Yannick H.,
TLDR;
AI Agents verfolgen Ziele statt nur Fragen zu beantworten. Das klingt nach Revolution, funktioniert aber nur bei engen Aufgaben mit sauberen Daten und klaren Regeln. Wer mit einem kleinen Piloten startet und ehrlich prüft, ob die Datenqualität stimmt, holt heute schon echten Nutzen raus.
Letzten Herbst sass ich in einem Workshop bei einem Kunden in Zürich. Mittelgrosses Unternehmen, solide IT, ein paar ChatGPT-Piloten hinter sich. Der IT-Leiter lehnte sich zurück und sagte etwas, das mir seitdem nicht mehr aus dem Kopf geht: "Ich verstehe ehrlich gesagt nicht mehr, was die mir verkaufen wollen. Letzte Woche war es noch ein Chatbot. Diese Woche heisst das gleiche Ding plötzlich Agent."
Er hatte recht. Und er lag trotzdem daneben. Die Begriffe werden tatsächlich wild durcheinander geworfen, aber hinter dem Wort "Agent" steckt etwas, das sich fundamental von einem Chatbot unterscheidet. Der Unterschied lässt sich an einem einzigen Punkt festmachen: Ein Chatbot beantwortet Fragen. Ein Agent verfolgt Ziele.
Das klingt nach einer kleinen Nuance. Ist es nicht.
Von der Frage zum Ziel
Wenn du einem Chatbot sagst "Finde mir die letzte Rechnung von Lieferant X", bekommst du eine Antwort. Vielleicht die richtige, vielleicht nicht. Aber danach ist Schluss. Der Chatbot wartet auf deine nächste Eingabe.
Wenn du einem AI Agent sagst "Prüfe alle offenen Lieferantenrechnungen, gleiche sie mit den Bestellungen ab und markiere Abweichungen", passiert etwas anderes. Der Agent zerlegt das Ziel in Schritte. Er greift auf dein ERP zu, holt die Rechnungsdaten, vergleicht Positionen, erkennt Unstimmigkeiten. Wenn ein System nicht antwortet, versucht er einen anderen Weg. Er plant, führt aus, korrigiert.
Das ist kein theoretisches Konstrukt. Wir sehen solche Setups bei Kunden bereits im Einsatz. Allerdings, und das ist der Teil, den die Vendoren gerne weglassen, funktioniert das nur unter bestimmten Bedingungen.
Die Bedingungen, die niemand gerne nennt
In dem Zürcher Workshop haben wir dann gemeinsam aufgelistet, welche Prozesse für einen ersten Agenten-Piloten taugen könnten. Die Liste war lang. Dann haben wir gegengeprüft: Wo sind die Daten strukturiert? Wo ist das Ziel klar genug definierbar? Wo würde ein Fehler auffallen, bevor er Schaden anrichtet?
Die Liste wurde sehr kurz.
Und genau das ist die Realität, die wir in der Praxis immer wieder sehen. AI Agents funktionieren gut bei engen, repetitiven Aufgaben mit klaren Regeln. Die Rechnungsprüfung von vorhin. Ein Vertriebsprozess, bei dem ein neues Lead automatisch angereichert, bewertet und mit einer passenden Angebotsvorlage versehen wird. Monitoring-Aufgaben, bei denen Logs und Metriken kontinuierlich beobachtet und bei Auffälligkeiten Massnahmen ausgelöst werden.
Die gemeinsame Eigenschaft: überschaubarer Kontext, strukturierte Daten, beobachtbare Ergebnisse.
Wo die Geschichte kippt
Zurück zum Workshop. Ein Abteilungsleiter fragte, ob ein Agent nicht auch bei der Bewertung von Kundenprojekten helfen könnte. Strategische Einschätzung, Risikobewertung, Entscheidung über Ressourcenzuweisung. Die Idee war nachvollziehbar. Die Antwort war: Noch nicht.
Offene, kontextreiche Entscheidungen sind das Terrain, auf dem Agents heute regelmässig scheitern. Ein Agent kann nicht wissen, dass der Kunde am Telefon gereizt klang. Dass die Lieferkette seit drei Monaten instabil ist, aber niemand das dokumentiert hat. Dass die Beziehung zum Partner heikel ist, weil letztes Jahr ein Projekt schiefging. Solche Entscheidungen brauchen implizites Wissen, menschliches Urteil, manchmal schlicht Bauchgefühl.
Dazu kommt ein Problem, das fast noch häufiger auftritt: schlechte Datenqualität. Wenn dein CRM halb gepflegt ist und Prozesse informell ablaufen, wird der Agent nicht zaubern. Er wird scheitern, und zwar leise. Ein Fehler im Hintergrund, der wochenlang niemandem auffällt, bis sich der Schaden summiert hat.
Die RPA-Frage
Im Workshop kam dann die Frage, die wir inzwischen in fast jedem Gespräch hören: "Wir haben doch RPA. Brauchen wir jetzt auch noch Agents?"
Faire Frage. Kurze Antwort: Wahrscheinlich beides, aber für unterschiedliche Dinge.
RPA (also UiPath, Automation Anywhere und ähnliche Tools) folgt fixen Skripten. Wenn sich nichts ändert, läuft RPA zuverlässig und günstig. Sobald ein Feld verschoben wird oder ein Ausnahmefall auftritt, bricht der Bot. AI Agents sind robuster bei Ausnahmen. Sie können umplanen und alternative Wege wählen. Dafür sind sie teurer, schwieriger zu testen und weniger vorhersehbar.
Die meisten Unternehmen werden beide Technologien parallel nutzen. RPA für die stabilen Standardprozesse, Agents für die dynamischeren Aufgaben. Wer dir sagt, Agents ersetzen RPA vollständig, dem würde ich ein paar unangenehme Nachfragen stellen.
Für alle, die den Einstieg in KI-Automatisierung noch vor sich haben, lohnt sich unser Artikel zur praktischen KI-Nutzung im Unternehmen als Ausgangspunkt. Und wer prüfen will, ob die Grundlagen stimmen, bevor Agents Sinn ergeben: Unser KI-Readiness-Check hilft dabei.
Was du morgen tun kannst
Der IT-Leiter aus dem Workshop hat übrigens drei Wochen später seinen ersten Agenten-Piloten gestartet. Nicht die grosse strategische Vision, sondern etwas Kleines: automatisierte Prüfung eingehender Bestellungen gegen hinterlegte Rahmenverträge. Klar definiert, strukturierte Daten, Fehler fallen sofort auf.
Das ist der Weg, den wir empfehlen. Such dir einen Prozess, den du wirklich kennst. Einen, der repetitiv ist und bei dem ein Fehler bemerkt wird. Dann schau dir die Datenqualität an, denn das blockiert die Hälfte aller Projekte. Und denk von Anfang an in "Human in the Loop", nicht als Notlösung, sondern als bewusste Design-Entscheidung.
Für KMU, die noch am Anfang stehen, haben wir in unserem Artikel über KI im KMU beschrieben, wie der Weg von chaotischen Experimenten zu echtem Geschäftswert aussieht.
Zusammengefasst
AI Agents sind kein aufgehübschter Chatbot und kein umgelabeltes RPA-Tool. Sie verfolgen Ziele, planen Schritte, korrigieren sich selbst. Aber sie brauchen enge Aufgaben, saubere Daten und Menschen, die ihre Ergebnisse prüfen. Wer mit einem kleinen, klar definierten Piloten startet und die Datenqualität ehrlich einschätzt, kann heute schon echten Nutzen erzielen. Wer auf die grosse Revolution wartet, wartet wahrscheinlich noch eine Weile.
Wenn du konkret schauen willst, welche Prozesse in deinem Unternehmen für einen ersten Agenten-Piloten taugen, sprechen wir gerne darüber. Kein Sales-Pitch, einfach eine ehrliche Einschätzung.
