- KI-Agent = Ziel + Handeln: Anders als ein Chatbot, der antwortet, verfolgt ein Agent ein Ziel über mehrere Schritte und darf dabei Werkzeuge nutzen — nachschlagen, anlegen, senden, buchen.
- Er läuft in einer Schleife: wahrnehmen → planen → handeln → beobachten, wiederholt bis zum Ziel. Das Sprachmodell ist das Gehirn, Werkzeuge sind die Hände, die Wissensbasis liefert den Kontext.
- Im Mittelstand sinnvoll für abgegrenzte Aufgaben: Anfragen vorqualifizieren, Angebote entwerfen, Telefon annehmen, Reports bauen — mit Mensch im Freigabe-Schritt.
- Voraussetzung ist eine saubere Datengrundlage und klare Rechte. Ohne aufbereitetes Wissen raten Agenten — und raten falsch.
„KI-Agent“ ist gerade das meistgenutzte und am wenigsten erklärte Wort im KI-Marketing. Mal ist damit ein besserer Chatbot gemeint, mal eine vollautonome Software, die angeblich ganze Unternehmen steuert. Beides führt in die Irre. Fangen wir deshalb bei der nüchternen Definition an und arbeiten uns zu dem vor, was für einen Betrieb heute wirklich zählt.
Die Definition: Wahrnehmen, entscheiden, handeln
Ein KI-Agent ist ein System, das rund um ein Sprachmodell gebaut ist und drei Dinge kann, die ein reines Sprachmodell nicht kann: Es nimmt einen Zustand wahr (die Aufgabe, den bisherigen Verlauf, Daten aus angebundenen Systemen), es entscheidet über den nächsten Schritt, und es handelt, indem es Werkzeuge aufruft. Der entscheidende Zusatz gegenüber einem Chatbot ist das Handeln über mehrere Runden: Ein Agent gibt nicht eine Antwort und ist fertig, sondern arbeitet eine Aufgabe schrittweise ab und korrigiert sich anhand der Zwischenergebnisse.
Ein Bild dafür: Ein Sprachmodell allein ist wie ein sehr belesener Mensch in einem leeren Raum — er kann reden, aber nichts tun. Ein Agent gibt diesem Menschen einen Schreibtisch mit Telefon, Aktenschrank und E-Mail-Zugang und eine Aufgabe. Jetzt kann er nachschlagen, zurückrufen, etwas ablegen und die Aufgabe tatsächlich erledigen.
Chatbot, Automatisierung, Agent — der Unterschied
| Chatbot | Klassische Automatisierung (RPA) | KI-Agent | |
|---|---|---|---|
| Prinzip | Frage → Antwort | feste Wenn-dann-Regel | Ziel → mehrere Schritte |
| Umgang mit Neuem | antwortet im Rahmen des Trainings | bricht bei Abweichung ab | versteht Kontext, passt sich an |
| Handelt? | nein, nur Text | ja, aber starr | ja, situativ über Werkzeuge |
| Beispiel | „So buchst du einen Termin“ | Rechnung mit festen Feldern auslesen | Termin selbst buchen, bei Konflikt Alternative vorschlagen |
Drei Stufen — vom antwortenden Chatbot über starre Automatisierung zum handelnden Agenten. Digital Maker, Stand Juli 2026.
Der praktische Punkt: Ein Agent ist mächtiger, aber auch anspruchsvoller. Weil er handelt, braucht er definierte Rechte („darf E-Mails vorbereiten, aber nicht selbst versenden“) und einen Freigabe-Schritt für alles mit Folgen. Wer diese Governance überspringt, tauscht Chatbot-Harmlosigkeit gegen echtes Risiko.
Wie ein KI-Agent funktioniert — die Schleife
Technisch läuft in fast jedem Agenten dieselbe Schleife, oft „Agent Loop“ genannt:
1. Wahrnehmen. Der Agent erfasst die Aufgabe und den aktuellen Stand — inklusive Daten aus angebundenen Quellen. 2. Planen. Das Sprachmodell bestimmt den nächsten sinnvollen Schritt. 3. Handeln. Der Agent ruft ein Werkzeug auf: eine Suche, eine Datenbankabfrage, eine API, das Anlegen eines Eintrags. 4. Beobachten. Er wertet das Ergebnis aus — und beginnt die Schleife von vorn, bis das Ziel erreicht ist oder er an eine definierte Grenze stößt.
Drei Bausteine machen den Agenten dabei aus: das Sprachmodell als Gehirn für Planung und Sprache; die Werkzeuge als Hände, heute meist über das Model Context Protocol (MCP) standardisiert angebunden; und eine Wissensbasis, die den nötigen Kontext liefert. Fehlt das Wissen, rät der Agent — überzeugend, aber falsch. Deshalb ist eine aufbereitete Wissensbasis die stille Voraussetzung für jeden brauchbaren Agenten. Wenn mehrere spezialisierte Agenten zusammenarbeiten, spricht man von agentischen Workflows — welches Modell sich für welche Rolle eignet, haben wir aus dem eigenen Betrieb in der Multi-Model-Strategie beschrieben.
Wofür KI-Agenten im Mittelstand heute taugen
Die ehrliche Antwort trennt zwei Dinge: das, was heute zuverlässig läuft, und das, was noch Vision ist. Heute zuverlässig sind Agenten für abgegrenzte, wiederkehrende, sprachlastige Aufgaben:
Ein Telefonagent nimmt Anrufe an, qualifiziert das Anliegen und bucht Termine. Ein Agent in der Angebotserstellung liest Anfragen, ordnet Positionen zu und baut Entwürfe. Ein persönlicher KI-Assistent greift auf die Ablage zu und erledigt Recherche- und Schreibarbeit. In der Prozessautomatisierung stellen Agenten Reports aus mehreren Quellen zusammen. Gemeinsam ist allen: klarer Rahmen, Mensch im Freigabe-Schritt, messbarer Nutzen.
Noch Vision ist das große Versprechen, Agenten würden „ganze Unternehmen steuern“. Die Richtung stimmt — Agenten werden proaktiver, arbeiten in der Cloud weiter, erkennen Bedarf, bevor jemand fragt. Aber die Voraussetzung dafür ist unspektakulär und wird gern übersprungen: eine zentrale, geschützte Wissensgrundlage, auf der Agenten überhaupt verlässlich handeln können — ein Company Brain. Wohin diese Entwicklung führt und warum dabei die Eigentumsfrage entscheidend wird, steht in unserem Text zur Intentionsökonomie und zur Agent Economy.
Was ein Betrieb braucht — und was es kostet
Drei Voraussetzungen entscheiden über Erfolg oder teuren Fehlschlag: eine saubere Datengrundlage (ohne aufbereitetes Wissen raten Agenten), klare Rechte und Freigaben (was darf der Agent selbst, wo entscheidet ein Mensch) und eine austauschbare, eigene Architektur (Modell und Code im Besitz des Betriebs, keine Anbieter-Abhängigkeit). Das ist derselbe souveräne Ansatz, mit dem wir alle unsere Systeme bauen — und der Grund, warum Agenten auch in sensiblen Branchen wie Kanzleien oder Praxen funktionieren.
Der Einstieg folgt unserer üblichen Treppe: Das KI-Audit (2.000 € Festpreis) klärt, welche Aufgabe sich als erster Agent eignet und ob die Datengrundlage trägt; ein Pilot (12.000 € Festpreis) baut den Agenten für einen echten Prozess; der Betrieb läuft für 500 € im Monat. Ob ein Agent überhaupt euer dringendster KI-Schritt ist, zeigt in zehn Minuten der KI-Selbstcheck.
Einordnung
Dieser Text ist eine Grundlagen-Erklärung aus Betreiber-Praxis. Die Begriffe (Agent Loop, Tool Use, Model Context Protocol, agentische Workflows) folgen dem in der KI-Entwicklung etablierten Sprachgebrauch; MCP wurde 2024 von Anthropic als offener Standard veröffentlicht und hat sich seither als gängige Anbindung von Werkzeugen durchgesetzt. Die Einschätzung, was heute zuverlässig läuft und was noch Vision ist, stützt sich auf unsere eigene Praxis mit produktiv betriebenen Agenten. Keine Rechtsberatung.
Häufige Fragen: KI-Agenten
Was ist ein KI-Agent in einem Satz?
Ein KI-Agent ist ein KI-System, das ein Ziel eigenständig verfolgt: Es nimmt eine Situation wahr, entscheidet über die nächsten Schritte, nutzt dafür Werkzeuge (etwa eine Datenbank, eine E-Mail-Funktion oder eine Website) und handelt — meist in mehreren Runden hintereinander, bis das Ziel erreicht ist. Der Unterschied zu einem einfachen Chatbot: Ein Agent redet nicht nur, er tut etwas.
Was ist der Unterschied zwischen einem KI-Agent und einem Chatbot?
Ein Chatbot antwortet auf Fragen — eine Runde Text rein, eine Runde Text raus. Ein KI-Agent verfolgt ein Ziel über mehrere Schritte und darf dabei handeln: Er kann in Systemen nachschlagen, Einträge anlegen, E-Mails vorbereiten oder Termine buchen. Vereinfacht: Der Chatbot sagt dir, wie du einen Termin buchst; der Agent bucht ihn. Deshalb braucht ein Agent auch mehr Sorgfalt bei Rechten und Freigaben als ein Chatbot.
Wie funktioniert ein KI-Agent technisch?
Im Kern läuft eine Schleife: wahrnehmen (die Aufgabe und den aktuellen Stand erfassen), planen (den nächsten sinnvollen Schritt bestimmen), handeln (ein Werkzeug aufrufen — Suche, Datenbank, API), beobachten (das Ergebnis auswerten) — und das wiederholt, bis das Ziel erreicht ist. Das Sprachmodell ist das „Gehirn“ für Planung und Sprache; Werkzeuge (oft über das Model Context Protocol angebunden) sind die „Hände“; eine Wissensbasis liefert den Kontext. Erst das Zusammenspiel macht aus einem Sprachmodell einen Agenten.
Sind KI-Agenten für den Mittelstand schon sinnvoll?
Ja, für klar abgegrenzte Aufgaben. Am besten funktionieren Agenten dort, wo eine Aufgabe wiederkehrend, sprachlastig und gut beschreibbar ist: Anfragen vorqualifizieren, Angebote entwerfen, Termine am Telefon annehmen, Reports aus mehreren Quellen zusammenstellen. Wichtig ist der Mensch im Freigabe-Schritt und eine saubere Datengrundlage — ohne die scheitern Agenten. Große, offene „mach mein ganzes Unternehmen“-Versprechen sind dagegen noch Marketing.
Was braucht ein Unternehmen, damit KI-Agenten funktionieren?
Drei Dinge: eine verlässliche Datengrundlage (Agenten, die auf verstreuten PDFs raten, produzieren Unsinn — es braucht eine aufbereitete Wissensbasis), definierte Rechte und Freigaben (was darf der Agent selbst tun, wo entscheidet ein Mensch) und eine austauschbare Architektur (Modell und Code im eigenen Besitz, keine Abhängigkeit von einem Anbieter). Das ist derselbe souveräne Ansatz, mit dem wir alle unsere Systeme bauen.
Welche Aufgabe bei euch ist reif für einen Agenten?
Die meisten Betriebe haben eine — sie ist nur nicht als solche benannt. Prüf in 10 Minuten mit dem KI-Selbstcheck, wo bei euch der erste Agent sitzen sollte, oder wir schauen es uns gemeinsam an.