwicklung eines KI-Agenten?

Definieren Sie zunächst den Zweck und die Ziele Ihres Agenten. Wählen Sie die passenden Werkzeuge und Frameworks, etwa Semantic Kernel, die Entwicklung und Integration erleichtern.

Welche Rolle spielen Daten bei KI-Agenten?

Daten sind entscheidend für das Training von KI-Agenten. Hochwertige, vielfältige Datensätze helfen Agenten, korrekte Muster zu erlernen und fundierte Entscheidungen zu treffen. So verbessern sie ihre Leistung insgesamt.

Wie stelle ich sicher, dass mein KI-Agent sicher ist?

Implementieren Sie Sicherheitsmaßnahmen wie verwaltete Identitäten und Zugriffssteuerungen. Regelmäßige Audits und Protokollierung helfen Ihnen, Aktionen zu überwachen und unbefugten Zugriff zu verhindern.

Welche Vorteile bietet die Nutzung von MCP und Semantic Kernel?

Diese Technologien ermöglichen eine nahtlose Kommunikation zwischen Werkzeugen, automatisieren das Incident-Management und steigern die betriebliche Effizienz. Sie befähigen Agenten zu autonomem Handeln und verkürzen so die Reaktionszeiten.

Wie teste ich meinen KI-Agenten wirksam?

Verwenden Sie Kennzahlen wie Abschlussraten von Aufgaben und Genauigkeit. Führen Sie kontinuierliche Tests durch und sammeln Sie Nutzerfeedback, um die Leistung und Entscheidungslogik Ihres Agenten zu verfeinern.

Welche Bedeutung hat Governance beim Einsatz von KI?

Governance stellt sicher, dass KI-Agenten ethisch und wirksam arbeiten. Sie umfasst die Überwachung der Leistung, das Management der Sicherheit und die Einhaltung gesetzlicher Vorgaben.

Können auch Nicht-Techniker KI-Agenten erstellen?

Ja! No-Code-Plattformen ermöglichen es auch Nicht-Technikern, KI-Agenten zu erstellen und zu verwalten. Das fördert die Zusammenarbeit und befähigt mehr Menschen, KI-Technologie zu nutzen.

🎧 Diese Episode anhören

Möchten Sie eine praxisnahe Erklärung zu Build Secure IT Ops Agents with MCP and Semantic Kernel? Diese Episode erläutert das Thema verständlich und zeigt, warum es für Microsoft 365, Azure, Power Platform, Sicherheit, KI und modernes Arbeiten wichtig ist.

Hören Sie sich diese Episode an, wenn Sie:

• die zentralen Konzepte hinter Build Secure IT Ops Agents with MCP and Semantic Kernel verstehen möchten
• nachvollziehen möchten, wie sie in das breitere Microsoft-Technologieökosystem passt
• erfahren möchten, wo sie für Ihre Organisation praktischen Nutzen schaffen kann

Sie interessieren sich vielleicht auch für diese verwandten M365 FM-Episoden:

• Microsoft Entra Agent ID: Sichere Identität für KI-Agenten
• MCP-Architektur für Microsoft Copilot und KI-Agenten
• So entwickeln Sie kostengünstige KI-Agenten in der Microsoft Cloud
• Eine vertrauenswürdige semantische Ebene in Microsoft Fabric aufbauen
• KI-Agenten und Schatten-IT in Microsoft 365 absichern

Entdecken Sie weitere praxisnahe Microsoft-Themen auf M365 FM.