KI-Agenten erklärt: Was sie können, was sie kosten und wie Sie einen erstellen

Was sind KI-Agenten?

KI-Agenten sind Softwaresysteme, die ein Ziel entgegennehmen, selbstständig einen Lösungsweg planen und diesen in mehreren Schritten ausführen – inklusive Zugriff auf externe Tools wie E-Mail, Kalender, CRM oder Datenbanken. Der Unterschied zu einem klassischen KI-Assistenten liegt im Wort „ausführen“: Ein Assistent formuliert einen Vorschlag, ein KI-Agent erledigt die Aufgabe. Er liest die Anfrage, prüft die Datenlage, trifft Entscheidungen, ruft Systeme auf und kontrolliert, ob das Ergebnis stimmt.

Der Begriff ist älter als ChatGPT. In der Informatik beschreibt ein Software-Agent seit den 1990ern ein Programm, das seine Umgebung wahrnimmt und darin zielgerichtet handelt. Neu ist, dass große Sprachmodelle (Large Language Models, LLMs) diesen Agenten ein flexibles Gehirn geben: Sie verstehen natürliche Sprache, schlussfolgern über unstrukturierte Informationen und entscheiden situativ, welches Werkzeug als Nächstes sinnvoll ist. Die Kombination aus LLM, Werkzeugzugriff und Gedächtnis ist das, was 2026 unter „KI-Agenten“ verstanden wird.

Wie funktioniert ein KI-Agent?

Ein KI-Agent arbeitet in einer Schleife aus Wahrnehmen, Planen, Handeln und Prüfen. Technisch besteht er aus vier Bausteinen, die zusammenspielen:

• ▸Sprachmodell (LLM) als Reasoning-Kern: Modelle wie Claude, GPT oder Gemini zerlegen das Ziel in Teilschritte und entscheiden, was zu tun ist. Das Modell selbst kann nichts „tun“ – es erzeugt Text, der als Anweisung interpretiert wird.
• ▸Tools und APIs: Über definierte Schnittstellen greift der Agent auf externe Systeme zu – Mails senden, Datensätze im CRM anlegen, eine Datenbank abfragen, einen Webshop durchsuchen oder Code ausführen. Jedes Tool ist eine Fähigkeit, die der Agent bei Bedarf aufruft.
• ▸Gedächtnis: Ein Kurzzeitgedächtnis hält den Kontext der aktuellen Aufgabe, ein Langzeitgedächtnis (oft ein RAG-System, siehe unten) liefert Firmenwissen, Richtlinien und frühere Ergebnisse.
• ▸Orchestrierung und Kontrolle: Eine Steuerungsschicht begrenzt, welche Aktionen erlaubt sind, wann ein Mensch zustimmen muss und wann der Agent abbricht. Ohne diese Schicht ist ein Agent ein Sicherheitsrisiko.

Ein Beispiel aus dem Alltag: Ein Agent bekommt die Aufgabe „Bereite ein Angebot für die Anfrage von Firma Müller vor“. Er liest die E-Mail, erkennt die angefragten Positionen, schlägt die Preise in der Preisliste nach, prüft im CRM, ob es einen Rahmenvertrag gibt, erstellt den Angebotsentwurf in der Vorlage und legt ihn zur Freigabe vor. Das sind fünf Schritte über vier Systeme hinweg – ein Chatbot könnte höchstens den ersten davon.

KI-Agenten vs. Chatbots vs. KI-Assistenten

Die Begriffe werden im Marketing munter vermischt. Die Unterschiede sind aber praktisch relevant, weil sie über Nutzen, Kosten und Risiko entscheiden:

Welche Arten von KI-Agenten gibt es?

In der KI-Forschung werden Agenten nach ihrer Entscheidungslogik eingeteilt – vom einfachen Reflex-Agenten, der auf Regeln reagiert, bis zum lernenden Agenten, der sein Verhalten aus Feedback verbessert. Für Unternehmen ist eine Einteilung nach Aufgabe und Architektur hilfreicher:

• ▸Aufgaben-Agenten (Task Agents): Spezialisiert auf einen klar umrissenen Prozess – Rechnungen prüfen, Termine koordinieren, Support-Tickets klassifizieren. Der häufigste und sinnvollste Einstieg für KMU.
• ▸Konversations-Agenten: Führen Dialoge per Chat oder Telefon und dürfen dabei handeln, etwa Termine buchen oder Bestellstatus ändern. Dazu gehört auch der KI-Telefonassistent.
• ▸Recherche- und Analyse-Agenten: Durchsuchen Web, Dokumente und Datenbanken, verdichten Ergebnisse zu Berichten – etwa für Marktbeobachtung oder Ausschreibungen.
• ▸Coding-Agenten: Schreiben, testen und korrigieren Software weitgehend selbstständig. Werkzeuge wie Claude Code, OpenAI Codex oder GitHub Copilot Agent haben die Softwareentwicklung 2025/26 spürbar verändert.
• ▸Multi-Agenten-Systeme: Mehrere spezialisierte Agenten arbeiten unter einem Orchestrator zusammen – einer recherchiert, einer schreibt, einer prüft. Leistungsfähig, aber komplex in Betrieb und Fehlersuche.
• ▸Browser- und Computer-Agenten: Bedienen Websites und Desktop-Anwendungen wie ein Mensch, wenn keine API existiert. Praktisch für Altsysteme, aber langsam und fehleranfällig.

Wo KI-Agenten im Mittelstand Sinn ergeben

Die Faustregel aus unseren Projekten: Ein Prozess eignet sich für einen Agenten, wenn er wiederkehrend ist, klare Regeln hat, über mehrere Systeme läuft und das Ergebnis leicht zu prüfen ist. Konkrete Beispiele:

• ▸Lead-Qualifizierung: Eingehende Anfragen lesen, Unternehmen recherchieren, nach Kriterien bewerten, im CRM anlegen und den passenden Vertriebler informieren – mehr dazu im Beitrag KI im Vertrieb.
• ▸Angebotsvorbereitung: Anfrage auswerten, Positionen aus Preislisten ziehen, Entwurf in der Vorlage erstellen, zur Freigabe vorlegen.
• ▸Rechnungseingang: Rechnungen auslesen, mit Bestellungen abgleichen, Abweichungen markieren, Buchungsvorschlag erzeugen.
• ▸Kundenservice-Backoffice: Tickets klassifizieren, Standardfälle mit Wissensdatenbank beantworten, Sonderfälle mit Vorrecherche an Mitarbeitende übergeben.
• ▸Onboarding und HR-Administration: Zugänge anlegen, Dokumente versenden, Termine koordinieren, Checklisten abhaken.
• ▸Content-Operations: Produktbeschreibungen aus Stammdaten erzeugen, in mehreren Sprachen pflegen, ins Shopsystem einspielen – immer mit menschlicher Endkontrolle.

Weniger geeignet sind Prozesse mit hohem Ermessensspielraum, seltene Einzelfälle und alles, wo ein Fehler teuer oder irreversibel ist – Zahlungsfreigaben, Vertragszusagen, Personalentscheidungen. Hier gehört ein Mensch in die Schleife, wie wir im Beitrag Human-in-the-Loop begründen.

Welche KI-Agenten gibt es auf dem Markt?

Der Markt teilt sich 2026 in drei Ebenen, die sich in Flexibilität, Aufwand und Preis unterscheiden:

Welcher KI-Agent „der beste“ ist, lässt sich nicht pauschal beantworten – die Frage ist, welcher zu Ihrem Prozess und Ihrer Systemlandschaft passt. Wer in Microsoft 365 lebt, sollte Copilot-Agenten zuerst prüfen. Wer Prozesse über viele Tools hinweg automatisieren will, ist mit n8n flexibler, wie unser Vergleich n8n vs. Zapier zeigt. Wer einen geschäftskritischen Prozess mit hohen Anforderungen an Kontrolle und Datenschutz abbilden will, kommt um Individualentwicklung kaum herum.

Wie viel kostet ein KI-Agent?

Die Kosten setzen sich aus drei Blöcken zusammen, und der Fehler der meisten Budgets ist, nur den ersten zu sehen:

• ▸Aufbau: Bei Standardsoftware Stunden, bei Low-Code-Plattformen einige Tage, bei individuellen Agenten zwei bis zwölf Wochen. Der größte Posten ist nicht Programmierung, sondern Prozessanalyse, Datenbereinigung und Testen.
• ▸Laufende Modellkosten: Agenten verbrauchen deutlich mehr Tokens als Chatbots, weil sie mehrere Schritte und Tool-Aufrufe pro Aufgabe machen. Realistisch sind 0,05 bis 2 € pro erledigter Aufgabe, je nach Modell und Komplexität. Bei 1.000 Aufgaben im Monat also 50 bis 2.000 €.
• ▸Betrieb und Pflege: Monitoring, Anpassung bei Prozessänderungen, Modell-Updates. Planen Sie 10–20 % der Aufbaukosten pro Jahr ein.

Eine detaillierte Rechnung mit ROI-Beispielen finden Sie im Beitrag Was kostet KI-Automatisierung?. Die wichtigste Kennzahl ist nicht der Preis, sondern die Kosten pro erledigter Aufgabe im Vergleich zur manuellen Bearbeitung – und die Fehlerquote, denn ein Agent, dessen Ergebnisse vollständig nachgeprüft werden müssen, spart nichts.

KI-Agenten erstellen: In 6 Schritten zum ersten Agenten

Einen KI-Agenten zu erstellen ist 2026 technisch einfacher als je zuvor. Die Schwierigkeit liegt im Zuschnitt. So gehen wir in Projekten vor:

• ▸1. Einen Prozess wählen, nicht einen Agenten: Starten Sie mit einer Aufgabe, die heute messbar Zeit kostet und klare Regeln hat. „Rechnungen mit Bestellungen abgleichen“ ist ein guter Start, „den Einkauf automatisieren“ nicht.
• ▸2. Den Prozess dokumentieren: Welche Eingaben, welche Systeme, welche Entscheidungsregeln, welche Ausnahmen? Was ein Mensch nicht beschreiben kann, kann ein Agent nicht zuverlässig ausführen.
• ▸3. Tools und Datenzugriff definieren: Welche Systeme darf der Agent lesen, welche schreiben? Minimalprinzip – jedes Schreibrecht ist ein Risiko. Firmenwissen wird über ein RAG-System angebunden, nicht in den Prompt kopiert.
• ▸4. Leitplanken festlegen: Welche Aktionen brauchen Freigabe? Wann bricht der Agent ab und übergibt? Welche Eingaben sind tabu (z. B. Gesundheitsdaten)? Diese Regeln gehören in die Orchestrierungsschicht, nicht nur in den Prompt.
• ▸5. Mit realen Fällen testen: Mindestens 50 echte Vorgänge aus der Vergangenheit durchspielen, Ergebnisse gegen die manuelle Bearbeitung halten, Fehlerquote messen. Erst ab einer stabilen Quote in den Live-Betrieb, zunächst mit Freigabepflicht.
• ▸6. Messen und ausweiten: Bearbeitungszeit, Fehlerquote, Kosten pro Aufgabe tracken. Erst wenn der erste Agent stabil läuft, kommt der zweite Prozess – nicht vorher.

Vorteile und Herausforderungen

Die Vorteile liegen auf der Hand: Agenten arbeiten rund um die Uhr, skalieren ohne Personalsuche, halten Regeln konsistent ein und erledigen Routineaufgaben in Sekunden statt Stunden. Die Herausforderungen werden seltener offen benannt:

• ▸Zuverlässigkeit: Sprachmodelle sind probabilistisch. Ein Agent, der in 97 % der Fälle richtig handelt, macht bei 1.000 Vorgängen 30 Fehler – in Live-Systemen. Ob das akzeptabel ist, hängt vom Prozess ab.
• ▸Sicherheit: Agenten mit Systemzugriff sind ein Angriffsziel. Prompt Injection – manipulierte Inhalte in E-Mails oder Dokumenten, die den Agenten zu ungewollten Aktionen verleiten – ist 2026 das zentrale Sicherheitsproblem.
• ▸Kostenkontrolle: Eine Endlosschleife oder ein Agent, der bei jeder Aufgabe 40 Tool-Aufrufe macht, sprengt Budgets. Limits pro Aufgabe sind Pflicht.
• ▸Organisatorisch: Gartner prognostiziert, dass über 40 % der Agentic-AI-Projekte bis Ende 2027 eingestellt werden – wegen steigender Kosten, unklarem Geschäftswert oder unzureichender Risikokontrolle. Alle drei sind Zuschnittsprobleme, keine Technikprobleme.

Dieselbe Gartner-Analyse erwartet, dass bis 2028 mindestens 15 % der täglichen Arbeitsentscheidungen autonom von Agenten getroffen werden und ein Drittel der Unternehmenssoftware agentische Funktionen enthält. Die Technologie kommt – die Frage ist, ob Ihr erstes Projekt zu den 60 % gehört, die Nutzen stiften.

Sind KI-Agenten DSGVO-konform?

Ein KI-Agent ist so DSGVO-konform wie seine Architektur. Drei Punkte entscheiden: Erstens, wo das Sprachmodell läuft – API-Anbieter mit Auftragsverarbeitungsvertrag und EU-Datenverarbeitung sind inzwischen Standard, für besonders sensible Daten kommen EU-gehostete oder lokale Modelle infrage. Zweitens, welche Daten der Agent überhaupt sieht – Datensparsamkeit gilt auch für Tool-Zugriffe. Drittens, ob Entscheidungen mit rechtlicher Wirkung für Personen getroffen werden: Art. 22 DSGVO verbietet ausschließlich automatisierte Einzelentscheidungen mit erheblicher Wirkung, etwa Kreditablehnungen oder Bewerberabsagen, ohne menschliche Beteiligung.

Hinzu kommt die KI-Verordnung: Agenten, die mit Menschen interagieren, unterliegen seit August 2026 der KI-Kennzeichnungspflicht. Agenten in Hochrisiko-Bereichen wie Personalauswahl oder Kreditvergabe treffen zusätzliche Pflichten. Für den typischen Backoffice-Agenten im Mittelstand bleibt es bei DSGVO, Transparenz und sauberer Dokumentation.

Unser Fazit

KI-Agenten sind der Schritt von „KI, die Texte schreibt“ zu „KI, die Arbeit erledigt“. Für den Mittelstand sind sie 2026 reif – nicht als universelle digitale Mitarbeitende, sondern als spezialisierte Ausführer klar beschriebener Prozesse. Wer klein startet, Leitplanken ernst nimmt und die Kosten pro Aufgabe misst, baut sich einen echten Produktivitätsvorteil auf. Wer „einen KI-Agenten will“, ohne zu wissen, welches Problem er lösen soll, landet in Gartners 40 %.