Ein KI-Agent bekommt ein Ziel statt einer Frage. Er zerlegt die Aufgabe in Schritte, ruft dafür Programme auf, prüft die Zwischenergebnisse und macht weiter, bis das Ziel erreicht ist oder er einen Menschen um Rat fragen muss. Genau das unterscheidet KI-Agenten von einem Chatbot, der nur antwortet. Dieser Ratgeber erklärt, wie KI-Agenten aufgebaut sind, welche Arten es gibt, wo sie sich im Unternehmen lohnen und worauf Sie bei Kosten, Datenschutz und Kontrolle achten sollten.
Was sind KI-Agenten? Einfach erklärt
Ein KI-Agent ist eine Software, die mit Hilfe künstlicher Intelligenz eine Aufgabe weitgehend autonom erledigt. Er nimmt Eingaben auf, entscheidet über den nächsten Schritt, handelt über angebundene Systeme und wertet das Ergebnis aus. Dieser Kreislauf wiederholt sich, bis die Aufgabe abgeschlossen ist.
Ein einfaches Beispiel: Sie schreiben „Finde für nächste Woche einen Termin mit Frau Weber und schick ihr eine Einladung“. Ein Sprachassistent würde Ihnen erklären, wie das geht. Ein KI-Agent greift auf Ihren Kalender zu, prüft freie Zeiten, schlägt zwei Termine vor, schreibt die Einladung und trägt den Termin nach Ihrer Bestätigung ein. Er arbeitet also mit den Werkzeugen, die Sie ihm freigegeben haben.
KI-Agent, Chatbot, Assistent – der Unterschied
Die Begriffe werden oft vermischt. Für die Praxis hilft diese Abgrenzung:
| Typ | Was er tut | Beispiel |
|---|---|---|
| Chatbot | Beantwortet Fragen im Dialog, meist auf Basis fester Regeln oder eines Sprachmodells | FAQ-Bot auf der Website |
| Virtuelle Assistenten | Führen einzelne Befehle aus, die der Nutzer ausdrücklich gibt | „Stell einen Timer auf zehn Minuten“ |
| KI-Agent | Plant mehrere Schritte selbst, nutzt Tools und korrigiert sich bei Fehlern | Reklamation prüfen, Auftrag nachschlagen, Gutschrift vorbereiten |
Die Grenzen sind fließend. Viele Chatbots bekommen heute Agentenfunktionen dazu, etwa den Zugriff auf eine Bestelldatenbank. Den Unterschied macht die Frage, ob das System selbst über den Lösungsweg entscheidet oder nur einen festgelegten Pfad abarbeitet.
Agentic AI: Wenn die KI selbst Schritte plant
Unter Agentic AI (auch agentische KI) versteht man KI-Systeme, die Ziele verfolgen, statt nur Texte zu erzeugen. Generativer KI genügt ein Prompt, danach liefert sie eine Antwort. Ein agentisches System dagegen formuliert Zwischenziele, wählt Werkzeuge, bewertet Ergebnisse und passt den Plan an. Diese Autonomie ist der Kern des Begriffs. Sie ist allerdings abgestuft: Manche Agenten dürfen nur Vorschläge machen, andere handeln innerhalb klarer Grenzen selbstständig.
Wie funktionieren KI-Agenten?
Technisch bestehen KI-Agenten aus wenigen Bausteinen, die zusammenspielen. Wer sie kennt, versteht auch, wo die Stärken und Schwachstellen eines Agenten liegen.
Sprachmodell (LLM) als Denkkern
Im Zentrum steht fast immer ein großes Sprachmodell, ein Large Language Model (LLM). Es versteht die Aufgabe in natürlicher Sprache, zerlegt sie in Schritte und entscheidet, welches Werkzeug als Nächstes gebraucht wird. Das Modell rechnet nichts in einer Datenbank nach und bucht nichts selbst. Es erzeugt Anweisungen, die dann von angebundenen Programmen ausgeführt werden. Die Qualität dieser Planung hängt stark vom gewählten Modell und von der Aufgabenbeschreibung ab.
Werkzeuge, APIs und das Model Context Protocol (MCP)
Ohne Werkzeuge bleibt ein Agent ein Gesprächspartner. Erst über Schnittstellen kann er handeln: eine E-Mail senden, einen Datensatz im CRM anlegen, eine Datei lesen, eine Websuche starten. Diese Anbindung läuft über APIs, also Programmierschnittstellen. Wie das im Detail funktioniert, beschreibt unser Beitrag zur API-Integration.
Damit nicht jedes Werkzeug für jedes KI-Modell neu angebunden werden muss, gibt es das Model Context Protocol, kurz MCP. Das offene Protokoll wurde Ende 2024 von Anthropic vorgestellt und wird inzwischen von vielen Anbietern unterstützt. Ein MCP-Server beschreibt, welche Funktionen ein System anbietet, und der Agent kann sie über ein einheitliches Format aufrufen. Das erleichtert die Integration neuer Datenquellen erheblich.
Gedächtnis und Kontext
Ein Agent muss wissen, was er schon getan hat. Das Kurzzeitgedächtnis ist der aktuelle Gesprächs- und Arbeitsverlauf. Für längerfristiges Wissen nutzen viele Systeme Retrieval-augmented Generation (RAG): Der Agent sucht passende Abschnitte aus Handbüchern, Verträgen oder Tickets heraus und bezieht sie in seine Antwort ein. So arbeitet er mit Ihren Unternehmensdaten, ohne dass das Modell neu trainiert werden muss. Wie gut das klappt, hängt direkt von der Datenqualität der Quellen ab.
Welche Arten von KI-Agenten gibt es?
In der Fachliteratur werden Agenten nach ihrer Arbeitsweise eingeteilt. Für Unternehmen ist vor allem wichtig, wie viel Planung und Lernfähigkeit ein Agent mitbringt.
Einfache und lernende Agenten
Einfache, reaktive Agenten folgen festen Regeln: Wenn ein bestimmtes Ereignis eintritt, lösen sie eine definierte Aktion aus. Ein Thermostat oder ein Spamfilter mit festen Regeln funktioniert so. Zielbasierte Agenten wägen dagegen ab, welcher Weg zum Ziel führt. Lernende Agenten gehen einen Schritt weiter. Sie werten Rückmeldungen aus und verbessern ihr Verhalten kontinuierlich, etwa wenn Mitarbeitende Vorschläge annehmen oder ablehnen. In der Praxis bedeutet „Agenten lernen“ bei LLM-basierten Systemen meist, dass Beispiele, Regeln und Korrekturen gespeichert und bei der nächsten Aufgabe mitgegeben werden.
Spezialisierte Agenten und Multi-Agenten-Systeme
Spezialisierte Agenten haben eine eng umrissene Aufgabe, etwa Rechnungen auslesen oder Supporttickets einordnen. Bei komplexen Abläufen arbeiten mehrere Agenten zusammen. In solchen Multi-Agenten-Systemen verteilt ein koordinierender Agent die Arbeit: Einer recherchiert, einer schreibt, einer prüft das Ergebnis. Das kann die Genauigkeit erhöhen, weil jeder Agent einen klaren Auftrag hat. Es kostet aber mehr Rechenzeit und macht Fehler schwerer nachvollziehbar. Mehrere Agenten lohnen sich deshalb erst, wenn ein einzelner Agent an der Menge oder Vielfalt der Teilaufgaben scheitert.
Wofür lohnen sich KI-Agenten? Anwendungsfälle
KI-Agenten bieten vor allem dort einen Nutzen, wo Aufgaben zwar wiederkehren, aber nicht immer gleich aussehen. Klassische Automatisierung stößt hier an Grenzen, weil sich nicht jede Variante vorab in Regeln fassen lässt.
Kundenservice und Vertrieb
Im Kundenservice beantworten Agenten Kundenanfragen rund um die Uhr, schlagen im Bestellsystem den Lieferstatus nach und leiten schwierige Fälle mit einer Zusammenfassung an einen Menschen weiter. Die Antworten fallen personalisiert aus, weil der Agent die Kundenhistorie kennt. Im Vertrieb qualifizieren Agenten eingehende Leads, ergänzen Firmendaten aus öffentlichen Quellen und bereiten Angebotsentwürfe vor. Die Entscheidung über Preise und Konditionen bleibt beim Vertriebsteam.
Recherche, Datenaufbereitung und Terminplanung
Viele Stunden gehen in Unternehmen für das Suchen, Kopieren und Zusammenfassen von Informationen drauf. Ein Agent kann Marktberichte durchsehen, die wichtigsten Punkte in eine Tabelle übertragen und Quellen verlinken. Bei der Datenaufbereitung liest er unstrukturierte E-Mails oder PDFs aus und überführt die Angaben in ein festes Format. Auch die Terminplanung eignet sich gut: Der Agent gleicht Kalender ab, schlägt Zeiten vor und verschickt Einladungen. Solche Aufgaben manuell zu erledigen, ist mühsam und fehleranfällig.
Automatisierung in Druck und Medien
In Verlagen und Druckereien helfen KI-Agenten bei der Auftragsannahme. Ein Agent prüft eingehende Druckdaten auf Format, Beschnitt und Farbprofil, gleicht sie mit dem Auftrag ab und schreibt dem Kunden bei Abweichungen eine verständliche Rückmeldung. Die eigentliche technische Prüfung übernimmt eine Preflight-Software, etwa gegen den Standard PDF/X. Der Agent verbindet die Schritte und formuliert die Kommunikation. In Redaktionen erstellen Agenten Varianten von Texten für verschiedene Kanäle oder verschlagworten Archivmaterial.
KI-Agenten erstellen – auch ohne Programmierkenntnisse
Früher war es aufwendig, KI-Agenten zu entwickeln. Heute gibt es drei Wege. Große Plattformen wie Microsoft Copilot Studio erlauben es, Agenten im Browser zu konfigurieren und direkt mit Microsoft 365 zu verbinden. Workflow-Werkzeuge bieten eigene Agenten-Bausteine. Und für Entwickler gibt es Frameworks wie LangChain, LangGraph, CrewAI oder das Agents SDK von OpenAI, mit denen sich anspruchsvolle Agenten im Code bauen lassen. Zu allen Wegen finden Sie zahlreiche Tutorials der Anbieter.
Workflow-Werkzeuge wie n8n als Grundlage
Für viele mittelständische Unternehmen ist ein Workflow-Werkzeug der pragmatische Einstieg. In n8n etwa ziehen Sie einen AI-Agent-Knoten auf die Arbeitsfläche, wählen ein Sprachmodell aus und hängen Werkzeuge an: Google Sheets, eine Datenbank, einen HTTP-Aufruf. Der Vorteil liegt darin, dass Agent und klassische Workflow-Automatisierung im selben Ablauf stehen. Feste Schritte laufen regelbasiert und damit zuverlässig, nur die Stellen mit Ermessen übernimmt die KI. So entsteht schneller ein funktionierender Agent als mit reinem Code.
Welche KI-Modelle eignen sich für Agenten?
Für Agenten braucht ein Modell mehr als gute Texte. Es muss Werkzeugaufrufe zuverlässig formatieren, längere Pläne durchhalten und bei Fehlern umsteuern. Die großen kommerziellen KI-Modelle von OpenAI (GPT), Anthropic (Claude) und Google (Gemini) sind darauf ausgelegt. Offene Modelle wie Llama, Mistral oder Qwen lassen sich selbst betreiben, liegen bei komplexen Planungsaufgaben aber je nach Größe oft zurück. Eine gute Empfehlung für den Start: Testen Sie mit einem starken Modell, bis der Ablauf funktioniert. Danach prüfen Sie, ob ein kleineres, günstigeres Modell für Teilaufgaben reicht.
Was kosten KI-Agenten?
Pauschale Preise gibt es nicht, weil sich die Kosten aus mehreren Posten zusammensetzen:
- Modellnutzung: Cloud-Modelle rechnen nach verarbeiteten Tokens ab. Ein Agent, der viele Schritte plant und lange Dokumente liest, verbraucht deutlich mehr als eine einzelne Chatanfrage.
- Plattform: Workflow-Tools und Agenten-Plattformen haben meist einen kostenlosen Einstieg und Bezahlstufen nach Ausführungen, Nutzern oder Funktionen.
- Einrichtung: Prozessaufnahme, Anbindung der Systeme und Tests sind oft der größte Aufwand, ob intern oder mit einem Dienstleister.
- Betrieb: Überwachung, Anpassung an geänderte Abläufe und Pflege der Wissensbasis laufen dauerhaft.
Rechnen Sie den Nutzen konkret: Wie viele Vorgänge pro Monat, wie viel Zeit pro Vorgang, wie viele Fehler vorher? Erst dann lässt sich sagen, ob Kosteneinsparungen und höhere Effizienz die laufenden Kosten übersteigen.
KI-Agenten lokal betreiben
Wer sensible Daten verarbeitet, kann KI-Agenten auch lokal ohne Cloud betreiben. Dafür laufen ein offenes Sprachmodell (etwa über Ollama oder vLLM) und das Workflow-Werkzeug auf eigener Hardware oder in einem eigenen Rechenzentrum. Die Daten verlassen dann das Unternehmen nicht. Der Preis dafür: Sie brauchen leistungsfähige Grafikkarten für größere Modelle, müssen Updates selbst einspielen und akzeptieren bei komplexen Aufgaben meist eine geringere Qualität als bei den stärksten Cloud-Modellen. Ein Mittelweg sind Cloud-Angebote mit Rechenzentrum in der EU und vertraglich ausgeschlossenem Training auf Ihren Daten.
Sind KI-Agenten DSGVO- und AI-Act-konform?
Ein KI-Agent ist weder automatisch konform noch automatisch unzulässig. Es kommt auf den Einsatz an. Für die DSGVO gelten die bekannten Fragen: Welche personenbezogenen Daten verarbeitet der Agent, auf welcher Rechtsgrundlage, bei welchem Anbieter und in welchem Land? Mit Cloud-Anbietern brauchen Sie einen Vertrag zur Auftragsverarbeitung. Bei Übermittlungen in Drittländer müssen die Voraussetzungen der DSGVO erfüllt sein. Zudem sollten Sie festhalten, auf welche Systeme der Agent zugreifen darf.
Die europäische KI-Verordnung (AI Act) ist seit 2024 in Kraft und wird schrittweise anwendbar. Sie ordnet KI-Systeme nach Risiko ein. Die meisten Agenten im Büroalltag fallen in niedrige Risikoklassen. Es gelten aber Transparenzpflichten: Wer mit einem KI-System spricht, muss das erkennen können. Setzen Sie Agenten in Bereichen wie Personalauswahl oder Kreditvergabe ein, können strengere Pflichten greifen. Klären Sie solche Fälle mit Ihrer Datenschutz- oder Rechtsabteilung und legen Sie eine interne Governance für KI-Tools fest.
Grenzen und Risiken: Zuverlässigkeit, Kontrolle, Transparenz
Sprachmodelle können sich irren und dabei überzeugend klingen. Bei einem Agenten wiegt das schwerer, weil ein Fehler in Schritt zwei alle folgenden Schritte beeinflusst. Hinzu kommt die Gefahr der Prompt Injection: Ein präpariertes Dokument oder eine E-Mail enthält versteckte Anweisungen, die der Agent für echte Befehle hält.
Daraus folgen einige Grundregeln für den Einsatz von KI-Agenten:
- Geben Sie dem Agenten nur die Rechte, die er für seine Aufgabe braucht.
- Lassen Sie Aktionen mit Folgen, etwa Zahlungen, Löschungen oder Kundenmails, von einem Menschen freigeben.
- Protokollieren Sie jeden Schritt, damit Entscheidungen nachvollziehbar bleiben.
- Testen Sie mit echten Beispielen, auch mit fehlerhaften und ungewöhnlichen Fällen.
Transparenz und Kontrolle sind kein Hindernis für die Automatisierung. Sie sind die Voraussetzung dafür, dass Mitarbeitende einem Agenten Aufgaben übertragen und nicht alles doppelt prüfen.
Häufige Fragen zu KI-Agenten
Ist ChatGPT ein KI-Agent?
Im klassischen Chat ist ChatGPT ein Assistent: Es antwortet auf Ihre Eingaben. OpenAI hat inzwischen aber Agentenfunktionen eingebaut, mit denen ChatGPT im Web recherchieren, Formulare ausfüllen oder mehrstufige Aufgaben erledigen kann. Ob ChatGPT als Agent arbeitet, hängt also vom Modus ab, den Sie nutzen.
Ersetzen KI-Agenten Mitarbeiter?
KI-Agenten übernehmen Aufgaben, keine ganzen Stellen. Sie erledigen Routinearbeit wie Daten übertragen, Anfragen sortieren oder Entwürfe schreiben. Beurteilung, Verantwortung und der Kontakt zu Kunden in schwierigen Situationen bleiben beim Menschen. In vielen Unternehmen verschiebt sich die Arbeit: weniger Kopieren, mehr Prüfen und Entscheiden. Die Produktivität steigt, wenn Teams die gewonnene Zeit für anspruchsvollere Aufgaben nutzen.
Welche KI-Agenten gibt es kostenlos?
Viele Plattformen bieten kostenlose Einstiegsstufen, etwa für eine begrenzte Zahl an Ausführungen. Die Community Edition von n8n können Sie selbst hosten, ohne Lizenzgebühren zu zahlen. Offene Frameworks wie LangChain sind ebenfalls frei nutzbar. Kosten entstehen dann vor allem für das Sprachmodell oder für die Hardware, wenn Sie es lokal betreiben.