KI-Agenten sind eines der meistdiskutierten Themen in der Digitalisierung. Gleichzeitig werden sie oft unpräzise verkauft: als Chatbot, als vollständig autonomer Mitarbeiter oder als magische Automatisierungsschicht für jedes Problem. Für Unternehmen ist diese Unschärfe gefährlich. Wer zu früh automatisiert, automatisiert auch Fehler. Wer zu lange wartet, verschenkt Effizienz und lernt langsamer als der Wettbewerb.
Ein KI-Agent ist praktisch betrachtet ein System, das ein Ziel verfolgt, Kontext verarbeitet, Werkzeuge nutzt und Zwischenergebnisse bewertet. Der Unterschied zum klassischen Chatbot liegt nicht in der Oberfläche, sondern in der Handlungstiefe: Ein Agent kann zum Beispiel Daten abrufen, einen CRM-Eintrag vorbereiten, eine Wissensdatenbank durchsuchen, einen Entwurf schreiben und den Vorgang zur Freigabe an einen Menschen geben.
Dieser Beitrag zeigt, welche Prozesse sich wirklich für KI-Agenten im Unternehmen eignen, welche technischen und rechtlichen Leitplanken wichtig sind und wie ein seriöser Einstieg aussieht.
Was ist ein KI-Agent im Unternehmenskontext?
Ein KI-Agent besteht meist aus fünf Bausteinen:
- Ziel oder Aufgabe: zum Beispiel "erstelle eine qualifizierte Antwort auf diese Kundenanfrage".
- Kontext: CRM-Daten, Dokumentation, Richtlinien, E-Mails, Tickets oder Produktinformationen.
- Modell: ein LLM oder eine Modellkette, die Sprache versteht, Entscheidungen vorbereitet und Inhalte generiert.
- Werkzeuge: APIs, Datenbanken, Suchindizes, Kalender, E-Mail-Systeme oder interne Workflows.
- Kontrolle: Regeln, Berechtigungen, Protokolle, Evaluierungen und Freigaben.
Die Qualität eines KI-Agenten hängt weniger vom Modellnamen ab als von der Architektur rundherum. Ein starkes Modell mit schlechtem Kontext halluziniert. Ein sauber angebundener Agent mit begrenzten Rechten und guter Evaluation kann dagegen bereits mit einfachen Aufgaben messbaren Nutzen erzeugen.
Welche Prozesse eignen sich für KI-Agenten?
Gute Kandidaten erfüllen vier Kriterien: Sie sind häufig, regelbasiert, datenreich und überprüfbar. Der Agent muss nicht alles allein entscheiden. Er muss einen klaren Teilprozess schneller, konsistenter oder vollständiger vorbereiten.
| Prozess | Eignung | Warum |
|---|---|---|
| Support-Triage | Hoch | Tickets lassen sich klassifizieren, zusammenfassen und mit Quellen anreichern. |
| Sales-Briefings | Hoch | CRM, Website, LinkedIn-Informationen und Gesprächsnotizen können zu einem Briefing verdichtet werden. |
| Angebotsvorbereitung | Mittel bis hoch | Der Agent kann Bausteine vorschlagen, Risiken markieren und Rückfragen formulieren. |
| Dokumentensuche | Hoch | Interne Wissensdatenbanken, Verträge und Richtlinien werden schneller nutzbar. |
| Recruiting-Vorauswahl | Vorsicht | Wegen Fairness, Datenschutz und möglicher Hochrisiko-Einstufung muss besonders sauber geprüft werden. |
| Finanz- oder Rechtsentscheidungen | Nur mit enger Kontrolle | Hier braucht es nachvollziehbare Regeln, menschliche Freigabe und Governance. |
Ein guter erster Use-Case ist selten "alles automatisieren". Besser ist ein begrenzter Prozess mit klarer Messgröße: Bearbeitungszeit, Erstlösungsquote, Fehlerquote, Antwortqualität oder manuelle Nacharbeit.
Chatbot, Workflow-Automation oder KI-Agent?
Nicht jeder Prozess braucht einen Agenten. Viele Unternehmen springen direkt zur komplexesten Lösung und übersehen einfachere Alternativen.
Ein Chatbot eignet sich, wenn Nutzer Fragen stellen und Antworten aus einer Wissensbasis erwarten. Eine Workflow-Automation eignet sich, wenn die Schritte deterministisch sind: Wenn A passiert, löse B aus. Ein KI-Agent lohnt sich, wenn Sprache, Kontext und Entscheidungsvorbereitung zusammenkommen.
Beispiel: "Wenn ein Lead ein Formular absendet, erstelle einen CRM-Datensatz" ist klassische Automation. "Analysiere die Anfrage, prüfe vorhandene Kundendaten, formuliere drei sinnvolle Rückfragen und schlage den passenden nächsten Termin vor" ist ein Agenten-Use-Case.
Architektur: So wird ein Agent produktionsreif
Ein produktionsreifer KI-Agent braucht mehr als einen Prompt. Die wichtigsten Schichten sind:
- Datenzugriff: Welche Quellen darf der Agent lesen? Welche nicht?
- Rollenmodell: Darf der Agent nur Vorschläge machen oder auch Aktionen auslösen?
- Retrieval: Wie werden relevante Dokumente gefunden, gerankt und zitiert?
- Tool-Calls: Welche APIs darf der Agent nutzen und mit welchen Parametern?
- Evaluation: Wie wird Qualität regelmäßig gemessen?
- Audit-Log: Was hat der Agent gesehen, entschieden, vorgeschlagen und ausgeführt?
- Human-in-the-loop: Wo ist menschliche Freigabe Pflicht?
Ohne Audit-Log wird ein Agent schwer betreibbar. Ohne Rechtekonzept wird er riskant. Ohne Evaluation merkt niemand, ob Qualität steigt oder nur der Demo-Effekt überzeugt.
Datenschutz, EU AI Act und Governance
Für Unternehmen in der EU ist KI-Governance kein optionales Thema. Die Europäische Kommission beschreibt den AI Act als risikobasierten Rahmen. Systeme mit minimalem Risiko haben kaum Pflichten, während Hochrisiko-Systeme strengere Anforderungen erfüllen müssen. Chatbots und bestimmte KI-generierte Inhalte unterliegen Transparenzpflichten. Die Verordnung ist am 1. August 2024 in Kraft getreten und wird schrittweise anwendbar.
Für die Praxis bedeutet das: Ein interner Agent für Support-Zusammenfassungen ist anders zu bewerten als ein System, das Bewerbungen automatisch vorsortiert oder medizinische Entscheidungen vorbereitet. Unternehmen sollten früh dokumentieren:
- Zweck des Systems
- genutzte Datenquellen
- Modellanbieter und Speicherorte
- Rechte und Freigaben
- bekannte Risiken und Gegenmaßnahmen
- Qualitätsmessung und Eskalationspfade
Das ist nicht nur Compliance-Arbeit. Es verbessert auch das Produkt. Ein Agent, dessen Aufgabe klar beschrieben ist, lässt sich besser testen, warten und erweitern.
90-Tage-Roadmap für den Einstieg
Ein realistischer Start braucht keine monatelange Plattformstrategie. Er braucht einen fokussierten Ablauf.
Tag 1 bis 15: Use-Case auswählen
Wählen Sie drei Kandidaten und bewerten Sie sie nach Wert, Aufwand, Risiko und Datenlage. Der beste erste Use-Case ist nicht zwingend der größte, sondern der am besten messbare.
Tag 16 bis 35: Daten und Rechte klären
Welche Systeme werden angebunden? Welche Daten sind personenbezogen? Welche Aktionen darf der Agent ausführen? Hier entstehen die wichtigsten Architekturentscheidungen.
Tag 36 bis 60: Prototyp mit Evaluation bauen
Ein Prototyp ohne Messung ist nur eine Demo. Legen Sie Testfälle an, vergleichen Sie Antworten, prüfen Sie Quellen und messen Sie manuelle Nacharbeit.
Tag 61 bis 80: Pilot im echten Workflow
Der Agent arbeitet zunächst assistierend. Menschen prüfen Ergebnisse und markieren Fehler. Jede Korrektur verbessert Prompt, Retrieval, Tool-Logik oder Datenmodell.
Tag 81 bis 90: Entscheidung treffen
Jetzt ist klar, ob der Agent Zeit spart, Qualität verbessert oder Risiken erzeugt. Danach wird entweder skaliert, begrenzt oder gestoppt.
Häufige Fehler bei KI-Agenten
Der häufigste Fehler ist zu viel Autonomie zu früh. Ein Agent sollte erst dann Aktionen ausführen, wenn seine Vorschläge zuverlässig sind. Der zweite Fehler ist fehlender Kontext. Viele schlechte Ergebnisse entstehen nicht durch ein schwaches Modell, sondern durch unvollständige Dokumente, alte Daten oder schlecht strukturierte Wissensquellen.
Der dritte Fehler ist eine fehlende Produktverantwortung. KI-Agenten sind keine einmalige Integration. Sie brauchen Monitoring, Tests, klare Owner und regelmäßige Anpassungen, sobald sich Prozesse oder Daten ändern.
Wann sollte man eine individuelle KI-Integration bauen?
Eine Standardlösung reicht, wenn der Prozess nahe am Standard bleibt: FAQ, einfache Chatoberfläche, generische Dokumentensuche. Eine individuelle KI-Integration lohnt sich, wenn mehrere Systeme zusammenspielen, sensible Daten verarbeitet werden, Audit-Logs nötig sind oder der Agent direkt in geschäftskritische Workflows eingebunden wird.
Bei hafencity.dev starten wir solche Projekte meist mit einer KI-Strategie, einem konkreten Agenten-Piloten und einer sauberen technischen Basis. Wenn der Use-Case trägt, wird daraus eine skalierbare Agentenplattform. Wenn nicht, wurde früh gelernt statt teuer gebaut.
Checkliste: Ist Ihr Prozess geeignet?
- Der Prozess kommt mindestens wöchentlich vor.
- Es gibt wiederkehrende Eingangsdaten.
- Gute Ergebnisse lassen sich objektiv bewerten.
- Die benötigten Datenquellen sind erreichbar.
- Fehler können erkannt und korrigiert werden.
- Ein Mensch kann kritische Schritte freigeben.
- Der Nutzen lässt sich in Zeit, Qualität oder Umsatz messen.
Wenn Sie vier oder mehr Punkte klar beantworten können, lohnt sich ein strukturierter Blick auf KI-Agenten.
