KI-Agenten im Unternehmen – mit klaren Grenzen

Was einen KI-Agenten von einer Automatisierung unterscheidet

Eine klassische Automatisierung folgt einer festen Regel: Wenn A passiert, tue B. Ein KI-Agent dagegen bekommt ein Ziel und entscheidet innerhalb eines vorgegebenen Rahmens selbst, welche Schritte er dafür ausführt – etwa eine Anfrage lesen, im CRM nachsehen, eine Antwort entwerfen und einen Termin vorschlagen. Diese Flexibilität ist der Nutzen. Sie ist zugleich das Risiko, denn ein Agent kann auch Schritte wählen, die niemand vorgesehen hat.

Für viele Aufgaben ist eine einfache Automatisierung die bessere Wahl: schneller, günstiger, vorhersagbar. Ein Agent lohnt sich dort, wo Eingaben uneinheitlich sind, wo Texte verstanden werden müssen und wo ein starres Regelwerk zu viele Ausnahmen hätte.

Woraus ein Agent technisch besteht

Unabhängig vom Anbieter haben die meisten Agenten denselben Aufbau. Ein Sprachmodell interpretiert die Aufgabe und plant die Schritte. Werkzeuge erlauben ihm, Daten zu lesen oder Aktionen auszuführen, etwa eine Suche im CRM oder das Anlegen eines Entwurfs. Ein Kontext liefert die Informationen, die er für die Aufgabe braucht: Firmenwissen, Regeln, bisheriger Verlauf. Und ein Rahmen legt fest, was er darf, wann er stoppt und wann er an einen Menschen übergibt.

Für die Qualität entscheidend ist meist nicht das Modell, sondern der Kontext. Ein Agent, der veraltetes oder unvollständiges Wissen erhält, arbeitet sorgfältig an der falschen Antwort. Deshalb gehört zu jedem Agenten ein Weg, sein Wissen aktuell zu halten, und eine Prüfung, ob das, worauf er sich stützt, noch gilt.

Gedächtnis und Kontext

Viele Aufgaben erstrecken sich über mehrere Tage oder Gespräche. Ein Agent ohne Gedächtnis beginnt jedes Mal von vorn; einer mit unkontrolliertem Gedächtnis schleppt Fehler und widerrufene Informationen mit. Sinnvoll ist ein bewusst gestaltetes Gedächtnis: Was wird gespeichert, wie lange, wer darf es einsehen, und wie wird eine überholte Information als überholt markiert? Diese Fragen sind keine technischen Details, sondern Teil der Governance.

Agenten im Vertrieb: ein realistisches Bild

Im Vertrieb können Agenten viel vorbereitende Arbeit übernehmen. Sie können zum Beispiel vor einem Anruf zusammenfassen, welche Kontakte es bisher gab, was zugesagt wurde und welche Fragen offen sind. Sie können nach einem Gespräch aus Notizen einen Entwurf für die Nachfass-Nachricht erstellen. Was sie nicht können, ist Vertrauen aufbauen oder einschätzen, ob ein Gegenüber wirklich zum eigenen Angebot passt. Der sinnvollste Einsatz ist deshalb der, bei dem der Agent die Vorbereitung übernimmt und der Mensch mehr Zeit für das Gespräch selbst hat.

Wo KI-Agenten im Unternehmen sinnvoll sind

• KI-Agenten im Vertrieb: eingehende Anfragen vorsortieren, Informationen zu einem Kontakt zusammentragen, Gesprächsvorbereitung und Nachfass-Entwürfe erstellen.
• Kundenservice: Standardfragen beantworten, Fälle mit allen nötigen Informationen an die richtige Person übergeben.
• Dokumentenarbeit: Rechnungen, Belege oder Verträge auslesen, prüfen und in die richtigen Systeme übertragen.
• Interne Wissensarbeit: Fragen zu Abläufen und Unterlagen auf Basis Ihrer eigenen Dokumente beantworten.
• Reporting: Daten aus mehreren Quellen zusammenführen und Auffälligkeiten benennen.

Multi-Agent-Systeme: wenn ein Agent nicht reicht

Bei komplexeren Abläufen werden Aufgaben auf mehrere spezialisierte Agenten verteilt: einer plant, einer recherchiert, einer schreibt, einer prüft. Das kann die Qualität verbessern, weil jede Rolle enger definiert ist. Es erhöht aber auch die Zahl der Stellen, an denen etwas schiefgehen kann – Übergaben, widersprüchliche Ergebnisse, Schleifen. Ein Multi-Agent-System braucht deshalb eine klare Rollenverteilung, definierte Übergabeformate und eine prüfende Instanz am Ende. Mehr Agenten sind nicht automatisch besser.

Governance: die Regeln, bevor Agenten skalieren

Je mehr ein Agent darf, desto wichtiger werden die Leitplanken. Bewährt haben sich vier Grundsätze:

• Minimale Rechte. Ein Agent liest und schreibt nur, was er für seine Aufgabe braucht. Zugriffe werden je Rolle festgelegt, nicht pauschal.
• Freigabe vor Außenwirkung. Alles, was das Unternehmen verlässt – Nachrichten, Angebote, Zusagen –, wird vorher von einem Menschen geprüft, solange die Qualität nicht belegt ist.
• Protokoll. Jede Aktion eines Agenten ist nachvollziehbar: was er gelesen, entschieden und geschrieben hat.
• Im Zweifel nicht handeln. Ist eine Eingabe unklar, fragt der Agent nach oder lässt die Aufgabe liegen. Ein fehlender Eintrag ist harmlos, ein falscher verfälscht Daten, auf die sich andere verlassen.

Typische Fehler

Agenten werden mit zu vielen Rechten gestartet, „damit sie alles können“. Es gibt keine Messung der Ergebnisqualität, also merkt niemand, wenn der Agent nach einem Modellwechsel schlechter arbeitet. Satzfragmente werden als Daten übernommen, etwa wenn ein Agent aus einer beiläufigen Bemerkung einen Kundennamen ableitet. Und Agenten werden als Ersatz für einen ungeklärten Prozess eingesetzt – dann automatisieren sie Unklarheit.

Wie wir vorgehen: Analyse, Plan, Umsetzung, Messung

Analyse. Wir prüfen, ob die Aufgabe überhaupt einen Agenten braucht oder ob eine einfache Automatisierung genügt, und welche Daten und Systeme beteiligt sind.

Plan. Wir definieren Ziel, Rolle, erlaubte Werkzeuge, Rechte und Freigabepunkte des Agenten sowie die Kriterien, an denen seine Qualität gemessen wird.

Umsetzung. Wir bauen den Agenten zunächst im Entwurfsmodus: Er schlägt vor, ein Mensch entscheidet. Erst wenn die Ergebnisse über einen Zeitraum stabil sind, werden einzelne Schritte freigegeben.

Messung. Wir halten fest, wie oft Vorschläge übernommen, geändert oder verworfen werden. Diese Quote ist die ehrlichste Kennzahl dafür, ob ein Agent hilft.

Wo KI-Agenten nicht helfen

Agenten sind ungeeignet für Aufgaben, bei denen jede Abweichung teuer ist und keine Prüfung möglich ist, etwa rechtlich bindende Erklärungen oder Zahlungsfreigaben ohne Kontrolle. Sie ersetzen keine Verantwortung: Für das Ergebnis haftet weiterhin das Unternehmen. Sie arbeiten schlecht auf unklaren oder veralteten Daten. Und sie sind keine gute Idee, wenn eine einfache Regel dasselbe leisten würde – dann bringen sie Kosten und Unvorhersehbarkeit ohne Mehrwert.

Verwandte Themen

• KI-Beratung für Unternehmen
• Marketing- und Vertriebsautomatisierung
• Digitale Infrastruktur für Unternehmen
• Systemanalyse: wo KI im Betrieb Hebel hat