KI-Agenten im Unternehmen: Einsatz, Grenzen und Kosten
KI-Agenten im Unternehmen: Was sie von Chatbots unterscheidet, welche Typen es gibt, was sie kosten und wie der erste Agent in vier Schritten startet.
In Kürze
Ein KI-Agent entscheidet selbst über den nächsten Schritt, ein Chatbot antwortet nur auf Eingaben. Der Artikel trennt beide sauber, zeigt drei Agenten aus der Praxis mit dokumentierten Zahlen, benennt Grenzen und Kosten und erklärt den Einstieg in vier Schritten.
Diagramm eines KI-Agenten: Zielvorgabe und Datenzugang oben, geplante Schritte mit Tool-Aufrufen wie CRM und Wissensdatenbank in der Mitte, Freigabe durch einen Menschen vor der Ausführung unten · KI-generiert
Wichtige Erkenntnisse
Ein KI-Agent plant Schritte, nutzt Tools und entscheidet selbst über das Weitere, ein Chatbot antwortet regelbasiert auf Eingaben.
95 Prozent der untersuchten Unternehmen weisen für den Einsatz generativer KI noch keinen messbaren ROI nach, Pilot mit Kontrolle schlägt Vollautonomie.
54 Prozent der befragten Unternehmen in Deutschland setzen KI-Agenten bereits ein oder erproben sie.
Ohne saubere Datenbasis, klare Rechte und EU-Datenresidenz bleibt jeder Agent unzuverlässig.
Inhaltsverzeichnis
KI Dieser Artikel wurde mit Hilfe von KI erstellt.
Was einen KI-Agenten vom Chatbot unterscheidet
Die Antwort zuerst: Ein KI-Agent ist Software, die ein Ziel verfolgt, dafür selbst Schritte plant, auf Tools und Datenquellen zugreift und innerhalb gesetzter Grenzen entscheidet, was als Nächstes passiert. Das Sprachmodell ist dabei der Kern, aber nicht der ganze Agent. Entscheidend sind die Komponenten drumherum, die ihm überhaupt erst Handeln ermöglichen: Datenzugriff, Tool-Anbindung und eine Kontrollschicht, die seine Ausgaben gegen Vorgaben prüft. Diese Einordnung deckt sich mit der Beschreibung agentischer Systeme in der aktuellen Fachdebatte: Sie planen mehrere Arbeitsschritte, binden digitale Werkzeuge und Datenquellen ein und führen mehrstufige Prozesse teilautonom aus.
Der Unterschied zu den Begriffen, die im Alltag gleichgesetzt werden, liegt in genau einem Kriterium: der eigenen Schrittwahl. Ein Chatbot reagiert auf Eingaben, meist regelbasiert, und gibt Standardantworten aus. Ein KI-Assistent hilft bei Einzelaufgaben, formuliert einen Text oder wertet Daten aus, plant aber keine zusammenhängenden Schritte. Ein fester Arbeitsablauf führt jede Verzweigung vorab auf, das System hat keinen Spielraum. Der Agent dagegen zerlegt ein Ziel in Teilaufgaben, holt fehlende Informationen selbst ein und passt den Weg an, wenn Zwischenergebnisse es verlangen. Genau diese Autonomie ist der Nutzen und zugleich der Punkt, an dem Kontrolle gebaut werden muss.
System | Was es tut | Wo die Grenze liegt |
|---|---|---|
Chatbot | Antwortet reaktiv auf Eingaben, meist mit festen Gesprächspfaden | Kein Ziel, keine eigene Schrittwahl |
KI-Assistent | Unterstützt bei Einzelaufgaben auf konkrete Eingabe hin | Plant keine mehrstufigen Prozesse |
Fester Workflow | Führt vordefinierte Schritte und Verzweigungen aus | Kein Spielraum bei veränderten Eingaben |
KI-Agent | Plant Schritte selbst, nutzt Tools, entscheidet innerhalb von Grenzen | Braucht Grenzen, Freigaben und Monitoring |
Die Bausteine eines Agenten lassen sich benennen: Sprachmodell, Zielvorgabe, Kontext, Datenzugriff, Tool-Nutzung und Feedback. Für die Entscheidung im Mittelstand zählt vor allem der dritte Punkt. Ohne saubere Datenbasis bleibt jeder Agent unzuverlässig, egal wie gut das Modell ist. Wer darüber nachdenkt, sollte zuerst prüfen, ob die Daten, die der Agent lesen soll, überhaupt gepflegt, aktuell und rechtlich sauber angebunden sind.
Welche Arten von KI-Agenten gibt es?
Akademische Klassifikationen helfen im Betriebsalltag wenig. Praxisrelevant ist die Frage, welche Aufgabe der Agent übernimmt und wie viel Autonomie er dafür braucht. Vier Typen decken den Großteil der praktischen Anwendungsfälle im Unternehmen ab:
Aufgabenagenten führen Abläufe aus: eingehende Support-Tickets priorisieren, Auftragsdaten prüfen, wiederkehrende Freigaben vorbereiten. Sie arbeiten innerhalb eines klar umrissenen Prozesses.
Recherche- und Analyseagenten durchsuchen Datenquellen und fassen zusammen: Verkaufsdaten, Bestandsentwicklung, Wettbewerbsnews. Der Output ist eine Aufbereitung, keine Aktion.
Antwort- und Wissensagenten beantworten Kunden- oder Mitarbeiterfragen aus angebundenen Daten, etwa aus dem Produktkatalog oder einer internen Wissensdatenbank.
Monitoring-Agenten beobachten Quellen laufend und greifen nur ein, wenn ein definiertes Signal auftritt, etwa ein Stellenausschreibungs- oder Finanzierungssignal bei einem Zielkunden.
Welcher Typ zum eigenen Unternehmen passt, entscheidet sich nicht in der Theorie, sondern am Prozess: Wo fallen wiederkehrende Abläufe an, die trotzdem Ermessensentscheidungen verlangen? Genau dort schlägt ein Agent einen festen Workflow, überall sonst bleibt der Workflow die günstigere und planbarere Wahl.
Drei Agenten aus der Praxis
Ein RAG-basierter Wissensagent beantwortet Support-Fragen direkt aus der Wissensdatenbank, etwa als Frage in Slack mit Antwort im selben Kanal. Und ein Discovery-Call-Prep-Agent generiert vor jedem Gespräch automatisch ein Prospect-Briefing aus CRM- und Live-Kundendaten, sodass das Gespräch mit Kontext statt mit Recherche beginnt. Voraussetzung ist in allen Fällen ein gepflegter Datenbestand; wer das CRM erst aufräumen muss, beginnt mit einer CRM-Einführung nach Plan.
Ein E-Mail-Reply-Agent entwirft kontextbezogene Antworten auf eingehende Nachrichten und übergibt sie vor dem Versand an einen Menschen zur Freigabe. Bei hellomed hat ein solcher Reply-Assistent mit Human-in-the-Loop rund 10 Stunden pro Woche pro Account-Manager eingespart und den manuellen E-Mail-Aufwand um 95 Prozent reduziert. Das Beispiel zeigt das Muster: Der Agent übernimmt die Entwurfsarbeit, der Mensch behält die letzte Entscheidung. Details zum Projekt stehen in der hellomed-Case-Study.
Wo Agenten scheitern: Grenzen und Risiken
Agenten scheitern selten am Modell, sondern an den Rahmenbedingungen. Vier Grenzen treten im Mittelstand regelmäßig auf. Halluzination: Der Agent erkennt fehlende Informationen nicht als fehlend, sondern ergänzt sie. Rechte und Datenresidenz: Unscharf gesetzte Zugriffsrechte und Cloud-Plattformen, die personenbezogene Daten außerhalb der EU verarbeiten, sind DSGVO-Risiken, bevor der Agent überhaupt arbeitet. Kosten pro Lauf: Jede Teilaufgabe startet eigene Modellaufrufe, die Rechnung wächst mit der Autonomie. Datenbasis: Ein Agent, der auf ungepflegte Daten zugreift, liefert unzuverlässige Ergebnisse. Eine Studie der Plattform Lernende Systeme kommt zum Ergebnis, dass 95 Prozent der untersuchten Unternehmen für den Einsatz generativer KI noch keinen messbaren ROI nachweisen können. Für Klassifizierung, Extraktion oder Routing mit klaren Regeln reicht deshalb oft ein fester Workflow mit einem einzigen Modellaufruf, der weniger kostet und dessen Ergebnis verlässlicher planbar ist.
Erster Agent in vier Schritten
Der erste Agent entsteht nicht im Werkzeug, sondern im Prozess. Vier Schritte reichen für den Einstieg:
Prozess-Audit: wiederkehrende, operationslastige Abläufe identifizieren und prüfen, ob sie Ermessensentscheidungen verlangen oder ob ein fester Workflow reicht.
Datenzugang: festlegen, welche Quellen der Agent lesen darf, mit welchen Rechten und ob personenbezogene Daten die EU verlassen dürfen.
Pilot mit Human-in-the-Loop: den Agenten an einem Prozess starten, bei dem ein Mensch jede Aktion freigibt, und die Freigaben protokollieren.
Monitoring: Fehlerquoten, Kosten pro Lauf und Ergebnisqualität laufend messen und den Agenten iterativ einschränken oder erweitern.
Was kostet ein KI-Agent?
Die Kostentreiber lassen sich benennen, auch ohne Festpreise: Modellaufrufe pro Lauf, Hosting, Wartung und Monitoring, Integration in bestehende Systeme und der interne Aufwand für Freigaben und Fehlerbehebung. Der Gesamtbetrieb mit Orchestrierung, Hosting, Monitoring und Integration liegt in realen Einsatzszenarien beim Zwei- bis Fünffachen der reinen Token-Kosten. Bei n8n entstehen die realen Kosten ohnehin nicht durch die Plattform, sondern durch Hosting, Wartung, Skalierung, Fehlerbehebung und internen Aufwand. Wer kalkuliert, denkt den Aufwand deshalb besser in Entwicklertagen und laufenden Betriebsstunden als in Lizenzpreisen.
Wer den ersten Agenten angehen will, beginnt mit einem Prozess-Audit: die wiederkehrenden Abläufe durchgehen und bewerten, wo ein Agent einen festen Workflow wirklich schlägt. simon&co baut solche kundenspezifischen KI-Systeme auf n8n-Basis, ein Audit für einen ersten Agenten lässt sich direkt anfragen.