KI-Agenten im Unternehmen: Wann sie sich lohnen
KI-Agenten sind im Unternehmensumfeld ein viel diskutiertes Thema. Gerade in Schweizer KMU entsteht schnell die Frage, ob solche Systeme bereits heute einen echten Mehrwert bringen oder ob hinter dem Begriff vor allem eine neue Verpackung für bekannte Automatisierung steckt.
Die kurze Antwort lautet: Beides kommt vor. Es gibt Aufgaben, bei denen KI-Agenten im Unternehmen sinnvoll sind, weil sie Informationen aufnehmen, Teilschritte planen, auf Tools zugreifen und Ergebnisse laufend prüfen können. Es gibt aber ebenso viele Fälle, in denen eine einfache, stabile Automation verlässlicher, günstiger und leichter zu kontrollieren ist.
Für Geschäftsführung, Teamleitungen und Verantwortliche für Automatisierung ist deshalb nicht die Frage entscheidend, ob KI-Agenten grundsätzlich interessant sind. Entscheidend ist, für welche Art von Aufgabe sie geeignet sind und wo klassische Automatisierung die bessere Wahl bleibt.
Was KI-Agenten im Unternehmenskontext wirklich tun
Ein KI-Agent ist kein reiner Chatbot und auch nicht einfach ein besserer Prompt. Im Unternehmenskontext ist damit ein System gemeint, das eine Aufgabe nicht nur beantwortet, sondern in Arbeitsschritte übersetzen und abarbeiten kann.
Dazu gehören typischerweise fünf Fähigkeiten:
eine Aufgabe oder ein Ziel verstehen
den Auftrag in sinnvolle Teilschritte aufteilen
auf Informationen oder Tools zugreifen
Zwischenergebnisse prüfen
bei Bedarf einen weiteren Versuch starten oder den nächsten Schritt anpassen
Ein einfaches Beispiel: Ein Chatbot beantwortet eine Frage wie «Fasse diese E-Mail zusammen». Ein KI-Agent könnte dagegen eine eingehende Anfrage lesen, den Kontext im CRM nachschlagen, einen Antwortentwurf formulieren, einen Termin vorschlagen und die Antwort zur Freigabe bereitstellen.
Der Unterschied liegt also nicht primär in der Textqualität, sondern in der Koordination von Handlungen. Ein Agent arbeitet schrittweise. Er kann mit wechselnden Eingaben umgehen und muss nicht für jeden Fall von Anfang an vollständig vordefiniert sein.
Wichtig ist aber auch die Abgrenzung: Ein Agent ist nicht automatisch selbständig im betriebswirtschaftlichen Sinn. Er trifft nicht einfach kluge Entscheidungen, sondern arbeitet innerhalb eines gesetzten Rahmens. Je unklarer dieser Rahmen ist, desto grösser werden Aufwand, Risiko und Kontrollbedarf.
Gerade für KMU ist deshalb ein nüchterner Blick sinnvoll: KI-Agenten sind keine allgemeine Intelligenz, sondern ein Ansatz für Aufgaben mit mehreren Schritten, wechselnden Inputs und unterstützter Entscheidungslogik.
LLM-Prompts, KI-Agenten und klassische Automation: die wichtigsten Unterschiede
Viele Diskussionen über AI Agents im Unternehmen werden unklar, weil drei Ebenen vermischt werden: der einzelne Prompt, der KI-Agent und die klassische Automation. Für eine gute Entscheidung müssen diese drei Dinge sauber getrennt werden.
1. Der LLM-Prompt: einmalige Interaktion
Ein Prompt ist die direkte Anfrage an ein Sprachmodell. Das Modell reagiert auf eine Eingabe und liefert eine Antwort. Diese Form eignet sich gut für:
Textentwürfe
Zusammenfassungen
Umformulierungen
erste Ideenskizzen
einfache Auswertungen einzelner Inhalte
Ein Prompt ist aber keine Prozesslogik. Es gibt keine verlässliche Schrittsteuerung, keine eigenständige Tool-Nutzung und keine eingebaute Kontrolle über mehrere Aktionen hinweg. Für spontane Wissensarbeit ist das nützlich, für verbindliche Abläufe allein meist zu wenig.
2. Die klassische Automation: feste Regeln, hohe Stabilität
Klassische Automation folgt klaren Wenn-Dann-Regeln. Wenn ein Formular vollständig ist, wird es an den richtigen Ort weitergeleitet. Wenn eine Rechnung freigegeben ist, wird sie ins ERP übertragen. Wenn eine Bestellung eingeht, wird ein definierter Folgeprozess ausgelöst.
Solche Abläufe sind besonders stark, wenn:
Inputs klar strukturiert sind
Ausnahmen selten vorkommen
der Output sauber definiert ist
Nachvollziehbarkeit und Stabilität wichtig sind
Für viele Automatisierung und KI-Vorhaben in KMU ist das nach wie vor die beste Basis. Nicht weil sie «weniger modern» wäre, sondern weil sie in stabilen Prozessen oft robuster arbeitet.
3. Der KI-Agent: zwischen Variabilität und Prozesslogik
KI-Agenten liegen gewissermassen zwischen diesen beiden Polen. Sie arbeiten nicht nur reaktiv wie ein Prompt, aber auch nicht vollständig starr wie klassische Automation. Sie eignen sich für Aufgaben, bei denen ein gewisser Rahmen vorhanden ist, der konkrete Ablauf aber je nach Fall variieren kann.
Typische Merkmale sind:
Planung statt Einzelschritt
Umgang mit unstrukturierten oder wechselnden Eingaben
Nutzung von Tools oder Datenquellen
Prüfung von Zwischenergebnissen
Anpassung des Vorgehens anhand von Rückmeldungen
Ein Beispiel macht den Unterschied deutlich:
Ein Prompt erstellt einen Antwortvorschlag auf eine E-Mail.
Eine Automation verschiebt alle E-Mails mit bestimmtem Betreff in einen definierten Ordner.
Ein Agent analysiert die E-Mail, erkennt das Anliegen, prüft Kundendaten, entwirft eine Antwort, schlägt einen Termin vor und markiert die Nachricht je nach Sicherheit zur Freigabe oder zur manuellen Bearbeitung.
Die Frage «Agenten vs Automation» ist daher keine Geschmacksfrage. Sie ist eine Frage der Prozessnatur. Je klarer und stabiler ein Ablauf ist, desto eher gewinnt die Automation. Je mehr Kontext, Zwischenschritte und wechselnde Inputs eine Aufgabe hat, desto eher kann ein Agent Mehrwert schaffen.
Typische KI-Agenten-Anwendungen in Schweizer KMU
Nicht jede Aufgabe eignet sich gleich gut für KI-Agenten in KMU. Besonders interessant sind Fälle im administrativen und operativen Alltag, bei denen Menschen viel Zeit für Sichtung, Einordnung, Vorqualifikation oder Informationssuche aufwenden.
E-Mail-Assistent für eingehende Anfragen
Ein E-Mail-Assistent kann eingehende Nachrichten analysieren, nach Thema oder Dringlichkeit einordnen, Kontext aus bestehenden Systemen beziehen und einen ersten Antwortentwurf erstellen.
Das ist besonders hilfreich bei:
allgemeinen Kundenanfragen
Terminwünschen
Rückfragen zu Angeboten
internen Standardanliegen
Die menschliche Prüfung bleibt wichtig, vor allem bei heiklen Fällen, Sonderkonditionen oder rechtlich relevanter Kommunikation. Der Agent übernimmt hier nicht die Verantwortung, sondern reduziert Vorarbeit und Reaktionszeit.
Kalender-Manager für Terminabstimmungen
Ein Agent kann Terminwünsche aus E-Mails herauslesen, Verfügbarkeiten prüfen, passende Vorschläge formulieren und die Kommunikation vorbereiten. In Teams mit vielen externen Abstimmungen spart das spürbar Zeit.
Der Nutzen entsteht dort, wo die Aufgabe nicht nur «Buche Termin X» lautet, sondern wo Rahmenbedingungen berücksichtigt werden müssen: Dauer, Priorität, beteiligte Personen oder Ort. Auch hier sollte eine Kontrolle für Ausnahmen bestehen, etwa bei vertraulichen Besprechungen oder komplexen Ressourcenplanungen.
Datenanalyst für wiederkehrende Auswertungen
In vielen KMU gibt es Daten, aber keine Zeit für ihre laufende Auswertung. Ein Agent kann Berichte aus mehreren Quellen zusammenziehen, Auffälligkeiten erkennen, Abweichungen markieren und eine verständliche Zusammenfassung erstellen.
Das kann etwa bei folgenden Aufgaben helfen:
Verkaufsübersichten
Lagerbewegungen
Servicefälle
einfache Performance-Berichte im Marketing oder Vertrieb
Der Mehrwert liegt nicht darin, dass der Agent «besser denkt» als das Team, sondern dass er repetitive Analysearbeit strukturiert vorbereitet. Entscheidungen sollten weiterhin durch Fachverantwortliche validiert werden.
Informationsscout für Recherche und Vorqualifikation
Ein Informationsscout sammelt Informationen aus internen Quellen oder freigegebenen externen Datenquellen, vergleicht Inhalte und fasst relevante Punkte zusammen. Das ist zum Beispiel interessant für:
Marktbeobachtung
Lieferantenvorqualifikation
Vorbereitung von Kundengesprächen
Zusammenstellung von Grundlagen für Offerten oder Workshops
Gerade in kleinen Teams ist das nützlich, wenn Zeit für Recherche fehlt. Allerdings ist die Qualität stark davon abhängig, welche Quellen erlaubt sind und wie die Ergebnisse kontrolliert werden.
Diese Beispiele zeigen: KI-Agenten im Unternehmen sind vor allem dort plausibel, wo sie Vorbereitung, Einordnung und Koordination übernehmen. Nicht sinnvoll ist es, daraus eine unkontrollierte Vollautomatisierung abzuleiten.
Wann ein KI-Agenten-Ansatz sinnvoll ist
Ein KI-Agent sollte nicht deshalb eingeführt werden, weil ein Anbieter den Begriff verwendet oder weil intern schon mit ChatGPT-ähnlichen Tools experimentiert wurde. Sinnvoll ist ein Agenten-Ansatz dann, wenn die Struktur der Aufgabe dazu passt.
Folgende Kriterien sprechen dafür:
Wiederkehrende Aufgabe mit wechselndem Input
Die Aufgabe kommt häufig vor, aber die Eingaben sind nicht immer gleich. Ein Kunde formuliert seine Anfrage jedes Mal anders. Ein Bericht muss aus unterschiedlichen Dateien erstellt werden. Eine Terminabstimmung läuft je nach Beteiligten anders ab.
Hier reichen starre Regeln oft nicht aus. Ein Agent kann wechselnde Formulierungen oder Konstellationen besser verarbeiten als eine reine Wenn-Dann-Logik.
Mehrere Teilschritte statt einzelner Aktion
Ein guter Anwendungsfall besteht nicht nur aus einem Befehl, sondern aus mehreren aufeinanderfolgenden Schritten. Zum Beispiel:
Anfrage verstehen
relevante Daten abrufen
Antwort oder Empfehlung vorbereiten
Ergebnis prüfen
Freigabe einholen oder nächsten Schritt auslösen
Wo solche Ketten immer wieder vorkommen, kann ein Agent helfen, die Zwischenarbeit zu koordinieren.
Tool-Zugriff ist nötig
Wenn eine Aufgabe nur aus Textgenerierung besteht, genügt oft ein guter Prompt. Ein Agent wird dann interessant, wenn Systeme, Datenquellen oder Arbeitsoberflächen einbezogen werden müssen, etwa CRM, Kalender, Wissensdatenbank oder Reporting.
Die Fähigkeit zur Tool-Nutzung ist ein zentraler Unterschied, wenn man sich LLM Agenten erklärt oder zwischen Prompt und Agent unterscheiden will.
Rückmeldungen sind nicht immer eindeutig
Ein Agent kann sinnvoll sein, wenn Zwischenergebnisse bewertet und angepasst werden müssen. Beispielsweise reicht ein erster Antwortentwurf nicht, weil eine Information fehlt. Dann muss nachrecherchiert oder eine Rückfrage vorbereitet werden.
Solche Feedback-Schlaufen sind typisch für Aufgaben, bei denen einfache Regeln zu knapp werden, aber volle manuelle Bearbeitung zu viel Zeit kostet.
Hoher Zeitaufwand für Sichtung, Suche oder Vorqualifikation
Viele Prozesse in KMU sind nicht kompliziert, aber zeitintensiv in der Vorbereitung. Genau dort kann ein Agent einen Mehrwert schaffen: nicht durch vollständige Ersetzung von Menschen, sondern durch Entlastung bei der Vorarbeit.
Eine gute Daumenregel lautet: Ein Agent ist dann interessant, wenn die Aufgabe zwar wiederkehrt, aber nicht sauber in wenige starre Regeln passt.
Wann einfache Automation die bessere Wahl bleibt
So attraktiv KI-Agenten wirken mögen: In vielen Unternehmen ist die einfachere Lösung die bessere. Das gilt besonders für Prozesse, die bereits klar definiert sind oder mit wenig Variabilität ablaufen.
Typische Fälle für klassische Automation sind:
strukturierte Formulareingänge
Rechnungsläufe mit klaren Freigabeschritten
standardisierte Datenübertragungen
Benachrichtigungen bei definierten Ereignissen
Ticketweiterleitungen nach festen Kriterien
Hier bringen Agenten oft mehr Komplexität als Nutzen. Denn wenn Inputs, Regeln und Outputs sauber bekannt sind, ist eine klassische Automation in der Regel:
zuverlässiger
kostengünstiger
besser nachvollziehbar
einfacher zu warten
leichter zu testen und freizugeben
Gerade für KMU ist das entscheidend. Jede zusätzliche Intelligenzschicht erhöht den Kontrollbedarf. Wo ein klarer Prozess vorhanden ist, fährt ein Unternehmen häufig schneller und robuster mit einer sauberen Automation als mit einem Agentenmodell.
Hinzu kommt ein wirtschaftlicher Punkt: Ein Agent verursacht nicht nur Einführungsaufwand, sondern auch laufenden Aufwand für Überwachung, Qualitätssicherung und Anpassung. Wenn die Aufgabe auch ohne diese Zusatzlogik zuverlässig automatisiert werden kann, ist der Agent meist nicht die richtige Wahl.
Deshalb gilt in der Praxis oft: Zuerst den Prozess klären, dann die Technologie wählen. Nicht umgekehrt.
Risiken für Kontrolle, Qualität und Verantwortung
Ein realistischer Blick auf KI-Agenten im Unternehmen muss die Risiken mit einbeziehen. Nicht als Bremse, sondern als Voraussetzung für sinnvolle Entscheidungen.
Fehlerhafte Tool-Nutzung
Wenn ein Agent auf Systeme zugreifen darf, kann ein Fehler direkte Auswirkungen haben. Schon ein falsches Feld im CRM, eine missverstandene Anfrage oder ein unpassender Kalendereintrag kann Folgeprobleme auslösen.
Darum sollten Zugriffsrechte und Handlungsspielräume klar begrenzt sein. Nicht jeder Agent braucht Schreibrechte. In vielen Fällen ist Lesen, Vorbereiten und Zur-Freigabe-Stellen die bessere Variante.
Qualitätsschwankungen
KI-basierte Systeme liefern nicht immer gleich gute Ergebnisse. Schon kleine Veränderungen im Input können die Qualität beeinflussen. Das ist bei offenen, sprachbasierten Aufgaben normal, aber im Unternehmenskontext relevant.
Deshalb brauchen Agenten klare Qualitätskriterien: Was ist ein brauchbares Ergebnis? Wann muss eskaliert werden? Wann ist eine menschliche Prüfung obligatorisch?
Unklare Verantwortung
Wenn ein Agent eine Aufgabe vorbereitet oder teilweise ausführt, muss trotzdem klar bleiben, wer fachlich verantwortlich ist. Gerade in KMU mit kurzen Wegen wird diese Frage manchmal unterschätzt.
Ein System kann unterstützen. Verantwortung für Kommunikation, Freigaben und Prozessresultate bleibt aber beim Unternehmen und den zuständigen Rollen.
Fehlende Nachvollziehbarkeit
Ein klassischer Workflow lässt sich meist klar dokumentieren. Bei Agenten ist es schwieriger, weil Entscheidungen auf Kontext, Textverständnis und Zwischenbewertungen beruhen können. Das erschwert Fehlersuche, Revision und interne Kontrolle.
Darum sollten wichtige Schritte protokolliert werden. Für sensible Prozesse braucht es nachvollziehbare Übergabepunkte und Freigaben.
Datenschutz und interne Kontrollmechanismen
Datenschutz ist kein Nebenthema. Wenn Agenten mit E-Mails, Kundendaten, Verträgen oder internen Informationen arbeiten, müssen Datenflüsse, Zugriffsrechte und Aufbewahrung sauber geregelt sein.
Ebenso wichtig sind interne Kontrollen: Wer darf Agenten konfigurieren? Welche Datenquellen sind erlaubt? Wo wird geprüft? Welche Aufgaben dürfen nie autonom abgeschlossen werden?
Für die meisten KMU gilt: Autonome Entscheidungen ohne Aufsicht sind selten sinnvoll. Ein gutes Setup kombiniert Entlastung durch KI mit klaren menschlichen Kontrollpunkten.
Ein pragmatischer Entscheidungsrahmen für KMU
Nicht jeder Prozess braucht eine umfangreiche Analyse. Oft reicht eine einfache Entscheidungshilfe, um die Richtung zu klären.
Fünf Fragen zur Einordnung
Ist der Prozess stabil und klar definiert?
Wenn ja, spricht das eher für klassische Automation.
Gibt es viele Ausnahmen oder wechselnde Eingaben?
Wenn ja, kann ein Agent sinnvoll sein.
Muss auf Tools oder mehrere Datenquellen zugegriffen werden?
Wenn ja, ist ein Agent eher relevant als ein einzelner Prompt.
Ist menschliche Kontrolle fachlich oder organisatorisch nötig?
Wenn ja, sollte der Agent vorbereiten, nicht autonom abschliessen.
Ist der wirtschaftliche Nutzen gross genug?
Wenn der Zeitgewinn klein und der Kontrollaufwand hoch ist, lohnt sich die Einführung oft nicht.
Die praktische Daumenregel
Manuell, wenn die Aufgabe selten vorkommt oder stark vom Einzelfall lebt
Klassische Automation, wenn der Prozess klar, stabil und regelbasiert ist
KI-Agent, wenn mehrere Schritte, wechselnde Inputs und Tool-Nutzung zusammenkommen, aber trotzdem ein definierter Rahmen besteht
Diese Logik hilft auch bei der Priorisierung. Viele KMU profitieren zuerst davon, klare Prozesse zu standardisieren und dann dort KI einzusetzen, wo Regeln allein nicht mehr genügen.
Wer intern noch Orientierung braucht, sollte nicht direkt mit einem grossen Agentenprojekt starten, sondern zuerst Wissen, Rollen und Grenzen klären. Dafür ist Schulung und Enablement oft der sinnvollere erste Schritt als eine vorschnelle technische Umsetzung.
Prozesse sauber einordnen und passend umsetzen
Der Nutzen von KI-Agenten entsteht nicht durch den Begriff, sondern durch die richtige Einordnung von Aufgaben. Genau hier zeigt sich in der Praxis oft der entscheidende Unterschied: Manche Prozesse profitieren von Agentenlogik, andere deutlich mehr von stabiler Automation oder einer einfachen manuellen Lösung.
Swiss Process Solutions unterstützt Unternehmen dabei, diese Unterscheidung sauber zu treffen. Im Vordergrund stehen keine Technologiemoden, sondern die Frage, welche Lösung zum Prozess, zum Team und zum Kontrollbedarf passt. Dazu gehören die strukturierte Einordnung von Anwendungsfällen, die Befähigung von Teams durch Schulung und Enablement sowie die Umsetzung von Automatisierung und KI, wenn ein konkreter Mehrwert erkennbar ist.
Wer unsicher ist, ob ein bestimmter Ablauf eher mit Agenten, klassischer Automation oder bewusst manuell gelöst werden sollte, kann als nächsten Schritt ein Erstgespräch vereinbaren. So lässt sich die eigene Ausgangslage pragmatisch und ohne Technologiedruck klären.
Häufig gestellte Fragen
Woran erkennen Schweizer KMU, ob ein Prozess für einen KI-Agenten geeignet ist?
Ein Prozess eignet sich dann für einen KI-Agenten, wenn er regelmässig vorkommt, aber nicht immer gleich abläuft. Typisch sind wechselnde Eingaben, mehrere Teilschritte, Tool-Zugriffe und ein hoher Aufwand für Sichtung, Recherche oder Vorqualifikation. Wenn starre Regeln nicht mehr ausreichen, aber trotzdem ein klarer Rahmen besteht, ist ein Agent ein realistischer Kandidat.
Was ist der Unterschied zwischen einem KI-Agenten und einer klassischen Automation?
Eine klassische Automation folgt festen Regeln und eignet sich für stabile, klar definierte Abläufe. Ein KI-Agent kann dagegen mit variableren Inputs umgehen, Schritte planen, Tools nutzen und Zwischenergebnisse prüfen. Automation ist meist robuster und leichter kontrollierbar. Agenten sind dort sinnvoll, wo Prozesse mehr Kontext und Anpassung brauchen.
Welche Aufgaben eignen sich im KMU-Alltag besonders für KI-Agenten?
Gut geeignet sind Aufgaben wie das Vorqualifizieren von E-Mails, das Vorbereiten von Terminkoordinationen, das Zusammenführen von Informationen aus mehreren Quellen oder das Erstellen von ersten Analysen und Zusammenfassungen. Besonders interessant sind Tätigkeiten, die viel Zeit kosten, aber nicht vollständig standardisiert sind.
Wann ist eine einfache Automation wirtschaftlich klar besser als ein Agent?
Wenn ein Prozess mit klaren Wenn-Dann-Regeln beschrieben werden kann, nur wenige Ausnahmen hat und strukturierte Ein- und Ausgaben nutzt, ist klassische Automation meist wirtschaftlich klar überlegen. Sie ist günstiger in Betrieb und Wartung, einfacher zu testen und in der Regel verlässlicher als ein Agentensystem.
Welche Risiken müssen bei KI-Agenten in Unternehmen besonders beachtet werden?
Zu den wichtigsten Risiken gehören fehlerhafte Tool-Nutzung, schwankende Ergebnisqualität, unklare Verantwortlichkeiten, mangelnde Nachvollziehbarkeit und Datenschutzfragen. Dazu kommt der Bedarf an internen Kontrollmechanismen. Ohne klare Freigaben, Rollen und Grenzen können Agenten mehr Unsicherheit schaffen als Nutzen.
Braucht ein KI-Agent in der Praxis immer menschliche Kontrolle?
In den meisten KMU ja, zumindest an entscheidenden Stellen. Besonders bei externer Kommunikation, datenrelevanten Prozessen oder fachlich sensiblen Entscheidungen sollte ein Mensch prüfen oder freigeben. Agenten sind vor allem als unterstützende Systeme sinnvoll, nicht als unüberwachte Instanz für autonome Unternehmensentscheidungen.
