Was ist ein KI-Agent? Definition, Typen und Funktionsweise

Ein KI-Agent ist Software, die eigenständig in Ihrem Auftrag handelt. Er liest Eingaben, entscheidet welche Aktion erforderlich ist, und führt diese Aktion in externen Systemen aus — Datensätze aktualisieren, Nachrichten senden, Termine planen — ohne dass ein Mensch jeden Schritt zusammenstellt. Anders als Chatbots, die Textantworten im Gespräch generieren, produziert ein KI-Agent Ergebnisse in den Tools, die Ihr Unternehmen bereits verwendet.

Ein Mandant schreibt wegen einer Vertragsverlängerung. Die Nachricht muss gespeichert, der Vertrag herausgesucht, ein Antwortentwurf erstellt und eine Erinnerung für 48 Stunden später gesetzt werden. Ein Chatbot schreibt eine Antwort — den Rest erledigen Sie selbst. Ein KI-Agent übernimmt die gesamte Kette: die E-Mail lesen, entscheiden was zu tun ist, und die notwendigen Schritte in Gmail, CRM und Kalender ausführen. Diese Kette — vom Auslöser bis zum abgeschlossenen Ergebnis — macht ihn zu einem Agenten statt zu einem Tool.

Was ist ein KI-Agent?

Ein KI-Agent ist Software, die eigenständig in Ihrem Auftrag handelt. Er ist kein Chatbot — er generiert keine reinen Textantworten. Er ist keine starre Automatisierung — er folgt keinen festen Regeln. Er macht aus einem Auslöser eine abgeschlossene Aktion in den Tools, die Sie bereits nutzen — ohne dass jemand jeden Schritt von Hand erledigt.

Anthropic, das KI-Sicherheitsunternehmen hinter Claude, beschreibt die Unterscheidung präzise: Agenten "steuern ihre eigenen Prozesse und Tool-Nutzung dynamisch und behalten dabei die Kontrolle darüber, wie sie Aufgaben erfüllen" — im Gegensatz zu traditionellen Workflows, die vordefinierte Codepfade folgen.[¹]

KI-Agenten handeln. Sie lesen Eingaben, entscheiden was als nächstes zu tun ist, und führen Aufgaben in externen Systemen aus. Sie können E-Mails schreiben, Datensätze in Salesforce oder HubSpot aktualisieren, Termine in Google Calendar vereinbaren und Folgeaktionen in Slack oder Notion auslösen.

Wie unterscheidet sich ein KI-Agent von einem Chatbot?

Ein Chatbot produziert Text. Ein KI-Agent produziert Ergebnisse.

Ein Chatbot ist eine Konversationsschnittstelle. Er empfängt eine Nachricht und gibt eine Antwort zurück. Diese Antwort bleibt im Gesprächsfenster. Ein Chatbot kann weder ein CRM aktualisieren noch eine E-Mail versenden, einen Termin vereinbaren oder einen Datensatz in Notion speichern.

Ein KI-Agent verfügt über Verbindungen zu externen Tools und die Berechtigung, diese zu nutzen. Wenn ein Lead eine E-Mail schickt, entwirft der Agent nicht nur eine Antwort — er erfasst den Lead in HubSpot, erstellt eine Folgeaufgabe in Asana und stellt den Entwurf in Gmail bereit. Alles nacheinander, ohne dass ein Mensch jeden Schritt einzeln zusammenstellt.

Das deutlichste Signal, welches der beiden eine Aufgabe braucht: Wenn ihre Erledigung erfordert, mehrere Tools zu öffnen und darin etwas zu tun, schließt ein Chatbot diese Schleife nicht — Sie tun es. Das zweite Signal ist Wiederholung. Kommt die Aufgabe einmal vor, ist ein Chatbot effizient. Wiederholt sie sich täglich oder wöchentlich, summieren sich die manuellen Schritte schnell.

Die beiden schließen sich nicht aus. Ein großer Teil realer Workflows nutzt beides — den Chatbot für die Denkschicht, den Agenten für die Ausführungsschicht. Ein Gründer arbeitet Umfang und Rahmen eines Angebots in Claude oder ChatGPT aus; anschließend überträgt der Agent den abgestimmten Umfang in die Vorlage, ergänzt Standardbedingungen und legt einen nachverfolgten Entwurf in Proposify an. Die praktische Frage lautet nicht „Chatbot oder Agent?", sondern: Wo endet das Denken und wo beginnt das Ausführen?

Wie unterscheidet sich ein KI-Agent von regelbasierter Automatisierung?

Regelbasierte Automatisierungen — Zapier, Make, n8n — führen ebenfalls Aktionen in externen Tools aus. Der Unterschied liegt in der Entscheidungsfindung.

Ein Chatbot produziert Text. Ein KI-Agent produziert Ergebnisse.

Eine Zapier-Automatisierung folgt festen Regeln: Wenn Auslöser A exakt zutrifft, führe Workflow B aus. Wenn sich die Eingabe ändert — ein anderes E-Mail-Format, ein fehlendes Feld, eine mehrdeutige Anfrage — bricht die Automatisierung ab oder überspringt den Datensatz.

KI-Agenten verarbeiten Variationen. Sie lesen Kontext, interpretieren mehrdeutige Eingaben und entscheiden, welche Aktion zur Situation passt. Eine Lead-E-Mail mit ungewöhnlicher Betreffzeile wird anders behandelt als eine Standardanfrage — weil der Agent den Inhalt bewertet, anstatt Muster gegen feste Vorlagen abzugleichen.

Drei Fragen klären, was ein Workflow braucht. Kommen Eingaben immer im selben Format? Wenn jedes Mal dieselben Felder aus derselben Quelle eintreffen, ist Automatisierung die günstigere Option. Hängt die nächste Aktion davon ab, was die Eingabe sagt — nicht nur davon, dass sie eingetroffen ist? Automatisierung verzweigt nach Feldwerten; ein Agent bewertet den Sinn. Wiederholt sich die Aufgabe in hohem Volumen mit gelegentlichen Ausnahmen? Automatisierung bewältigt Volumen günstiger; ein Agent lohnt sich, wenn Variation ständige Regelanpassungen erzwingt.

Die meisten Dienstleistungsunternehmen sollten beides betreiben. Automatisierung als Fundament überall dort, wo Eingaben kontrolliert und vorhersehbar sind — interne Trigger, System-Syncs, strukturierte Formulardaten. Einen Agenten dort, wo der Prozess auf externe Eingaben trifft — Kunden-E-Mails, Lieferantennachrichten, Bewerbungen —, wo Variation die Regel und nicht die Ausnahme ist.

Wann eine Automatisierung zum Agenten werden sollte

Der richtige Zeitpunkt ist erreicht, wenn die Wartung der Automatisierung mehr kostet, als die Automatisierung einspart. Fünf Anzeichen:

Die Regelpflege übersteigt zwei Stunden pro Monat und Workflow. Zeit für das Anpassen von Bedingungen, das Ergänzen von Filtern und das Debuggen übersprungener Datensätze ist ein realer, wiederkehrender Kostenblock.

Mehr als 5 % der Datensätze werden wöchentlich übersprungen oder laufen auf Fehler. Jede nennenswerte Fehlerquote bedeutet, dass regelmäßig Arbeit liegen bleibt und jemand von Hand nacharbeitet.

Die Eingabequellen diversifizieren sich mit dem Wachstum. Ein Unternehmen, das mit einem Rechnungsformat startete, erhält heute Rechnungen von fünfzehn Lieferanten in acht Formaten — jedes davon erforderte eine neue Regel.

Die erforderliche Aktion hängt vom Inhalt ab. Eine Automatisierung verzweigt danach, ob ein Feld einem Wert entspricht. Ein Agent kann danach verzweigen, ob eine Kundennachricht verärgert, zufrieden oder unsicher klingt.

Die Ausgabe erfordert manuelle Prüfung, bevor man ihr traut. Wenn jemand jede Ausgabe kontrolliert, ist der Workflow nicht automatisiert — er erzeugt Entwürfe, die ein Mensch verifiziert. Ein Agent mit Freigabe-Queue macht diese Prüfung explizit und begrenzt.

Der versteckte Kostenblock ist nicht das Abonnement, sondern die Zeit für die Regelpflege, während sich Eingaben verändern. Ein Unternehmen, das 50 € im Monat für Zapier zahlt, investiert womöglich drei bis vier Stunden monatlich in die Anpassung an neue Eingabevarianten. Bei 50 € pro Stunde sind das 150–200 € im Monat, die auf keiner Zapier-Rechnung auftauchen.

Wie unterscheidet sich ein KI-Agent von ChatGPT oder Claude?

Ein allgemeines KI-Tool und ein Agentensystem erledigen unterschiedliche Aufgaben. Der Unterschied ist architektonisch, nicht eine Frage der Modellqualität.

Das Fehlermuster ist immer dasselbe. Eine Gründerin fügt CRM-Notizen in ein Chatfenster ein und bittet um eine Status-E-Mail für einen Kunden. Das Ergebnis ist gut. In der nächsten Sitzung ist der Kontext weg, also fügt sie ihn erneut ein. Zwei Wochen später läuft der Workflow nur noch an Tagen, an denen jemand daran denkt, das Tool zu öffnen.

Ein und derselbe Workflow — ein wöchentliches Status-Update für acht Kunden — sieht in allen drei Varianten anders aus. Manuell öffnet die Gründerin jede Kundenakte, liest die Notizen, schreibt das Update und versendet es: vier bis sechs Stunden pro Woche. Mit einem allgemeinen KI-Tool fügt sie die Notizen je Kunde ein, erzeugt einen Entwurf, kopiert ihn ins E-Mail-Programm und versendet: zwei bis drei Stunden pro Woche, wobei die Qualität davon abhängt, an welchen Kontext sie an diesem Tag gedacht hat. Mit einem Agentensystem läuft der Agent montags um 7 Uhr, holt den aktuellen Projektstatus je Kunde aus dem CRM, entwirft alle acht Nachrichten und legt sie in eine Freigabe-Queue, die in zwanzig Minuten abgearbeitet ist.

Das ist aus einem praktischen Grund wichtig: Ein schlechtes Ergebnis mit ChatGPT sagt fast nichts darüber aus, ob ein zweckentwickeltes System bei derselben Aufgabe funktionieren würde. Was sich ändert, ist nicht das Modell, sondern ob der Workflow Live-Daten, ein definiertes Ausgabeformat und einen Auslöser hat, der nicht davon abhängt, dass jemand daran denkt.

Wie unterscheidet sich ein KI-Agent von einer virtuellen Assistenz?

Beide nehmen Gründern Arbeit ab. Sie nehmen unterschiedliche Arbeit ab, und die falsche Kategorie zuzuweisen ist der häufigste Fehler in diesem Vergleich.

Das McKinsey Global Institute schätzt, dass 60–70 % der Zeit, die Wissensarbeiter für Tätigkeiten wie Datenerfassung, Terminplanung und Routinekommunikation aufwenden, technisch automatisierbar sind.[²] In einem Dienstleistungsunternehmen mit einer Teilzeit-VA liegt ein erheblicher Teil der Woche in dieser Kategorie.

Die meisten Dienstleistungsunternehmen mit einer Teilzeit-VA stellen fest, dass 40–60 % der aktuellen VA-Aufgaben in die Agentenspalte fallen. Die verbleibenden Stunden verschieben sich zur urteilsabhängigen Arbeit, die der Agent nicht übernehmen kann — oft genau die Arbeit, für die die VA am besten geeignet war, für die aber keine Zeit blieb. Für den entsprechenden Vergleich mit einer Neueinstellung siehe KI-Agent vs. Einstellungskosten.

Der Fehler, den es zu benennen lohnt: urteilsabhängige Aufgaben einem Agenten zuzuweisen, weil sie von außen strukturiert aussehen. Kunden-Status-E-Mails folgen einem Format und gehen nach Zeitplan raus, ein Agent kann sie also erzeugen — aber sie transportieren Beziehungssignale, die der Agent nicht lesen kann. Ein Kunde, der seit einem Monat unzufrieden ist, liest ein Standard-Status-Update als Beleg dafür, dass niemand aufpasst. Die Nachricht ist technisch korrekt und kontextuell falsch.

Der Agent scheitert lautlos. Die VA scheitert sichtbar. Dieser Unterschied bestimmt, welche Aufgaben Sie abgeben können.

Die Fehler einer VA — die späte Antwort, das vergessene Terminupdate — fallen sofort auf und sind binnen Stunden korrigiert. Die Fehler eines Agenten — das taktlose Follow-up am Morgen nach einem schwierigen Gespräch — bleiben oft unbemerkt, bis sich die Beziehung bereits verändert hat.

Welche Typen von KI-Agenten gibt es?

Nicht alle KI-Agenten funktionieren auf dieselbe Weise. Der Typ bestimmt, wie der Agent deployt wird, wie er sich verbessert und welche Aufsicht er erfordert.

OpenClaw ist ein freigabegestütztes Framework. Hermes ist ein selbstlernender Agent. Wenn keines passt, ist ein maßgeschneiderter Agent der richtige Weg.

Welche Aufgaben übernehmen KI-Agenten für Dienstleistungsunternehmen?

Die Workflows, die für KI-Agenten geeignet sind, teilen drei Eigenschaften: Sie wiederholen sich in hohem Volumen, erstrecken sich über mehr als ein Tool, und die Eingaben variieren genug, dass feste Regeln versagen.

Die Spalte „Menschliches Urteil nötig" ist die entscheidende Variable. Aufgaben mit geringem Urteilsbedarf und hohem Volumen passen am klarsten zu Agenten. Mittlere Urteilsanforderungen lassen sich mit einer Freigabeschicht lösen — der Agent entwirft, ein Mensch prüft. Hohe Urteilsanforderungen bleiben bei einer Person.

Welche Branchen nutzen KI-Agenten?

PwC befragte 2025 für seine AI Agent Survey 308 US-Führungskräfte danach, welche Funktionen die höchsten Agenten-Einsatzraten aufweisen. An der Spitze standen Kundensupport (49 %) und Operations (47 %).[³] Das sind Funktions- und keine Branchenkategorien, sie verweisen aber direkt auf die Sektoren, in denen diese Funktionen am stärksten konzentriert sind.

McKinseys State of AI 2024 bestätigt das Muster auf Branchenebene: High-Tech, Finanzdienstleistungen und Professional Services melden durchgängig höhere Raten sowohl bei der Einführung als auch bei der Wertschöpfung als andere Branchen — ein Ranking, das über drei aufeinanderfolgende Jahresumfragen stabil geblieben ist.[⁴] NVIDIAs State of AI 2026 nennt Finanzdienstleistungen, Telekommunikation und Handel/Konsumgüter als die Sektoren mit der stärksten Kombination aus Einführung und Rendite, wobei die Telekommunikation mit 48 % der Unternehmen führt, die Agenten einsetzen oder evaluieren. Diese Umfrage stützt sich allerdings auf NVIDIAs eigenes, KI-affines Publikum statt auf eine Zufallsstichprobe und dürfte daher zu KI-reiferen Organisationen tendieren.[⁵]

Die Phasenbezeichnungen sind die redaktionelle Einordnung dieses Beitrags, synthetisiert aus den oben genannten Quellen von PwC, McKinsey und NVIDIA — keine dieser Studien veröffentlicht eine Diffusionskategorie nach Rogers je Branche. Verstehen Sie sie als Ordnung der Befunde zueinander, nicht als Statistik aus einer einzelnen Studie.

Die Nachzügler sind es aus strukturellen, nicht aus kulturellen Gründen. Bauprojektkoordination umfasst Angebote, Nachträge, Verfügbarkeit von Subunternehmern und Baustellenbedingungen, die zwischen Aufträgen so stark variieren, dass keine Vorlage zuverlässig greift. Viele Handwerks- und kleine Handelsbetriebe arbeiten mit minimaler CRM-Ausstattung, sodass es für einen Agenten nichts zu integrieren gibt. Gesundheitswesen und Recht sind langsamer, weil berufliche Verantwortung dokumentiertes menschliches Urteil verlangt — die administrativen Workflows drumherum, etwa Terminplanung und Intake, eignen sich dagegen gut und beginnen sich zu bewegen.

Was muss ein Agent über Ihre Kunden wissen?

Ein Agent, der bei Kundenarbeit nützlich ist, definiert sich über Gedächtnis, nicht über Konversation. Ein Chatbot beantwortet, was Sie fragen, und vergisst den Austausch, sobald das Fenster schließt. Ein Agent mit Gedächtnis führt einen dauerhaften Datensatz zu jedem Kunden über alle Interaktionen hinweg, und dieser Datensatz überdauert die Sitzung.

In der Praxis unterscheidet man zwei Gedächtnistypen, und beide zählen. Episodisches Gedächtnis hält konkrete Ereignisse: das Gespräch am 12., die Beschwerde im März, die zweimal verspätete Zahlung. Semantisches Gedächtnis hält dauerhafte Fakten: Dieses Konto rechnet monatlich ab, Entscheiderin ist die COO und nicht der Gründer, Reaktionszeit zählt mehr als Preis.[⁶]

Kundenkontext liegt an fünf Orten gleichzeitig, und keiner davon hält die ganze Geschichte.

Keine einzelne Zeile sagt Ihnen, dass dies ein spät zahlendes Konto ist, das nachverhandeln will und keine klare interne Zuständigkeit hat. Der zusammengeführte Datensatz tut es. Hier löst sich auch der Einwand unsauberer Daten auf: Der Agent braucht kein makelloses CRM, weil er das Konto aus E-Mail- und Gesprächshistorie rekonstruiert — aus den Quellen, denen Menschen ohnehin mehr vertrauen als CRM-Feldern.

Gedächtnis ist zugleich das, was den meisten gescheiterten KI-Projekten fehlte. Die NANDA-Initiative des MIT untersuchte über 300 Unternehmens-Deployments und fand, dass nur rund 5 % nennenswerte finanzielle Wirkung erreichten; die gescheiterten Pilotprojekte teilten ein Merkmal — die Werkzeuge konnten kein Feedback behalten, sich nicht an Kontext anpassen und sich nicht verbessern.[⁷]

Welcher Workflow passt zu einem kleinen Team?

Die Workflows, die zu einem kleinen Unternehmen passen, sind nicht durch die Branche definiert, sondern durch ihre Struktur. Prüfen Sie jeden Kandidaten gegen sechs Kriterien.

Ein Workflow, der alle sechs erfüllt, erfordert keine laufende Steuerung — und genau das bedeutet „für ein kleines Team tragfähig" in der Praxis. Ein Workflow, der bei zwei oder mehr Kriterien durchfällt, ist ein Plattformprojekt und kein Workflow für ein kleines Unternehmen.

Zwei Agenten, die Sie nicht verwalten, sparen Zeit. Eine Plattform, die verwaltet werden muss, schafft eine Stelle.

In der Praxis heißt das: Der zweite Workflow kommt erst hinzu, wenn der erste dreißig Tage zuverlässig gelaufen ist, und der dritte folgt demselben Muster. Bei drei Workflows haben die meisten kleinen B2B-Dienstleister ihre volumenstärksten, am wenigsten urteilsintensiven Aufgaben abgedeckt und fünf bis acht Stunden Gründerzeit pro Woche zurückgewonnen. Entscheidend ist der Unterschied zwischen einem Gründer, der ein Agentensystem nutzt, und einem, der es verwaltet — der Unterschied zwischen fünf gesparten Stunden pro Woche und fünf Stunden, die in den Betrieb des Systems fließen.

Was können KI-Agenten nicht gut?

KI-Agenten bewältigen definierte, wiederholbare, strukturierte Arbeit gut. Bei allem anderen stoßen sie an Grenzen.

Variables Urteilsvermögen. Verhandlungen, Mandanteneskalationen, Preisentscheidungen und beziehungssensible Kommunikation erfordern das Lesen des Zustands und der Geschichte einer Person. Agenten können das nicht zuverlässig.

Undokumentierte Prozesse. Wenn ein Workflow nicht schriftlich beschrieben werden kann, kann ein Agent ihn nicht ausführen. Die Qualität der Ausgabe wird durch die Qualität der Prozessdefinition bestimmt — nicht durch die Intelligenz des Agenten.

Niedrigvolumige, einmalige Aufgaben. Die Setup-Kosten eines Agenten-Workflows amortisieren sich bei niedrigem Volumen nicht. Eine Aufgabe, die zweimal im Monat vorkommt, rechtfertigt selten den Konfigurationsaufwand.

Hochrisiko-Aktionen. Wenn die Fehlerkosten unverhältnismäßig hoch sind — eine rechtliche Einreichung, eine regulierte Finanzaktion — muss die menschliche Aufsicht eng sein.

Für eine vollständige Aufschlüsselung: Was KI-Agenten tatsächlich schlecht können.

Wie fängt man mit einem KI-Agenten an?

Starten Sie mit einem Workflow, nicht mit einer Plattform. Wählen Sie den Prozess, der sich am häufigsten wiederholt, mindestens zwei Tools umfasst und klar definierte Eingaben und Ausgaben hat.

Was kostet ein KI-Agent?

Die Kosten hängen davon ab, ob Sie ein Off-the-Shelf-Produkt, einen maßgeschneiderten Aufbau oder eine Kombination nutzen.

Für eine detaillierte Aufschlüsselung: Was eine KI-Agent-Implementierung für ein kleines Unternehmen tatsächlich kostet.

Wann braucht ein Unternehmen einen KI-Agenten?

Ein KI-Agent passt zu einem Workflow mit drei Eigenschaften: er wiederholt sich in hohem Volumen, erstreckt sich über mehrere Tools, und die Eingaben variieren genug, dass feste Automatisierung versagt.

Für ein Dienstleistungsunternehmen mit 10–25 Mitarbeitern bedeutet das typischerweise: Lead-Follow-up, Kunden-Onboarding-Sequenzen, Rechnungsmahnungen oder wöchentliche Berichte. Für eine strukturierte Methode zur Bewertung, welche Workflows bereit sind: Wie erkenne ich, ob ein Geschäftsprozess bereit ist, an einen KI-Agenten übergeben zu werden.

Wie es weitergeht

Alles bisher Gesagte beschreibt, was ein KI-Agent ist und wo einer hineinpasst. Die nächsten Fragen betreffen Reihenfolge, Kosten und den Betrieb nach dem Launch.

Den ersten Workflow wählen. Welche Workflows zuerst automatisieren ist das Sequenzierungs-Framework, und wie Sie erkennen, ob ein Geschäftsprozess bereit ist ist der Reifetest für einen konkreten Kandidaten. Ausgearbeitete Beispiele für die häufigsten Einstiegspunkte: Kunden-Onboarding, Lead-Generierung und Kunden-Reporting.

Die Grundlage wählen. OpenClaw und Hermes decken die meisten Standardworkflows ab; OpenClaw vs. Hermes ist die Framework-Entscheidung. Wenn keines passt, ist ein maßgeschneiderter Agent der Weg, und was der Eigenbau von KI-Agenten tatsächlich bedeutet behandelt die DIY-Option ehrlich. Wie Sie einen Implementierungspartner auswählen gilt, wenn Sie nicht selbst bauen.

Die Zahlen. Was eine Implementierung tatsächlich kostet und KI-Agent vs. Einstellungskosten decken die Ausgabenseite ab; KI-Agenten-ROI und ROI-Statistiken die Ertragsseite. Für den Marktkontext: Verbreitungsstatistiken, Marktgröße, Ausgabenstatistiken und KI-Einführung bei kleinen Unternehmen.

Nach dem Launch. Wie zuverlässig KI-Agenten tatsächlich sind, wie Sie einen KI-Agenten einführen, was zu tun ist, wenn Ihr Agent einen Fehler macht und der Unterschied zwischen einem Agenten, der Zeit spart, und einem, der Arbeit schafft. Ist der erste Workflow stabil, zeigt Ihr zweiter KI-Agent, wie Sie den nächsten wählen.

Häufig gestellte Fragen

Was ist ein KI-Agent? Ein KI-Agent arbeitet, ohne dass jemand am Rechner sitzt. Mit einer Eingabe und einem Ziel handelt er in Ihren echten Tools — aktualisiert einen Datensatz, versendet eine E-Mail, bucht einen Termin — statt nur eine Textantwort zu liefern, wie es ein Chatbot tut.

Was ist der Unterschied zwischen einem KI-Agenten und einem Chatbot? Ein Chatbot generiert Textantworten innerhalb eines Gesprächs und kann nicht in externen Systemen handeln. Ein KI-Agent führt Aktionen in Tools wie Gmail, Slack, HubSpot oder Salesforce aus. Der entscheidende Unterschied: kann die Software in Ihre Tools schreiben — oder nur Text darüber erzeugen?

Was ist der Unterschied zwischen einem KI-Agenten und einer Zapier-Automatisierung? Zapier-Automatisierungen folgen festen Regeln — wenn Auslöser A exakt zutrifft, führe Workflow B aus. KI-Agenten verarbeiten Variationen: Sie lesen Kontext, interpretieren mehrdeutige Eingaben und entscheiden, welche Aktion passt. Agenten für variable Workflows; Automatisierungen für identische Workflows.

Was kostet ein KI-Agent für ein kleines Unternehmen? Off-the-Shelf-KI-Agenten (OpenClaw, Hermes) kosten im ersten Jahr 2.400–11.000 $ inklusive Setup, danach 600–5.000 $/Jahr. Maßgeschneiderte Agenten kosten 8.000–25.000 $ im Aufbau und 1.500–6.000 $/Jahr. Die richtige Wahl hängt davon ab, ob Ihr Workflow einem Off-the-Shelf-Produkt entspricht oder individuelle Integration erfordert.

Welche Unternehmen nutzen KI-Agenten? Personalvermittlungen, HR-Beratungen, Fractional-CFO-Praxen, Marketingagenturen und Compliance-Beratungen. Diese Unternehmen führen wiederkehrende Workflows mit hohem Volumen über einen kleinen Tool-Stack aus — das Profil mit der klarsten Rendite.

Was können KI-Agenten nicht gut? KI-Agenten haben Schwierigkeiten mit Aufgaben, die Urteilsvermögen erfordern — komplexe Verhandlungen, Mandanteneskalationen, strategische Entscheidungen. Auch bei einmaligen Aufgaben, undokumentierten Prozessen und Workflows mit unverhältnismäßig hohen Fehlerkosten performen sie schlecht.

Was ist der Unterschied zwischen einem KI-Agenten und ChatGPT? ChatGPT ist ein allgemeines Tool: Sie starten jeden Lauf, jede Sitzung beginnt ohne Gedächtnis, und es arbeitet nur mit dem Kontext, den Sie einfügen. Ein Agentensystem läuft auf einen Auslöser hin, holt Live-Daten aus CRM und Posteingang, erzeugt jedes Mal dasselbe Ausgabeformat und führt freigabepflichtige Aktionen in Ihren Tools aus. Ein schlechtes Ergebnis mit ChatGPT sagt wenig darüber aus, ob ein zweckentwickeltes System dieselbe Aufgabe lösen würde.

Sollte ein KI-Agent eine virtuelle Assistenz ersetzen? Nein — sie decken unterschiedliche Aufgabenkategorien ab. Etwa 40–60 % der Arbeit einer typischen Teilzeit-VA ist strukturierte Arbeit, die ein Agent besser erledigt: CRM-Updates, Terminplanung, Template-basierte Follow-ups, Entwurfsgenerierung. Der urteilsabhängige Rest — Eskalationen, Beziehungspflege, neuartige Anfragen — bleibt bei der VA.

Welche Branchen nutzen KI-Agenten am stärksten? PwC fand 2025 die höchsten Einsatzraten in Kundensupport (49 %) und Operations (47 %) — Funktionen, die in Professional Services, Marketingagenturen, Personalvermittlungen und Finanzberatung konzentriert sind. McKinsey nennt High-Tech, Finanzdienstleistungen und Professional Services als Branchen mit der stärksten Verbreitung. Bau, Bildung und Verwaltung bleiben am langsamsten.

Quellenangaben

1. Anthropic, „Building effective agents," Anthropic Research, 2024.
2. McKinsey Global Institute, „The economic potential of generative AI: The next productivity frontier," McKinsey & Company, Juni 2023.
3. PwC, „AI Agent Survey," PwC US, 2025.
4. McKinsey & Company, „The State of AI in 2024: GenAI Adoption Spikes and Starts to Generate Value," McKinsey Global Survey, 2024.
5. NVIDIA, „State of AI 2026," NVIDIA, 2026. Befragung von über 3.200 Teilnehmenden aus NVIDIAs eigenem, KI-affinem Publikum — eine selbstselektierte Stichprobe, die vermutlich zu KI-reiferen Organisationen tendiert als die allgemeine Unternehmenslandschaft.
6. IBM, „What Is AI Agent Memory?," IBM Think, 2025. — Referenz für die Definition von Agenten-Gedächtnis und die Unterscheidung episodisch/semantisch.
7. MIT NANDA, „The GenAI Divide: State of AI in Business 2025," MIT Project NANDA, 2025. — Quelle für den Befund, dass nur rund 5 % der Unternehmens-Pilotprojekte nennenswerte finanzielle Wirkung erreichten und dass gescheiterte Werkzeuge kein Feedback behalten und sich nicht an Kontext anpassen konnten.