Agentic AI für Schweizer KMU

ChatGPT, Copilot und ähnliche Anwendungen haben in vielen Unternehmen den Einstieg in die KI geprägt. Der Nutzen ist schnell sichtbar: Texte formulieren, Informationen zusammenfassen, Mails entwerfen oder Ideen strukturieren. Für viele Schweizer KMU ist damit aber erst die erste Stufe erreicht.

Der nächste Hebel liegt nicht mehr nur im Antworten, sondern in der Ausführung von Aufgaben innerhalb klarer Prozesse. Genau hier kommt Agentic AI ins Spiel. Gemeint sind Systeme, die nicht nur Inhalte erzeugen, sondern Schritte planen, Informationen aus Systemen beziehen, Entscheidungen entlang definierter Regeln vorbereiten, Aktionen auslösen und Ergebnisse zurückmelden.

Für KMU ist das relevant, weil der eigentliche Geschäftswert selten in einer guten Antwort allein entsteht. Wert entsteht dort, wo Arbeitsschritte schneller, sauberer und mit weniger manuellen Übergaben ablaufen. Dieser Artikel ordnet ein, worin der Unterschied zwischen klassischer KI, Generativer KI, KI-Agenten und Agentic AI liegt, wo der Nutzen im Alltag entsteht und welche Voraussetzungen erfüllt sein müssen, bevor Teilautomatisierung sinnvoll wird.

Von ChatGPT zu Agentic AI: Was sich im Reifegrad von KI verändert

Viele Diskussionen über KI vermischen verschiedene Begriffe. Für eine sachliche Einordnung lohnt sich eine einfache Abgrenzung.

Klassische KI meint in vielen Fällen Systeme, die auf ein klar definiertes Problem trainiert sind. Dazu gehören etwa Prognosen, Mustererkennung, Anomalieerkennung oder automatische Klassifikationen. Ein Beispiel ist die Vorhersage von Lieferverzögerungen oder die automatische Zuordnung von Belegen zu Kategorien. Solche Systeme können sehr nützlich sein, arbeiten aber meist in einem begrenzten Rahmen.

Generative KI geht einen Schritt weiter. Sie erzeugt neue Inhalte auf Basis von Sprache, Bildern, Daten oder Dokumenten. Typische Anwendungen sind ChatGPT, Textassistenten, Zusammenfassungen, Übersetzungen oder Entwürfe für E-Mails und Konzepte. Die Stärke liegt darin, Informationen flexibel zu verarbeiten und natürlichsprachlich auszugeben.

KI-Agenten oder AI Agents sind Systeme, die auf Basis eines Ziels mehrere Schritte ausführen können. Sie greifen zum Beispiel auf Informationen zu, prüfen Bedingungen, holen Daten aus verschiedenen Quellen und lösen definierte Aktionen aus. Der entscheidende Unterschied: Es geht nicht nur um eine Antwort, sondern um eine Aufgabe mit mehreren Arbeitsschritten.

Agentic AI beschreibt schliesslich einen höheren Reifegrad. Hier arbeitet die KI nicht nur punktuell als Assistent, sondern als Teil einer Prozesslogik. Sie plant Teilaufgaben, orchestriert Abläufe über mehrere Systeme, reagiert auf Rückmeldungen und führt definierte Prozessketten innerhalb klarer Regeln aus. Das ist nicht einfach ein besserer Chatbot, sondern ein anderer Einsatztyp.

Für Schweizer KMU ist diese Unterscheidung wichtig. Wer KI nur als Textmaschine betrachtet, übersieht oft den grösseren Nutzen. Ein automatisch formulierter Antwortvorschlag spart etwas Zeit. Ein System, das eine Anfrage erkennt, Informationen aus ERP und CRM holt, den Fall priorisiert, fehlende Angaben anfordert und die nächste Aufgabe an die zuständige Stelle übergibt, schafft deutlich mehr Prozesswert.

Der Reifegrad verschiebt sich also von Inhaltserzeugung zu Prozessunterstützung. Nicht jede Aufgabe braucht dafür Agentic AI. Aber überall dort, wo wiederkehrende Abläufe, klare Regeln und mehrere Übergaben vorkommen, wird dieser Schritt für KMU zunehmend relevant.

Warum Antworten allein noch keinen Prozesswert schaffen

Eine gute Antwort ist hilfreich. Sie ersetzt aber noch keinen Prozessschritt. Genau hier liegt oft ein Missverständnis in der aktuellen KI-Nutzung.

Wenn ein Team mit Generativer KI einen E-Mail-Entwurf erstellt, ist das nützlich. Doch der eigentliche Aufwand bleibt häufig bestehen: Informationen zusammensuchen, Daten prüfen, Freigaben einholen, den Fall im richtigen System dokumentieren, Folgeschritte anstossen und den Status nachverfolgen. Die Antwort ist dann nur ein Zwischenprodukt.

Prozesswert entsteht erst dort, wo aus Information eine Handlung wird. Das gilt in fast allen Unternehmensbereichen:

• Eine Kundenanfrage ist nicht erledigt, wenn ein Textvorschlag vorliegt. Sie ist erst dann sinnvoll bearbeitet, wenn Daten geprüft, Prioritäten gesetzt, Zuständigkeiten geklärt und allenfalls Folgeaufgaben ausgelöst wurden.

• Ein Rapport ist nicht deshalb verarbeitet, weil sein Inhalt zusammengefasst wurde. Der Nutzen entsteht, wenn relevante Punkte erkannt, sauber dokumentiert und in den nächsten Arbeitsschritt überführt werden.

• Ein eingehendes Dokument spart noch keine Arbeit, nur weil es ausgelesen wurde. Erst wenn Felder geprüft, Regeln angewendet und die Übergabe an Buchhaltung, Einkauf oder Freigabeprozess sauber erfolgt, verbessert sich der Ablauf.

In vielen KMU liegen die Zeitverluste nicht primär in der Formulierung, sondern in Übergaben, Suchaufwand, Medienbrüchen und manueller Koordination. Genau deshalb reicht es selten, nur Chatbots oder Schreibassistenten einzusetzen. Diese helfen auf der Oberfläche, verändern aber nicht automatisch die Prozessleistung.

Ein einfaches Beispiel aus der Administration: Eine Offertanfrage kommt per E-Mail herein. Generative KI kann den Inhalt zusammenfassen. Das spart einige Minuten. Mehr Nutzen entsteht jedoch, wenn ein System zusätzlich erkennt, um welchen Produkttyp es geht, ob alle Angaben vorhanden sind, welche Unterlagen fehlen, wer intern zuständig ist, ob Fristen kritisch sind und welche standardisierten Schritte als Nächstes ausgelöst werden müssen.

Dasselbe gilt in der IT. Ein Support-Ticket kann durch KI kategorisiert und sprachlich beantwortet werden. Der eigentliche Mehrwert entsteht aber erst, wenn bekannte Standardfälle erkannt, Logs oder Wissensquellen geprüft, Prioritäten gesetzt, Rückfragen automatisch angestossen und Tickets in den passenden Bearbeitungspfad geleitet werden.

Kurz gesagt: Antworten unterstützen Menschen. Prozesse entlasten Unternehmen. Darum ist der Weg von ChatGPT zu Agentic AI für KMU mehr als ein technischer Trend. Es geht um den Schritt von punktueller Hilfe zu operativem Nutzen.

Wie AI-Agents und Agentic AI in Prozessketten arbeiten

Damit der Begriff greifbar wird, lohnt sich ein Blick auf die Arbeitsweise in einer typischen Prozesskette.

Ein assistierender KI-Agent hilft meist innerhalb eines einzelnen Arbeitsschritts. Er beantwortet etwa eine Frage, erstellt einen Entwurf oder bereitet Informationen auf. Das ist sinnvoll, aber begrenzt.

Ein agentisches System geht weiter. Es arbeitet entlang eines Ziels und verbindet mehrere Schritte. Typisch sind dabei fünf Elemente:

Aufgabenplanung

Das System erkennt, was erreicht werden soll, und leitet daraus Teilaufgaben ab. Zum Beispiel: Anfrage verstehen, relevante Daten abrufen, Vollständigkeit prüfen, Priorität bestimmen, Antwort vorbereiten und Folgeschritt auslösen.

Orchestrierung

Mehrere Schritte werden in eine sinnvolle Reihenfolge gebracht. Dabei geht es nicht um freie Autonomie, sondern um klar definierte Ablauflogik. Das System weiss, wann welcher Schritt nötig ist und an welcher Stelle eine Rückmeldung, Freigabe oder Ausnahmebehandlung erforderlich wird.

Handlungsauslösung

Die KI bleibt nicht bei der Analyse stehen, sondern stösst Aktionen an. Sie kann etwa ein Ticket erstellen, ein Dokument in einen Workflow übergeben, fehlende Angaben anfordern oder einen Freigabeprozess starten. Genau hier unterscheidet sich Agentic AI von einer reinen Antwortmaschine.

Prüfung und Rückmeldung

Ein zuverlässiges System arbeitet nicht blind. Es prüft Ergebnisse gegen Regeln, fordert bei Unsicherheit menschliche Bestätigung an und dokumentiert, was ausgeführt wurde. Rückmeldungen aus Folgeprozessen fliessen zurück und helfen, den Fall sauber abzuschliessen oder weiterzuleiten.

Übergabe an Systeme und Menschen

Nicht alles soll automatisch entschieden werden. Gute agentische Prozesse wissen, wann ein Mensch eingreifen muss. Etwa bei Sonderfällen, Grenzwerten, Abweichungen oder Risiken. Die KI bereitet vor, strukturiert und löst Standardteile aus, während kritische Punkte klar eskaliert werden.

Ein Beispiel: Ein Unternehmen erhält Serviceanfragen über verschiedene Kanäle. Ein agentisches System kann neue Anfragen sammeln, den Inhalt auswerten, bekannte Problemtypen erkennen, Kundendaten im CRM abgleichen, den Dringlichkeitsgrad einschätzen, Standardfälle einer definierten Bearbeitung zuführen und nur unklare Fälle an Mitarbeitende weitergeben. Das spart nicht nur Zeit, sondern reduziert auch Streuverluste und manuelle Sortierarbeit.

Wichtig ist die Abgrenzung: Ein assistierender Agent unterstützt einzelne Tätigkeiten. Ein agentisches System ist in eine Prozesskette eingebunden und wirkt über mehrere Schritte hinweg. Genau dort liegt die Verbindung zu Automatisierung und KI: nicht als technische Spielerei, sondern als strukturierte Prozessverbesserung.

Typische Anwendungsfelder für Schweizer KMU

Nicht jeder Prozess eignet sich gleich gut. Besonders sinnvoll sind Anwendungsfelder mit wiederkehrenden Aufgaben, klaren Regeln, verfügbaren Daten und überschaubaren Ausnahmen.

Administration und Backoffice

In vielen KMU fallen täglich strukturähnliche Anfragen, Dokumente und Freigaben an. Hier kann Agentic AI unterstützen, indem Informationen aus E-Mails oder Anhängen extrahiert, Fälle klassifiziert, Standardantworten vorbereitet, fehlende Angaben angefordert und Aufgaben an die richtigen Stellen übergeben werden.

Typische Beispiele:

• eingehende Kontakt- und Serviceanfragen vorsortieren

• Offertanfragen auf Vollständigkeit prüfen

• Dokumente für Freigabeprozesse vorbereiten

• Standardkorrespondenz in definierte Abläufe überführen

• interne Anfragen aus Fachbereichen triagieren

Der Nutzen liegt oft in schnellerer Bearbeitung und weniger manueller Koordination.

Operations und Auftragsabwicklung

In operativen Prozessen entstehen viele Übergaben: von Bestellung zu Prüfung, von Prüfung zu Ausführung, von Ausführung zu Dokumentation. Agentische Systeme können hier helfen, Prozessstatus zu überwachen, fehlende Informationen anzufordern, Standardentscheide gemäss Regeln vorzubereiten und nächste Schritte auszulösen.

Denkbar sind etwa:

• Prüfung von Bestelleingängen auf Vollständigkeit

• Weiterleitung an passende Verantwortliche je nach Auftragstyp

• Verknüpfung von eingehenden Informationen mit bestehenden Fällen

• automatische Erinnerung bei fehlenden Rückmeldungen

• Übergabe an definierte Freigabestufen

Gerade in KMU mit schlanken Teams ist die Entlastung bei solchen Standardprozessen oft spürbar.

IT und interne Services

Auch interne Support- und IT-Prozesse eignen sich gut. Wiederkehrende Anfragen können kategorisiert, priorisiert und in Bearbeitungspfade überführt werden. Bekannte Standardfälle lassen sich vorbereiten oder teilweise automatisiert abwickeln, während komplexe Fälle an Fachpersonen gehen.

Wichtige Voraussetzungen dafür liegen häufig im Bereich IT und Digitalisierung: Schnittstellen, Datenzugang, klare Zuständigkeiten und nachvollziehbare Regeln.

Kundenanfragen und Service

Kunden erwarten schnelle, konsistente Antworten. KI-Agenten können hier unterstützen, indem sie nicht nur Texte erzeugen, sondern den gesamten Erstbearbeitungsschritt mittragen: Anfrage erfassen, Kontext aus bestehenden Daten holen, Priorität bestimmen, fehlende Informationen klären und die passende Bearbeitung anstossen.

Das ist besonders nützlich bei:

• wiederkehrenden Servicefällen

• standardisierten Rückfragen

• Anfragen mit klaren Entscheidungsregeln

• Fällen mit mehreren internen Übergaben

Dokumentenbearbeitung und Standardprozesse

Viele Unternehmen arbeiten mit Formularen, PDF, E-Mail-Anhängen und Standarddokumenten. Wenn daraus Daten erfasst, geprüft und in Prozesse überführt werden müssen, liegt ein typischer Einsatzbereich vor. KI kann Inhalte erkennen und strukturieren. Agentic AI wird relevant, wenn daraus konkrete Folgeaktionen entstehen: Zuordnung, Freigabe, Rückfrage, Eskalation oder Übergabe an ein System.

Die entscheidende Gemeinsamkeit all dieser Felder: Es geht weniger um kreative Einzelleistung, sondern um verlässliche Unterstützung in wiederkehrenden Abläufen.

Welche Voraussetzungen erfüllt sein müssen, damit Agentic AI funktioniert

Der grösste Fehler besteht darin, unklare oder chaotische Abläufe direkt mit KI automatisieren zu wollen. Agentic AI wirkt dort gut, wo Prozesse bereits in ihren Grundzügen verständlich, standardisierbar und steuerbar sind.

Saubere Prozesse vor Automatisierung

Wenn nicht klar ist, wie ein Ablauf heute funktioniert, welche Varianten es gibt, welche Entscheidungen wann getroffen werden und wo Ausnahmen auftreten, kann auch ein KI-Agent nicht zuverlässig arbeiten. Automatisierung verstärkt gute Prozesse. Schlechte Prozesse werden durch KI nicht automatisch besser.

Darum gilt: Prozessklarheit kommt vor Teilautomatisierung.

Datenqualität und Datenzugang

Ein agentisches System braucht verlässliche Informationen. Wenn Stammdaten unvollständig sind, Dokumente uneinheitlich vorliegen oder relevante Informationen in isolierten Quellen verstreut sind, sinkt die Zuverlässigkeit rasch. KMU müssen nicht perfekt aufgestellt sein, aber die wichtigsten Datenquellen sollten zugänglich und nachvollziehbar sein.

Definierte Schnittstellen

Agentic AI erzeugt ihren Nutzen meist erst dann, wenn sie mit bestehenden Systemen zusammenarbeitet. Dazu gehören etwa ERP, CRM, Ticketing, DMS oder E-Mail-Prozesse. Ohne definierte Schnittstellen bleibt die KI oft auf die Rolle eines Assistenten beschränkt.

Regeln, Freigaben und Zuständigkeiten

Ein KI-Agent braucht klare Leitplanken:

• Was darf automatisch ausgelöst werden?

• Welche Schwellenwerte gelten?

• Wann ist eine Freigabe nötig?

• Wer trägt fachliche Verantwortung?

• Wie werden Ausnahmen behandelt?

Diese Fragen sind nicht Nebensache, sondern Kern der Umsetzung. In vielen Fällen ist die fachliche Regeldefinition wichtiger als die eigentliche KI-Komponente.

Schrittweise Reihenfolge statt Grossprojekt

Für KMU ist meist ein pragmatischer Weg sinnvoll:

1. Prozesse mit hohem Wiederholungsgrad identifizieren

2. Ablauf und Varianten sauber aufnehmen

3. Regeln und Entscheidungspunkte definieren

4. Datenquellen und Schnittstellen prüfen

5. Teilautomatisierung in risikoarmen Schritten umsetzen

6. Wirkung messen und schrittweise erweitern

Dieser Weg verhindert, dass Erwartungen zu hoch angesetzt werden. Agentic AI für KMU funktioniert am besten dort, wo begrenzte, gut verstandene Anwendungsfälle zuerst priorisiert werden.

Grenzen, Kontrolle und Verantwortlichkeiten im Alltag

So gross das Potenzial ist: Agentic AI braucht Kontrolle. Gerade im KMU-Umfeld ist wichtig, realistisch zu bleiben.

Generative KI kann Fehler machen, Inhalte falsch interpretieren oder Informationen sicher klingend, aber ungenau wiedergeben. Auch KI-Agenten sind nicht frei von Fehlentscheiden. Das gilt besonders bei unvollständigen Daten, ungewöhnlichen Ausnahmen oder unklaren Regeln.

Darum braucht es menschliche Kontrolle an kritischen Stellen:

• bei finanziell relevanten Entscheidungen

• bei rechtlich sensiblen Vorgängen

• bei Kundenfällen mit Eskalationspotenzial

• bei unklaren oder widersprüchlichen Daten

• bei Ausnahmen ausserhalb des Standardprozesses

Nicht alles sollte automatisiert werden. Prozesse mit hoher Einzelfallkomplexität, vielen Ermessensentscheiden oder stark wechselnden Rahmenbedingungen sind oft schlechte Kandidaten für frühe agentische Ansätze. Dort kann KI zwar assistieren, aber nicht sinnvoll autonom handeln.

Ebenso wichtig ist Governance. Unternehmen sollten festlegen:

• wer fachlich verantwortlich ist

• wer Regeln pflegt und Freigaben definiert

• wie Ergebnisse überwacht werden

• wie Fehler erkannt und korrigiert werden

• wie Änderungen im Prozess dokumentiert werden

Monitoring ist keine technische Kür, sondern betriebliche Pflicht. Wenn ein agentisches System Aufgaben ausführt, muss sichtbar sein, was passiert ist, warum ein Schritt ausgelöst wurde und wo Probleme aufgetreten sind. Nur so lässt sich Qualität sichern.

Gerade für KMU ist das eine Chance: Wer von Anfang an mit klaren Verantwortlichkeiten, begrenzten Use Cases und sauberer Kontrolle arbeitet, kann Nutzen aufbauen, ohne unnötige Risiken einzugehen. Der Kontext von IT und Digitalisierung ist dabei zentral, weil Daten, Schnittstellen und Governance nicht getrennt von Prozessen betrachtet werden können.

Wann sich der nächste Schritt lohnt: Potenzial im eigenen KMU prüfen

Die entscheidende Frage ist nicht, ob Agentic AI grundsätzlich interessant ist. Wichtiger ist, wo im eigenen Unternehmen echter Prozessnutzen entsteht.

Sinnvolle Kandidaten haben meist mehrere dieser Merkmale:

• der Ablauf ist wiederkehrend

• die Regeln sind weitgehend klar

• die Daten sind verfügbar oder erschliessbar

• es gibt manuelle Übergaben oder Suchaufwand

• Standardfälle machen einen relevanten Anteil aus

• Zeitverlust entsteht durch Koordination, nicht nur durch Formulierung

Weniger geeignet sind Prozesse, die stark von Einzelfallbeurteilung, implizitem Expertenwissen oder unklaren Ausnahmewegen leben.

Für viele KMU lohnt sich deshalb zuerst eine strukturierte Einordnung statt ein vorschneller Umsetzungsentscheid. Welche Prozesse sind bereits ausreichend klar? Wo fehlt noch Standardisierung? Welche Aufgaben lassen sich sinnvoll vorbereiten, welche teilweise automatisieren und wo ist menschliche Kontrolle zwingend?

Genau an diesem Punkt ist eine Potenzialanalyse der sinnvollste nächste Schritt. Sie hilft, geeignete Anwendungsfälle zu erkennen, Voraussetzungen realistisch zu prüfen und Prioritäten zu setzen, bevor Zeit in die Umsetzung fliesst. So entsteht kein KI-Grossprojekt auf Verdacht, sondern ein fokussierter Weg zu den Prozessen, bei denen Agentic AI im KMU tatsächlich Wirkung entfalten kann.

Häufig gestellte Fragen

Worin liegt der praktische Unterschied zwischen Generativer KI und Agentic AI?

Generative KI erzeugt vor allem Inhalte wie Texte, Zusammenfassungen oder Antworten. Agentic AI geht darüber hinaus: Sie nutzt solche Fähigkeiten innerhalb eines definierten Prozessablaufs, plant Teilaufgaben, greift auf Daten zu, löst Aktionen aus und übergibt Ergebnisse an Systeme oder Menschen. Der praktische Unterschied liegt also nicht primär in der Qualität der Antwort, sondern in der Fähigkeit, Arbeitsschritte innerhalb einer Prozesskette zu unterstützen oder teilweise auszuführen.

Für welche Prozesse in einem KMU eignen sich KI-Agenten überhaupt?

Besonders geeignet sind wiederkehrende, regelbasierte Prozesse mit verfügbaren Daten und klaren Übergaben. Dazu gehören etwa die Triage von Anfragen, die Bearbeitung standardisierter Dokumente, Freigabeprozesse, interne Serviceanfragen, Teile der Auftragsabwicklung oder administrative Standardabläufe. Weniger geeignet sind Prozesse mit vielen Einzelfallentscheiden, unklaren Regeln oder hoher rechtlicher und fachlicher Sensitivität ohne definierte Kontrollpunkte.

Welche Voraussetzungen braucht es, damit ein KI-Agent im Alltag zuverlässig arbeitet?

Wesentlich sind klare Prozesse, saubere Daten, definierte Schnittstellen, nachvollziehbare Regeln und klare Verantwortlichkeiten. Zusätzlich braucht es Freigabelogiken, Ausnahmebehandlung und Monitoring. Ein KI-Agent arbeitet nur dann zuverlässig, wenn das Unternehmen weiss, welche Schritte standardisiert sind, welche Daten massgeblich sind und wann ein Mensch eingreifen muss.

Wo liegen die Grenzen von Agentic AI in Schweizer KMU?

Die Grenzen liegen vor allem bei unklaren Prozessen, schlechter Datenqualität, fehlenden Schnittstellen und Aufgaben mit hohem Ermessensspielraum. Auch rechtlich oder finanziell kritische Entscheidungen sollten nicht unkontrolliert automatisiert werden. Agentic AI ist keine autonome Wunderlösung, sondern ein Werkzeug für klar umrissene Prozessunterstützung unter definierten Rahmenbedingungen.

Wie startet ein KMU sinnvoll mit Prozessautomatisierung mit KI, ohne zu viel zu riskieren?

Sinnvoll ist ein schrittweiser Einstieg über einen begrenzten, gut verstandenen Anwendungsfall. Zuerst sollten repetitive Prozesse mit klaren Regeln identifiziert und aufgenommen werden. Danach werden Datenlage, Schnittstellen, Freigaben und Risiken geprüft. Erst dann lohnt sich die Umsetzung einer Teilautomatisierung. Dieser Weg reduziert Risiko und schafft schneller belastbare Resultate als ein breites KI-Projekt ohne klare Prioritäten.