KI-Agenten für Unternehmen, die echte Aktionen ausführen, in klaren Grenzen

Was sind KI-Agenten für Unternehmen, und wie unterscheiden sie sich von Chatbots?

Ein Chatbot beantwortet eine Frage; ein Agent erledigt eine Aufgabe. Fragen Sie einen Chatbot nach dem Vertrag eines Kunden, findet er die relevante Klausel. Bitten Sie einen Agenten, ein Briefing zur Vertragsverlängerung vorzubereiten, holt er den Vertrag aus SharePoint, die Nutzungsdaten aus Ihrer Produktdatenbank, offene Tickets aus Zendesk und aktuelle E-Mails aus HubSpot, schreibt dann das Briefing und legt es am Verlängerungsdatensatz ab.

Der Unterschied ist für das Risiko entscheidend. Ein Chatbot, der sich irrt, liefert eine schlechte Antwort, die man ignorieren kann. Ein Agent, der sich irrt, kann einen Datensatz ändern, eine E-Mail versenden oder eine Bestellung anlegen. Deshalb dreht sich die Agentenentwicklung vor allem um die Grenzen rund um das Modell und weniger um das Modell selbst.

Welche Aufgaben eignen sich für einen KI-Agenten?

Gute Kandidaten wiederholen sich häufig, erfordern das Nachschlagen an mehreren Stellen und enden in einer Entscheidung, die ein Mensch schnell prüfen kann. Schlechte Kandidaten sind selten, folgenreich oder nicht überprüfbar.

Eine unserer Fallstudien passt gut zu diesem Muster: Für eine Beratung für Beschaffung und Lieferantenqualität haben wir zwei Tools gebaut, die passende Lieferanten finden und die Prüfregeln des Kunden automatisch anwenden. Das Ergebnis waren 85 % Zeitersparnis und 91 % Kostenersparnis bei der Lieferantensuche. Die Arbeit bestand aus mehrstufiger Recherche mit klaren Kriterien am Ende, und genau dort zahlen sich Agenten aus.

• Recherche und Qualifizierung eingehender Accounts, bevor ein Vertriebsmitarbeiter anruft.
• Briefings zu Vertragsverlängerungen und Account-Reviews, zusammengestellt aus mehreren Systemen.
• Lieferanten- oder Anbieterrecherche anhand schriftlicher Prüfregeln.
• Abgleich von Datensätzen zwischen CRM, ERP und Tabellen.
• Ticket-Analyse, die Logs und Historie sammelt, bevor sich ein Techniker die Sache ansieht.

Wie baut man einen KI-Agenten: Tools, Berechtigungen und Gedächtnis?

Jeder Agent besteht aus einem Modell, einem definierten Satz von Tools und den Regeln drumherum. Tools sind eng gefasste Funktionen: Unternehmen suchen, Kontakt per E-Mail-Adresse abrufen, ein PDF lesen, eine Notiz als Entwurf anlegen. Wir schreiben jedes Tool selbst, mit Eingabevalidierung, damit das Modell keine API auf eine Weise aufrufen kann, die wir nicht vorgesehen haben.

Lesende Tools sind meist frei verfügbar, schreibende Tools sind abgesichert. Einen Entwurf oder eine Aufgabe anzulegen ist oft direkt erlaubt, während das Versenden einer E-Mail, das Ändern eines Deal-Betrags oder das Anlegen einer Bestellung auf Freigabe wartet. Das Gedächtnis halten wir bewusst klein: die Arbeitsnotizen der Aufgabe plus die für diesen Durchlauf abgerufenen Datensätze, kein stetig wachsender Speicher, der sich schwer prüfen lässt.

Für die Orchestrierung nutzen wir LangGraph oder Python, wenn die Logik komplex ist, die KI-Agent-Nodes von n8n, wenn das Team den Ablauf sehen und bearbeiten möchte, und MCP, wo Ihre bestehenden Systeme darüber sauber Tools bereitstellen können. In AWS-Umgebungen ist Bedrock AgentCore eine Option, und Microsoft-Umgebungen können Copilot Studio nutzen, wo dessen Konnektoren passen.

Wie verhindern Sie, dass ein Agent das Falsche tut?

Mit mehrstufigen Kontrollen, die nicht davon abhängen, dass sich das Modell korrekt verhält. Das Modell schlägt vor; der Code entscheidet, was erlaubt ist.

Jeder Agent hat eine Höchstzahl an Schritten und ein Kostenlimit pro Aufgabe. Ist es erreicht, stoppt er und meldet, wie weit er gekommen ist. Schreibende Aktionen oberhalb eines Schwellenwerts benötigen eine menschliche Freigabe in Slack, Teams oder einer Prüfansicht. Alle Prompts, Tool-Aufrufe, Ergebnisse und Entscheidungen werden protokolliert, sodass ein Prüfer genau nachvollziehen kann, warum der Agent etwas getan hat. Ein Notschalter pausiert den Agenten in allen Durchläufen, und jede Änderung an Prompts oder Tools lässt sich auf die vorherige Version zurücksetzen.

• Explizite Positivliste von Tools pro Agent.
• Freigabeschritte für schreibende Aktionen, die Geld, Kunden oder regulierte Daten betreffen.
• Schrittlimits und Kostenlimits pro Aufgabe.
• Vollständige Protokolle von Prompts, Tool-Aufrufen und Ergebnissen.
• Notschalter und versionierte Rücksetzung.

Warum werden so viele Agentenprojekte abgebrochen?

Meist, weil sie zu breit angelegt und zu locker kontrolliert waren. Gartner prognostizierte im Juni 2025, dass über 40 % der Projekte mit agentischer KI bis Ende 2027 wegen Kosten, unklarem Nutzen oder schwacher Risikokontrollen eingestellt werden, und warnte vor „Agent Washing“, bei dem gewöhnliche Automatisierung als Agent umetikettiert wird.

Wir vermeiden das auf dreierlei Weise. Wir beginnen mit einer Aufgabe, deren Vorher und Nachher sich messen lässt. Wir prüfen, ob ein einfacher Workflow die Aufgabe erledigen würde, denn eine Automatisierung mit festem Ablauf ist günstiger und vertrauenswürdiger, wenn sich die Schritte nie ändern. Und wir bauen Kostenlimits, Freigaben und Protokolle, bevor der Agent Live-Zugriff erhält, nicht erst, nachdem etwas schiefgegangen ist.

Wie testen Sie die Entwicklung von KI-Agenten vor dem Start?

Wir spielen echte vergangene Aufgaben nach. Für jede halten wir fest, wie ein gutes Ergebnis aussieht, lassen den Agenten in einer Sandbox oder im Nur-Lese-Modus daran arbeiten und bewerten sowohl das Endergebnis als auch den Weg dorthin (hat er die richtigen Tools in sinnvoller Reihenfolge und im Budget genutzt).

Nach dem Start läuft der Agent zunächst im Schatten- oder Freigabemodus: Er schlägt Aktionen vor, und ein Mensch nimmt jede an oder lehnt sie ab. Die Annahmequoten je Aufgabentyp zeigen, wo man dem Agenten direktes Handeln zutrauen kann und wo die Freigabe dauerhaft bleiben sollte.