KI-Agenten: die nächste Welle.

Seit 2024 verschiebt sich die Diskussion um KI im Unternehmen merklich. Wo zuvor Sprachmodelle das Gespräch dominierten — ChatGPT, Claude, Mistral —, kommt jetzt eine neue Schicht hinzu: KI-Agenten. Statt einzelner Anfragen mit einzelner Antwort übernehmen sie mehrstufige Aufgaben, planen selbstständig, nutzen Werkzeuge, korrigieren sich. Die Marketing-Versprechen sind groß: vollautomatische Kundenbearbeitung, autonome Datenanalyse, KI-Mitarbeiter, die rund um die Uhr arbeiten. Die Realität ist nüchterner — und genau das macht das Thema gerade jetzt strategisch interessant. Mittelständische Unternehmen, die heute beginnen, sich mit Agenten ernsthaft auseinanderzusetzen, werden in zwei bis drei Jahren die ersten produktiven Anwendungen haben. Wer wartet, bis das Thema „ausgereift“ ist, hat den Vorlauf verpasst, den die ersten Anwendungen gerade jetzt aufbauen. Dieser Artikel erklärt, was KI-Agenten heute leisten, woran sie noch scheitern und wo sich der Einstieg lohnt.

Was ein KI-Agent eigentlich ist.

Ein KI-Agent ist im Kern ein Sprachmodell mit drei Erweiterungen: einem Plan-Mechanismus, einer Werkzeug-Anbindung und einer Schleifenlogik. Statt einmal anzufragen und einmal zu antworten, plant der Agent mehrere Schritte, führt jeden Schritt durch, beobachtet das Ergebnis und entscheidet, was als nächstes zu tun ist.

Konkret: Ein Sprachmodell bekommt die Aufgabe „Recherchiere unsere Top-3-Wettbewerber im Marktsegment X und erstelle einen kurzen Vergleich“. Ein normales Sprachmodell würde aus seinem Training antworten, was im Zweifel veraltet ist. Ein Agent bekommt zusätzlich die Werkzeuge: Web-Suche, Webseiten-Lesen, gegebenenfalls Datenbank-Zugriff. Der Agent plant: erst Suche, dann Webseite lesen, dann strukturieren, dann zusammenfassen. Jeden Schritt führt er aus, prüft das Ergebnis, korrigiert gegebenenfalls die Vorgehensweise, liefert am Ende den Vergleich.

Diese Architektur ist nicht völlig neu — der Grundgedanke wird seit den 1980ern in Robotik und Expertensystemen diskutiert. Was sich seit 2023 grundlegend verändert hat, sind zwei Dinge: Erstens, die Sprachmodelle sind gut genug, um die Plan- und Reasoning-Schritte zuverlässig genug auszuführen. Zweitens, die Werkzeug-Anbindung ist standardisiert (durch Function-Calling-Protokolle wie MCP oder Tool-Use-APIs). Diese Kombination macht Agenten plötzlich praktisch.

Was Agenten heute zuverlässig können.

Die produktiven Anwendungen von KI-Agenten Stand 2026 sind erstaunlich konkret. Eine Übersicht, was heute funktioniert:

• Multi-Step-Recherche. Eine Frage stellt sich, der Agent recherchiert über mehrere Quellen hinweg, korreliert, fasst zusammen, gibt Quellen an. Typisches Anwendungsfeld: Marktanalyse, Wettbewerbsbeobachtung, Lieferantenrecherche.
• Strukturierte Datenaufbereitung. Eine Excel-Datei wird hochgeladen, der Agent analysiert sie, ergänzt fehlende Informationen aus dem Web, erstellt Auswertungen, exportiert das Ergebnis in einem Zielformat.
• Code-Tasks für überschaubare Anforderungen. Skripte für Datenaufbereitung, einfache Web-Scraper, Automatisierungen für wiederkehrende Aufgaben. Der Agent schreibt den Code, testet ihn, korrigiert Fehler.
• Customer-Service-Workflows mit Folgeaktionen. Eine Kundenanfrage wird beantwortet, gleichzeitig wird im CRM ein Ticket angelegt, der Vorgesetzte informiert, ein Folgetermin vorbereitet.
• Compliance- und Dokumentations-Aufgaben. Ein Vorgang wird verifiziert gegen definierte Regeln, Abweichungen werden dokumentiert, der zuständige Mitarbeiter eskaliert.

Was diese Anwendungen verbindet: Sie sind mehrstufig, aber endlich. Sie haben klare Erfolgskriterien. Sie laufen in einer kontrollierten Umgebung — der Agent kann nicht beliebige Aktionen ausführen, sondern nur die, die ihm explizit erlaubt sind.

Wo Agenten heute noch scheitern.

Vier Grenzen sollten klar sein, bevor produktiv eingesetzt wird.

Lange Aufgabenketten. Ein Agent kann fünf bis zehn Schritte zuverlässig durchführen. Bei zwanzig oder dreißig Schritten häufen sich Kleinfehler zu großen Abweichungen. Die Lösung sind kürzere Aufgaben — entweder durch Aufteilung in mehrere Aufrufe oder durch menschliche Checkpoints.

Echte Entscheidungen unter Unsicherheit. Wenn ein Agent etwas tun soll, was im Verhalten nicht eindeutig festgelegt ist — „verhandle den besten Preis mit dem Lieferanten“ —, scheitert er regelmäßig. Agenten sind gut bei Aufgaben, die im Wesentlichen Ausführungsprobleme sind, nicht bei echten Entscheidungsproblemen mit unklaren Präferenzen.

Sicherheitskritische Aktionen. Ein Agent, der eigenständig Geld ausgibt, Verträge unterschreibt, oder Daten löscht, ist ein erhebliches Risiko. Heute werden solche Aktionen typischerweise nur als Empfehlung ausgegeben — der Mensch entscheidet final. Diese Trennung ist nicht nur juristisch geboten, sie ist auch praktisch nötig, weil die Fehlerquote noch zu hoch ist.

Konsistenz über Zeit. Ein Agent „erinnert“ sich nicht zwischen den Aufrufen. Wenn ein Kundenfall über mehrere Tage läuft, muss der Kontext explizit verwaltet werden — vom System, nicht vom Agenten selbst. Das ist ein lösbares Engineering-Problem, aber es ist nicht trivial.

Realistische Einstiegspunkte im Mittelstand.

Für mittelständische Unternehmen lohnen sich Agenten heute in drei Konstellationen. Ich nenne sie „geringes Risiko, klarer Mehrwert“.

Erste Konstellation: interne Recherche- und Analyse-Aufgaben. Ein Agent, der für Mitarbeitende Recherchen durchführt — Markt, Wettbewerb, Lieferanten, Branchennews — liefert messbaren Mehrwert mit überschaubarem Risiko. Wenn der Agent Fehler macht, sieht das der nutzende Mitarbeiter und korrigiert. Investition: 40.000 bis 100.000 Euro, Amortisation oft unter einem Jahr.

Zweite Konstellation: kundenorientierte Vor-Aufbereitung. Eingehende Kundenanfragen werden vom Agenten strukturiert und vorbereitet — wichtige Informationen extrahiert, ähnliche Vorgänge aus der Vergangenheit identifiziert, Antwortentwurf vorbereitet. Die Mitarbeiterin bekommt das Material und bearbeitet schneller. Investition: 60.000 bis 150.000 Euro, hoher Effizienzgewinn im Service.

Dritte Konstellation: Compliance- und Qualitätsprüfung. Vorgänge werden gegen definierte Regeln geprüft, Abweichungen markiert, dokumentiert. Der Agent macht die Sichtbarmachung, der Mensch die endgültige Bewertung. Besonders wertvoll bei hohen Volumen und klaren Regeln.

Was in allen drei Konstellationen gleich ist: Der Agent liefert Vorarbeit, der Mensch bleibt verantwortlich. Diese „Mensch-im-Loop“-Architektur ist heute die einzige, die im Mittelstand verantwortbar produktiv eingesetzt werden kann.

Was bei Agenten anders ist als bei einfachen LLM-Anwendungen.

Wer schon Erfahrung mit RAG- oder Chatbot-Projekten hat, sollte einige Unterschiede kennen, die Agenten-Projekte komplexer machen.

Erstens: Beobachtbarkeit ist entscheidend. Ein normales Sprachmodell hat einen Input und einen Output. Ein Agent hat dazwischen viele Schritte, die alle protokolliert werden müssen — sonst weiß niemand, warum der Agent zu seinem Ergebnis gekommen ist. Diese Protokollierung ist nicht Komfort, sondern Bedingung für Wartbarkeit und Vertrauensbildung.

Zweitens: Kosten sind unvorhersehbarer. Ein einfacher Sprachmodell-API-Aufruf kostet 0,01 bis 0,10 Euro. Ein Agent-Run kann je nach Komplexität zwischen 0,20 und 5 Euro kosten — weil mehrere Modellaufrufe und Werkzeug-Nutzungen anfallen. Diese Kostenstruktur muss überwacht werden, sonst gehen die Kosten schnell durch die Decke.

Drittens: Tests sind anders. Eine Antwort eines Sprachmodells ist deterministisch genug, um sie zu validieren. Ein Agent-Lauf hat viele Verzweigungen — die Tests müssen die ganze Aufgabe abdecken, nicht nur Einzelfragen. Diese Test-Disziplin ist anspruchsvoller als bei klassischen LLM-Anwendungen.

Viertens: Sicherheit ist tiefer. Ein Agent, der externe Werkzeuge nutzt, kann theoretisch Aktionen auslösen, die nicht beabsichtigt sind. „Tool Sandboxing“ — die strikte Begrenzung, was der Agent darf — ist eine kritische Architekturentscheidung.

Die Frage der Autonomie — wie viel ist verantwortbar?

Eine zentrale Designentscheidung bei jedem Agenten-Projekt: Wie autonom darf das System sein? Es gibt vier Stufen, die ein praktisches Spektrum aufspannen.

Stufe 1 — Vorschlag. Der Agent macht Vorschläge, ein Mensch genehmigt jeden Schritt. Höchste Sicherheit, geringster Effizienzgewinn. Geeignet für Erstanwendungen oder hochsensible Aufgaben.

Stufe 2 — Genehmigung. Der Agent führt Standardaktionen selbst aus, ungewöhnliche Aktionen werden zur Genehmigung vorgelegt. Mittlere Sicherheit, guter Effizienzgewinn. Typische produktive Konfiguration.

Stufe 3 — Beaufsichtigt. Der Agent führt alles selbst aus, ein Mensch prüft nachträglich und korrigiert. Hoher Effizienzgewinn, mittlere Sicherheit. Nur bei klar abgegrenzten Aufgaben sinnvoll.

Stufe 4 — Autonom. Der Agent handelt vollständig selbständig. Höchster Effizienzgewinn, höchstes Risiko. Heute fast überall problematisch — und in regulierten Bereichen oft schlicht unzulässig.

Die meisten produktiven Mittelstandsanwendungen 2026 sind auf Stufe 1 oder 2. Wer eine Anwendung auf Stufe 3 oder 4 plant, sollte sehr genau prüfen, ob er die Folgen einer Fehlentscheidung tragen kann — juristisch, finanziell, reputativ.

Grenzen, die mittelfristig bleiben werden.

Manche Grenzen lassen sich nicht durch ein weiteres Modelltraining auflösen. Drei Beispiele, mit denen Geschäftsführer realistisch rechnen sollten.

Erstens: Verantwortung bleibt beim Menschen. Auch wenn ein Agent eine Aufgabe perfekt erledigt — die rechtliche und kommerzielle Verantwortung kann nicht an ihn delegiert werden. Wenn ein Agent einen falschen Vertrag unterzeichnet, haftet das Unternehmen. Diese Realität wird nicht durch bessere Modelle aufgelöst, sie ist regulatorisch.

Zweitens: Tacit Knowledge bleibt schwierig. Vieles, was Mitarbeitende in mittelständischen Unternehmen tun, basiert auf implizitem Wissen — über Kunden, über interne Stimmungen, über historische Entscheidungen. Dieses Wissen ist schwer formal zu beschreiben und entsprechend schwer in einem Agenten zu kapseln. Agenten ersetzen nicht den erfahrenen Mitarbeiter, sie unterstützen ihn.

Drittens: Wechselseitige Beziehungen bleiben menschlich. Kunden, Lieferanten, Mitarbeitende — die zentralen geschäftlichen Beziehungen brauchen menschliche Verbindlichkeit. Ein Agent kann administrative Vorgänge handhaben, aber die Beziehung selbst bleibt zwischen Menschen. Wer das nicht respektiert, verliert mittelfristig Kunden und Mitarbeitende.

Was Sie als Geschäftsführung jetzt tun sollten.

Drei Schritte, die im Mittelstand jetzt sinnvoll sind:

1. Pilotprojekt mit niedrigem Risiko starten. Wählen Sie einen Anwendungsfall im internen Bereich (Recherche, Analyse, interne Dokumentation), bei dem ein KI-Agent Mitarbeitende unterstützt. Investition: 40.000 bis 80.000 Euro. Laufzeit: vier bis sechs Monate. Ziel: praktisches Verständnis aufbauen.
2. Tool-Standards prüfen. Welche Werkzeuge sollte ein Agent in Ihrem Unternehmen anbinden können? CRM, ERP, interne Wissensdatenbank, Mailsystem? Diese Standardisierung — etwa über MCP-Protokolle — ist die technische Vorarbeit.
3. Governance früh definieren. Welche Autonomiestufen werden im Unternehmen erlaubt? Welche Audit- und Eskalations-Mechanismen sind nötig? Diese Klärung gehört vor das erste produktive Projekt — nicht danach.

KI-Agenten werden die nächsten Jahre prägen. Wer heute nüchtern und mit überschaubarem Risiko beginnt, baut Wissen, Architektur und Erfahrung auf. Wer wartet, bis die Technologie ausgereift ist, hat den entscheidenden Vorlauf verpasst. Die konkrete Implementierung von Agenten im Unternehmen ist anspruchsvoll, aber nicht jenseits dessen, was ein mittelständischer Betrieb leisten kann — mit klarem Use Case, sauberer Architektur und realistischer Risiko-Einschätzung.

Sie sehen das Potenzial von KI-Agenten und wollen nicht abwarten, bis der Markt es Ihnen vorgibt? Unverbindlich anfragen — wir schauen gemeinsam auf einen passenden Erst-Use-Case, die nötige Architektur und realistische Erfolgskriterien.