Vom Assistenten zum Mitarbeiter: Was Agentic AI für den Mittelstand bedeutet

Worum es geht: die Kurzfassung

• Ein KI-Agent ist kein Chatbot und keine RPA. Er bekommt ein Ziel und passende Werkzeuge und entscheidet selbst, in welcher Reihenfolge er sie einsetzt.
• Tool Use ist die kritische Eigenschaft. Der Agent greift via API auf ERP, CRM, Datenbank und E-Mail zu, vor zwei Jahren experimentell, heute Standard.
• Drei Evolutionsstufen helfen einzuordnen, wo Ihre KI heute steht: Chatbot (antwortet), Assistent (unterstützt), Agent (handelt).
• Agenten spielen ihre Stärken aus, wenn der Prozess wiederkehrend, regelbasiert und systemübergreifend ist, also bei Auftrag, Reklamation, Onboarding, Reporting.
• Wo sie wenig bringen: Einzelfallentscheidungen mit menschlichem Urteil, echte kreative Arbeit, kaputte Prozesse (die werden nur schneller kaputt).
• Guardrails sind Pflicht: harte Schwellwerte im Code, menschliche Eskalation, Audit-Log jeder Entscheidung.

Vom Chatbot zum KI-Kollegen: was sich wirklich geändert hat

Bis vor kurzem war KI im Unternehmen eine Art bessere Suchmaschine. Man stellte eine Frage, bekam eine Antwort, musste aber alles Weitere selbst erledigen: im ERP die Rechnung buchen, im CRM den Kontakt aktualisieren, die Antwort-Mail verfassen, die Freigabe einholen. Das war nützlich, aber begrenzt. Die eigentliche Arbeit blieb am Menschen hängen.

Seit etwa 2024 hat sich das geändert. Neue Modell-Generationen können nicht nur Texte verstehen und formulieren, sondern auch planen, entscheiden und Werkzeuge bedienen. Ein moderner KI-Agent kann heute eine Support-E-Mail lesen, den Kunden im CRM identifizieren, die Rechnung im ERP heraussuchen, eine passende Antwort formulieren und sie zur Freigabe vorlegen. Alles in einem Durchlauf, ohne dass jemand die Zwischenschritte vorgegeben hätte.

Das ist der Sprung vom Chatbot zum KI-Kollegen.

Was ist Agentic AI, einfach erklärt

Agentic AI bezeichnet KI-Systeme, die eigenständig Aufgaben durchziehen. Der Kern:

• Sie verstehen ein Ziel („Beantworte diese Kundenanfrage korrekt und höflich”).
• Sie entscheiden selbst, welche Schritte nötig sind.
• Sie nutzen Werkzeuge: Datenbank-Abfragen, API-Aufrufe, E-Mail-Versand, Dateioperationen.
• Sie iterieren, bis das Ziel erreicht ist oder sie auf etwas stoßen, was Menschen entscheiden müssen.

Der Unterschied zu klassischer Automatisierung: Bei klassischer RPA oder einem Workflow-Tool schreiben Sie jeden Schritt vor. Bei einem Agenten geben Sie das Ziel vor und die verfügbaren Werkzeuge. Der Agent findet selbst den Weg.

Das klingt nach Science-Fiction, ist aber produktionsreif, wenn man es richtig einsetzt.

Die drei Evolutionsstufen: Chatbot, Assistent, Agent

Ein Dreier-Modell hilft Entscheidern einzuordnen, wo ihre aktuelle KI-Lösung steht.

Stufe 1: Chatbot. Antwortet auf Fragen, meist auf Basis einer festen Wissensbasis oder eines Sprachmodells. Er erklärt, wie ein Prozess geht, führt ihn aber nicht aus. Typisches Beispiel: ein FAQ-Bot auf der Website.

Stufe 2: Assistent. Unterstützt einen Menschen aktiv. Er fasst zusammen, schlägt Formulierungen vor, bereitet Daten auf. Aber der Mensch behält die Kontrolle über jeden Schritt. Typisches Beispiel: Copilot in Outlook, der E-Mail-Entwürfe vorschlägt.

Stufe 3: Agent. Zieht Aufgaben selbstständig durch. Er trifft Entscheidungen zwischen mehreren möglichen Wegen, nutzt Systeme wie ein Mitarbeiter und meldet am Ende zurück, was er getan hat. Der Mensch prüft und gibt frei, nicht mehr Schritt für Schritt.

Die meisten Unternehmen stehen heute bei Stufe 1 oder 2. Der Sprung auf Stufe 3 ist technisch möglich, braucht aber saubere Grundlagen bei Daten, Berechtigungen und Prozessen.

Wie ein Agent im Alltag arbeitet

Ein konkretes Beispiel aus dem Mittelstand: Angebotserstellung.

Ein Vertriebler bekommt per E-Mail eine Anfrage: „Wir brauchen ein Angebot für 50 Arbeitsplätze, Lieferung idealerweise in KW 24, mit Staffelrabatt.” Heute würde er:

1. die Mail lesen und die Anforderungen extrahieren,
2. im ERP prüfen, ob die Produkte verfügbar sind und was sie kosten,
3. im CRM nachschauen, ob dieser Kunde einen Rahmenvertrag mit Sonderkonditionen hat,
4. ein Angebot im Corporate-Design erstellen,
5. es mit einem Anschreiben verschicken,
6. sich eine Notiz für den Nachfass in fünf Tagen setzen.

Zeitaufwand: 45 bis 90 Minuten pro Anfrage.

Ein Agent macht dasselbe in vier Minuten, ohne menschliches Zutun. Er liest die Mail, spricht mit ERP, CRM und Preis-Engine, ruft das Dokumenten-Template auf, verschickt das Ergebnis und legt den Follow-up im Kalender an. Am Ende liegt dem Vertriebler nur noch eine Freigabe vor: „Angebot über 37.628 € netto an Schmidt-Werke GmbH, versenden?”

Die komplexe Arbeit bleibt beim Menschen. Die repetitive Arbeit macht die Maschine.

Wo Agenten Sinn ergeben und wo nicht

Agenten spielen ihre Stärken aus, wenn drei Dinge zutreffen:

1. Wiederkehrend: Der gleiche Prozess läuft viele Male im Jahr.
2. Regelbasiert: Die Entscheidungen folgen nachvollziehbaren Mustern.
3. Viele Systeme: Der Prozess erstreckt sich über mehrere Tools (ERP, CRM, Mail, DMS, Wiki).

Klassische Kandidaten sind:

• Support- und Service-Anfragen mit Rückgriff auf Wissen und Systeme
• Angebots- und Rechnungsprozesse, der Klassiker in Handel und Fertigung
• HR-Onboarding (Accounts anlegen, Hardware bestellen, Unterlagen zusammenstellen)
• Compliance-Prüfungen und Meldewesen
• IT-Operations wie Monitoring-Alerts und Erst-Triage
• Lead-Qualifizierung im Vertrieb

Eine ausführliche Übersicht mit neun konkreten Use Cases aus Handel, Fertigung und KI-Workflows finden Sie im Pillar-Artikel KI-Agenten im Mittelstand 2026.

Wo Agenten wenig bringen:

• Einzelfallentscheidungen, die stark auf menschlichem Urteil beruhen (Kundengespräche, Personalentscheidungen)
• Hochkreative Arbeit wie echte Konzeption oder strategische Papiere
• Prozesse, die schon heute schlecht laufen. Ein Agent macht einen kaputten Prozess nur schneller kaputt.

Die wichtigste Regel: Agenten ersetzen nicht Ihr Team, sie entlasten es. Der Mensch bleibt für Kontext, Ausnahmen und Beziehungen zuständig.

Guardrails und Grenzen: was einen sicheren Agenten ausmacht

Ohne Sicherheitsmechanismen ist ein Agent gefährlich. Er hat Zugang zu Ihren Systemen und trifft Entscheidungen. Ein gut gebauter Agent braucht deshalb:

Berechtigungen nach dem Prinzip des minimalen Zugriffs. Ein Support-Agent darf Rechnungen lesen, aber keine löschen. Ein Vertriebs-Agent sieht Stammdaten, aber keine Personalinformationen. Die Rechte werden im System hinterlegt und für jede Aktion überprüft.

Audit-Logs für jede Entscheidung. Jeder Schritt, den ein Agent macht, wird protokolliert: welche Frage, welche Quellen, welche Tool-Aufrufe, welches Ergebnis. So können Sie nachvollziehen, warum etwas passiert ist, und gegebenenfalls korrigieren.

Review-Schritte an kritischen Stellen. Nicht jede Aktion sollte vollautomatisch laufen. Der Agent schlägt vor, ein Mensch gibt frei. Typische Review-Punkte: Geldbewegungen, rechtsverbindliche Dokumente, Kommunikation mit Kunden in sensiblen Situationen.

Klare Stop-Bedingungen. Wenn ein Agent unsicher ist oder auf etwas Unerwartetes stößt, muss er abbrechen und melden, statt weiterzumachen. Bessere Systeme erkennen selbst, wann sie aus ihrem Kompetenzbereich herausgehen.

Nachvollziehbares Modell-Verhalten. Die verwendeten Modelle sollten dokumentiert sein, Versionen kontrolliert, Prompts versioniert. Ein „Update” am Modell darf nicht über Nacht das Verhalten des Agenten ändern.

Ehrlich gesagt: Die größten Risiken kommen heute nicht vom Modell selbst, sondern von schlecht definierten Grenzen. Ein Agent, der Zugang zu allem hat und keinem Review unterliegt, ist kein produktives System, sondern ein Risiko.

Erste Schritte: wie Sie sinnvoll starten

Agentic AI im Unternehmen einzuführen ist kein Big-Bang-Projekt. Im Gegenteil: je kleiner der Start, desto höher die Erfolgschance.

Einen Prozess auswählen, der Schmerzen macht. Wo kostet Wiederholungsarbeit spürbar Zeit? Wo rufen Mitarbeiter sich gegenseitig an, um dieselbe Information zu bekommen? Dort fängt man an.

Die Datenbasis prüfen. Ein Agent braucht saubere Daten und klare Zugriffe. Wenn Ihr ERP nicht sauber gepflegt ist, wird der Agent Fehler produzieren. Es lohnt sich, vor dem Agenten-Projekt einen Blick auf die Datenqualität zu werfen.

Den Scope eng halten. Nicht gleich den gesamten Support-Workflow automatisieren, sondern erst „Rechnungsanfragen von Bestandskunden mit Standard-Produkten”. Wenn das läuft, erweitern.

Messbar machen. Wie viele Minuten spart der Agent pro Vorgang? Wie viele Vorgänge gehen ohne Eskalation durch? Wie ist die Qualität der Ausgaben (Review-Rate durch Menschen)? Ohne Metriken kein Lerneffekt.

Review-Schleife einbauen. Die ersten Wochen lassen Sie jede Agent-Entscheidung durch einen Menschen prüfen. Mit der Zeit, wenn die Qualität stabil ist, reduzieren Sie die Review-Quote, aber nie auf null.

Ein realistischer Rahmen für den ersten produktiven KI-Agenten: acht bis zwölf Wochen von der Analyse bis zum Live-Betrieb, wenn die Grundlagen stimmen.

Agentic AI ist keine Modeerscheinung. Die Technologie ist da, die Modelle sind gut genug, und die Werkzeuge sind reif. Die Frage ist nicht mehr, ob, sondern wie bald Sie den Schritt gehen und wie sauber Sie ihn machen.

Wenn Sie konkret prüfen möchten, welcher Prozess in Ihrem Unternehmen ein guter erster Kandidat wäre, sprechen Sie uns an.