Im vergangenen Jahr können Sie LinkedIn nicht öffnen, ohne dass Ihnen jemand erklärt, warum Sie einen KI-Agenten brauchen. Salesforce hat Agentforce. Make hat eine neue Generation von KI-Agenten gestartet. Zapier bietet Enterprise-Agenten an. Über die OpenAI API bauen Sie sich einen eigenen. Und jede zweite Konferenzpräsentation beginnt mit den Worten „Agenten sind die Zukunft der Arbeit."
Vielleicht. Aber wenn ich mit den Geschäftsführern mittelständischer Unternehmen spreche, braucht die Mehrheit von ihnen keinen Agenten. Sie brauchen eine gut konfigurierte Automatisierung. Der Unterschied zwischen beidem entscheidet über das Budget und darüber, ob das Ergebnis in einem halben Jahr überhaupt noch jemand pflegen kann.
Zapier und Make stehen auf einem einzigen Prinzip. Sie definieren einen Trigger und eine Aktion. Kommt eine E-Mail mit einer Rechnung, landet der Anhang auf Google Drive und eine Benachrichtigung geht an Slack. Ändert sich ein Bestellstatus im CRM, wird der Datensatz im Buchhaltungssystem aktualisiert.
Es ist deterministisch und vorhersehbar. Genau deshalb ist es so wertvoll. Sie wissen im Voraus, was passiert, und wenn Sie es einmal eingerichtet haben, läuft es monatelang ohne Eingriff.
Ein Agent funktioniert anders. Er bekommt ein Ziel statt einer Anweisung. Er hat Zugriff auf Werkzeuge, Daten und Verlauf und sucht sich selbst die Schritte, mit denen er ans Ziel kommt.
Sagen Sie ihm „bearbeite diese Kundenbeschwerde", und er liest die Nachricht, holt die Historie des Kunden aus dem CRM, beurteilt die Schwere und entscheidet, ob er selbst antwortet oder an einen Menschen übergibt. Antwortet er, wählt er Ton und Inhalt nach Kontext.
Der Unterschied passt in einen Satz. Automatisierung führt Anweisungen aus, ein Agent trifft Entscheidungen. Und mit Entscheidungen kommt ein Risiko, das jemand im Griff behalten muss.
Nach zehn Monaten, in denen wir beide Ansätze bei Kunden eingesetzt haben, ist daraus ein einfaches Entscheidungsframework geworden. Wir halten uns auch dann daran, wenn ein Kunde direkt mit dem Wunsch nach einem Agenten kommt.
Wenn Ihre Eingaben ein vorhersehbares Format haben und sich die Regeln als If/Then-Logik formulieren lassen, brauchen Sie keinen Agenten. Automatisierung kommt günstiger, ist schneller eingerichtet und läuft auch ohne Spezialisten weiter. Dazu gehören die Synchronisierung von CRM und Buchhaltung, statusbasierte Benachrichtigungen, Dokumente aus Vorlagen oder regelmäßige Berichte aus der Datenbank.
Wenn Eingaben in unterschiedlichen Formaten und in natürlicher Sprache eintreffen und die Verarbeitung ein Urteil verlangt, lohnt sich ein Agent. Typisch sind die Analyse von Kundenbeschwerden, die Klassifizierung von Dokumenten nach Inhalt, die Beantwortung komplexer Fragen aus einer Knowledge Base oder die Bewertung von Lieferantenangeboten.
Und hier wird es interessant. Die meisten echten Lösungen sind weder ein reiner Agent noch reine Automatisierung. Es ist ein Automatisierungs-Workflow, der an den Entscheidungsknoten die KI aufruft. Make oder Zapier steuert den Ablauf, die KI entscheidet dort, wo es nötig ist, und der Rest läuft deterministisch. Sie zahlen Intelligenz also nur in den wenigen Schritten, in denen Sie sie wirklich brauchen.
Im Vertriebspostfach gehen täglich über 200 Nachrichten ein, und das Vertriebsteam verbringt jeden Tag eine Stunde nur mit dem Sortieren.
Zapier erfasst jede neue E-Mail und schickt sie an die OpenAI API. Die ordnet die Nachricht einer von fünf Kategorien zu, also neue Anfrage, bestehender Deal, Spam, Beschwerde oder Abrechnung. Je nach Ergebnis leitet Zapier die E-Mail an den richtigen Slack-Kanal weiter, vergibt einen Tag im CRM oder antwortet bei Spam und eindeutigen Fragen gleich selbst.
Ein vollwertiger Agent wäre hier überflüssig. Der Ablauf ist klar, und die KI erledigt eine einzige Aufgabe, nämlich die Klassifizierung. Der Rest ist deterministische Automatisierung, also weniger Fehler und eine kleinere API-Rechnung.
Der Kundensupport beantwortet zu 80 % dieselben Fragen. Ohne Kontext geht das trotzdem nicht, also ohne den Tarif des Kunden, die Kommunikationshistorie und den Überblick über aktuelle Vorfälle.
Hier setzen wir einen KI-Agenten ein, der an Knowledge Base, CRM und Monitoring hängt. Der Kunde stellt eine Frage, der Agent sucht die passende Dokumentation, prüft dessen Historie und beurteilt, ob er selbst antworten kann. Wenn ja, antwortet er. Wenn nicht, erstellt er ein Ticket mit Kontext und weist es der richtigen Person zu.
Automatisierung würde das nicht schaffen, denn die Fragen sind unvorhersehbar und der Kontext ändert sich. Der Agent muss die Bedeutung verstehen, nicht die Schlüsselwörter. Entscheidend ist aber etwas anderes. Der Agent hat klar definierte Grenzen, ab wann er an einen Menschen eskaliert, und über Rückerstattungen, Vertragsbedingungen oder technische Eingriffe entscheidet er nie selbst.
Das Management möchte einen wöchentlichen Leistungsüberblick, nur liegen die Daten in drei Systemen verstreut und ein Analyst verliert jeden Freitag an deren Zusammenstellung.
Ein Make-Workflow zieht jeden Freitag um 6:00 Uhr morgens Daten aus dem CRM, der Buchhaltung und dem Projektmanagement-Tool. Er aggregiert sie zu strukturiertem JSON und schickt das an die OpenAI API, die daraus eine Executive Summary generiert, also wichtigste Kennzahlen, Trends und Empfehlungen. Das Ergebnis geht per E-Mail und an Slack.
Für einen Agenten gibt es hier nichts zu tun. Die Daten sind strukturiert und der Ablauf ist jede Woche derselbe. Die KI fasst zusammen und interpretiert, entscheiden tut sie nicht.
Der häufigste Fehler. Ein Unternehmen liest über Agenten und will für jeden Prozess einen. Am Ende stehen hohe Kosten für API-Calls, unvorhersehbares Verhalten und Fehler, die sich kaum debuggen lassen. Halten Sie sich an eine einfache Faustregel. Wenn sich der Prozess als Flussdiagramm ohne Entscheidungsrauten zeichnen lässt, brauchen Sie keinen Agenten.
Der Agent entscheidet autonom und niemand kontrolliert die Ausgaben. Im ersten Monat ist alles großartig. Im zweiten Monat beginnt der Agent, Antworten zu generieren, die nicht ganz richtig sind. Im dritten Monat reichen Kunden Beschwerden ein. Jeder Agent braucht deshalb einen definierten Eskalationspfad und eine Grenze, ab der ein Mensch eingreift.
Wenn ein Agent eine schlechte Entscheidung trifft, müssen Sie wissen, warum. Ohne Log von Eingaben, Entscheidungsprozess und Ausgaben können Sie ihn nicht debuggen. Loggen Sie die Eingaben, den Prompt, die Modellantwort, die ausgeführte Aktion und das Ergebnis.
Bei jedem KI-Einsatz in der Produktionsumgebung halten wir vier Dinge ein.
Keine Daten gehen im Klartext über die Leitung. Die Kommunikation zwischen Tools, APIs und Datenbanken läuft über TLS.
Der Agent greift nur auf das zu, was er braucht. Verarbeitet er E-Mails, kommt er an Finanzdaten nicht heran. Wenn er sich dann irrt, irrt er sich in einem abgegrenzten Raum.
Jede Entscheidung des Agenten landet im Audit-Log. Wer, wann, was und warum. Die Aufsichtsbehörde fragt irgendwann, und Sie müssen antworten können.
Bleiben Rate Limiting und Kostenobergrenzen. Ein Agent ohne Limit für API-Calls ist ein Sicherheits- und ein Finanzrisiko, denn ein Workflow, der sich in sich selbst dreht, verbrennt ein Monatsbudget, bevor es jemand bemerkt.
Stellen Sie sich einen Make-Workflow mit einem KI-Knoten vor, der eingehende Bestellungen nach Komplexität klassifiziert. Die Bestellung gelangt ins System, der Workflow schickt sie an das gewählte Modell, und das Modell schlägt eine Kategorie anhand der Positionsanzahl und der Sonderanforderungen vor.
Einfache Bestellungen (Standardprodukte, gewöhnliche Adresse, keine besonderen Anforderungen) gehen direkt in die automatische Verarbeitung. Komplexe Bestellungen (große Mengen, nicht standardmäßige Anforderungen, neue Kunden mit hohem Wert) werden zur manuellen Prüfung markiert.
Das ist eine Architekturskizze und keine Aussage über ein Kundenergebnis. Ein echter Pilot muss an echten Daten gemessen werden. Achten Sie auf den Anteil korrekt eingeordneter Bestellungen, die Zahl der manuellen Korrekturen und die Bearbeitungszeit vor und nach dem Einsatz.
Kein Agent. Ein deterministischer Workflow mit einem einzigen KI-Entscheidungsknoten und einem klaren Weg zur manuellen Prüfung.
Sie brauchen nicht für alles einen Agenten. Die meisten Geschäftsprozesse lassen sich mit Standardwerkzeugen automatisieren. Wo eine Entscheidung nötig ist, fügen Sie einen KI-Knoten hinzu. Und einen vollwertigen Agenten setzen Sie nur dort ein, wo es echte Komplexität gibt und wo die Infrastruktur für Monitoring, Logging und Eskalation bereitsteht.
Wenn Sie herausfinden möchten, wo KI in Ihrem Unternehmen sinnvoll ist und wo Automatisierung genügt, schaffen wir das in einem zweiwöchigen AI Sprint. Wir kartieren die Prozesse, entwerfen eine Lösung und liefern einen funktionierenden Prototyp. Melden Sie sich und wir vereinbaren ein Erstgespräch.
Gründer und technischer Leiter von Rise.sk. Er konzipiert und liefert Webanwendungen, Datensysteme und Automatisierungen und schreibt über Softwareentscheidungen, KI und digitale Dienste.
Chinesische Modelle liegen nur noch Monate hinter der US-Spitze, nicht Jahre, und das zu einem Bruchteil der Kosten. Für ein europäisches Unternehmen ist die eigentliche Frage nicht, wer das Rennen gewinnt, sondern ob und wie man sie einsetzt.
OpenAI sagt, dass GPT-5.6 Sol Claude Fable 5 beim Programmieren zu einem Drittel der Kosten schlägt. Anthropic sagt, Fable 5 führt bei der reinen Leistungsfähigkeit. Beide haben recht. Hier erfahren Sie, welches Modell welche Aufgabe gewinnt.
API-Tokens können weniger kosten als eine Entwicklerstunde, aber Tokens sind nicht das ganze Projekt. Ein praktischer Vergleich von Modellnutzung, Prüfung, Tests und Betriebskosten.
Ihr Kontext entscheidet
