Mehr als Chatbots: KI, die tatsächlich etwas erledigt
Der weltweite Markt für KI-Agenten lag 2025 bei rund 7,4 Milliarden US-Dollar. Fast doppelt so viel wie zwei Jahre zuvor. 85 Prozent der Unternehmen haben KI-Agenten in mindestens einen Arbeitsablauf eingebunden.
Der Hype ist diesmal berechtigt. Die Definition ist es nicht. “KI-Agent” bedeutet bei jedem Anbieter etwas anderes.
Was wir damit meinen: Software, die ein Ziel entgegennimmt, es in Schritte zerlegt, diese Schritte über mehrere Systeme hinweg ausführt und unterwegs Ausnahmen behandelt. Kein Chatbot, der Fragen beantwortet. Ein System, das Arbeit erledigt.
Was einen Agenten von einem Chatbot unterscheidet
Ein Chatbot reagiert auf eine einzelne Anfrage. Sie fragen etwas, Sie bekommen eine Antwort. Fertig.
Ein KI-Agent nimmt eine mehrstufige Aufgabe und arbeitet sie selbstständig ab. “Verarbeite diese Rechnung” heißt: PDF lesen, Felder auslesen, gegen das ERP validieren, auf Dubletten prüfen, oberhalb eines Schwellenwerts zur Freigabe weiterleiten, im Hauptbuch verbuchen.
Sechs Schritte. Mehrere Systeme. An jeder Station eine Entscheidung. Der Agent erledigt das alles und eskaliert nur dann an einen Menschen, wenn er auf etwas stößt, das er nicht selbst lösen kann.
64 Prozent der heutigen Anwendungsfälle drehen sich um die Automatisierung von Geschäftsprozessen. Workflow-Automatisierung ist der häufigste Einsatz, vor allem im Kundenservice, in der Personalabteilung und im Vertrieb.
Die Architektur eines Geschäfts-Agenten
Jeder funktionierende Agent hat vier Bausteine, die zusammenspielen.
Die Planungsschicht zerlegt ein Ziel in Teilaufgaben. “Diese neue Mitarbeiterin einarbeiten” wird zu: Konten im Personalsystem anlegen, E-Mail einrichten, in die richtigen Teams-Kanäle aufnehmen, Einführungstermine planen, Willkommensunterlagen erzeugen.
Die Werkzeugschicht gibt dem Agenten seine Fähigkeiten. API-Verbindungen zu Ihrem ERP, CRM, E-Mail-System, zur Projektverwaltung. Jede API wird zu einem “Werkzeug”, das der Agent aufrufen kann.
Die Gedächtnisschicht behält im Blick, was erledigt ist, was noch aussteht und welcher Kontext für den nächsten Schritt gebraucht wird. Ohne Gedächtnis wiederholen Agenten Arbeit oder verlieren bei mehrstufigen Abläufen den Faden.
Die Leitplankenschicht legt fest, was der Agent darf und was nicht. Harte Grenzen bei Ausgaben, klare Eskalationsregeln, Systeme, die er nicht verändern darf. Hier sitzt die menschliche Kontrolle.
Fünf Anwendungsfälle, die heute schon funktionieren
Das ist keine Zukunftsmusik. Für jedes dieser Muster haben wir bereits Agenten gebaut.
Rechnungsverarbeitung von Anfang bis Ende: empfangen, auslesen, validieren, mit der Bestellung abgleichen, zur Freigabe weiterleiten, in der Buchhaltung verbuchen. Ein Mensch greift nur bei Ausnahmen ein.
Onboarding-Abläufe: Aus einem einzigen Eintrag im Personalsystem löst der Agent die Bereitstellung über fünf bis zehn Systeme aus. Was die IT früher zwei Stunden manuelle Einrichtung kostete, dauert jetzt drei Minuten.
Kundenservice-Eskalation: Ticket einordnen, über die mit RAG durchsuchbar gemachte Wissensbasis selbst zu lösen versuchen, bei Bedarf Kontext aus dem CRM ziehen und für den menschlichen Kollegen ein Übergabepaket mit vollständiger Historie schnüren.
Angebotserstellung im Vertrieb: Produktdaten ziehen, kundenspezifische Preisregeln anwenden, Angebotsdokument erzeugen, oberhalb eines Schwellenwerts zur Freigabe an die Führungskraft weiterleiten.
Berichtszusammenstellung: Daten aus mehreren Quellen sammeln, Diagramme erzeugen, eine Zusammenfassung formulieren, in die Vorlage gießen, an die Beteiligten verteilen. Jeden Montag, automatisch.
Die Frage nach dem Menschen im Prozess
Der größte Fehler beim Entwurf eines Agenten: den Menschen zu schnell herauszunehmen.
Agenten brauchen klare Eskalationsauslöser. Wenn die Zuversicht unter einen Schwellenwert fällt. Wenn die finanzielle Tragweite eine Grenze überschreitet. Und wenn die Anfrage Daten betrifft, auf die der Agent keinen Zugriff hat.
Eine Studie von Stanford, MIT und NBER fand heraus, dass KI-Unterstützung die Produktivität im Schnitt um 15 Prozent steigert. Nicht, indem sie Mitarbeiter ersetzt. Indem sie die mechanischen Teile übernimmt und die Menschen sich auf die Urteilsentscheidungen konzentrieren.
Die besten Agenten machen Menschen schneller, nicht überflüssig. Ihr Buchhalter verarbeitet Rechnungen nicht mehr von Hand. Er prüft die fünf Prozent, die der Agent als unsicher markiert hat.
Ihren ersten Agenten bauen
Fangen Sie klein an. Nehmen Sie einen Prozess. Bilden Sie jeden Schritt explizit ab. Klären Sie, welche Schritte deterministisch sind (immer gleich) und welche ein Urteil erfordern.
Automatisieren Sie zuerst die deterministischen Schritte. KI-Entscheidungen kommen nur dort dazu, wo die Regeln klar sind und ein Fehler wenig kostet.
Unternehmen, die Automatisierung einführen, senken ihre Kosten innerhalb von drei Jahren im Schnitt um 22 Prozent. Gleichzeitig haben 2025 ganze 42 Prozent der Unternehmen die meisten ihrer KI-Projekte wieder eingestellt.
Was die beiden Gruppen trennt? Disziplin beim Zuschnitt. Die Gewinner haben klein angefangen und ausgebaut. Die Verlierer wollten alles auf einmal automatisieren.
Wenn Sie wissen wollen, ob Ihre Prozesse und Daten überhaupt so weit sind, hilft unsere KI-Readiness-Checkliste bei einem ehrlichen ersten Blick.
Werkzeuge und Frameworks
Die Framework-Landschaft entwickelt sich rasant. LangChain, CrewAI, AutoGen und ein Dutzend weitere bieten Gerüste für Mehr-Agenten-Systeme.
Für die meisten Anwendungsfälle im Mittelstand brauchen Sie kein komplexes Framework. Eine sauber entworfene Pipeline mit LLM-gestützten Entscheidungspunkten und API-Anbindungen reicht völlig.
Wir bauen Agenten in der Regel mit einer schlanken Orchestrierungsschicht. Sie koordiniert die API-Aufrufe, verwaltet den Zustand und ruft das LLM nur für Entscheidungen auf, die sich nicht über Regeln abbilden lassen. Welches Modell dabei die Entscheidungen trifft, ist eine eigene Abwägung, die wir im Vergleich von ChatGPT und Claude aufdröseln. Kein Framework-Lock-in. Leicht zu warten.
45 Prozent der Unternehmen, die Automatisierung skalieren, kombinieren RPA mit KI. Deterministische Automatisierung (mach genau das, jedes Mal) zusammen mit KI-Entscheidungen (finde anhand des Kontexts heraus, was zu tun ist) ist stärker als jede der beiden für sich.
Was es kostet
Ein Agenten-Pilot für einen einzelnen Prozess kostet 20.000 bis 40.000 € über sechs bis acht Wochen. Eine produktive Umsetzung mit Monitoring und Fehlerbehandlung landet zwischen 40.000 und 100.000 €.
Der Markt für KI-Agenten soll bis 2030 auf 47 Milliarden US-Dollar wachsen. Unternehmen investieren, weil sich Agenten messbar auszahlen: deutlich höhere Effizienz bei wiederkehrender Sacharbeit, geringere externe Kosten und spürbar schnellere Durchläufe bei Prüf- und Freigabeprozessen.
Im deutschen Markt kommt ein Punkt dazu, den Standardprodukte oft übergehen: Ein Agent greift auf Rechnungen, Personaldaten und Kundeninformationen zu. Wo diese Daten verarbeitet werden und wer sie sieht, ist eine DSGVO-Frage, die die Rechtsabteilung garantiert stellt. Eine Eigenentwicklung lässt sich von Anfang an so aufsetzen, dass die Verarbeitung in einer europäischen Cloud oder im eigenen Rechenzentrum bleibt.
Wenn Sie diese Rechnung genauer durchspielen wollen, hilft unser Überblick dazu, was eine KI-Integration wirklich kostet. Wo Agenten ins größere Bild passen, zeigt unser praktischer Leitfaden zur KI-Workflow-Integration für KMU. Und wenn Sie zuerst einen breiteren Überblick suchen, welche KI-Anwendungsfälle dem Mittelstand wirklich Geld sparen, liefert dieser Beitrag die Vergleichszahlen.
Haben Sie einen Geschäftsprozess, der nach Automatisierung schreit? Lassen Sie uns einen Agenten dafür entwerfen. Wir bilden Ihren Ablauf ab, finden die Automatisierungschancen und bauen ein System, das tatsächlich funktioniert.
