🤖 KI-AGENTEN FÜR UNTERNEHMEN
KI-Agenten erstellen:
was wirklich darüber entscheidet, ob sie funktionieren
Einen Agenten zusammenzuklicken dauert heute einen Nachmittag. Dass er auch in vier Wochen noch zuverlässig arbeitet, entscheidet sich woanders — und zwar nicht beim Modell. Diese Seite zeigt dir den Weg vom ersten Ablauf bis zu dem Punkt, an dem du dem Ding tatsächlich Arbeit überlassen kannst.
Einordnung
Was ist ein KI-Agent — und was ist keiner?
Der Begriff wird gerade für alles benutzt, was irgendwie nach Automatik aussieht. Für die Praxis reicht eine einfache Unterscheidung.
Du tippst etwas ein und bekommst eine Antwort. Was danach passiert, machst du selbst. Das ist der Normalfall und für die meisten Aufgaben völlig ausreichend.
Kennt deine Dokumente oder dein Postfach und antwortet darauf bezogen. Er handelt aber weiterhin nur, wenn du ihn fragst.
Bekommt ein Ziel statt einer Frage, wählt selbst die nötigen Schritte und benutzt dafür Werkzeuge — liest ein Postfach, legt eine Datei ab, trägt etwas ein. Genau dieses Handeln macht ihn nützlich und riskant zugleich.
Die Grenze verläuft beim Handeln. Solange etwas nur antwortet, kann wenig passieren. Sobald es schreibt, bucht oder verschickt, brauchst du andere Sorgfalt — und darum geht es auf dieser Seite.
Vorab
Wann sich ein Agent lohnt — und wann nicht
| Situation | Sinnvoll? | Warum |
|---|---|---|
| Gleiche Aufgabe, mehrmals pro Woche, klare Regeln | Ja | Der Aufwand amortisiert sich, die Regeln sind beschreibbar |
| Daten aus mehreren Quellen zusammenführen | Ja | Genau hier verliert man sonst am meisten Zeit |
| Vorbereiten, Mensch gibt frei | Ja | Nutzen ohne das Risiko der letzten Entscheidung |
| Aufgabe kommt zweimal im Jahr vor | Nein | Einrichtung und Pflege kosten mehr als die Aufgabe |
| Der Ablauf ist im Betrieb ungeklärt | Nein | Ein Agent macht Unklarheit schneller, nicht besser |
| Geld bewegen ohne Kontrolle | Nein | Freigaben gehören zu einem Menschen |
Vorgehen
KI-Agenten erstellen: der Weg in fünf Schritten
Nimm einen Ablauf, den du regelmäßig von Hand machst und im Schlaf erklären könntest. Was du selbst nicht sauber beschreiben kannst, kannst du auch niemandem übergeben — einem Agenten schon gar nicht.
Mach die Aufgabe drei-, viermal mit Claude oder ChatGPT, ohne jede Automatisierung. Dabei merkst du, welche Informationen wirklich nötig sind und wo Sonderfälle lauern. Diese Runde spart später Tage.
Schreib auf, was der Agent tun können muss: Postfach lesen, Datei ablegen, Eintrag anlegen. Jede dieser Fähigkeiten wird ein eigenes, geprüftes Werkzeug — und nicht etwas, das der Agent sich unterwegs selbst zusammenbaut.
Lass den Agenten die Arbeit vorbereiten und einen Menschen freigeben. So siehst du wochenlang, was er tatsächlich tut, ohne dass ein Fehler direkt beim Kunden landet. Die Freigabe kannst du später zurückfahren — umgekehrt ist es unangenehmer.
Vergleiche bei den ersten Durchläufen, ob wirklich alles verarbeitet wurde. Fehlende Positionen fallen niemandem auf — falsche Zahlen schon. Wenn die Vollständigkeit über mehrere Wochen stimmt, kannst du dem Ablauf trauen.
Aus eigenen Tests
Warum die Werkzeuge wichtiger sind als das Modell
Die verbreitete Sorge lautet: Der Agent könnte im Zweifel raten. Wir haben das geprüft — mit einer Abrechnungsaufgabe, in die absichtlich zwei Stolperstellen eingebaut waren, über gut zwei Dutzend Durchläufe mit demselben Modell.
Das Ergebnis hat unsere Erwartung umgedreht. Die Stolperstellen wurden in jedem einzelnen Lauf erkannt — geraten hat der Agent nie. Trotzdem war das Ergebnis anfangs nur in gut einem Drittel der Fälle korrekt. Der Fehler saß nie im Urteil, sondern im Mechanischen: in einem Skript, das sich der Agent jedes Mal neu schrieb, und das mal funktionierte und mal nicht.
Sobald derselbe Agent geprüfte Werkzeuge bekam statt selbstgebauter Skripte, stieg die Trefferquote auf nahezu alle Läufe — ohne das Modell zu wechseln. Wer also überlegt, ob es das teurere Sprachmodell sein muss: Die Antwort liegt meistens eine Ebene tiefer.
Der Agent urteilt, das Werkzeug rechnet und schreibt. Werkzeuge werden einmal gebaut und geprüft — und sie lehnen einen unvollständigen Aufruf ab, statt ihn stillschweigend zu schlucken. Das klingt unspektakulär und ist der Unterschied zwischen einem Vorführeffekt und etwas, das im Betrieb bleibt.
Eine falsche Zahl fällt beim Prüfen auf. Was niemandem auffällt, ist eine Position, die gar nicht erst auftaucht — weil ein Vergleich stillschweigend danebenlag. Deshalb prüfen wir bei Agenten zuerst auf Vollständigkeit, nicht auf Richtigkeit.
Werkzeuge
Womit lassen sich KI-Agenten bauen?
Der pragmatische Einstieg für Abläufe, die Programme verbinden: Postfach, Ablage, Tabelle, KI. Läuft auf eigenem Server, die Daten bleiben im Haus.
Naheliegend, wenn der Betrieb ohnehin auf Microsoft 365 läuft — Zugriff auf Teams, SharePoint und Outlook ist bereits geregelt.
Mehr Aufwand, dafür volle Kontrolle über die Werkzeugschicht — und genau die entscheidet über Zuverlässigkeit. Der Weg für Aufgaben, bei denen nichts verloren gehen darf.
Ehrlich bleiben
Was KI-Agenten nicht können
Sie übernehmen keine Verantwortung. Wenn ein Agent eine Rechnung falsch zuordnet, haftet nicht der Anbieter des Sprachmodells — deshalb gehören Freigaben zu einem Menschen, gerade dort, wo Geld fließt.
Sie ersetzen auch keinen geklärten Ablauf. Wenn im Betrieb niemand sagen kann, wer eine Rechnung prüft, lässt sich das nicht automatisieren — man würde nur die Unklarheit beschleunigen.
Und sie laufen nicht wartungsfrei. Postfächer ändern sich, Formulare auch. Ein Agent im Betrieb braucht jemanden, der merkt, wenn er stillsteht.
Weiter
Erst automatisieren, was du von Hand beherrschst
Fast jeder Agent, der im Betrieb bleibt, war vorher ein Ablauf, den jemand manuell durchgespielt hat. Deshalb der Rat: Nimm dir zuerst eine konkrete Aufgabe vor, mach sie ein paar Mal mit einem Chat-Werkzeug — und automatisiere erst dann. Dafür gibt es hier 38 Anleitungen.
Häufige Fragen
Fragen zu KI-Agenten
Ein Assistent antwortet auf deine Frage, oft mit Bezug auf deine Daten. Ein Agent bekommt ein Ziel statt einer Frage und handelt selbst: Er wählt die nötigen Schritte und benutzt Werkzeuge, um sie auszuführen. Die Grenze verläuft beim Handeln — und genau dort beginnt auch das Risiko.
Für einfache Abläufe reichen Baukästen wie n8n oder Copilot Studio, dort klickst du die Schritte zusammen. Ohne Technikkenntnisse geht es trotzdem nicht ganz: Du musst verstehen, welche Daten wohin fließen. Der übliche Weg ist, den ersten Agenten begleitet zu bauen und die weiteren selbst.
Die Werkzeuge selbst kosten wenig — n8n ist selbst betrieben kostenlos, das Sprachmodell liegt bei Cent-Beträgen pro Durchlauf. Der Aufwand steckt im Bauen und im Testen. Realistisch ist bei einem klar umrissenen Ablauf ein einstelliger Tagessatz, nicht ein Projekt über Monate.
Seltener als vermutet. In unseren eigenen Tests mit absichtlich eingebauten Stolperstellen wurden diese in jedem Durchlauf erkannt, geraten wurde nie. Die Fehler entstanden an anderer Stelle: bei mechanischen Schritten, die sich der Agent selbst zusammenbaute. Deshalb kommt es auf geprüfte Werkzeuge an, nicht auf ein besseres Modell.
Die Frage wird überschätzt. Mit gut gebauten Werkzeugen schrumpft der Unterschied zwischen den Modellen deutlich. Wichtiger ist, dass die Werkzeuge unvollständige Aufrufe ablehnen, statt sie stillschweigend zu akzeptieren.
Es kommt darauf an, wo die Daten verarbeitet werden. Bei Personal-, Gesundheits- oder Mandantendaten braucht es entweder einen Vertrag zur Auftragsverarbeitung mit dem Anbieter oder ein lokal betriebenes Modell. Der Agent selbst ist dabei nicht das Problem — die Frage ist, welche Daten er zu sehen bekommt.