Wer sich mit KI-Agenten für Unternehmen beschäftigt, hört das Wort inzwischen für fast alles: für den Chat auf der Website, für eine Automatisierungskette mit einem Sprachmodell in der Mitte, für ein Programm, das selbstständig Marktplätze durchsucht. Je nachdem, was gemeint ist, unterscheiden sich Aufwand, Kosten, Risiko und die Prüfung des Ergebnisses. Bevor ein Unternehmen einen Agenten bauen lässt, lohnt sich deshalb eine nüchterne Frage: Ist ein Agent für diese Aufgabe überhaupt das passende Werkzeug?
Was einen KI-Agenten von anderen KI-Anwendungen unterscheidet
Ein KI-Agent arbeitet eine Aufgabe von Anfang bis Ende ab. Er liest, ruft Werkzeuge auf, wertet das Ergebnis aus und entscheidet selbst über den nächsten Schritt, bis er fertig ist oder an einen Menschen übergibt. Das Sprachmodell steuert also den Ablauf.
Anthropic trennt in seinem Leitfaden zwei Bauweisen: Workflows, bei denen Sprachmodell und Werkzeuge über fest programmierte Pfade verbunden sind, und Agenten, bei denen das Modell den Ablauf und die Wahl der Werkzeuge selbst lenkt. OpenAI zieht die Grenze ähnlich: Anwendungen, die ein Sprachmodell nutzen, ihm aber nicht die Steuerung des Ablaufs überlassen, etwa einfache Chatbots, einzelne Modellaufrufe oder Stimmungsklassifikatoren, sind demnach keine Agenten.
Für die Praxis ergeben sich vier Stufen:
| Stufe | Wer bestimmt den Ablauf? | Typisches Beispiel |
|---|---|---|
| Feste Regel | Programmcode, ohne Sprachmodell | Bestellungen über einem Betrag zur Freigabe schicken |
| Feste Automatisierung mit Modell | Programmcode, das Modell erledigt einzelne Schritte | Eingehende E-Mails klassifizieren und weiterleiten |
| Assistent | Der Mensch, das Modell antwortet auf Zuruf | Entwürfe schreiben, Dokumente zusammenfassen |
| KI-Agent | Das Modell, innerhalb festgelegter Grenzen | Quellen durchsuchen, Treffer prüfen, Ergebnis liefern |
Jede Stufe nach unten bringt mehr Flexibilität und zugleich mehr Aufwand bei Kosten, Prüfung und Betrieb. Anthropic empfiehlt, mit der einfachsten Lösung zu beginnen und Komplexität nur dann hinzuzufügen, wenn sie nachweislich etwas verbessert.
Wofür sich ein Agent eignet
Ein Agent lohnt sich dort, wo sich der Weg zum Ergebnis nicht im Voraus festlegen lässt. Anthropic beschreibt das als offene Aufgaben, bei denen sich die Zahl der nötigen Schritte kaum vorhersagen lässt und kein fester Pfad programmiert werden kann. OpenAI nennt drei Arten von Abläufen, bei denen klassische Automatisierung an Grenzen stößt:
- Entscheidungen mit Ermessen: Ausnahmen und Fälle, die vom Zusammenhang abhängen, etwa bei der Prüfung einer Rückerstattung.
- Regelwerke, die kaum noch zu pflegen sind: wenn jede Änderung an einem umfangreichen Regelsatz teuer und fehleranfällig wird.
- Viel unstrukturierter Inhalt: Texte, Dokumente und Websites, deren Inhalt erst verstanden werden muss.
Umgekehrt gilt: Wenn sich eine Aufgabe als Regel aufschreiben lässt, ist eine Regel fast immer billiger, schneller und leichter zu prüfen als ein Agent. Warum wir auch innerhalb eines Agenten so viel wie möglich fest bauen, beschreibt der Beitrag KI-Agenten als Bausteine.
Vier Fragen vor der Entscheidung
Bevor wir einen Agenten vorschlagen, gehen wir mit dem Team, das die Aufgabe heute erledigt, vier Fragen der Reihe nach durch. Jede Frage kann zu einer einfacheren Lösung führen.
- RegelLässt sich die Aufgabe als feste Regel aufschreiben?
- AblaufSind die Schritte immer dieselben?
- MenschBleibt der Mensch ohnehin bei jedem Fall dabei?
- PrüfungLässt sich das Ergebnis an echten Fällen messen?
Grafik verwenden? Gern, mit Quelle Wundrig und Link auf diesen Beitrag. Hinweise
- Lässt sich die Aufgabe als Regel aufschreiben? Wenn die Mitarbeitenden die Entscheidung in wenigen Sätzen vollständig erklären können, wird es eine Regel.
- Sind die Schritte immer dieselben? Wenn nur einzelne Schritte Verständnis von Text verlangen, etwa das Einordnen einer E-Mail, der Rest aber fest ist, wird es eine feste Automatisierung, in der das Modell genau diesen Schritt übernimmt.
- Bleibt der Mensch ohnehin bei jedem Fall dabei? Wenn jemand jeden Entwurf liest und selbst entscheidet, genügt oft ein Assistent. Ein Agent spart erst dann Zeit, wenn er ganze Fälle abschließt oder nur die unklaren weitergibt.
- Lässt sich das Ergebnis an echten Fällen messen? Erst wenn die ersten drei Fragen für einen Agenten sprechen, prüfen wir diese. Ohne eine Sammlung echter Fälle mit der richtigen Antwort daneben lässt sich nicht feststellen, ob der Agent besser arbeitet als die einfachere Lösung. Fehlt diese Sammlung, ist der erste Schritt, sie anzulegen.
Ein Agent entsteht nur, wenn die ersten drei Fragen mit Nein und die vierte mit Ja beantwortet werden. Sonst ist eine einfachere Stufe die bessere Wahl.
Ein Beispiel: der Agent für ein Gütesiegel
Für eine Zertifizierungsstelle haben wir einen Agenten gebaut, der Amazon, Otto und weitere Marktplätze nach Produkten durchsucht, die für ihr Siegel in Frage kommen. Er prüft die Treffer gegen den Kriterienkatalog und findet die Hersteller dahinter.
An diesem Fall lassen sich die vier Fragen gut zeigen. Eine feste Regel scheidet aus, weil Produktseiten auf jedem Marktplatz anders aufgebaut sind und dieselbe Angabe in unterschiedlichen Formulierungen steht. Die Schritte sind nicht immer dieselben: Bei einem Produkt reicht die Beschreibung, bei einem anderen muss der Agent weitere Seiten öffnen, um den Hersteller zu finden. Ein Mensch muss nicht jeden Treffer selbst recherchieren, sondern prüft die begründeten Ergebnisse. Und das Ergebnis lässt sich messen, weil für bereits bekannte Produkte feststeht, ob sie die Kriterien erfüllen.
Gleichzeitig ist nicht alles an diesem System ein Agent. Welche Marktplätze durchsucht werden, wie Ergebnisse gespeichert werden und in welcher Form sie an die Zertifizierungsstelle gehen, ist fest programmiert. Das Modell entscheidet nur dort, wo Verständnis gebraucht wird. Mehr zu dieser Art von Arbeit steht auf unserer Seite zur Entwicklung von KI-Agenten.
Checkliste für die eigene Auswahl
Wenn Sie in Ihrem Unternehmen Aufgaben für KI-Agenten suchen, können Sie mit diesen Schritten beginnen:
- Schreiben Sie fünf bis zehn Aufgaben auf, die regelmäßig vorkommen und Zeit kosten. Beschreiben Sie jede in zwei Sätzen: Was geht hinein, was kommt heraus?
- Gehen Sie für jede Aufgabe die vier Fragen der Reihe nach durch und notieren Sie die Stufe, bei der Sie landen.
- Sammeln Sie für die Aufgaben, die bei einem Agenten landen, zwanzig bis dreißig echte Fälle aus der Vergangenheit und schreiben Sie die richtige Antwort daneben.
- Legen Sie fest, wer im Unternehmen für das Ergebnis zuständig ist und an wen der Agent unklare Fälle übergibt.
- Beginnen Sie mit der Aufgabe, bei der sich das Ergebnis am leichtesten prüfen lässt, nicht mit der, die am meisten verspricht.
Woran sich danach erkennen lässt, ob ein Agent im Alltag tatsächlich Arbeit übernimmt, beschreibt der Beitrag KI-Agenten: echte Arbeit oder nur eine Demo?.
Fazit
KI-Agenten für Unternehmen sind ein Werkzeug unter mehreren, nicht die Antwort auf jede Aufgabe. Wo eine Regel genügt, ist eine Regel besser. Wo nur ein Schritt Textverständnis braucht, reicht eine feste Automatisierung mit Sprachmodell. Ein Agent lohnt sich dort, wo der Weg zum Ergebnis von Fall zu Fall anders aussieht, ein Mensch nicht jeden Fall selbst bearbeiten muss und sich das Ergebnis an echten Fällen messen lässt. Wer diese Fragen vor dem Bau stellt, spart Kosten und bekommt Systeme, die sich prüfen und betreiben lassen.
Häufige Fragen
Was ist der Unterschied zwischen einem KI-Agenten und einem Chatbot?
Ein einfacher Chatbot beantwortet Fragen, der Ablauf bleibt aber beim Menschen oder im fest programmierten Code. Ein KI-Agent steuert den Ablauf selbst: Er wählt Werkzeuge, wertet Ergebnisse aus und entscheidet über den nächsten Schritt, bis die Aufgabe erledigt ist oder er an einen Menschen übergibt.
Für welche Aufgaben eignen sich KI-Agenten in Unternehmen?
Für Aufgaben, bei denen sich der Weg zum Ergebnis nicht im Voraus festlegen lässt: Entscheidungen mit Ermessen, schwer zu pflegende Regelwerke und viel unstrukturierter Inhalt wie Dokumente oder Websites. Voraussetzung ist, dass sich das Ergebnis an echten Fällen prüfen lässt.
Wann reicht eine normale Automatisierung statt eines KI-Agenten?
Wenn sich die Aufgabe als Regel aufschreiben lässt oder die Schritte immer dieselben sind. Braucht nur ein einzelner Schritt Textverständnis, kann das Sprachmodell genau diesen Schritt innerhalb einer festen Automatisierung übernehmen. Das ist in der Regel billiger und leichter zu prüfen als ein Agent.