Kaum ein Begriff wird gerade so strapaziert wie „KI-Agent". Jede Software-Demo zeigt einen, jeder Anbieter verkauft einen und laut Gartner liefern von tausenden Anbietern, die mit Agenten werben, nur rund 130 echte agentische Fähigkeiten. Der Rest sind umbenannte Chatbots und klassische Automatisierung.
Zeit für eine nüchterne Erklärung. Ohne Hype und mit den Zahlen, die Anbieter ungern zeigen.
Die kurze Antwort
Ein KI-Agent ist ein System, das ein Ziel bekommt und den Weg dorthin selbst plant. Es entscheidet eigenständig, welche Werkzeuge es nutzt (E-Mail, Kalender, Datenbank, Browser), prüft seine Zwischenergebnisse und ändert bei Fehlern den Kurs. Das unterscheidet ihn von einem Chatbot (der nur antwortet) und von einer Automatisierung, die stur einem festen Ablauf folgt.
Klingt mächtig. Ist es auch. Genau deshalb ist der Agent für die meisten Aufgaben im Mittelstand die falsche Werkzeugklasse. Der Reihe nach.
Die drei Stufen der Automatisierung
Fast jede Verwirrung um KI-Agenten löst sich auf, wenn man drei Stufen sauber trennt.
Stufe 1: Klassische Automatisierung
Wenn A passiert, tue B. Eine Rechnung kommt per E-Mail, das System legt sie im richtigen Ordner ab und trägt sie in eine Tabelle ein. Werkzeuge wie n8n, Make oder Zapier arbeiten so, ohne jede KI.
Diese Stufe ist billig, schnell und zu 100 Prozent vorhersagbar. Deutsche Praxisberichte schätzen, dass 70 bis 80 Prozent aller Automatisierungs-Aufgaben im Mittelstand genau hierhin gehören.
Stufe 2: KI-Workflow
Der Ablauf bleibt fest, aber einzelne Schritte übernimmt ein Sprachmodell. Die eingehende E-Mail wird von KI gelesen, zusammengefasst und einer Kategorie zugeordnet, danach läuft der feste Ablauf weiter. Anthropic selbst, einer der führenden KI-Hersteller, empfiehlt ausdrücklich diese Bauweise, solange sich die Schritte einer Aufgabe vorab definieren lassen.
Das ist für die meisten Unternehmen der Sweet Spot. Die KI bringt Sprachverständnis mit, der feste Ablauf bringt Kontrolle und Prüfbarkeit.
Stufe 3: Der echte KI-Agent
Erst hier bestimmt das Sprachmodell den Ablauf selbst. Sie geben ein Ziel vor („kläre diese Reklamation"), der Agent entscheidet über Reihenfolge, Werkzeuge und Rückfragen. Das braucht es nur, wenn sich der Lösungsweg nicht vorhersehen lässt und flexibel bleiben muss.
Der Preis für diese Freiheit sind höhere Kosten, längere Antwortzeiten und Fehler, die sich über viele Schritte aufschaukeln können. Auch das schreibt Anthropic offen in die eigene Anleitung.
Und was ist dann ein Chatbot? Ein Dialog-Werkzeug. ChatGPT und Co. beantworten Fragen und erstellen Texte, handeln aber nicht selbstständig in Ihren Systemen. Ein Agent ohne Auftrag ist ein Chatbot, ein Chatbot mit Werkzeugzugriff und Zielvorgabe wird zum Agenten.
| Ablauf | Entscheidet selbst | Typische Kosten | |
|---|---|---|---|
| Automatisierung | fest | nein | gering |
| KI-Workflow | fest, KI als Schritt | nur im Einzelschritt | moderat |
| KI-Agent | offen | ja | hoch |
| Chatbot | Dialog | nein | gering |
Was Agenten heute wirklich können
Damit das nicht theoretisch bleibt, drei Fälle aus der Praxis. Zwei davon sind Warnungen.
Klarna, der Erfolg mit eingebauter Grenze
Der Zahlungsanbieter Klarna ließ seinen KI-Assistenten 2024 2,3 Millionen Kundengespräche führen, die Arbeit von rund 700 Vollzeitkräften, mit Lösungszeiten von 2 statt 12 Minuten. Ein Jahr später ruderte der CEO öffentlich zurück. Die Qualität litt, Kosten waren ein zu dominanter Faktor geworden und Klarna stellte wieder Menschen für die komplexen Fälle ein.
Die Lehre daraus ist nicht „KI funktioniert nicht". Die Lehre ist präziser: KI trägt das Volumen, Menschen tragen die Ausnahmen. Wer das Verhältnis umdreht, bezahlt mit Kundenvertrauen.
Wenn Agenten außer Kontrolle geraten
Im Juli 2025 löschte ein Coding-Agent der Plattform Replit während eines ausdrücklich angeordneten Code-Stopps eine Produktionsdatenbank mit über 1.200 Datensätzen und behauptete anschließend fälschlich, eine Wiederherstellung sei unmöglich. Der Fall ist ausführlich dokumentiert und endete mit einer öffentlichen Entschuldigung des CEO.
Ein zweiter Fall aus einem Engineering-Postmortem: Eine Kette aus vier Agenten geriet in eine Endlosschleife, in der zwei Agenten sich gegenseitig elf Tage lang Arbeit zuschoben. Entdeckt wurde das nicht durch eine Abbruchbedingung, sondern durch die API-Rechnung über rund 47.000 Dollar.
Beide Fälle haben denselben Kern. Agenten brauchen technische Leitplanken (getrennte Umgebungen, Freigabe-Schwellen, Kostenlimits). Eine Anweisung in Textform ist keine Leitplanke.
Warum so viele Agenten-Projekte scheitern
Die Zahlen sind deutlich. Gartner erwartet, dass über 40 Prozent aller Agenten-Projekte bis Ende 2027 abgebrochen werden, wegen steigender Kosten, unklarem Geschäftswert und fehlender Risikokontrolle. Der MIT-Report „The GenAI Divide" kam 2025 zum Befund, dass 95 Prozent der GenAI-Piloten in Unternehmen keinen messbaren Ergebnisbeitrag liefern.
Interessant ist, woran es scheitert. Fast nie am Modell. Die Hauptgründe sind organisatorisch:
- Datenqualität. Der Agent arbeitet mit dem, was da ist. Ungepflegte Ablagen und widersprüchliche Listen bleiben ungepflegt, nur schneller.
- Undokumentierte Prozesse. Was kein Mensch beschreiben kann, kann auch kein Agent zuverlässig ausführen.
- Kein Business Case. Viele Projekte starten mit dem Werkzeug statt mit dem Engpass.
Zur Ehrlichkeit gehört auch die Gegenseite. Dieselben Gartner-Analysten, die vor den Abbrüchen warnen, erwarten bis 2028, dass 15 Prozent der täglichen Arbeitsentscheidungen autonom durch Agenten fallen und ein Drittel der Unternehmenssoftware agentische Funktionen enthält. Beides stand 2024 praktisch bei null. Die Technologie kommt also, nur eben nicht über Nacht und nicht über die Projekte, die ohne Fundament starten.
Dazu kommt das erwähnte Agent Washing. Prüfen Sie bei jedem Anbieter zwei Fragen. Entscheidet das System wirklich selbst über seinen Ablauf? Und was passiert konkret, wenn es sich irrt? Wer auf die zweite Frage keine klare Antwort hat, verkauft Ihnen einen Chatbot mit neuem Etikett.
Womit ein Mittelständler sinnvoll anfängt
Trotz aller Warnungen wächst der Einsatz schnell. Laut dem KI-Index Mittelstand 2026 von Salesforce und Deutschem Mittelstands-Bund setzen bereits 16,6 Prozent der Mittelständler KI-Agenten ein, fast doppelt so viele wie im Vorjahr. Die Frage ist also nicht ob, sondern in welcher Reihenfolge.
Unsere Empfehlung deckt sich mit der von Gartner und Anthropic:
- Engpass zuerst. Suchen Sie den Prozess, der heute nachweislich Zeit oder Umsatz kostet, nicht den, der in der Demo gut aussieht.
- Kleinste ausreichende Stufe wählen. Reicht eine Regel, nehmen Sie die Regel. Reicht ein KI-Workflow, nehmen Sie den Workflow. Der teuerste Fehler ist ein Agent für eine Aufgabe, die eine simple Automatisierung für ein Zehntel erledigt hätte.
- Messbar pilotieren. Ein Prozess, ein Team, feste Vorher-Kennzahl, Mensch prüft die Ergebnisse.
Zu den Kosten kursieren viele Zahlen, deshalb hier die Größenordnung aus aktuellen Marktschätzungen. Ein fokussierter erster Agent liegt bei 15.000 bis 50.000 Euro Aufbau plus laufenden Kosten von 500 bis 2.500 Euro im Monat, mit Amortisation bei volumenstarken Aufgaben (etwa Rechnungsverarbeitung) in 3 bis 6 Monaten. Wichtig dabei: Die Technik ist erfahrungsgemäß nur 20 bis 30 Prozent der Gesamtkosten. Der Rest steckt in Datenaufbereitung, Anbindung und Einführung. Ein KI-Workflow startet dagegen oft im niedrigen vierstelligen Bereich. Welche Werkzeuge sich dafür ohne eigenes IT-Team eignen, zeigt unser Überblick über KI-Tools für kleine Unternehmen.
Use-Cases, an denen der Einstieg selten scheitert
Wenn Sie einen konkreten Startpunkt suchen, haben sich drei Aufgaben in der Praxis bewährt. Alle drei haben hohes Volumen, klare Regeln und einen messbaren Vorher-Wert:
- Rechnungsverarbeitung. Marktschätzungen beziffern die manuellen Kosten pro Eingangsrechnung auf 12 bis 30 Euro (Personalzeit, Fehlerkorrekturen, Freigabeschleifen). KI-gestützt sinkt das auf 1 bis 3 Euro. Bei 500 Rechnungen im Monat rechnet sich das Projekt in wenigen Monaten von selbst, als Richtwert, nicht als Garantie.
- E-Mail-Triage. Eingehende Anfragen lesen, kategorisieren, an die richtige Person leiten und eine Antwort vorbereiten. Ein klassischer KI-Workflow, kein Agent nötig, aber täglich gesparte Stunden im Posteingang.
- Angebots-Vorbereitung. Die KI sammelt Kundendaten, frühere Angebote und Preislisten zusammen und baut den Entwurf. Der Mensch prüft und verschickt. Wichtig als Leitplanke: Preise kommen immer aus Ihrem System, nie aus dem Sprachmodell. Sprachmodelle erfinden im Zweifel plausible Zahlen und genau das darf bei Preisen nicht passieren.
Auffällig ist, was auf dieser Liste fehlt. Kundenkontakt nach außen. Das ist Absicht. Der MIT-Report fand den höchsten Ertrag im Backoffice, nicht in Vertrieb und Marketing. Starten Sie da, wo Fehler intern auffallen, bevor Kunden sie sehen.
EU AI Act, das Nötigste für Geschäftsführer
Kein Rechtsberatungs-Kapitel, nur das, was Sie jetzt kennen sollten:
- Schulungspflicht gilt längst. Seit Februar 2025 müssen Unternehmen sicherstellen, dass Mitarbeiter, die KI nutzen, dafür ausreichend kompetent sind. Das betrifft auch die normale ChatGPT-Nutzung im Büro.
- Kennzeichnung ab 2. August 2026. Wenn Kunden mit Ihrem KI-System interagieren (etwa im Service-Chat), müssen sie das erfahren. Ein klarer Hinweis genügt.
- Die Strafen sind real, bis zu 15 Millionen Euro oder 3 Prozent des Umsatzes. Für typische Mittelstands-Anwendungen ist der Aufwand zur Einhaltung aber überschaubar, es geht im Kern um Transparenz und Schulung.
Die drei Fragen vor dem ersten Agenten-Projekt
Wenn Sie nur eines aus diesem Artikel mitnehmen, dann diese Prüfliste:
- Lässt sich der Ablauf vorab beschreiben? Dann brauchen Sie keinen Agenten, sondern eine Automatisierung oder einen KI-Workflow.
- Was kostet ein Fehler? Je höher der Schaden im Irrtumsfall, desto enger die Leitplanken und desto später der Agent.
- Woran messen Sie den Erfolg? Ohne Vorher-Kennzahl werden Sie Teil der 95-Prozent-Statistik und merken es nicht einmal.
Wer diese drei Fragen sauber beantwortet, hat den meisten Anbietern schon etwas voraus. Und wer bei der Antwort Unterstützung will, dem hilft ein strukturierter Blick von außen auf Prozesse und Datenlage, wie wir ihn in der KI-Beratung machen, bevor irgendein Werkzeug gekauft wird.
