Microsoft 365 Copilot und die Entwicklung von KI-Agenten im Unternehmen

Vom Office-Assistenten zur agentischen Unternehmensplattform

Microsoft 365 Copilot wird in vielen Unternehmen zunächst als KI-Unterstützung für einzelne Anwendungen wahrgenommen. In Teams kann das System Besprechungen zusammenfassen, in Outlook E-Mails analysieren und Antwortentwürfe erstellen, während es in Word, PowerPoint oder Excel beim Formulieren, Strukturieren und Auswerten unterstützt. Diese Funktionen bilden jedoch nur einen Teil der Entwicklung ab.

Der strategisch wichtigere Schritt besteht in der Erweiterung von Copilot um spezialisierte Agenten. Dabei handelt es sich nicht lediglich um Chatbots mit einer anderen Benutzeroberfläche. Agenten können auf definierte Wissensquellen zugreifen, Aufgaben nach festgelegten Regeln ausführen, Arbeitsabläufe anstoßen und mit externen Anwendungen kommunizieren. Je nach Konfiguration reagieren sie auf Fragen und Befehle oder bearbeiten bestimmte Prozesse weitgehend selbstständig.

Für Unternehmen verschiebt sich damit die zentrale Frage. Es geht nicht mehr ausschließlich darum, wie Mitarbeitende bessere Prompts für einen allgemeinen Assistenten formulieren. Entscheidend wird vielmehr, welche Aufgaben ein Agent übernehmen darf, auf welche Daten er zugreifen kann und unter welchen Bedingungen er Aktionen ausführt.

Microsoft stellt dafür mehrere Werkzeuge bereit. Der Agent Builder innerhalb von Microsoft 365 Copilot ermöglicht einen vergleichsweise schnellen Einstieg. Copilot Studio bietet zusätzliche Möglichkeiten für individuelle Agenten, Dialoge, Wissensquellen und Workflows. Microsoft Foundry adressiert komplexere Entwicklungs- und Betriebsanforderungen, darunter die Verbindung mit Azure-Diensten, individuellen Modellen und unternehmenskritischen Backend-Systemen.

Welche Rolle Microsoft 365 Copilot im Unternehmen übernimmt

Microsoft 365 Copilot ist in die Arbeitsumgebung integriert, in der viele Beschäftigte bereits täglich arbeiten. Diese Nähe zu Teams, Outlook, Word, PowerPoint und Excel reduziert die Einstiegshürden. Nutzerinnen und Nutzer müssen für viele Aufgaben nicht in ein separates KI-System wechseln. Gleichzeitig kann Copilot Informationen aus Microsoft-365-Diensten im Rahmen der vorhandenen Identitäten und Berechtigungen verarbeiten.

Das Berechtigungsmodell ist dabei von zentraler Bedeutung. Copilot soll nicht automatisch auf sämtliche Unternehmensdaten zugreifen können, sondern die bestehenden Zugriffsmöglichkeiten berücksichtigen. Ein Mitarbeitender erhält grundsätzlich nur Antworten auf Basis der Inhalte, für die bereits eine entsprechende Berechtigung besteht. Diese technische Logik schützt jedoch nicht vor schlecht strukturierten Freigaben, übermäßig weit gefassten Gruppenberechtigungen oder unübersichtlichen SharePoint- und OneDrive-Beständen.

Vor einer breiten Einführung müssen Unternehmen daher prüfen, wie Informationen gespeichert, klassifiziert und geteilt werden. Veraltete Dokumente, widersprüchliche Versionen und unklare Zugriffsrechte können die Qualität von KI-Antworten unmittelbar beeinflussen. Ein Copilot-Projekt ist deshalb auch ein Daten- und Berechtigungsprojekt.

Grundlagen: Sprachmodelle, Prompts und RAG

Die Antworten von Copilot basieren auf großen Sprachmodellen. Diese Modelle erzeugen Text auf Grundlage statistischer Zusammenhänge und des bereitgestellten Kontexts. Sie verfügen nicht automatisch über ein verlässliches, aktuelles oder vollständiges Wissen über die internen Abläufe eines Unternehmens.

Prompts dienen dazu, eine Aufgabe, einen Kontext und ein gewünschtes Ergebnis zu beschreiben. Im Unternehmensumfeld reicht eine allgemeine Aufforderung wie „Fassen Sie dieses Thema zusammen“ häufig nicht aus. Aussagekräftiger sind Angaben zum Zielpublikum, zum gewünschten Format, zum Umfang, zu relevanten Quellen und zu fachlichen Einschränkungen.

Eine weitere wichtige Technologie ist Retrieval-Augmented Generation, kurz RAG. Dabei wird ein Sprachmodell vor der Antwortgenerierung mit passenden Informationen aus ausgewählten Wissensbeständen versorgt. Der Agent greift beispielsweise auf Richtlinien, Prozessbeschreibungen oder Produktdokumentationen zurück und verwendet diese Inhalte als Kontext.

RAG ersetzt allerdings keine Datenpflege. Wenn die zugrunde liegenden Dokumente unvollständig, veraltet oder falsch klassifiziert sind, kann auch ein technisch korrekt implementierter Agent unzuverlässige Ergebnisse liefern. Unternehmen benötigen deshalb Prozesse für Versionierung, Freigabe, Archivierung und Qualitätskontrolle ihrer Wissensquellen.

Agent Builder und Copilot Studio: Zwei Ebenen für unterschiedliche Anforderungen

Microsoft unterscheidet zwischen Werkzeugen für einen schnellen Einstieg und Plattformen für stärker kontrollierte, skalierbare Szenarien. Die konkrete Auswahl hängt unter anderem davon ab, wie viele Personen den Agenten nutzen, wie komplex die Aufgaben sind und welche Anforderungen an Integration, Betrieb und Lebenszyklusmanagement bestehen.

Agent Builder für begrenzte und schnell umsetzbare Szenarien

Der Agent Builder innerhalb von Microsoft 365 Copilot ist darauf ausgelegt, Agenten vergleichsweise einfach zu erstellen. Nutzer können einen Zweck beschreiben, Anweisungen hinterlegen und ausgewählte Wissensquellen einbinden. Dadurch lassen sich etwa persönliche Recherchehelfer, Abteilungsassistenten oder Agenten für klar umrissene Informationsaufgaben prototypisch entwickeln.

Der Vorteil liegt in der Geschwindigkeit. Fachabteilungen können erste Lösungen erstellen, ohne für jede Änderung ein umfassendes Softwareentwicklungsprojekt zu starten. Das erleichtert Experimente und kann sichtbar machen, welche Prozesse tatsächlich von einem Agenten profitieren.

Die Grenzen zeigen sich bei komplexeren Anforderungen. Sobald ein Agent verschiedene Systeme verbinden, differenzierte Genehmigungen berücksichtigen, Aktionen auslösen oder über einen längeren Zeitraum professionell verwaltet werden soll, reichen einfache Konfigurationen möglicherweise nicht aus. Auch die Frage, wie der Agent getestet, versioniert, überwacht und unternehmensweit verteilt wird, gewinnt dann an Bedeutung.

Copilot Studio für individuelle Agenten und Workflows

Copilot Studio ist eine grafische Low-Code-Plattform zur Erstellung und Verwaltung von Agenten. Sie richtet sich an Szenarien, in denen ein Agent über Standarddialoge hinausgehen soll. Dazu gehören eigene Themen und Anweisungen, Wissensquellen, Geschäftsregeln, Automatisierungen und Verbindungen zu Anwendungen oder Datenquellen.

Ein Unternehmen könnte beispielsweise einen internen Service-Agenten entwickeln, der Fragen zu Reisekosten beantwortet, die passende Richtlinie zitiert und bei bestimmten Anliegen einen Workflow startet. Ein anderer Agent könnte Servicemitarbeitende bei der Bearbeitung von Kundenanfragen unterstützen, Informationen aus einem CRM-System abrufen und einen Vorgang zur Freigabe vorbereiten.

Die Low-Code-Ausrichtung bedeutet nicht, dass technische Expertise überflüssig wird. Auch bei grafischer Konfiguration müssen Verantwortliche Datenflüsse, Authentifizierung, Fehlerfälle und Berechtigungen verstehen. Für professionelle Lösungen sind außerdem Tests mit realistischen Eingaben, klare Eskalationswege und eine dokumentierte Zuständigkeit erforderlich.

Microsoft Foundry als Entwicklungs- und Backend-Ebene

Für anspruchsvollere Agentenszenarien kann Microsoft Foundry als Entwicklungsumgebung und Backend-Ebene dienen. Foundry bündelt Funktionen für die Entwicklung, Anpassung, Bewertung und Bereitstellung KI-gestützter Anwendungen und Agenten. Dazu können unter anderem Modellzugriffe, Wissensarchitekturen, Azure-Dienste und individuelle Integrationen gehören.

In einer möglichen Architektur übernimmt Copilot Studio die Interaktion mit den Nutzenden, während Foundry die komplexeren KI- und Backend-Funktionen bereitstellt. Diese Trennung ermöglicht es, die Benutzeroberfläche in einer vertrauten Microsoft-365-Umgebung anzubieten und gleichzeitig die technische Logik außerhalb der reinen Low-Code-Konfiguration zu erweitern.

Das ist insbesondere dann relevant, wenn ein Agent mehrere Unternehmenssysteme einbeziehen soll. Denkbar sind Verbindungen zu ERP-, CRM-, Ticketing- oder Dokumentenmanagementsystemen. Auch individuelle Suchlogiken, spezialisierte Modelle, umfangreiche RAG-Architekturen oder zusätzliche Prüfmechanismen können eine stärker entwickelte Backend-Struktur erforderlich machen.

Vom Prototyp zum produktiven Agenten

Ein belastbarer Entwicklungsprozess beginnt mit einer klaren Beschreibung der Aufgabe. Ein allgemeiner Agent für „alle Fragen der Abteilung“ ist schwer zu testen und zu kontrollieren. Besser geeignet sind abgegrenzte Szenarien mit definierten Eingaben, erwarteten Ergebnissen und messbaren Kriterien.

Ein möglicher Ablauf umfasst folgende Schritte:

• Identifikation eines konkreten Geschäftsproblems mit nachvollziehbarem Nutzen.
• Festlegung der Zielgruppe, der Datenquellen und der zulässigen Aktionen.
• Erstellung eines ersten Agenten mit begrenztem Funktionsumfang.
• Test mit typischen, fehlerhaften und missverständlichen Eingaben.
• Erweiterung um Workflows, Schnittstellen und Genehmigungsschritte.
• Bewertung von Antwortqualität, Sicherheit, Laufzeit und Kosten.
• Freigabe für eine definierte Nutzergruppe und anschließendes Monitoring.
• Versionierung, Dokumentation und regelmäßige Überprüfung.

Die entscheidende Schwelle liegt zwischen einer Demonstration und einem produktiven System. Ein Agent kann in einer Präsentation überzeugend wirken und dennoch im Alltag scheitern, wenn Daten fehlen, Prozesse Sonderfälle enthalten oder Nutzer unklare Erwartungen haben. Produktive Agenten benötigen daher eine Betriebsorganisation, die über die technische Erstellung hinausgeht.

Unternehmensdaten als Qualitäts- und Risikofaktor

Die Leistungsfähigkeit eines Agenten hängt eng mit der Qualität seines Wissenszugriffs zusammen. In vielen Unternehmen liegen relevante Informationen über zahlreiche Speicherorte verteilt. Richtlinien befinden sich in SharePoint, operative Daten in Fachanwendungen, Prozesswissen in E-Mail-Verläufen und Erfahrungswerte in nicht standardisierten Dokumenten.

Ein Agent kann diese Fragmentierung nicht automatisch vollständig auflösen. Vor der Anbindung von Wissensquellen sollte daher geklärt werden, welche Informationen verbindlich sind. Ebenso wichtig ist die Unterscheidung zwischen öffentlich zugänglichen, internen, vertraulichen und besonders schützenswerten Daten.

Für jede Quelle sollten Verantwortliche festlegen, wer sie pflegt, wie häufig sie aktualisiert wird und welche Nutzergruppen darauf zugreifen dürfen. Eine zentrale Dokumentation der Datenquellen erleichtert später die Fehlersuche. Wenn eine Antwort nicht nachvollziehbar ist, muss das Unternehmen feststellen können, aus welchem Bestand die Information stammt und welche Version verwendet wurde.

Halluzinationen und unvollständige Antworten

Sprachmodelle können überzeugend formulierte, aber sachlich falsche Aussagen erzeugen. Dieses Risiko lässt sich durch klare Anweisungen, geeignete Wissensquellen und Prüfmechanismen reduzieren, aber nicht vollständig ausschließen. Bei kritischen Entscheidungen darf ein Agent deshalb nicht ohne geeignete Kontrolle handeln.

Für sensible Prozesse sind beispielsweise folgende Maßnahmen möglich:

• Beschränkung des Agenten auf freigegebene Quellen.
• Ausgabe von Verweisen oder Quellenhinweisen für relevante Aussagen.
• Verpflichtende Bestätigung durch eine verantwortliche Person.
• Trennung zwischen Informationsbereitstellung und tatsächlicher Aktion.
• Protokollierung von Eingaben, Ausgaben und ausgeführten Schritten.
• Automatische Eskalation bei widersprüchlichen oder unvollständigen Informationen.

Je größer die möglichen Auswirkungen einer Fehlentscheidung sind, desto stärker sollte der Prozess auf menschliche Kontrolle, Nachvollziehbarkeit und formale Freigaben ausgerichtet sein.

Security und Governance als Voraussetzung für Skalierung

Die Einführung einzelner Agenten kann in einer Fachabteilung beginnen. Eine unternehmensweite Nutzung erfordert jedoch ein abgestimmtes Sicherheits- und Governance-Modell. Dabei geht es nicht nur um den Schutz der KI-Anwendung selbst, sondern um Identitäten, Daten, Schnittstellen, Endgeräte, Protokolle und administrative Zuständigkeiten.

Zero Trust und minimale Berechtigungen

Das Zero-Trust-Prinzip geht davon aus, dass Zugriffe grundsätzlich überprüft werden müssen. Vertrauen entsteht nicht allein dadurch, dass sich ein Agent innerhalb der Unternehmensumgebung befindet. Jede Verbindung zu Daten oder Anwendungen sollte auf Identität, Kontext und Berechtigung geprüft werden.

Für Agenten bedeutet das unter anderem, dass ihre Rechte möglichst eng gefasst werden. Ein Agent, der nur Dokumente durchsuchen und Zusammenfassungen erstellen soll, benötigt keine Berechtigung, Datensätze zu verändern oder Bestellungen auszulösen. Aktionen mit höherem Risiko sollten zusätzliche Prüfungen und Freigaben erfordern.

Verwaltung, Veröffentlichung und Lebenszyklus

Microsoft 365 Copilot Agents können in das App- und Verwaltungsmodell der Microsoft-365-Plattform eingebunden werden. Dadurch lassen sich Verteilung, Berechtigungen und Zugriffe zentraler steuern. Je nach Agent und Konfiguration können jedoch weitere Verwaltungsoberflächen und Richtlinien relevant sein.

Vor der Veröffentlichung sollte ein Unternehmen klären, wer als Eigentümer des Agenten fungiert, wer Änderungen genehmigt und wer bei Fehlern reagiert. Ebenso wichtig sind Regeln für Test-, Pilot- und Produktionsumgebungen. Änderungen an Anweisungen, Wissensquellen oder Schnittstellen können das Verhalten eines Agenten beeinflussen und sollten deshalb nachvollziehbar versioniert werden.

Bei der Bereitstellung über Microsoft Copilot oder Teams kann ein stabiler Endpunkt dazu beitragen, dass Nutzerinnen und Nutzer mit einer konsistenten Version arbeiten, während neue Versionen kontrolliert veröffentlicht werden. Vor einer solchen Veröffentlichung sind Datenschutz, Protokollierung und die Verarbeitung nutzungsbezogener Daten zu prüfen.

Rollen eines AI Competence Centers

Ein AI Competence Center kann als zentrale Koordinationsstelle für Standards, Architektur und Betrieb dienen. Die konkrete organisatorische Ausgestaltung hängt von der Größe und Struktur des Unternehmens ab. Typische Aufgaben können jedoch folgende Bereiche umfassen:

• Bewertung und Priorisierung von Anwendungsfällen.
• Definition technischer und organisatorischer Mindeststandards.
• Unterstützung der Fachabteilungen bei Konzeption und Pilotierung.
• Prüfung von Datenschutz, Informationssicherheit und Compliance.
• Aufbau wiederverwendbarer Komponenten und Integrationen.
• Entwicklung von Schulungs- und Befähigungsangeboten.
• Überwachung von Qualität, Nutzung, Kosten und Sicherheitsereignissen.

Ein solches Kompetenzzentrum sollte die Fachabteilungen nicht vollständig ersetzen. Fachliche Verantwortliche kennen die Prozesse und Datenbestände, während zentrale Teams die übergreifenden Standards und technischen Rahmenbedingungen sichern können. Ein kooperatives Betriebsmodell reduziert das Risiko isolierter Einzellösungen.

Ein realistischer Fahrplan für Unternehmen

Eine schrittweise Einführung erleichtert die technische und organisatorische Bewertung. Die konkrete Dauer hängt vom Anwendungsfall, der Datenlage und den vorhandenen Ressourcen ab. Als Orientierung kann ein Unternehmen die Einführung in drei Phasen strukturieren.

Phase eins: Orientierung und Eingrenzung

Zu Beginn stehen die Bestandsaufnahme und die Auswahl eines geeigneten Pilotfalls. Dabei sollte nicht allein das größte theoretische Einsparpotenzial ausschlaggebend sein. Wichtig sind auch eine gute Datenbasis, ein überschaubares Risiko und die Bereitschaft der beteiligten Fachabteilung, Ergebnisse systematisch zu bewerten.

Parallel sollten vorhandene Berechtigungen, Richtlinien und Anforderungen an personenbezogene oder vertrauliche Daten geprüft werden. Für den Pilotbetrieb empfiehlt sich eine klar begrenzte Nutzergruppe. So lassen sich Erfahrungen sammeln, ohne den gesamten Betrieb unmittelbar von einer neuen Lösung abhängig zu machen.

Phase zwei: Pilotierung und technische Erweiterung

In der zweiten Phase wird ein erster Agent mit definierten Wissensquellen und Aufgaben entwickelt. Copilot Studio kann dabei für Dialoge, Themen und Workflows eingesetzt werden. Wenn zusätzliche Systeme, komplexere Logik oder eine umfassendere RAG-Architektur erforderlich sind, kann Foundry als Entwicklungs- und Backend-Ebene hinzukommen.

Der Pilot sollte anhand vorher festgelegter Kriterien bewertet werden. Dazu gehören nicht nur Antwortqualität und Bearbeitungszeit, sondern auch Fehlerraten, Nutzerakzeptanz, Sicherheitsereignisse, Betriebskosten und die Zahl notwendiger manueller Eingriffe.

Phase drei: Standardisierung und Skalierung

Erst nach einer erfolgreichen Pilotierung sollte die Lösung auf weitere Teams oder Geschäftsbereiche ausgeweitet werden. In dieser Phase gewinnen zentrale Standards an Bedeutung. Wiederverwendbare Vorlagen, Konnektoren und Prüfprozesse können die Entwicklung beschleunigen und gleichzeitig die Qualität vereinheitlichen.

Skalierung bedeutet nicht, möglichst viele Agenten bereitzustellen. Entscheidend ist, dass Agenten auffindbar, verständlich, sicher und aktuell bleiben. Ein unübersichtliches Nebeneinander zahlreicher Assistenten kann zu Verwirrung führen und redundante Lösungen fördern. Ein Katalog mit Zuständigkeiten, Einsatzgebieten und Zugriffsvoraussetzungen kann hierbei unterstützen.

Wirtschaftliche Bewertung: Nutzen, Kosten und Messgrößen

Der wirtschaftliche Nutzen agentischer Systeme lässt sich nicht ausschließlich über eingesparte Arbeitszeit bewerten. Relevant können auch kürzere Durchlaufzeiten, bessere Servicequalität, schnellere Wissensvermittlung und eine höhere Konsistenz von Prozessen sein. Gleichzeitig entstehen Kosten für Lizenzen, Entwicklung, Betrieb, Schnittstellen, Schulung und Governance.

Für eine sachliche Bewertung sollten Unternehmen vor dem Pilotstart eine Ausgangsbasis erfassen. Dazu können durchschnittliche Bearbeitungszeiten, Fehlerquoten, Anfragevolumen und manuelle Prozessschritte gehören. Nach der Einführung lassen sich diese Werte mit den Ergebnissen des Agenten vergleichen.

Mögliche Kennzahlen sind:

• Zeit bis zur ersten verwertbaren Antwort.
• Anteil erfolgreich automatisierter oder vorbereiteter Vorgänge.
• Quote notwendiger menschlicher Korrekturen.
• Fehlerrate bei fachlich relevanten Antworten.
• Nutzungshäufigkeit und wiederkehrende Abbruchpunkte.
• Aufwand für Betrieb, Support und Aktualisierung.
• Veränderung der Bearbeitungsdauer im Vergleich zum Ausgangsprozess.

Die Kennzahlen sollten zum jeweiligen Prozess passen. Bei einem Recherche-Agenten kann die Zeitersparnis im Mittelpunkt stehen, während bei einem Compliance-relevanten Prozess die Nachvollziehbarkeit und die Einhaltung von Freigaben wichtiger sein können.

Was sich für IT, Fachbereiche und Führungskräfte verändert

Die Entwicklung von Agenten verteilt Verantwortung auf mehrere Unternehmensbereiche. Die IT stellt Plattformen, Identitäten, Schnittstellen und Sicherheitsmechanismen bereit. Fachbereiche definieren Ziele, Inhalte und Prozesslogik. Datenschutz, Informationssicherheit und Compliance bewerten Risiken und Anforderungen. Führungskräfte entscheiden über Prioritäten, Ressourcen und akzeptable Automatisierungsgrade.

Auch die Rolle der Mitarbeitenden verändert sich. Sie arbeiten nicht nur mit einem fertigen Werkzeug, sondern müssen Ergebnisse einordnen, Fehler erkennen und in bestimmten Situationen bewusst die Kontrolle übernehmen. Schulungen sollten daher nicht bei der Formulierung guter Prompts enden. Sie sollten auch Grenzen von Sprachmodellen, Umgang mit vertraulichen Daten und Meldewege bei fehlerhaften Ergebnissen behandeln.

Für Mindverse als Anbieter eines KI-gestützten All-in-one-Content- und Recherche-Umfelds ist diese Entwicklung insbesondere im Hinblick auf die Integration verschiedener Arbeitsschritte relevant. Unternehmen benötigen zunehmend Lösungen, die Text, Recherche, Bilder und weitere Inhalte in abgestimmten Arbeitsabläufen unterstützen. Unabhängig von der eingesetzten Plattform bleiben dabei dieselben Grundfragen bestehen: Welche Daten werden verarbeitet, wer darf sie nutzen, wie werden Ergebnisse geprüft und wie lässt sich der Einsatz dokumentieren?

Fazit: Der entscheidende Faktor ist nicht der Agent allein

Microsoft 365 Copilot, Copilot Studio und Microsoft Foundry bilden zusammen ein Ökosystem, das von der einfachen Assistenzfunktion bis zur individuell entwickelten Unternehmensanwendung reicht. Der Agent Builder ermöglicht schnelle Experimente, Copilot Studio unterstützt die Konfiguration von Agenten und Geschäftsabläufen, während Foundry für komplexere Entwicklungs-, Integrations- und Backend-Anforderungen eingesetzt werden kann.

Die technische Bandbreite schafft neue Möglichkeiten, erhöht aber zugleich den Bedarf an klaren Regeln. Ein Agent ist nur dann produktiv einsetzbar, wenn seine Wissensquellen belastbar, seine Berechtigungen begrenzt, seine Aktionen nachvollziehbar und seine Ergebnisse überprüfbar sind.

Für Unternehmen empfiehlt sich daher ein Vorgehen, das technologische Erprobung mit organisatorischer Vorbereitung verbindet. Kleine, klar definierte Pilotprojekte können den praktischen Nutzen sichtbar machen. Eine anschließende Skalierung sollte auf Standards für Daten, Sicherheit, Betrieb und Verantwortlichkeiten aufbauen. So wird aus einem einzelnen KI-Prototyp eine kontrollierbare und langfristig nutzbare Unterstützung für Geschäftsprozesse.

Bibliografie

Microsoft Learn: „Microsoft Agent 365 und Microsoft Foundry“, https://learn.microsoft.com/de-de/azure/foundry/agents/how-to/agent-365 Microsoft Learn: „Agents in Microsoft Copilot und Microsoft Teams veröffentlichen“, https://learn.microsoft.com/de-de/azure/foundry/agents/how-to/publish-copilot Microsoft Learn: „Verwalten von Agents für Microsoft 365 Copilot“, https://learn.microsoft.com/de-de/microsoft-365/copilot/extensibility/manage Microsoft Learn: „Copilot Studio referenziert Architekturen und Lösungsideen“, https://learn.microsoft.com/de-de/power-platform/architecture/products/copilot-studio Microsoft: „Microsoft Copilot Studio – KI-Agenten erstellen“, https://www.microsoft.com/de-de/microsoft-365-copilot/microsoft-copilot-studio Microsoft Learn: „Choose between Agent Builder in Microsoft 365 Copilot and Copilot Studio to build your agent“, https://learn.microsoft.com/en-us/microsoft-365/copilot/extensibility/copilot-studio-experience heise online, Christoph Böttcher: „M365 Copilot im Unternehmen – Agents mit Copilot Studio und Foundry entwickeln“, https://www.heise.de/news/M365-Copilot-im-Unternehmen-Agents-mit-Copilot-Studio-und-Foundry-entwickeln-11426765.html heise Academy: „Microsoft 365 Copilot im Unternehmen – Agents mit Copilot Studio und Foundry entwickeln“, https://heise-academy.de/kurs/classroom-microsoft-365-copilot-im-unternehmen-agents-mit-23018f