KI-Agenten einsetzen: Welche Unternehmensprozesse sich wirklich eignen

KI-Agenten können mehr als klassische Chatbots: Sie können Informationen aus verschiedenen Datenquellen zusammenführen, komplexe Aufgaben analysieren, Entscheidungen vorbereiten und definierte Workflows in angebundenen Systemen ausführen. Ihr Nutzen entsteht jedoch nicht durch möglichst viel Autonomie, sondern durch den gezielten Einsatz in klar abgegrenzten Prozessen.

Die Kernaussage lautet daher: Der beste Einstieg ist nicht der spektakulärste Agent, sondern ein wiederkehrender Prozess mit messbarem Aufwand, klaren Regeln, geeigneten Daten und kontrollierbaren Risiken.

Was sind KI-Agenten? AI Agent, LLMs und Large Language Models erklärt

Ein Chatbot dient in erster Linie der Beantwortung von Fragen. Ein KI-Agent kann darüber hinaus ein Ziel verfolgen, mehrere Schritte planen, Informationen aus Systemen abrufen und freigegebene Aktionen auslösen. Nutzer formulieren ihr Anliegen in natürlicher Sprache. Large Language Models (LLMs) helfen dem Agenten dabei, Inhalte zu verstehen, zu strukturieren und passende nächste Schritte vorzuschlagen.

Systeme wie ChatGPT oder Microsoft Copilot werden häufig als Assistenten genutzt. Ein KI-Agent kann noch mehr, wenn er über freigegebene Tools und APIs auf Anwendungen zugreift, Daten analysiert oder Aktionen in einem Workflow ausführt. Generative KI liefert dabei Inhalte und Vorschläge, während die agentische KI zusätzlich Aufgaben, Systeme und definierte Abläufe koordiniert.

Der wirtschaftliche Hebel liegt somit nicht allein in einer besseren Benutzeroberfläche. Der Agent wird dort relevant, wo Mitarbeitende heute regelmäßig zwischen Anwendungen wechseln, Informationen zusammensuchen, Standardentscheidungen vorbereiten und Folgeaktivitäten manuell anstoßen.

Arten von KI-Agenten: Welche gibt es?

Nicht alle KI-Agenten funktionieren gleich. Der erforderliche Grad an Autonomie hängt von Aufgabe, Risiko und Datenzugriff ab:

• Assistierende KI-Agenten: Sie recherchieren, analysieren oder erstellen Entwürfe. Der Mensch trifft die Entscheidung und führt die Aktion aus.
• Spezialisierte KI-Agenten: Sie bearbeiten einen klar definierten Anwendungsfall, beispielsweise die Klassifikation von Anfragen oder die Prüfung von Dokumenten.
• Autonome KI-Agenten: Sie können innerhalb festgelegter Grenzen selbstständig Entscheidungen treffen und Aktionen ausführen. Für folgenreiche Schritte bleiben Freigaben notwendig.
• Multi-Agent-Systeme: Mehrere KI-Agenten arbeiten zusammen. Mehrere spezialisierte Agenten übernehmen dabei einzelne Aufgaben, während ein koordinierender Agent den Gesamtprozess steuert.

Für den Einstieg ist ein spezialisierter KI-Agent in der Regel leichter zu kontrollieren als ein komplexes System, in dem mehrere Agenten zusammenarbeiten.

Wann ist der Einsatz von KI-Agenten für die Automatisierung relevant?

Ein Prozess ist ein guter Kandidat, wenn mehrere der folgenden Merkmale zusammenkommen:

• Hohe Wiederholung: Die Aufgabe tritt regelmäßig und mit ausreichendem Volumen auf.
• Mehrere Arbeitsschritte: Informationen müssen geprüft, zusammengeführt, bewertet und weiterverarbeitet werden.
• Systemübergreifende Arbeit: Mitarbeitende wechseln zwischen E-Mail, Excel, ERP, CRM, Ticketsystem oder Dokumentenablage. Ein Agent kann diese Arbeit über APIs koordinieren.
• Klare Zielsetzung: Es ist eindeutig, welches Ergebnis der Agent liefern oder welche Aktion er auslösen soll.
• Prüfbare Ergebnisse: Fehler lassen sich erkennen und die Qualität kann anhand definierter Kriterien kontrolliert werden.
• Messbarer Aufwand: Bearbeitungszeit, Durchlaufzeit, Fehlerquote oder Kosten je Vorgang sind bekannt oder können erhoben werden.

Je unklarer das Ziel ist, je schlechter die Daten sind und je schwerwiegender eine falsche Entscheidung wäre, desto stärker muss der Mensch führen und kontrollieren.

Einsatz von KI-Agenten: konkrete Anwendungen im Unternehmen

1. Finance und Rechnungswesen

AI Agents können Rechnungen klassifizieren, Abweichungen erkennen und Forderungs- sowie Abschlussinformationen vorbereiten. Zahlungen, Buchungen und Kreditentscheidungen benötigen jedoch weiterhin definierte Freigaben.

2. Einkauf und Beschaffung

AI Agents prüfen Bedarfe, vergleichen Angebote und überwachen Liefertermine. Strategische Lieferanten- und Vertragsentscheidungen bleiben jedoch in menschlicher Verantwortung.

3. Kundenservice

Agents klassifizieren Anfragen, stellen Kundendaten zusammen, erstellen Antwortentwürfe und leiten Tickets weiter. Kritische oder unklare Fälle werden an Mitarbeitende übergeben.

4. Interne Services und Personalprozesse

KI-Agenten beantworten interne Fragen, koordinieren Onboardings und prüfen Anträge. Entscheidungen zu Vergütung, Leistung oder arbeitsrechtlichen Themen erfordern jedoch eine menschliche Prüfung.

5. IT-Service und Support

Agents priorisieren Störungen, nutzen bekannte Lösungswege und aktualisieren Tickets. Berechtigungen und produktive Systemänderungen müssen freigegeben und protokolliert werden.

 6. Vertrieb und Vertriebsinnendienst

Die Mitarbeiter bereiten Kundendaten, CRM-Einträge, Wiedervorlagen und Angebotsentwürfe vor. Preise, Verträge und strategische Kundenentscheidungen bleiben weiterhin Aufgabe des verantwortlichen Vertriebs.

 7. Produktion, Logistik und Supply Chain

Die Agents überwachen Liefer-, Bestands- und Produktionsabweichungen und bereiten Handlungsoptionen vor. Je größer die operative Auswirkung, desto klarer müssen Freigaben und Entscheidungsrechte geregelt sein.

Wann ist ein KI-Agent nicht die richtige Lösung?

Nicht jede Aufgabe profitiert vom Einsatz eines KI-Agenten. Insbesondere bei unklar beschriebenen oder selten auftretenden Problemen ist Skepsis angebracht. Auch ein unnötig komplexer und fachlich nicht geklärter Prozess bietet keine stabile Grundlage für einen Agenten. Gleiches gilt, wenn verlässliche Daten, eindeutige Zugriffsregeln oder eine verantwortliche Stelle fehlen. Besondere Vorsicht ist außerdem geboten, wenn sich die Ergebnisse des Agenten nicht zuverlässig prüfen oder anhand konkreter Kennzahlen bewerten lassen.

Wenn mögliche Fehler nur schwer erkennbar sind, kaum reversibel sind oder mit hohen finanziellen, rechtlichen oder personellen Auswirkungen verbunden sind, sollte ein KI-Agent nicht eigenständig handeln. Zudem ist zu prüfen, ob eine klassische Regelautomatisierung das Problem günstiger, transparenter und stabiler lösen kann. In diesen Fällen sollten Unternehmen zunächst den Prozess vereinfachen, fachliche Verantwortlichkeiten klären und die Datenbasis verbessern. Erst wenn diese Voraussetzungen erfüllt sind, lässt sich fundiert beurteilen, ob ein KI-Agent einen zusätzlichen wirtschaftlichen Nutzen bietet. Erst wenn diese Voraussetzungen erfüllt sind, lässt sich fundiert beurteilen, ob ein KI-Agent einen zusätzlichen wirtschaftlichen Nutzen bietet.

So findest du einen relevanten Anwendungsfall

Statt mit einer unternehmensweiten Strategie für Agentic AI zu beginnen, empfiehlt sich ein begrenzter Auswahlprozess. Fünf Fragen helfen Unternehmen, KI-Agenten einzusetzen und geeignete Anwendungen zu priorisieren:

1. Wie hoch ist der heutige Aufwand? Wie viele Vorgänge, Arbeitsstunden, Rückfragen und Korrekturen entstehen?
2. Wie klar ist das gewünschte Ergebnis? Kann eindeutig beschrieben werden, wann ein Vorgang korrekt bearbeitet wurde?
3. Welche Daten und Systeme werden benötigt? Sind Zugriffe, Schnittstellen und Datenqualität ausreichend?
4. Was passiert bei einem Fehler? Ist die Handlung reversibel und kann ein Mensch rechtzeitig eingreifen?
5. Wie wird der Nutzen gemessen? Welche Kennzahl soll sich nach der Einführung konkret verbessern?

Ein guter Pilot hat ein relevantes Volumen und einen sichtbaren Nutzen, bleibt aber fachlich und technisch so begrenzt, dass Fehler kontrollierbar sind.

KI-Agenten erstellen: Workflows, Tools und APIs

Die Entwicklung von KI-Agenten beginnt mit dem Prozess, nicht mit dem Sprachmodell. Bevor ein Team einen KI-Agenten erstellt, sollte es die einzelnen Aufgaben, Entscheidungen, Datenquellen und erforderlichen Systemzugriffe klar strukturieren. Erst wenn der fachliche Ablauf feststeht, lässt sich sinnvoll bestimmen, welche Tools, APIs und Large Language Models benötigt werden. Zunächst muss eindeutig definiert sein, welches Ziel der Agent erreichen soll, welche Regeln gelten und welche Aktionen grundsätzlich ausgeschlossen sind. Ebenso wichtig ist die Datenbasis: Es muss geklärt werden, auf welche internen Informationen der Agent zugreifen darf, wie deren Qualität gesichert wird und wer dafür verantwortlich ist. Anschließend wird festgelegt, welche Schritte automatisch ausgeführt werden können, wann eine menschliche Freigabe erforderlich ist und wie der Agent mit Ausnahmen oder Unsicherheiten umgehen soll.

Auch die technische Integration muss von Beginn an berücksichtigt werden. Dabei ist zu prüfen, welche Systeme der Agent lesen oder verändern muss, welche Tools und APIs dafür geeignet sind und welche minimalen Berechtigungen benötigt werden. Das verwendete Sprachmodell sollte passend zum konkreten Anwendungsfall ausgewählt werden, etwa für die Analyse von Informationen, die Verarbeitung natürlicher Sprache oder die Erstellung von Inhalten. Nach der Einführung müssen Qualität, Kosten, Fehler und unerwartetes Verhalten kontinuierlich überwacht werden. Bei der Entwicklung von KI-Agenten sollte klassische Automatisierung weiterhin ein fester Bestandteil der Architektur bleiben. Ein stabiler, regelbasierter Workflow ist für klar definierte und wiederkehrende Schritte häufig die günstigere und verlässlichere Lösung. Künstliche Intelligenz ergänzt diesen Ablauf dort, wo Informationen interpretiert, Zusammenhänge bewertet oder komplexe Aufgaben bearbeitet werden müssen.

Welche KPIs zeigen, ob KI-Agenten Effizienz und Automatisierung verbessern?

Ein Agent sollte nicht anhand der Zahl geführter Dialoge oder erzeugter Antworten bewertet werden. Entscheidend ist die Wirkung auf den Prozess.

• Bearbeitungszeit: Wie viel aktive Arbeitszeit wird je Vorgang eingespart?
• Durchlaufzeit: Wie schnell wird der gesamte Vorgang abgeschlossen?
• Automatisierungsquote: Welcher Anteil wird ohne manuellen Eingriff korrekt erledigt?
• Eskalationsquote: Wie viele Fälle müssen an Mitarbeitende übergeben werden?
• Qualität: Wie entwickeln sich Fehler, Nacharbeit und Beschwerden?
• Kosten je Vorgang: Stehen Lizenz-, Entwicklungs- und Betriebskosten in einem angemessenen Verhältnis zur Entlastung?
• Skalierbarkeit: Kann zusätzliches Volumen ohne proportionalen Personalaufbau verarbeitet werden?

Implementierung und Einführung von KI-Agenten im Unternehmen

Bei der Implementierung von KI-Agenten geht es nicht nur um Technik. AI Agents greifen auf Daten und Systeme zu und können im Namen eines Unternehmens handeln. Deshalb müssen Verantwortlichkeiten, Sicherheitsgrenzen und Erfolgskriterien vor der technischen Umsetzung feststehen.

• Der Agent erhält nur die Daten, Werkzeuge und Berechtigungen, die für seine Aufgabe erforderlich sind.
• Für Zahlungen, Verträge, Berechtigungen, Personalentscheidungen und andere folgenreiche Aktionen gelten menschliche Freigaben.
• Quellen, Entscheidungen, ausgeführte Aktionen und Übergaben werden nachvollziehbar protokolliert.
• Ausnahmen und Unsicherheiten werden sichtbar eskaliert.
• Für Betrieb, Qualität, Kosten und Risiken gibt es einen benannten Verantwortlichen.
• Der Agent kann bei Fehlverhalten gestoppt und auf einen sicheren Zustand zurückgesetzt werden.

Je höher die mögliche Auswirkung einer falschen Aktion, desto enger muss die menschliche Kontrolle sein. Autonomie ist damit keine Grundsatzentscheidung, sondern eine abgestufte Berechtigung. Nach der Einführung von KI-Agenten müssen Qualität, Kosten, Zugriffe und fachliche Ergebnisse kontinuierlich überprüft und optimiert werden.

Unternehmen mit KI-Agenten starten beim Geschäftsproblem

KI-Agenten können in nahezu allen Unternehmensbereichen unterstützen. Der größte Nutzen entsteht dort, wo sie wiederkehrende, informationsintensive Abläufe über Systemgrenzen hinweg bearbeiten und Mitarbeitende von Koordination, Recherche und Standardentscheidungen entlasten.

Dennoch sollte der Einstieg nicht mit der Frage beginnen, welcher Agent technisch möglich ist. Zunächst müssen das Geschäftsproblem, die Ausgangskosten, die Datenbasis, die Prozessverantwortung und die Risikogrenzen geklärt werden. Anschließend lässt sich entscheiden, ob ein KI-Agent, eine klassische Automatisierung oder eine Prozessvereinfachung den besten wirtschaftlichen Beitrag leistet.

Merksatz: Ein sinnvoller AI Agent übernimmt nicht möglichst viel Arbeit, sondern genau die Aufgaben, die klar abgegrenzt, messbar und kontrollierbar sind.

AI Agents und KI-Agenten wirtschaftlich einordnen

Unser Whitepaper „IT-Trends 2027 – Automatisierung, KI und SAP“ zeigt, wie sich klassische Automatisierung und KI verbinden lassen, warum Datenqualität entscheidend ist und wie der ROI im Prozess entsteht.