AI-Agenten für Unternehmen
Agenten, die unstrukturierte Eingaben verstehen, Werkzeuge eigenständig aufrufen und Entscheidungen begründen — eingebettet in deine bestehenden Systeme statt als Insellösung.
Klar abgegrenzt: Ein AI-Agent ist kein besserer Chatbot. Er ist eine Komponente, die mehrstufige Aufgaben in einer Schleife löst — Eingabe verstehen, Werkzeuge aufrufen, Zwischenergebnisse bewerten, nächsten Schritt wählen. Die Stärke liegt in Aufgaben, die heute Menschen mit mehreren Tools nebenher erledigen.
Wann ein AI-Agent statt klassischer Automation
Klassische Automation gewinnt fast immer, wenn der Prozess regelhaft und gut beschreibbar ist. Ein Agent rechnet sich erst, wenn folgende Bedingungen zusammenkommen:
- Eingaben sind unstrukturiert — Freitext, lange Mails, Anruf-Transkripte, gemischte Anhänge.
- Es gibt mehrere mögliche Pfade, abhängig vom Inhalt.
- Der Agent muss mehrere Tools koordinieren — CRM, Wissensbasis, Mail, Kalender, ERP.
- Die Aufgabe braucht eine begründete Antwort, nicht nur ein Ergebnis.
- Die Aufgabe variiert genug, dass eine klassische Workflow-Maschine schnell zu vielen Sonderfällen führen würde.
Typische Agenten
Lead-Agent
Qualifiziert eingehende Anfragen, reichert sie mit öffentlichen Daten an, schlägt eine Erstantwort vor und legt den CRM-Datensatz mit vollständigem Kontext an.
Angebots-Agent
Extrahiert Anfrage-Spezifikationen, prüft gegen Preisliste oder ERP, befüllt deine Vorlage und erzeugt ein versioniertes Angebot — inklusive CRM-Eintrag.
Support-Agent
Beantwortet wiederkehrende Kundenanfragen mit Quellenangabe aus der internen Wissensbasis, eskaliert bei Unsicherheit oder kritischen Fällen direkt an Menschen.
Reporting-Agent
Zieht Zahlen aus mehreren Quellen, prüft auf Plausibilität, erklärt Abweichungen in natürlicher Sprache und legt das Ergebnis als Notion-Doc oder Mail ab.
Architektur — was zu einem produktiven Agenten gehört
- Werkzeuge statt Wissen Der Agent ruft strukturierte Datenquellen ab, statt Antworten aus Modell-Wissen zu erfinden. Jede Tool-Antwort ist die Grundlage für den nächsten Schritt.
- Strukturierte Ausgaben Schemas und Validierung verhindern, dass freier Text in nachgelagerte Systeme fließt. Ungültige Ausgaben werden erkannt und korrigiert oder eskaliert.
- Trace & Observability Jeder Tool-Call, jeder Modellaufruf, jede Entscheidung ist im Log nachvollziehbar — mit Eingabe, Ausgabe, Konfidenz und gewähltem nächsten Schritt.
- Eskalation Bei niedriger Konfidenz, ungewöhnlichen Eingaben, Daten-Lücken oder rechtlich relevanten Schritten landet die Aufgabe bei einer realen Person — mit vollem Kontext.
- Operative Oberfläche Dein Team arbeitet nicht im LLM-Chat, sondern in einer Oberfläche, in der Entscheidungen geprüft, freigegeben oder zurückgegeben werden können.
Was du vom Agenten bekommst
- Vollständige Trace-Logs: jeder Tool-Call, jede Entscheidung, jede Eskalation reproduzierbar.
- Eskalationsregeln und Mensch-im-Loop, definiert pro Use Case.
- Operative Oberfläche, in der dein Team mit dem Agenten arbeitet — keine Black Box.
- DSGVO-konformes Hosting, Datenminimierung, klare Berechtigungen pro Tool.
- Versionierte Prompts, Workflows und Tools in Git — keine „im UI angepasst und gehofft"-Änderungen.
Stack
OpenAI und Claude als Standard für Reasoning und Tool-Calls. Open-Source-Modelle (z.B. via Together oder selbst gehostet) für Datenschutz-kritische oder kognitiv weniger anspruchsvolle Schritte. Workflow-Engine: n8n. Speicher und Trace-Logs: Supabase. Tools per API gegen CRM, ERP, Wissensbasis, Mail, Kalender, Telefonie.
Häufige Fragen
Was ist ein AI-Agent — und was nicht?
Ein AI-Agent ist ein Sprachmodell, das in einer Schleife läuft, eigenständig Werkzeuge (APIs, Datenquellen, andere Modelle) aufruft und auf Basis der Ergebnisse weitere Schritte plant — bis ein Ziel erreicht ist. Er ist kein Chatbot mit besseren Antworten, sondern eine Komponente, die mehrstufige Aufgaben begründet erledigt.
Wann ist ein Agent sinnvoller als eine klassische Automation?
Wenn die Eingaben unstrukturiert sind, mehrere Pfade möglich wären, mehrere Tools koordiniert werden müssen und das Ergebnis eine begründete Entscheidung statt nur eine Aktion sein soll. Bei rein regelhaften Prozessen ist eine klassische Automation günstiger, schneller und stabiler.
Halluziniert ein Agent nicht ständig?
Halluzinationen sind beherrschbar durch drei Mittel: Werkzeuge statt Wissen (der Agent ruft Daten ab statt sie zu erfinden), strukturierte Ausgaben mit Validierung, und Eskalation bei niedriger Konfidenz. In produktiven Systemen wird zusätzlich jede Entscheidung im Trace-Log begründet — nachvollziehbar und reproduzierbar.
Wer haftet, wenn der Agent eine falsche Entscheidung trifft?
Bei kritischen Entscheidungen läuft der Agent grundsätzlich im Vorschlag-Modus: er bereitet vor, ein Mensch entscheidet. Erst wenn ein Use Case stabil läuft und in seiner Wirkung begrenzt ist, werden Entscheidungen autonom getroffen. Verantwortung und Haftung bleiben bei eurem Unternehmen — die Architektur sorgt dafür, dass das auch praktisch tragbar ist.
Welche Modelle werden eingesetzt?
OpenAI und Claude als Standard, weil sie aktuell die zuverlässigsten Tool-Calls und Reasoning-Spuren liefern. Für Datenschutz-kritische Schritte oder Schritte mit niedrigem kognitivem Anspruch werden Open-Source-Modelle eingesetzt, die auf EU-Servern laufen können.
Welcher Agent würde bei dir am meisten Zeit freisetzen?
Im KI-Potenzialcheck schauen wir auf zwei bis drei Use Cases — und entscheiden gemeinsam, ob ein Agent oder eine klassische Automation der richtige Weg ist.