Ein klassischer Chatbot beantwortet Fragen. Ein KI Assistent unterstützt Sie bei einer Aufgabe, beispielsweise beim Schreiben, Recherchieren oder Zusammenfassen. Ein KI Agent geht einen Schritt weiter.
Er bekommt nicht nur eine einzelne Frage, sondern ein Ziel. Daraus kann er notwendige Zwischenschritte ableiten, Informationen beschaffen, Werkzeuge verwenden und Aktionen ausführen.
Die Plattform Lernende Systeme beschreibt diese Entwicklung als Wandel „vom Assistenten zum Akteur“. Auch Fraunhofer IAO und IAIS beschäftigen sich damit, wie KI Agenten Aufgaben planen, koordinieren und ausführen. (Quelle: Plattform Lernende Systeme; Fraunhofer IAO und IAIS)
Der Unterschied wird anhand eines einfachen Beispiels schnell verständlich.
Einem normalen KI Assistenten könnten Sie sagen:
„Fasse mir diesen Bericht zusammen.“
Ein Agent könnte dagegen die Aufgabe erhalten:
„Prüfe jeden neu eingehenden Bericht, fasse die wichtigsten Punkte zusammen, ordne sie dem passenden Projekt zu und hinterlege die Zusammenfassung an der vorgesehenen Stelle.“
Der Assistent hilft bei einem Arbeitsschritt. Der Agent soll möglichst viel vom gesamten Ablauf übernehmen.
| Merkmal | Chatbot | KI Assistent | KI Agent |
|---|---|---|---|
| Eingabe | Frage | Aufgabe | Ziel |
| Arbeitsweise | antwortet reaktiv | unterstützt auf Zuruf | plant und handelt innerhalb vorgegebener Grenzen |
| Werkzeugnutzung | keine oder kaum | begrenzt, zum Beispiel Suche | bindet Systeme, APIs und Datenquellen ein |
| Mehrstufige Abläufe | nein | eingeschränkt | ja, inklusive Zwischenschritten |
| Menschliche Rolle | stellt Fragen | gibt Anweisungen | definiert Ziele, steuert und kontrolliert |
| Typisches Beispiel | FAQ Bot auf der Website | Textentwurf in einem KI Tool | Anfrage aufnehmen, Informationen prüfen und weitere Prozessschritte auslösen |
Technisch können Agenten deutlich komplexer aufgebaut sein. Für das grundsätzliche Verständnis lässt sich ihre Arbeitsweise aber auf einen einfachen Kreislauf herunterbrechen:
Wahrnehmen → Planen → Handeln → Prüfen
Der Agent erhält zunächst Informationen und ein Ziel. Anschließend plant er die notwendigen Schritte, nutzt die ihm zur Verfügung stehenden Werkzeuge und überprüft das Ergebnis.
Dabei kann er abhängig von der jeweiligen Lösung auf unterschiedliche Quellen und Systeme zugreifen. Das können beispielsweise Dokumente, Datenbanken, Websites, APIs oder unternehmensinterne Informationen sein.
Gerade dieser Zugriff auf eigenes Unternehmenswissen macht Agenten interessant. Microsoft beschreibt für Copilot Studio beispielsweise die Einbindung verschiedener Wissensquellen. So muss sich ein Agent nicht ausschließlich auf das allgemeine Wissen eines Sprachmodells verlassen, sondern kann relevante Informationen aus dem jeweiligen Unternehmen in seine Arbeit einbeziehen. (Quelle: Microsoft)
Das klingt in der Theorie sehr geradlinig. In der Praxis liegt genau hier aber auch ein großer Teil der Arbeit. Ein Agent muss wissen, welche Informationen er verwenden darf, welche Werkzeuge für welchen Schritt vorgesehen sind und was passieren soll, wenn etwas nicht wie erwartet funktioniert.
Aus unserer eigenen Arbeit kennen wir genau diese Situation: Schon ein kleiner Fehler in einer Anweisung oder innerhalb eines Workflows kann dazu führen, dass ein Bot an einer Stelle hängen bleibt. Dann muss der Ablauf geprüft, die Ursache gefunden und die Anweisung angepasst werden.
Ein Agent ist deshalb nicht automatisch eine Abkürzung. Zunächst muss ein Prozess so sauber beschrieben werden, dass die Automatisierung zuverlässig funktioniert.
In der Praxis geht es meistens nicht darum, einen digitalen Mitarbeiter zu erschaffen, der plötzlich alles kann. Wesentlich interessanter sind klar abgegrenzte Prozesse.
Im Kundenservice kann ein Agent Anfragen verstehen, Informationen aus dem Wissensbestand abrufen, Antworten vorbereiten oder Tickets erstellen. Im Vertrieb kann er Informationen zusammentragen, Anfragen vorsortieren oder bei der Vorbereitung von Angeboten helfen. Bei internen Prozessen können Daten aus unterschiedlichen Quellen zusammengeführt, Berichte vorbereitet oder weitere Arbeitsschritte ausgelöst werden.
Auch innerhalb bestehender Unternehmenssysteme gibt es entsprechende Lösungen. SAP bietet mit Joule Agents beispielsweise Agenten für Geschäftsprozesse innerhalb der SAP Umgebung an. (Quelle: SAP)
Besonders interessant finden wir den Einsatz bei großen Informationsmengen.
Wenn wir beispielsweise einen umfangreichen Bericht erhalten, kann KI dabei helfen, nicht jede Seite zunächst vollständig manuell durcharbeiten zu müssen. Das System kann relevante Aussagen herausarbeiten, Informationen strukturieren und eine kompakte Zusammenfassung erstellen.
Für mich persönlich ist das einer der Bereiche, in denen KI bereits heute wirklich Zeit spart: große Mengen an Text und Informationen schnell erfassen und auf das Wesentliche reduzieren.
Gerade als Selbstständiger oder Entscheider braucht man nicht in jedem Fall sofort eine fünfseitige Ausarbeitung. Häufig ist zunächst eine saubere Zusammenfassung wichtiger, um einschätzen zu können, welche Stellen überhaupt einen genaueren Blick benötigen.
Ein Agent kann noch einen Schritt weitergehen. Er könnte Informationen selbstständig abrufen, analysieren, die relevanten Inhalte herausziehen und das Ergebnis anschließend an der vorgesehenen Stelle hinterlegen.
KI Agenten sind für uns dabei längst nicht mehr nur ein Thema, über das wir schreiben oder Kunden beraten. Wir setzen sie selbst im Arbeitsalltag ein und entwickeln eigene Lösungen für Aufgaben, die uns sonst viel Zeit kosten würden. Dadurch können wir auch aus eigener Erfahrung beurteilen, wo KI Agenten wirklich Arbeit abnehmen und wo ihre Grenzen liegen.
Wir beschäftigen uns bei Weis Digital nicht nur theoretisch mit KI Agenten, sondern entwickeln und testen solche Lösungen auch selbst. Dafür haben wir in unserem eigenen Weis Portal einen Arbeitsbereich für sogenannte Worker eingerichtet. Dort können wir verschiedene KI Bots für unterschiedliche Aufgaben erstellen und individuell konfigurieren.
Bei der Einrichtung können wir unter anderem festlegen, wie gründlich ein Worker arbeiten soll und welche konkreten Anweisungen er erhält. Je nach Aufgabe lässt sich so ein Bot beispielsweise auf Recherche, Analyse oder andere wiederkehrende Arbeiten ausrichten.
Neue Worker können direkt im Portal angelegt werden. Dabei bekommt jeder Bot einen eigenen Namen und anschließend seine eigenen Einstellungen und Anweisungen.
Das klingt zunächst recht einfach. Unsere Erfahrung zeigt aber, dass die eigentliche Arbeit danach beginnt. Ein Bot ist nur so hilfreich wie der Prozess, den wir ihm vorgeben. Deshalb testen wir unsere Worker im Alltag und schauen genau, an welchen Stellen sie tatsächlich Zeit sparen und wo noch nachgebessert werden muss.
Ein Bot kann beispielsweise Informationen analysieren, längere Texte zusammenfassen, Rechercheergebnisse strukturieren oder mehrere Arbeitsschritte miteinander verbinden. Gerade bei wiederkehrenden Aufgaben kann das eine echte Entlastung sein.
Gleichzeitig merken wir bei unseren eigenen Tests immer wieder, wie wichtig klare und präzise Anweisungen sind. Ein Mensch erkennt häufig intuitiv, wenn sich eine Bezeichnung geändert hat, ein Zwischenschritt fehlt oder etwas anders funktioniert als erwartet. Ein Bot kann an genau solchen Kleinigkeiten hängen bleiben.
Dann müssen wir die Anweisungen anpassen und den Ablauf erneut testen. Genau deshalb gehört für uns nicht nur die mögliche Zeitersparnis zur Bewertung eines KI Agenten, sondern auch der Aufwand für Einrichtung, Kontrolle und Optimierung.
Wie groß die Zeitersparnis sein kann, sehen wir besonders bei unserem eigenen SISTRIX KI Agenten. Über MCP kann dieser auf externe Systeme und die dort verfügbaren Daten zugreifen und darauf aufbauend Analysen für uns durchführen.
Das spart uns inzwischen enorm viel Arbeit. Aufgaben, für die wir früher teilweise bis zu zehn Stunden benötigt haben, lassen sich heute innerhalb weniger Minuten erledigen. Der Agent ist gezielt auf diese Aufgabe ausgerichtet und weiß, welche Daten er benötigt und wie er diese für unsere Analysen aufbereiten soll.
Für mich persönlich liegt der eigentliche Mehrwert aber noch an einer anderen Stelle. Ich arbeite seit Jahren in diesem Bereich und habe viele dieser Analysen lange komplett selbst durchgeführt. Dadurch weiß ich, worauf es bei der Auswertung ankommt, welche Daten wirklich relevant sind und wann ein Ergebnis kritisch hinterfragt werden muss.
Genau dieses Wissen verschwindet durch KI nicht. Im Gegenteil. Die Kombination aus jahrelanger Erfahrung und der richtigen Nutzung von KI ist für mich das Entscheidende. Aufgaben, die mich früher viele Stunden gekostet haben, kann der Agent heute innerhalb weniger Minuten vorbereiten oder durchführen. Meine Erfahrung brauche ich trotzdem, um die Ergebnisse richtig einzuordnen und zu wissen, was ich dem Agenten überhaupt vorgeben muss.
Für mich ist das auch der sinnvollste Umgang mit KI. Sie soll das eigene Wissen nicht ersetzen, sondern dabei helfen, noch mehr daraus herauszuholen. Wenn Erfahrung und ein gut eingerichteter KI Agent zusammenkommen, kann man Prozesse, die man seit Jahren beherrscht, auf ein ganz anderes Niveau bringen und deutlich schneller und effizienter arbeiten.
Genau darin liegt für mich das größte Potenzial von KI Agenten: Das eigene Wissen bleibt die Grundlage, aber mit der richtigen KI Nutzung kann man wesentlich mehr daraus machen.
Ein KI Agent spart nicht automatisch Arbeit.
Das ist vielleicht die wichtigste Erfahrung, die wir aus unseren eigenen Tests mitnehmen.
Wenn ein Agent an einer Stelle hängen bleibt, beginnt die Fehlersuche. Warum wurde der nächste Schritt nicht ausgeführt? War die Anweisung unklar? Hat sich die Benutzeroberfläche verändert? Fehlt eine Berechtigung? Wurde eine Information anders ausgegeben als erwartet?
Und irgendwann stellt sich eine sehr einfache Frage:
Hätte ich die Aufgabe in dieser Zeit nicht einfach selbst erledigen können?
Genau diese Rechnung sollte man vor einer größeren Automatisierung machen.
Dabei geht es nicht nur um die Kosten der Software. Auch die Zeit für Einrichtung, Kontrolle, Fehlerbehebung und Wartung gehört dazu.
Ein weiterer Punkt ist die Qualität.
Wenn ein Agent zwar 30 Minuten Arbeit übernimmt, anschließend aber jede Ausgabe vollständig kontrolliert und korrigiert werden muss, sind diese 30 Minuten eben nicht vollständig eingespart.
Die Plattform Lernende Systeme verweist bei agentischer KI unter anderem auf Herausforderungen rund um Zuverlässigkeit, Datenschutz und Verantwortlichkeit. Die menschliche Rolle bleibt deshalb bei Zieldefinition, Steuerung, Überwachung und Qualitätssicherung wichtig. (Quelle: Plattform Lernende Systeme)
Das bedeutet nicht, dass Agenten keinen Nutzen haben. Im Gegenteil. Es bedeutet lediglich, dass man die richtigen Aufgaben auswählen muss.
Aus unserer Sicht lohnt sich ein genauer Blick auf sechs Punkte:
Für eine Aufgabe, die einmal im Monat zehn Minuten dauert, braucht man wahrscheinlich keinen eigenen Agenten.
Eine pauschale Antwort wie „Ein KI Agent kostet X Euro“ wäre unseriös. Dafür unterscheiden sich sowohl die Plattformen als auch die Anwendungsfälle zu stark.
Grundsätzlich können Kosten für die eigentliche Plattform oder Lizenz entstehen. Hinzu kommen je nach System nutzungsabhängige Gebühren für Aktionen, Credits, Tokens oder Modellaufrufe. Sobald weitere Unternehmenssysteme angebunden werden, entstehen außerdem Aufwand für Schnittstellen, Datenanbindungen, Einrichtung und Entwicklung.
Und dann gibt es noch einen Kostenpunkt, der schnell vergessen wird: die Zeit der Menschen, die den Agenten testen, kontrollieren und verbessern.
Gerade diesen Punkt würden wir aus unserer eigenen Erfahrung nicht unterschätzen.
Ein Agent, der in einer Testumgebung einmal funktioniert, ist noch lange kein Agent, den man unbeaufsichtigt in einen Unternehmensprozess schicken sollte.
| Anbieter und Produkt | Abrechnungslogik | Konkrete Sätze laut Anbieter |
|---|---|---|
| Microsoft Copilot Studio | Copilot Credits, als Prepaid Paket oder nutzungsbasiert über Azure | klassische Antwort 1 Credit, generative Antwort 2 Credits, Agentenaktion 5 Credits, Sprachausgabe je nach Stufe 10 bis 75 Credits pro Minute. (Quelle: Microsoft, Stand Oktober 2026) |
| SAP Joule Agents | verbrauchsabhängig über AI Units beziehungsweise Capacity Units im Rahmen von SAP Business AI | keine öffentlichen Pauschalsätze. (Quelle: SAP) |
| AWS Amazon Bedrock Agents | Abrechnung über die genutzten Foundation Models und AWS Ressourcen | Kosten entstehen unter anderem durch die verwendeten Modelle und Ressourcen. (Quelle: Amazon Web Services) |
| IBM watsonx | Plattformnutzung und Ressourcenverbrauch im watsonx Ökosystem | Details richten sich nach Produkt und Deployment. (Quelle: IBM) |
Interessant ist dabei der Blick auf die tatsächlichen Hürden in Unternehmen.
Von Unternehmen, die KI erwogen, aber nicht eingesetzt haben, nannten 72 Prozent fehlendes Wissen, 62 Prozent Unklarheiten über rechtliche Folgen, 60 Prozent Datenschutz beziehungsweise Privatsphäre, 44 Prozent Probleme mit Verfügbarkeit oder Qualität notwendiger Daten und 32 Prozent zu hohe Kosten. (Quelle: Statistisches Bundesamt)
Für uns ist daran besonders interessant: Die reine Lizenzfrage ist nur ein Teil des Problems. Häufig entscheidet viel stärker, ob das Unternehmen überhaupt einen ausreichend gut definierten Prozess, passende Daten und genügend Know how besitzt.
Deshalb sollte nicht nur gefragt werden:
„Was kostet der Agent?“
Sondern auch:
„Was kostet uns die Einrichtung, Kontrolle und Wartung und wie viel Arbeitszeit sparen wir danach wirklich?“
Der Markt lässt sich grob in große Plattformanbieter, spezialisierte Lösungen und individuell entwickelte Agenten einteilen.
Zu den bekannten Plattformanbietern gehören Microsoft Copilot Studio, SAP Joule Agents, Amazon Bedrock Agents und IBM watsonx. (Quelle: Microsoft; SAP; Amazon Web Services; IBM)
Daneben existieren spezialisierte Lösungen für einzelne Bereiche wie Kundenservice, Vertrieb oder Recruiting. Eine weitere Möglichkeit ist die individuelle Entwicklung eines Agenten, der auf einen konkreten Prozess, vorhandene Systeme und die eigenen Unternehmensdaten zugeschnitten wird.
Welche Variante sinnvoll ist, hängt weniger davon ab, welcher Anbieter gerade am bekanntesten ist, sondern davon, wo und wofür der Agent arbeiten soll.
Ein Unternehmen, dessen Prozesse ohnehin stark in Microsoft 365 stattfinden, hat andere Voraussetzungen als ein Unternehmen mit SAP Landschaft oder ein Betrieb, der einen komplett individuellen Workflow benötigt.
| Lösung | Besonders interessant für | Typischer Ansatz |
|---|---|---|
| Microsoft Copilot Studio | Unternehmen im Microsoft Ökosystem | Agenten mit Microsoft Diensten, Unternehmenswissen und verbundenen Systemen |
| SAP Joule Agents | Unternehmen mit SAP Prozessen | Agenten innerhalb von ERP und Geschäftsprozessen |
| Amazon Bedrock Agents | Unternehmen mit eigener AWS Infrastruktur oder individuellen Anwendungen | flexible Entwicklung und Orchestrierung eigener Agenten |
| IBM watsonx | Unternehmen mit Fokus auf Unternehmens KI und Governance | Entwicklung und Integration von KI Lösungen im watsonx Ökosystem |
| Individuelle Lösung | Unternehmen mit sehr spezifischen Abläufen | Agent wird auf Prozess, Systeme und vorhandene Daten zugeschnitten |
KI Agenten können Unternehmen Arbeit abnehmen. Aber sie sind kein Schalter, den man einmal umlegt und danach läuft alles automatisch.
Das merken wir auch bei unseren eigenen Experimenten und Entwicklungen im Weis Portal.
Je klarer wir einem Bot sagen können, was er tun soll, welche Informationen er verwenden darf, in welcher Reihenfolge er vorgehen soll und was bei einem Fehler passiert, desto zuverlässiger funktioniert der Prozess.
Und genau deshalb würden wir Unternehmen nicht empfehlen, mit der Frage „Welchen KI Agenten sollen wir kaufen?“ zu starten.
Beginnen Sie mit Ihrem Arbeitsalltag.
Welche Aufgabe wiederholt sich ständig? Wo gehen jeden Monat viele Stunden verloren? Welche Informationen müssen Mitarbeiter immer wieder zusammensuchen? Und lässt sich dieser Prozess überhaupt so eindeutig beschreiben, dass ein Agent ihn übernehmen kann?
Wenn die Antworten darauf passen, wird es interessant.
Dann kann aus KI tatsächlich mehr werden als ein Chatfenster, in das man Fragen eingibt, nämlich ein Werkzeug, das konkret Arbeit übernimmt.
Und genau daran arbeiten wir auch bei Weis Digital: nicht möglichst viele KI Bots zu bauen, sondern herauszufinden, an welchen Stellen sie uns und unseren Kunden tatsächlich Arbeit abnehmen.
Wenn Sie prüfen möchten, welche Prozesse in Ihrem Unternehmen für einen KI Agenten geeignet sind, unterstützen wir Sie bei der Auswahl, Konzeption und technischen Umsetzung. Weitere Informationen finden Sie bei unserer KI Agentur in Viersen.
• Plattform Lernende Systeme: Generative KI und KI Agenten in Unternehmen, Vom Assistenten zum Akteur
• Fraunhofer IAO und IAIS: KI Agenten verstehen und anwenden
• Statistisches Bundesamt: KI Nutzung in Unternehmen
• Statistisches Bundesamt: Gründe gegen die Nutzung von KI
• Microsoft: Überblick über Agenten in Copilot Studio
• Microsoft: Wissensquellen für Agenten
• Microsoft: Copilot Credits und Abrechnung
• Amazon Web Services: Amazon Bedrock Agents
Beitrag teilen:
Unverbindlich Projekt anfragen
E-Mail:
mail@weis.digital
Telefon:
02162-1445789
Unverbindlich Projekt anfragen