AI Agents: Wie autonome Software-Assistenten Geschäftsprozesse verändern
AI Agents gehören zu den wichtigsten Entwicklungen im Bereich AI & Business Automation. Sie gehen über klassische Chatbots hinaus, weil sie nicht nur auf Fragen antworten, sondern Ziele verfolgen, Informationen beschaffen, Entscheidungen vorbereiten und definierte Aktionen ausführen können.
Ein AI Agent kann beispielsweise eine Kundenanfrage analysieren, passende Daten aus einem CRM-System abrufen, ein Angebot vorbereiten, eine Freigabe anfordern und den Vorgang anschließend dokumentieren.
Damit entsteht eine neue Form der Prozessautomatisierung. Software reagiert nicht mehr ausschließlich nach fest programmierten Regeln, sondern kann Aufgaben in einzelne Schritte zerlegen und unterschiedliche digitale Werkzeuge nutzen.
Diese Flexibilität bietet Unternehmen große Chancen. Gleichzeitig entstehen neue Anforderungen an Kontrolle, Sicherheit, Datenqualität und Verantwortlichkeit.
Was ist ein AI Agent?
Ein AI Agent ist ein Softwaresystem, das ein vorgegebenes Ziel innerhalb definierter Grenzen selbstständig verfolgt.
Dafür kann es:
Informationen erfassen,
einen Kontext interpretieren,
einen Ablauf planen,
Werkzeuge auswählen,
Daten aus verschiedenen Quellen abrufen,
Zwischenergebnisse bewerten,
Aktionen ausführen,
Ergebnisse dokumentieren.
Ein einfacher Chatbot beantwortet meist eine einzelne Anfrage. Ein AI Agent kann dagegen einen mehrstufigen Prozess bearbeiten.
Die Autonomie ist dabei nicht unbegrenzt. In professionellen Anwendungen sollte genau festgelegt sein, welche Systeme der Agent verwenden darf, welche Entscheidungen er selbst treffen kann und wann eine menschliche Freigabe erforderlich ist.
Vom Chatbot zum AI Agent
Chatbots arbeiten hauptsächlich dialogorientiert.
Sie beantworten Fragen, formulieren Texte oder helfen bei der Suche nach Informationen.
AI Agents erweitern diese Funktionen um Handlungsfähigkeit.
Ein Chatbot kann erklären, wie ein Angebot erstellt wird.
Ein AI Agent kann dagegen:
die Kundenanfrage lesen,
die benötigten Produkte identifizieren,
Kundendaten abrufen,
Preise prüfen,
Lieferzeiten ermitteln,
einen Angebotsentwurf erstellen,
eine Freigabe anfordern,
den Vorgang im CRM dokumentieren.
Der Unterschied liegt also nicht nur in der Qualität der Sprache, sondern in der Fähigkeit, Werkzeuge und Unternehmenssysteme zu verwenden.
Wie funktioniert ein AI Agent?
Ein agentischer Prozess besteht typischerweise aus mehreren Schritten.
1. Ziel erfassen
Der Agent erhält eine Aufgabe.
Beispiele sind:
Prüfe diese Lieferantenangebote.
Bereite eine Antwort auf die Kundenanfrage vor.
Analysiere den Servicefall.
Erstelle einen Wartungsauftrag.
Fasse die wichtigsten Vertragsrisiken zusammen.
2. Kontext verstehen
Der Agent bewertet, welche Informationen für die Aufgabe relevant sind.
Dazu können gehören:
Kundenhistorie,
Produktdaten,
Preise,
Richtlinien,
Verträge,
technische Dokumente,
frühere Vorgänge.
3. Vorgehen planen
Der Agent zerlegt die Aufgabe in einzelne Schritte.
Er entscheidet beispielsweise, welche Datenquellen zuerst geprüft werden und welche Werkzeuge erforderlich sind.
4. Werkzeuge nutzen
Ein AI Agent kann über Schnittstellen auf Anwendungen zugreifen.
Dazu gehören:
ERP-Systeme,
CRM-Plattformen,
E-Mail,
Kalender,
Dokumentenmanagement,
Ticketsysteme,
Datenbanken,
Suchsysteme,
Analysewerkzeuge.
5. Ergebnisse prüfen
Fortgeschrittene Agenten können Zwischenergebnisse bewerten.
Sie können feststellen, ob Informationen fehlen, Daten widersprüchlich sind oder eine Aufgabe nicht sicher abgeschlossen werden kann.
6. Aktion ausführen
Innerhalb seiner Berechtigungen kann der Agent beispielsweise:
einen Datensatz aktualisieren,
ein Dokument erstellen,
eine Nachricht vorbereiten,
einen Termin vorschlagen,
einen Vorgang weiterleiten,
eine Bestellung anlegen.
7. Eskalieren
Wenn Unsicherheit, hohes Risiko oder eine Ausnahme auftritt, sollte der Prozess an einen Menschen übergeben werden.
Welche Komponenten benötigt ein AI Agent?
Ein produktiver AI Agent besteht nicht nur aus einem Sprachmodell.
Er benötigt mehrere technische Bausteine.
AI-Modell
Das Modell verarbeitet Sprache, Dokumente oder andere Daten.
Es erkennt Zusammenhänge, erzeugt Texte und unterstützt Planungsschritte.
Wissensquellen
Der Agent benötigt verlässliche Informationen.
Dazu gehören:
Datenbanken,
Produktkataloge,
Richtlinien,
Verträge,
Wissensdatenbanken,
technische Dokumentationen.
Werkzeuge
Werkzeuge ermöglichen konkrete Aktionen.
Das können APIs, Softwarefunktionen oder automatisierte Workflows sein.
Speicher und Kontext
Der Agent muss relevante Informationen über den laufenden Vorgang behalten.
Je nach Anwendung kann auch eine längerfristige Erinnerung an frühere Interaktionen sinnvoll sein.
Regeln und Grenzen
Unternehmensregeln legen fest:
welche Daten verwendet werden dürfen,
welche Aktionen erlaubt sind,
welche Betrags- oder Risikogrenzen gelten,
wann eine Freigabe erforderlich ist,
welche Vorgänge dokumentiert werden müssen.
Monitoring
Das Unternehmen muss nachvollziehen können, welche Schritte der Agent ausgeführt hat.
Dafür sind Protokolle, Qualitätskontrollen und Fehlerauswertungen erforderlich.
AI Agent, AI Assistant und Chatbot
Die Begriffe werden häufig vermischt.
Chatbot
Ein Chatbot führt hauptsächlich Gespräche.
Er reagiert auf einzelne Fragen oder Anweisungen.
AI Assistant
Ein AI Assistant unterstützt Menschen bei Aufgaben.
Er kann Inhalte erstellen, Informationen zusammenfassen oder Empfehlungen geben.
Die endgültige Handlung führt meist ein Mensch aus.
AI Agent
Ein AI Agent kann mehrere Schritte planen und innerhalb definierter Grenzen selbst ausführen.
Die Übergänge sind fließend. Ein System kann je nach Berechtigung als Assistant oder Agent eingesetzt werden.
AI Agents und RPA
Robotic Process Automation, kurz RPA, automatisiert klar definierte Bedienabläufe.
Ein RPA-System kann beispielsweise:
Daten aus einer Tabelle lesen,
ein Formular ausfüllen,
einen Bericht herunterladen,
Werte zwischen Anwendungen übertragen.
RPA arbeitet zuverlässig, wenn Prozesse stabil und Eingaben strukturiert sind.
AI Agents sind flexibler. Sie können unstrukturierte Texte interpretieren, unterschiedliche Situationen bewerten und Abläufe dynamischer planen.
Beide Technologien können sich ergänzen.
Der AI Agent interpretiert eine Anfrage und entscheidet, was getan werden muss. Ein RPA-System führt anschließend standardisierte Eingaben in einer älteren Anwendung aus.
Single Agent und Multi-Agent-Systeme
Ein einzelner AI Agent kann einen kompletten Prozess bearbeiten.
Bei komplexeren Aufgaben können mehrere spezialisierte Agenten zusammenarbeiten.
Ein Multi-Agent-System könnte beispielsweise bestehen aus:
einem Agenten für Kundenanfragen,
einem Agenten für Preisprüfung,
einem Agenten für technische Dokumentation,
einem Agenten für Compliance,
einem Agenten für Freigaben.
Die Agenten tauschen Ergebnisse aus und bearbeiten verschiedene Teile eines Prozesses.
Das kann die Spezialisierung verbessern, erhöht aber gleichzeitig die technische Komplexität und den Kontrollaufwand.
AI Agents im Vertrieb
Im Vertrieb können AI Agents zahlreiche vorbereitende Aufgaben übernehmen.
Mögliche Anwendungen sind:
neue Anfragen qualifizieren,
Kundendaten ergänzen,
relevante Produkte identifizieren,
Angebotsentwürfe erstellen,
Follow-up-Aufgaben planen,
Verkaufschancen priorisieren,
Gesprächsnotizen dokumentieren.
Ein Agent kann beispielsweise erkennen, dass ein Kunde einen Temperatursensor für eine bestimmte Industrieanwendung sucht.
Er kann anschließend passende Produkte, technische Daten und Lieferinformationen zusammenstellen.
Ein Vertriebsmitarbeiter prüft den Entwurf und übernimmt die persönliche Kommunikation.
AI Agents im Kundenservice
Im Kundenservice können Agenten:
Anfragen klassifizieren,
Kundendaten abrufen,
passende Wissensartikel finden,
Antwortvorschläge erstellen,
Ersatzteile identifizieren,
Tickets priorisieren,
Eskalationen auslösen.
Ein Agent kann feststellen, ob es sich um eine Bedienfrage, eine technische Störung oder eine Reklamation handelt.
Einfache Fälle können teilweise automatisch abgeschlossen werden. Kritische Vorgänge sollten an qualifizierte Mitarbeitende weitergeleitet werden.
AI Agents im Einkauf
Im Einkauf können Agenten helfen bei:
Lieferantenrecherche,
Angebotsvergleich,
Preisabweichungen,
Vertragsprüfung,
Bestellvorbereitung,
Lieferterminüberwachung,
Risikobewertung.
Ein Agent kann mehrere Angebote aus unterschiedlichen Formaten auslesen und in einer einheitlichen Übersicht vergleichen.
Die endgültige Lieferantenauswahl sollte bei strategisch oder finanziell wichtigen Beschaffungen weiterhin durch Menschen erfolgen.
AI Agents im Finanzwesen
Mögliche Anwendungen sind:
Rechnungen prüfen,
Zahlungsinformationen zuordnen,
Abweichungen erkennen,
Berichte vorbereiten,
Mahnprozesse unterstützen,
Cashflow-Daten zusammenfassen,
Freigaben koordinieren.
Finanzprozesse erfordern besonders strenge Regeln.
Ein Agent sollte beispielsweise nicht unbegrenzt Zahlungen auslösen oder Bankdaten ändern können.
AI Agents im Personalwesen
Im HR-Bereich können Agenten unterstützen bei:
Beantwortung interner Fragen,
Erstellung von Stellenanzeigen,
Terminplanung,
Onboarding,
Dokumentenbereitstellung,
Schulungsorganisation.
Entscheidungen über Bewerber, Leistungsbewertung oder Kündigungen sind besonders sensibel.
AI darf hier nicht ohne ausreichende menschliche Kontrolle und klare rechtliche Prüfung eingesetzt werden.
AI Agents in technischen Unternehmen
Technische und industrielle Unternehmen verfügen über große Mengen an Fachwissen.
Dieses Wissen ist häufig über Handbücher, Datenbanken, Serviceberichte und verschiedene Softwaresysteme verteilt.
AI Agents können helfen bei:
technischen Kundenanfragen,
Produktauswahl,
Ersatzteilbestimmung,
Fehlersuche,
Serviceplanung,
Dokumentation,
Angebotsvorbereitung.
Ein technischer Service-Agent könnte:
eine Störungsmeldung analysieren,
Maschinentyp und Seriennummer identifizieren,
passende Handbücher durchsuchen,
frühere Servicefälle prüfen,
mögliche Ursachen zusammenstellen,
benötigte Ersatzteile vorschlagen,
einen Servicetermin vorbereiten.
Verbindung zu Industrial AI
AI Agents können Unternehmensprozesse mit Industrial AI verbinden.
Ein Beispiel:
Sensoren melden eine ungewöhnliche Schwingung.
Ein Industrial-AI-Modell erkennt ein mögliches Lagerproblem.
Ein AI Agent bewertet die Dringlichkeit.
Er prüft Wartungspläne und Ersatzteilbestand.
Er erstellt einen Wartungsauftrag.
Er schlägt einen Servicetermin vor.
Er informiert die zuständigen Personen.
Dadurch wird aus einer technischen Anomalie ein koordinierter Geschäftsprozess.
Human in the Loop
Human in the Loop bezeichnet einen Prozess, bei dem ein Mensch weiterhin kontrollierend eingebunden bleibt.
Das kann an verschiedenen Stellen geschehen.
Vor der Ausführung
Ein Mensch muss eine Aktion freigeben.
Während des Prozesses
Der Agent eskaliert unklare oder riskante Fälle.
Nach der Ausführung
Ergebnisse werden stichprobenartig oder vollständig geprüft.
Human in the Loop ist besonders wichtig bei:
Zahlungen,
Verträgen,
Personalentscheidungen,
Sicherheitsfragen,
technischen Risiken,
Kundenkommunikation mit hoher Bedeutung.
Autonomiestufen
AI Agents können unterschiedlich viel Verantwortung erhalten.
Stufe 1: Informationsunterstützung
Der Agent sucht und strukturiert Informationen.
Stufe 2: Entwurf
Der Agent erstellt Vorschläge, die ein Mensch prüft.
Stufe 3: Teilautomatisierung
Der Agent führt risikoarme Schritte selbst aus.
Stufe 4: Kontrollierte Autonomie
Der Agent bearbeitet definierte Prozesse selbstständig und eskaliert Ausnahmen.
Stufe 5: Hohe Autonomie
Der Agent führt umfangreiche Prozesse weitgehend ohne Eingriff aus.
In der Praxis ist kontrollierte Teilautonomie häufig sinnvoller als vollständige Autonomie.
Datenqualität als Voraussetzung
Ein Agent kann nur so zuverlässig arbeiten wie die Daten, auf die er zugreift.
Probleme entstehen durch:
veraltete Produktdaten,
widersprüchliche Preise,
unvollständige Kundendaten,
unterschiedliche Begriffe,
fehlende Dokumentversionen,
falsche Zugriffsrechte.
Vor der Einführung eines Agenten müssen deshalb Datenquellen geprüft und Verantwortlichkeiten geklärt werden.
Berechtigungen
AI Agents sollten nach dem Prinzip der minimal notwendigen Rechte arbeiten.
Ein Agent, der Supportanfragen bearbeitet, benötigt beispielsweise möglicherweise Zugriff auf:
Kundendaten,
Produktinformationen,
Servicehistorie.
Er benötigt aber nicht automatisch Zugriff auf:
Gehaltsdaten,
Bankkonten,
strategische Unternehmensdokumente.
Berechtigungen müssen klar begrenzt und regelmäßig überprüft werden.
Datenschutz
AI Agents können große Mengen personenbezogener und vertraulicher Daten verarbeiten.
Unternehmen müssen klären:
Welche Daten werden genutzt?
Wo findet die Verarbeitung statt?
Werden Daten gespeichert?
Wer kann auf Protokolle zugreifen?
Werden Daten für Modelltraining verwendet?
Wie werden Löschfristen umgesetzt?
Besonders sensibel sind Kunden-, Personal-, Gesundheits- und Finanzdaten.
Cybersecurity
Agenten können nicht nur Informationen lesen, sondern auch Aktionen ausführen.
Dadurch entsteht ein höheres Sicherheitsrisiko als bei einem reinen Auskunftssystem.
Mögliche Risiken sind:
manipulierte Eingaben,
gestohlene Zugangsdaten,
zu weitreichende Berechtigungen,
unsichere Schnittstellen,
Datenabfluss,
unerwünschte Aktionen.
Ein Angreifer könnte beispielsweise versuchen, einen Agenten durch eine manipulierte Nachricht zu einer unzulässigen Handlung zu bewegen.
Dagegen helfen:
Eingabeprüfung,
Rollenmodelle,
Aktionsgrenzen,
Bestätigungen,
Protokollierung,
isolierte Ausführungsumgebungen.
Prompt Injection
Prompt Injection bezeichnet den Versuch, ein AI-System durch versteckte oder manipulierte Anweisungen zu beeinflussen.
Eine E-Mail oder ein Dokument könnte beispielsweise Text enthalten, der den Agenten auffordert, Sicherheitsregeln zu ignorieren.
Ein produktiver Agent darf externe Inhalte deshalb nicht automatisch als vertrauenswürdige Anweisungen behandeln.
Halluzinationen
AI-Modelle können plausible, aber falsche Informationen erzeugen.
Für AI Agents ist dieses Problem besonders relevant, weil ein falsches Ergebnis zu einer Aktion führen kann.
Mögliche Folgen sind:
falsche Preise,
erfundene Vertragsbedingungen,
unpassende Ersatzteile,
fehlerhafte Kundennachrichten,
falsche Datensätze.
Wichtige Informationen sollten deshalb aus überprüfbaren Unternehmensquellen stammen.
Nachvollziehbarkeit
Unternehmen müssen nachvollziehen können, was ein Agent getan hat.
Ein Protokoll sollte je nach Anwendung enthalten:
empfangene Aufgabe,
verwendete Datenquellen,
ausgeführte Schritte,
getroffene Entscheidungen,
aufgerufene Werkzeuge,
menschliche Freigaben,
Fehler und Eskalationen.
Diese Informationen sind wichtig für Qualitätssicherung, Compliance und Fehleranalyse.
Wie lässt sich die Leistung messen?
Mögliche Kennzahlen sind:
Bearbeitungszeit,
Automatisierungsgrad,
Fehlerquote,
Eskalationsrate,
Kundenzufriedenheit,
Zahl der manuellen Prozessschritte,
Kosten pro Vorgang,
Qualität der Ergebnisse.
Zusätzlich sollte geprüft werden, ob der Agent tatsächlich den Gesamtprozess verbessert.
Ein schnellerer Einzelschritt bringt wenig, wenn anschließend zusätzlicher Kontrollaufwand entsteht.
Kosten von AI Agents
Die Kosten bestehen nicht nur aus der Nutzung eines AI-Modells.
Weitere Kosten entstehen durch:
Systemintegration,
Datenaufbereitung,
Sicherheitsmaßnahmen,
Monitoring,
menschliche Kontrolle,
Wartung,
Tests,
Anpassung an Prozessänderungen.
Mehrstufige Agenten können viele Modellaufrufe erzeugen.
Deshalb sollten Unternehmen prüfen, ob eine einfache Regel, klassische Automation oder ein kleineres Modell für bestimmte Schritte ausreicht.
Geeignete erste Anwendungsfälle
Ein guter Pilot sollte:
klar abgegrenzt sein,
häufig auftreten,
ausreichend Daten besitzen,
ein überschaubares Risiko haben,
messbare Ergebnisse liefern.
Geeignete Beispiele sind:
E-Mail-Klassifikation,
Zusammenfassung von Servicefällen,
interne Wissenssuche,
Vorbereitung von Angeboten,
Prüfung einfacher Dokumente,
Erstellung von Besprechungsprotokollen,
Ticketweiterleitung.
Weniger geeignete Anwendungsfälle
Problematisch sind Prozesse mit:
unklaren Regeln,
sehr hohen finanziellen Risiken,
unmittelbarer Sicherheitsrelevanz,
fehlender Datenbasis,
schwer überprüfbaren Ergebnissen,
weitreichenden rechtlichen Folgen.
Dort sollte der Agent höchstens unterstützend eingesetzt werden.
Wie startet ein AI-Agent-Projekt?
Prozess auswählen
Zuerst wird ein konkreter Geschäftsprozess definiert.
Ist-Zustand dokumentieren
Unternehmen sollten verstehen, wie der Prozess heute tatsächlich funktioniert.
Daten und Systeme prüfen
Es muss geklärt werden, welche Quellen und Schnittstellen verfügbar sind.
Autonomie begrenzen
Vorab wird festgelegt, welche Aktionen erlaubt sind.
Pilot betreiben
Der Agent wird zunächst in einer kontrollierten Umgebung getestet.
Ergebnisse messen
Qualität, Zeit, Kosten und Fehler werden ausgewertet.
Schrittweise erweitern
Erst nach erfolgreichem Pilotbetrieb sollte der Agent zusätzliche Aufgaben übernehmen.
Verändern AI Agents Arbeitsplätze?
AI Agents können Routineaufgaben reduzieren.
Das betrifft insbesondere:
Dateneingabe,
Informationssuche,
Dokumentenaufbereitung,
Standardkommunikation,
Prozesskoordination.
Gleichzeitig entstehen neue Aufgaben.
Dazu gehören:
Agenten überwachen,
Prozesse gestalten,
Ergebnisse prüfen,
Datenqualität sichern,
Zugriffsrechte verwalten,
Automationsregeln verbessern.
Der Wandel betrifft daher häufig eher Aufgabenprofile als vollständige Berufe.
Fazit
AI Agents erweitern Business Automation um flexible, mehrstufige Softwareprozesse.
Sie können Informationen interpretieren, Werkzeuge verwenden, Entscheidungen vorbereiten und definierte Aktionen ausführen.
Besonders interessant sind sie für Vertrieb, Kundenservice, Einkauf, Finance, technische Dokumentation und industrielle Serviceprozesse.
Der wirtschaftliche Nutzen entsteht jedoch nicht allein durch hohe Autonomie. Entscheidend sind klare Aufgaben, verlässliche Daten, begrenzte Berechtigungen, menschliche Kontrolle und vollständige Nachvollziehbarkeit.
Ein guter AI Agent arbeitet nicht unbeaufsichtigt. Er handelt innerhalb klarer Grenzen, kennt seine Unsicherheit und übergibt kritische Fälle an Menschen.