Ki-Agenten: Prozesse im Mittelstand autonom transformieren
4 Min. Lesezeit
Das Wichtigste in Kürze
- Autonomes Planen und Handeln: Agentic AI beschreibt KI-Systeme, die selbstständig planen, handeln und aus Ergebnissen lernen.
- Mehr als Chatbots: Anders als Chatbots führen KI-Agenten mehrstufige Aufgaben ohne menschliche Schritt-für-Schritt-Anleitung aus.
- Mittelstand automatisiert Prozesse: Im Mittelstand automatisieren Agenten bereits Beschaffung, Reporting und Kundenservice.
- Multi-Agenten-Systeme: Multi-Agenten-Systeme koordinieren spezialisierte KI-Module für komplexe Geschäftsprozesse.
- Governance als Herausforderung: Die größte Herausforderung: Governance – wer haftet, wenn ein Agent autonom eine Fehlentscheidung trifft?
Chatbots waren der Anfang. Sie beantworten Fragen, wenn man sie stellt. Agentic AI geht einen fundamentalen Schritt weiter: KI-Systeme, die eigenständig Ziele verfolgen, Aufgaben in Teilschritte zerlegen, Tools nutzen und aus Ergebnissen lernen – ohne dass ein Mensch jeden Schritt vorgibt.
Für den Mittelstand bedeutet das: Prozesse, die bisher einen halben FTE binden – Rechnungsprüfung, Marktbeobachtung, Report-Generierung – können an KI-Agenten delegiert werden. Nicht als Zukunftsvision, sondern mit den Werkzeugen, die heute verfügbar sind.
Was Agentic AI von bisheriger KI unterscheidet
Der entscheidende Unterschied liegt in der Autonomie. Ein klassisches LLM beantwortet eine Frage – einmal, statisch. Ein KI-Agent erhält ein Ziel („Erstelle einen Wettbewerbsvergleich für unsere drei Hauptkonkurrenten“), zerlegt es in Teilaufgaben, recherchiert eigenständig, kompiliert die Ergebnisse und liefert ein fertiges Dokument. Vertiefend dazu: KI-Agenten. Mehr dazu im Beitrag zu KI-Agenten im Mittelstand.
Die technische Grundlage: ReAct-Pattern (Reasoning + Acting), Tool Use (der Agent kann APIs aufrufen, Datenbanken abfragen, E-Mails senden) und Memory (der Agent merkt sich Kontext über Interaktionen hinweg). Frameworks wie LangGraph, CrewAI und Anthropics Agent SDK machen diese Patterns für Entwickler zugänglich.
„Bis 2028 werden mindestens 15 Prozent der täglichen Arbeitsentscheidungen autonom durch Agentic AI getroffen – gegenüber 0 Prozent im Jahr 2024.“
– Gartner, Top Strategic Technology Trends 2025, Oktober 2024
Konkrete Einsatzszenarien im Mittelstand
Beschaffungsagent: Überwacht Lieferantenpreise, vergleicht Angebote gegen historische Daten, erstellt Bestellvorschläge und eskaliert nur bei Abweichungen an den Einkauf.
Reporting-Agent: Aggregiert Daten aus ERP, CRM und Webanalyse, erstellt wöchentliche Management-Reports und identifiziert Anomalien – jeden Montag um 7:00 im Postfach.
Kundenservice-Agent: Bearbeitet Tier-1-Anfragen eigenständig (Tracking, Rücksendungen, FAQ), eskaliert komplexe Fälle mit vollständigem Kontext an menschliche Agenten.
Recruiting-Agent: Screent Bewerbungen gegen ein Anforderungsprofil, erstellt Kurzprofile und schlägt Interview-Fragen basierend auf CV-Lücken vor.
Multi-Agenten-Systeme: Spezialisten statt Generalisten
Statt eines Alleskönner-Agenten setzen moderne Architekturen auf spezialisierte Agenten, die koordiniert zusammenarbeiten. Ein Recherche-Agent sammelt Informationen, ein Analyse-Agent bewertet sie, ein Schreib-Agent formuliert das Ergebnis – orchestriert durch einen Koordinator-Agenten.
Claude Opus 4.6 mit Agent Teams und OpenAIs Codex-Agenten implementieren dieses Pattern nativ. Für Custom-Implementierungen bieten LangGraph (Google) und CrewAI (Open Source) die Orchestrierungslogik. Der Vorteil: Jeder Agent kann für seine Aufgabe optimiert werden – ein günstiges, schnelles Modell für Routine, ein leistungsfähiges Modell für Analyse.
Governance: Das ungelöste Problem
Wenn ein KI-Agent autonom eine Bestellung auslöst, eine E-Mail sendet oder einen Bericht an den Vorstand schickt – wer haftet bei Fehlern? Die rechtliche Lage ist eindeutig: Das Unternehmen, nicht die KI. Aber die operative Governance muss erst aufgebaut werden.
Best Practices zeichnen sich ab: Human-in-the-Loop für Entscheidungen über definierten Schwellwerten (Bestellungen > 10.000 €). Audit-Trails für alle Agent-Aktionen. Guardrails, die den Handlungsspielraum des Agenten technisch begrenzen. Regelmäßige Reviews der Agent-Entscheidungen durch Fachexperten.
Praktischer Einstieg: Der erste Agent in 30 Tagen
Der Fehler, den die meisten Unternehmen machen: zu groß denken. Der erste KI-Agent sollte einen klar definierten, wiederholbaren Prozess automatisieren – nicht den gesamten Kundenservice.
Ein pragmatischer Start: Woche 1-2: Prozess identifizieren und dokumentieren (Input, Schritte, Output, Ausnahmen). Woche 3: Agent mit einem Framework (LangGraph, CrewAI) implementieren. Woche 4: Shadow-Mode – der Agent läuft parallel zum Menschen, Ergebnisse werden verglichen. Ab Woche 5: Schrittweise Autonomie, mit definierten Eskalationspunkten.
Die Investition: Ein erfahrener Entwickler, ein Cloud-Account, ein LLM-API-Zugang. Keine Enterprise-Plattform, kein 6-Monats-Projekt.
Häufige Fragen
Was kostet der Betrieb eines KI-Agenten?
Die LLM-API-Kosten liegen bei 50-500 Euro pro Monat, abhängig vom Volumen und Modell. Claude Haiku oder GPT-4o mini für Routine-Tasks, leistungsfähigere Modelle für komplexe Analyse. Die Hauptkosten sind Entwicklung und Feintuning – nicht der Betrieb.
Können KI-Agenten sensible Unternehmensdaten sicher verarbeiten?
Ja, mit den richtigen Maßnahmen: API-basierte LLMs (keine Daten im Training), VPC-Endpoints für private Verbindungen, Daten-Minimierung (nur nötige Daten an den Agenten senden) und On-Premise-Modelle (Llama, Mistral) für höchste Datenschutzanforderungen.
Ab welcher Unternehmensgröße lohnen sich KI-Agenten?
Bereits ab 20-50 Mitarbeitenden, wenn repetitive Prozesse mindestens 10 Stunden pro Woche binden. Der ROI ist prozessabhängig: Ein Reporting-Agent, der 5 Stunden pro Woche spart, amortisiert sich bei 500 Euro/Monat API-Kosten in wenigen Monaten.
Was ist der Unterschied zwischen RPA und Agentic AI?
RPA (Robotic Process Automation) folgt starren, vorprogrammierten Regeln: Wenn X, dann Y. KI-Agenten verstehen Kontext, treffen situative Entscheidungen und passen ihr Verhalten an. RPA automatisiert klare Workflows, KI-Agenten lösen Aufgaben, bei denen der Weg zum Ergebnis nicht fest vorgegeben ist.
Welche Frameworks eignen sich für den Einstieg?
LangGraph (Python, von LangChain) für flexible Multi-Agenten-Workflows. CrewAI für schnelle Prototypen mit rollenbasierten Agenten. Anthropics Agent SDK für Claude-basierte Agenten. Für einfache Automatisierungen reicht oft ein strukturierter Prompt mit Tool-Use – kein Framework nötig.
Quelle des Titelbildes: Pexels / Kindel Media
Weiterführende Lektüre
- KI im Unternehmen: Was der Hype verschweigt – MyBusinessFuture
- Change Management in der KI-Transformation – Digital Chiefs
- Private Cloud für KI – cloudmagazin
