Ein AI-Agent ist eine KI-gestützte Software, die ein bestimmtes Ziel verfolgt, Informationen auswertet und innerhalb klar definierter Regeln selbstständig Arbeitsschritte in angebundenen Systemen ausführt. Er verbindet Daten, Entscheidungen und Aktionen. Sein Nutzen zeigt sich in kürzeren Durchlaufzeiten und weniger manuellen Übergaben.
Voraussetzungen sind klare Regeln, saubere Zugriffsrechte und menschliche Freigaben an den entscheidenden Stellen. Eine Rechnung kommt per E-Mail. Jemand öffnet den Anhang, überträgt Daten, gleicht Beträge ab, sucht die Bestellung und stößt die Freigabe an. Kein Schritt ist besonders kompliziert. Zusammen kosten sie trotzdem jeden Tag Zeit. Genau hier werden AI-Agents interessant.
Vom Antworten zum Handeln
Generative KI ist vielen durch ChatGPT oder Microsoft Copilot bekannt: Sie kann Texte formulieren, Dokumente zusammenfassen oder Ideen liefern. Das kann durchaus hilfreich sein. Der eigentliche Prozess bleibt jedoch oft beim Menschen. Die Antwort muss geprüft, in ein anderes System übertragen und in den nächsten Arbeitsschritt übersetzt werden. Ein AI-Agent geht einen Schritt weiter. Er erfasst nicht nur, was in einer E-Mail oder einem Dokument steht.
Er kann auch passende Daten hinzuziehen, Regeln prüfen, den nächsten Schritt auswählen und eine Aktion auslösen. Der entscheidende Unterschied ist also nicht, dass der Agent besser schreibt. Er kann handeln. Die Begriffe „AI-Agent” und „KI-Agent” meinen im Unternehmenskontext dasselbe. Der englische Begriff ist gängiger, der deutsche oft verständlicher. Wichtig ist weniger die Bezeichnung als die Frage: Welche Aufgabe darf das System verlässlich übernehmen?
Wie arbeitet ein AI-Agent?
Vereinfacht läuft die Arbeit eines Agenten in fünf Schritten ab:
- Zunächst erhält der AI-Agent ein klares Ziel, etwa eingehende Rechnungen für die Freigabe vorzubereiten.
- Anschließend sammelt er die benötigten Informationen aus E-Mails, PDFs, ERP-Systemen oder dem CRM.
- Auf dieser Grundlage prüft er die Daten nach festgelegten Regeln und berücksichtigt dabei den jeweiligen Kontext.
- Danach stößt der Agent über freigegebene Systeme und Werkzeuge den passenden nächsten Arbeitsschritt an.
- Zum Abschluss dokumentiert er das Ergebnis. Fehlt eine Freigabe oder tritt eine Ausnahme auf, bindet er die zuständige Person ein.
Das klingt autonom, ist aber kein Freifahrtschein. Ein sinnvoll gebauter Agent hat einen klaren Auftrag, begrenzte Zugriffsrechte und definierte Stoppschilder. Er weiß, wann er selbst weiterarbeiten darf und wann ein Mensch übernehmen muss.
Ein Beispiel aus dem Rechnungsprozess
Nehmen wir an, eine Lieferantenrechnung trifft als PDF im zentralen Postfach ein. Ein KI-Agent liest die Rechnungsnummer, den Betrag und den Lieferanten aus. Anschließend gleicht er die Angaben mit der Bestellung und den Stammdaten im ERP-System ab. Stimmen die Werte überein, bereitet der Agent die Buchung vor und startet den vereinbarten Freigabeprozess. Fehlt eine Bestellnummer oder weicht der Betrag ab, bucht der Agent nicht einfach weiter. Er markiert die Abweichung, stellt eine gezielte Rückfrage oder leitet den Vorgang an die zuständige Person weiter. Der Standardfall wird schneller abgewickelt und die Verantwortung für kritische Entscheidungen bleibt dort, wo sie hingehört.
AI-Agent oder klassische Automatisierung?
Bei der klassischen Automatisierung wird ein festgelegter Pfad verfolgt. Ein KI-Agent kann hingegen auch E-Mails, PDFs und Freitext einordnen und innerhalb definierter Grenzen den nächsten passenden Schritt auswählen. Nicht jeder Prozess benötigt KI. Sind die Eingaben sauber strukturiert und läuft jeder Fall nach denselben Regeln ab, ist eine klassische Workflow-Automatisierung oft einfacher, günstiger und besser vorhersehbar. KI-Agenten spielen ihre Stärke aus, wenn Inhalte variieren, Informationen fehlen oder mehrere Systeme und Ausnahmen zusammenkommen.
| Kriterium | Klassische Automatisierung | AI-Agent |
|---|---|---|
| Eingaben | Klare, strukturierte Daten | Auch E-Mails, PDFs und Freitext |
| Ablauf | Feste Regeln und definierte Pfade | Wählt innerhalb gesetzter Grenzen den nächsten Schritt |
| Abweichungen | Stoppt häufig oder übergibt an einen Menschen | Kann fehlende Angaben erkennen, nachfragen oder eskalieren |
| Stärke | Stabile Standardprozesse | Variable Prozesse mit unterschiedlichen Informationen und Ausnahmen |
Wo sind AI-Agents im Unternehmen sinnvoll?
Besonders interessant sind wiederkehrende Prozesse mit hohem manuellem Anteil und vielen Medienbrüchen. Typische Einsatzfelder sind:
- Finanzen: Rechnungen vorprüfen, Abweichungen erkennen und Freigaben vorbereiten.
- Service: Anfragen einordnen, fehlende Angaben erfragen und Tickets anreichern.
- Vertrieb: Kundenanfragen qualifizieren, CRM-Daten ergänzen und Aufgaben anlegen.
- Einkauf: Angebote vergleichen, Konditionen prüfen und Rückfragen vorbereiten.
- Verträge: Pflichtangaben und Abweichungen markieren, ohne die rechtliche Entscheidung vorwegzunehmen.
Die gemeinsame Klammer ist nicht die Abteilung, sondern die Art der Arbeit: Informationen suchen, vergleichen, übertragen, nachfassen und dokumentieren. Genau diese Tätigkeiten binden viel Zeit, obwohl die fachliche Expertise an anderer Stelle dringender gebraucht wird.
Wann rechnet sich ein AI-Agent?
Nur weil ein AI-Agent technisch funktioniert, ist er noch nicht automatisch wirtschaftlich. Ausschlaggebend ist, ob er einen häufigen und messbaren Aufwand reduziert. Besonders interessant sind Prozesse mit vielen Vorgängen, langen Durchlaufzeiten, wiederkehrenden Fehlern oder zahlreichen manuellen Übergaben. Um eine belastbare Bewertung zu erhalten, solltest du vor dem Start einige Kennzahlen erfassen.
- Wie viele Vorgänge fallen pro Monat an?
- Wie viel Arbeitszeit kostet ein Vorgang durchschnittlich?
- Wie viele manuelle Eingriffe sind notwendig?
- Wie häufig entstehen Fehler oder Rückfragen?
- Wie lange dauert der Prozess bis zur Freigabe?
- Welche Kosten entstehen pro Vorgang?
Diese Ausgangswerte vergleichst du später mit den Ergebnissen des Pilotbetriebs. So wird sichtbar, ob der Agent tatsächlich Zeit spart, Fehler reduziert und vorhandene Teams entlastet. Der Business Case sollte dabei nicht nur die eingesparte Arbeitszeit berücksichtigen. Auch kürzere Freigabezyklen, weniger Nacharbeit, eine bessere Datenqualität und eine höhere Prozesskapazität können wirtschaftlich relevant sein. Erst wenn diese Effekte die Kosten für Entwicklung, Integration, Betrieb und Kontrolle rechtfertigen, ist die funktionierende KI-Lösung eine sinnvolle Investition.
Was ein AI-Agent braucht, um verlässlich zu arbeiten
Ein guter Agent ist nicht nur ein leistungsfähiges KI-Modell. Er ist Teil eines sauber definierten Prozesses. Bevor ein Unternehmen startet, sollten sechs Fragen beantwortet sein:
- Wo beginnt und endet der Prozess?
- Welche Daten und Systeme darf der Agent nutzen?
- Welche Aktionen darf er selbstständig ausführen?
- Welche Entscheidungen brauchen eine menschliche Freigabe?
- Wie werden Schritte, Fehler und Kosten protokolliert?
- Wer ist fachlich und technisch verantwortlich?
Diese Leitplanken werden oft unter dem Begriff Governance zusammengefasst. Das klingt trocken, ist aber praktisch: Ein falscher Textentwurf ist schnell korrigiert. Eine falsch ausgelöste ERP-Buchung kann Liquidität, Compliance und Vertrauen berühren.
Was kosten AI-Agents und wie bleiben sie kontrollierbar?
Die Kosten eines AI-Agents hängen vom Prozess, den benötigten Schnittstellen und den Sicherheitsanforderungen ab. Eine klar begrenzte Pilotlösung ist günstiger als ein Agent, der mehrere Systeme und Sonderfälle abdecken muss. Zusätzlich entstehen Aufwände für die Integration in ERP, CRM oder andere Fachanwendungen. Im Betrieb fallen Kosten für KI-Nutzung, Überwachung, Wartung und Anpassungen an. Das Risiko falscher Aktionen wird durch begrenzte Berechtigungen, feste Regeln und Freigabegrenzen reduziert. Kritische Vorgänge wie Zahlungen oder Buchungen sollten zunächst eine menschliche Freigabe benötigen.
Ändert sich ein Prozess oder System, müssen Regeln, Schnittstellen und Tests überprüft werden. Deshalb braucht jeder produktive Agent ein geregeltes Änderungs- und Testverfahren. Qualität, Berechtigungen und Kosten sollten Fachbereich, IT und Informationssicherheit gemeinsam kontrollieren. Ob sich die Umsetzung lohnt, hängt von Vorgangsvolumen, Bearbeitungszeit, Fehlerquote und Prozesskosten ab. Je häufiger und standardisierbarer ein Vorgang ist, desto schneller kann sich die Investition rechnen.
Der Mensch bleibt an den entscheidenden Stellen
Zwischen vollständiger Autonomie und permanenter Kontrolle liegt mit Human-in-the-Loop ein praktikabler Mittelweg. Der Agent bearbeitet klare Standardfälle. Bei ungewöhnlichen Abweichungen, hohen Beträgen oder rechtlich relevanten Entscheidungen fordert er jedoch eine Prüfung an. So bleibt menschliche Aufmerksamkeit bei Ausnahmen und wichtigen Entscheidungen erhalten. Das hilft Teams, mehr Vorgänge zu bewältigen, ohne jede zusätzliche Aufgabe mit einer neuen Stelle abzufangen.
So starten Unternehmen sinnvoll
Ein guter erster Anwendungsfall tritt häufig auf, ist klar abgrenzbar, messbar und mit überschaubaren Risiken verbunden. Lege vorab fest, woran du den Erfolg erkennst, zum Beispiel:
- Bearbeitungszeit pro Vorgang
- Anzahl manueller Eingriffe
- Fehler- und Rückfragequote
- Kosten je Prozessdurchlauf
- Durchlaufzeit bis zur Freigabe
Erst der Vergleich der Situation vor und nach der Einführung zeigt, ob der Agent tatsächlich entlastet wurde. Eine gute Demo ist noch kein Business Case. Ausschlaggebend ist, ob der Prozess im Alltag stabiler, schneller und wirtschaftlicher abläuft.
Kein digitaler Kollege mit Zauberkräften
AI-Agents sind weder allwissend noch automatisch autonom. Sie sind digitale Ausführende für klar umrissene Aufgaben. Bei richtiger Anwendung verbinden sie Informationen, Systeme und Arbeitsschritte. Sie übernehmen Routineaufgaben, erkennen Ausnahmen und holen den Menschen dort hinzu, wo Urteilskraft und Verantwortung gefragt sind. Ihr wirtschaftlicher Wert entsteht, wenn ein konkreter Engpass messbar kleiner wird. Deshalb beginnt ein gutes Agentenprojekt nicht mit dem neuesten Tool. Wähle stattdessen einen wiederkehrenden Prozess aus und messe zwei Wochen lang Menge, Zeit, Fehler und Übergaben. So hast du eine belastbare Grundlage für einen Potenzialcheck.
