KI-Agenten im Mittelstand: Praxisleitfaden für Auswahl, Integration und Betrieb

KI-Agenten sind Softwaresysteme, die ein Ziel verstehen, Unternehmensdaten einbeziehen und dafür freigegebene Werkzeuge wie APIs, Datenbanken oder Microsoft-365-Dienste nutzen. Im Mittelstand lohnen sie sich vor allem bei häufigen, klar abgrenzbaren Abläufen: technisches Wissen finden, Serviceanfragen vorbereiten, Dokumente prüfen, Daten aus mehreren Systemen zusammenführen oder wiederkehrende Vorgänge bearbeiten.

Der sinnvolle Einstieg ist kein autonomer „Super-Agent“. Er ist ein eng begrenzter Agent mit messbarem Ergebnis, eindeutigem Datenzugriff und menschlicher Freigabe bei kritischen Aktionen. Erst wenn Qualität, Sicherheit und Wirtschaftlichkeit im realen Prozess belegt sind, wird der Funktionsumfang erweitert.

Im Jahr 2025 nutzten laut Statistischem Bundesamt 26 Prozent der deutschen Unternehmen ab zehn Beschäftigten KI. Bei Unternehmen mit 50 bis 249 Beschäftigten lag der Anteil bei 36 Prozent. Für die Automatisierung von Arbeitsabläufen oder Entscheidungen setzten 27 Prozent der KI-nutzenden Unternehmen entsprechende Technologien ein. Die Zahlen zeigen eine wachsende Nutzung, sagen aber noch nichts über die Qualität oder Produktivität einzelner Implementierungen aus. Quelle: Statistisches Bundesamt

Genau dort beginnt die eigentliche Arbeit: Ein Chatfenster ist schnell eingerichtet. Ein KI-System, das technische Unterlagen versteht, Benutzerrechte respektiert, freigegebene Unternehmenssysteme bedient und im Alltag zuverlässig läuft, ist ein Integrations- und Betriebsprojekt.

Microsoft beschreibt Agenten als KI-Systeme, die Daten interpretieren, Entscheidungen unterstützen und Aufgaben automatisieren. Sie können rein dialogorientiert arbeiten oder mit einem gewissen Grad an Selbstständigkeit Abläufe ausführen. Microsoft Learn

Ein moderner KI-Agent besitzt typischerweise fünf Bestandteile: Das Modell verarbeitet Sprache und unstrukturierte Informationen. Die Anweisungen definieren Ziel, Verhalten und Grenzen. Der Kontext liefert relevantes Unternehmenswissen. Die Werkzeuge verbinden den Agenten mit Suchsystemen, Datenbanken und APIs. Die Kontrollschicht prüft Berechtigungen, Eingaben, Aktionen und Ergebnisse.

Das Sprachmodell ist damit nur eine Komponente. Ob ein Agent produktiv nutzbar ist, entscheidet sich an der gesamten Anwendung: Welche Daten darf er lesen? Welche Aktionen darf er ausführen? Wie wird ein Fehler erkannt? Wer gibt kritische Schritte frei? Wie lässt sich ein Vorgang später nachvollziehen?

Ein klassischer Chatbot beantwortet Fragen. Er greift häufig nur auf allgemeines Modellwissen oder einen eng begrenzten Informationsbestand zurück.

Ein Wissensassistent ergänzt das Modell um interne Quellen. Er kann beispielsweise technische Dokumentationen, Prozessbeschreibungen oder ein QM-Handbuch durchsuchen und seine Antwort mit Fundstellen belegen. Er verändert normalerweise keine Daten in den Quellsystemen.

Eine klassische Automatisierung führt vorher festgelegte Schritte aus. Wenn ein bestimmtes Ereignis eintritt, wird eine definierte Aktion ausgeführt. Das ist für stabile und vollständig beschreibbare Prozesse häufig die beste Lösung.

Ein KI-Agent kann innerhalb vorgegebener Grenzen entscheiden, welches freigegebene Werkzeug als Nächstes benötigt wird. Er kann zum Beispiel eine E-Mail klassifizieren, einen Kundenvorgang im CRM suchen, passende Produktdaten abrufen und anschließend einen Antwortentwurf vorbereiten.

Die Übergänge sind fließend. Entscheidend ist nicht das Etikett, sondern der tatsächliche Funktionsumfang.

Mittelständische Unternehmen verfügen meist bereits über die wichtigsten Ausgangspunkte: ERP-Systeme, CRM, Microsoft 365, SharePoint, Dokumentenmanagement und große Mengen an Prozesswissen. Gleichzeitig sind Fachkräfte knapp, Wissen ist auf wenige erfahrene Personen verteilt und viele Abläufe enthalten wiederkehrende Such-, Prüf- oder Übertragungsarbeit.

Der Mittelstand hat dabei andere Voraussetzungen als ein Konzern. Es gibt weniger Spezialisten für Datenplattformen, KI-Sicherheit und Modellbetrieb. Projekte müssen schneller einen konkreten Nutzen zeigen und dürfen nicht dauerhaft mehrere interne Teams binden.

Die OECD nennt fehlende Kompetenzen, begrenzte Finanzierung, knappe Ressourcen und unzureichende digitale Infrastruktur als wiederkehrende Hindernisse der KI-Einführung in kleinen und mittleren Unternehmen. Sie unterscheidet außerdem zwischen Unternehmen, die einzelne Standardwerkzeuge verwenden, und solchen, die KI gezielt in ihre Kernprozesse integrieren. OECD: AI adoption by small and medium-sized enterprises

Aus unserer Projekterfahrung ist das Modell selten der erste Engpass. Kritischer sind vier andere Fragen: Sind die benötigten Daten auffindbar und ausreichend gepflegt? Besitzt das Quellsystem eine nutzbare Schnittstelle? Lassen sich Benutzer- und Systemrechte sauber abbilden? Gibt es einen Verantwortlichen, der fachliche Qualität und Ausnahmen beurteilt?

Ein Servicetechniker steht vor einer Anlage und sucht nach einer bestimmten Fehlermeldung. Die Informationen verteilen sich auf Handbücher, alte Serviceberichte, SharePoint-Ordner und das Wissen erfahrener Kollegen.

Ein Wissensagent kann diese Quellen durchsuchen und eine Antwort mit Belegen ausgeben. Besonders wertvoll ist das bei Modellnummern, Fehlercodes, Ersatzteilen und konkreten Arbeitsschritten. Dafür reicht eine rein semantische Suche häufig nicht aus. In der Praxis bewährt sich eine Kombination aus semantischer Suche, klassischer Volltextsuche und einer anschließenden Sortierung der Fundstellen.

In einem produktiven Hoch-AI-Projekt dient SharePoint als gepflegte Wissensquelle und Microsoft Teams als Oberfläche für die Techniker. Änderungen an den freigegebenen Dokumenten werden regelmäßig in den Suchindex übernommen. Die wichtigste Projekterkenntnis war nicht die Wahl des Sprachmodells: Dokumentstruktur, Synchronisation, Berechtigungen und Quellenangaben bestimmten, ob die Antworten im Arbeitsalltag vertrauenswürdig waren.

Ein öffentliches Beispiel ist der Teams-Wissensbot für Außendienst und Service.

Ein E-Mail-Agent kann eingehende Nachrichten klassifizieren, zuständige Vorgänge finden und eine Antwort vorbereiten. Im Kundenservice kann er zusätzlich prüfen, ob Informationen fehlen, und den Vorgang an die richtige Abteilung weitergeben.

Ein sinnvoller erster Ausbaugrad liest und strukturiert. Er verschickt nicht selbstständig jede Nachricht. Mitarbeiter sehen den Entwurf, die verwendeten Informationen und die vorgeschlagene Aktion.

Erst wenn die Klassifikation und die Antwortqualität über ausreichend reale Vorgänge gemessen wurden, können klar definierte Fälle weiter automatisiert werden. Beschwerden, rechtlich relevante Erklärungen, Zahlungen oder ungewöhnliche Geschäftsvorfälle bleiben im menschlichen Entscheidungspfad.

Eingehende Rechnungen, Lieferscheine, Bestellbestätigungen und Formulare enthalten strukturierte Informationen in unstrukturierter Form. Ein Dokumentenagent kann Dokumentarten erkennen, relevante Felder extrahieren und mit Bestell- oder Stammdaten abgleichen.

Der eigentliche Agentenanteil beginnt dort, wo Kontext benötigt wird: Welcher Auftrag gehört zu diesem Dokument? Ist eine Abweichung plausibel? Welche Information fehlt? Muss ein Mitarbeiter prüfen?

Der Agent sollte Ausnahmen markieren und die Buchung oder Änderung in einem führenden System nur nach definierten Regeln ausführen. Eine hohe Extraktionsgenauigkeit allein reicht nicht. Entscheidend ist, wie Fehler, Dubletten und widersprüchliche Angaben behandelt werden.

Im Maschinenbau und in der Fertigung entstehen Qualitätsberichte aus vielen Einzelinformationen: Fehlerbeschreibung, Messwerte, Fotos, beteiligte Bauteile, frühere Vorfälle und umgesetzte Maßnahmen.

Ein Qualitätsagent kann durch die Bearbeitung führen, historische Berichte nach ähnlichen Fehlerbildern durchsuchen und Formulierungsentwürfe für einzelne Abschnitte erstellen. Messwerte und Ursachen dürfen dabei nicht frei erfunden oder aus einer plausibel klingenden Antwort abgeleitet werden. Sie müssen aus freigegebenen Quellen stammen.

Der verantwortliche Qualitätsmitarbeiter bleibt Eigentümer der Bewertung. Besonders die Ursachenanalyse und die Freigabe von Maßnahmen sind keine bloße Schreibaufgabe.

Im technischen Vertrieb muss eine Anfrage häufig mit Produktdaten, Verfügbarkeiten, früheren Angeboten und technischen Einschränkungen abgeglichen werden. Sind diese Informationen über mehrere Systeme verteilt, entsteht viel Such- und Übertragungsarbeit.

Ein Agent kann Anforderungen aus einer Anfrage strukturieren, passende Produkte oder Komponenten suchen und einen Angebotsentwurf vorbereiten. Preise, Rabatte, Lieferzusagen und technische Sonderfreigaben sollten weiterhin aus autoritativen Systemen und Regeln stammen.

Dieser Use Case zeigt besonders deutlich: Ohne verlässliche Produkt- und Stammdaten entsteht kein verlässlicher Agent. Manchmal ist der Aufbau einer zentralen Datenbasis deshalb der notwendige erste Projektschritt.

Ein Reporting-Agent kann Daten aus freigegebenen Quellen zusammenführen, Abweichungen beschreiben und Rückfragen in natürlicher Sprache beantworten. Denkbar sind Produktionskennzahlen, Servicefälle, Vertriebsdaten oder Projektstände.

Die Zahlen selbst müssen aus dem führenden System kommen. Das Sprachmodell hilft bei Interpretation und Darstellung, ersetzt aber nicht die definierte Kennzahlenlogik.

Ein guter Reporting-Agent zeigt deshalb an, aus welchem Zeitraum und welcher Quelle eine Zahl stammt. Er sollte außerdem zwischen Messwert, abgeleiteter Kennzahl und sprachlicher Interpretation unterscheiden.

Ein KI-Agent muss nicht als separates Chatwerkzeug auftreten. Er kann direkt in ein vorhandenes Kundenportal, eine Fachanwendung oder ein SaaS-Produkt integriert werden.

In einem solchen Aufbau authentifiziert die bestehende Anwendung den Benutzer. Der Agent erhält den Mandanten- und Benutzerkontext serverseitig und kann ausschließlich die dafür freigegebenen API-Funktionen aufrufen.

Aus der Planung eines mehrmandantenfähigen Agenten-Backends stammt eine wichtige Erfahrung: Mandant, Rollen und freigegebene Werkzeuge dürfen nicht aus frei veränderbaren Angaben des Clients oder aus dem Prompt übernommen werden. Diese Grenzen müssen im Backend technisch durchgesetzt werden. Ein Prompt ist keine Sicherheitsgrenze.

Ein KI-Agent ist nicht automatisch besser als klassische Software. Er ist meist die falsche Wahl, wenn der Prozess vollständig mit festen Regeln beschrieben werden kann, nur wenige Vorgänge pro Monat auftreten, die benötigten Daten nicht gepflegt oder nicht zugänglich sind, das Quellsystem keine belastbare Schnittstelle besitzt, es keinen fachlich verantwortlichen Process Owner gibt, ein einzelner Fehler sofort schwerwiegende oder irreversible Folgen hätte oder kein Ausgangswert für Zeit, Qualität oder Kosten bekannt ist.

Ein starres Freigaberouting gehört in eine Workflow-Engine. Eine einfache Datenübertragung gehört in eine normale Integration. Eine Dokumentensuche kann zunächst als Wissensassistent umgesetzt werden.

Der richtige Einstieg beginnt nicht mit der Frage nach einem Modell oder Framework. Er beginnt mit einem konkreten Arbeitsablauf.

Für die Auswahl haben sich sechs Kriterien bewährt: Häufigkeit – der Vorgang tritt regelmäßig und in ausreichender Zahl auf. Messbarkeit – Bearbeitungszeit, Durchlaufzeit, Fehlerquote oder Rückfragen lassen sich vor und nach dem Pilot vergleichen. Datenzugang – die benötigten Informationen sind digital vorhanden und dürfen verwendet werden. Integrationsfähigkeit – die wichtigsten Systeme bieten APIs, Exporte oder andere stabile Zugriffspunkte. Beherrschbares Risiko – Fehler können erkannt, korrigiert und gegebenenfalls zurückgerollt werden. Fachliche Verantwortung – ein Process Owner kann Testfälle, Grenzfälle und Abnahmekriterien definieren.

Für den ersten Agenten reicht ein Prozess, ein Team und ein klarer Ergebnistyp. Ein Projekt mit fünf Abteilungen, acht Integrationen und einem unklaren Nutzenversprechen ist kein Pilot, sondern ein Transformationsprogramm.

Eine ausführliche Methode bietet der Beitrag Den richtigen KI-Use-Case finden.

Ein produktiver KI-Agent besteht aus mehreren Bausteinen. Sie bestimmen zusammen, welche Daten er lesen darf, welche Aktionen er auslösen kann und wie Fehler erkannt und begrenzt werden. Die folgenden Abschnitte beschreiben die wichtigsten Bausteine von der Oberfläche bis zur Evaluation.

Der Agent kann in Microsoft Teams, Outlook, einem Webportal oder direkt in einer Fachanwendung erscheinen. Er kann durch eine Nutzerfrage, eine neue E-Mail, einen Dokumentenupload oder ein Ereignis aus einem Unternehmenssystem gestartet werden.

Die Oberfläche sollte zeigen, was der Agent verstanden hat, welche Quelle er verwendet und welche Aktion er vorschlägt.

Benutzer und Agent benötigen eine eindeutige Identität. Der Agent darf nur auf Daten und Funktionen zugreifen, die für seine Aufgabe erforderlich sind.

In einer Microsoft-Umgebung können vorhandene Benutzergruppen und Rollen ein gutes Fundament bilden. Technische Dienste sollten nach Möglichkeit eigene verwaltete Identitäten statt statischer Zugangsschlüssel verwenden.

Microsoft empfiehlt für Agenten eine eigene, überprüfbare Identität, minimale Berechtigungen und technisch erzwungene menschliche Freigaben bei riskanten oder schwer umkehrbaren Aktionen. Microsoft Learn: Secure autonomous agentic AI systems

Dokumente, Handbücher oder Richtlinien werden nicht einfach vollständig in einen Prompt kopiert. Ein Retrieval-System sucht zunächst die relevanten Stellen und übergibt nur den benötigten Kontext an das Modell.

Die Wissensbasis benötigt eine klar definierte Quelle der Wahrheit. Geänderte und gelöschte Dokumente müssen zuverlässig im Suchindex aktualisiert werden. Für technische Inhalte sind exakte Begriffe wie Teilenummern und Fehlercodes ebenso wichtig wie semantisch ähnliche Formulierungen.

Wer bereits Teams, SharePoint und Entra ID nutzt, sollte zunächst prüfen, welches Microsoft-365-Fundament für KI vorhanden ist.

Werkzeuge sind freigegebene Funktionen, die der Agent verwenden darf. Beispiele sind: einen Kunden oder Auftrag suchen, einen Dokumentenstatus abrufen, ein Ticket anlegen, einen Antwortentwurf speichern, einen Bericht erzeugen oder einen Vorgang zur Freigabe vorlegen.

Jedes Werkzeug benötigt ein definiertes Eingabeschema, eine Berechtigungsprüfung und ein kontrolliertes Fehlerverhalten. Der Agent sollte keine beliebigen Datenbankabfragen oder frei formulierten Befehle ausführen dürfen.

Die Orchestrierung entscheidet, welche Schritte erlaubt sind und wann ein Mensch übernehmen muss. Sie verwaltet auch den Zustand eines längeren Vorgangs.

Wichtige Regeln gehören in Anwendungscode oder Workflow-Logik, nicht ausschließlich in den Systemprompt. Dazu zählen Freigaben, Budgets, Rollen, erlaubte Aktionen und Abbruchbedingungen.

Ein produktiver Agent wird nicht nur mit einigen Demo-Fragen getestet. Er benötigt einen repräsentativen Testdatensatz aus normalen Fällen, Grenzfällen und bekannten Fehlerbildern.

Neben der Antwortqualität werden unter anderem Werkzeugauswahl, Datenzugriff, Latenz, Kosten und Fehlerverhalten geprüft. Das freiwillige NIST AI Risk Management Framework ordnet Tests, Evaluation, Verifikation und Validierung als Teil des laufenden KI-Risikomanagements ein.

Im Betrieb müssen technische Fehler, ungewöhnliche Kosten, fehlgeschlagene Werkzeugaufrufe und Qualitätsrückmeldungen sichtbar sein. Ausführliche Rohinhalte gehören jedoch nicht automatisch in jedes Log.

Technisch ist die Integration meist eine Kombination aus API-Verträgen, Identitäten, Berechtigungen und Datenmodellen. Die eigentliche Schwierigkeit liegt weniger im Aufruf einer Schnittstelle als in den fachlichen Grenzen.

Ein sicherer Integrationspfad sieht typischerweise so aus: Zuerst werden die beteiligten Systeme und Datenflüsse dokumentiert. Dann werden Rollen und zulässige Aktionen festgelegt. Anschließend werden die benötigten API-Funktionen einzeln definiert und getestet. Der Agent beginnt mit lesenden Zugriffen oder Entwürfen. Schreibende Aktionen erhalten Validierung und Freigabeschritte. Fehler, Wiederholungen und Abbrüche werden technisch behandelt. Erst danach wird der Funktionsumfang erweitert.

Der Fachbeitrag KI-Agenten in bestehende Unternehmenssysteme integrieren behandelt die technischen Voraussetzungen und häufigsten Hürden im Detail.

Wer einen konkreten Prozess in ERP, CRM oder Microsoft 365 umsetzen möchte, findet den Leistungsrahmen unter KI-Agenten-Integration.

Ein Pilot beantwortet eine begrenzte Frage: Kann der Agent einen bestimmten Vorgang unter realistischen Bedingungen ausreichend gut unterstützen? Für eine validierte erste Lösung lässt sich ein Vier-Wochen-Rahmen verwenden.

Woche 1 – Prozess und Ausgangswert: Der aktuelle Ablauf, die beteiligten Systeme und die fachlichen Ausnahmen werden aufgenommen. Gemeinsam werden Erfolgskriterien und ein erster Testdatensatz festgelegt.

Woche 2 – Daten und erster Arbeitsablauf: Die wichtigsten Datenquellen werden angebunden. Der Agent erhält eine begrenzte Aufgabe und zunächst nur die dafür nötigen Werkzeuge.

Woche 3 – Evaluation und Absicherung: Normale Fälle, Grenzfälle und Fehler werden systematisch getestet. Berechtigungen, Protokollierung und Freigabeschritte werden ergänzt.

Woche 4 – Validierung mit echten Nutzern: Eine kleine Nutzergruppe arbeitet mit der Lösung. Die Ergebnisse werden gegen den bisherigen Prozess und die vorher festgelegten Kriterien verglichen.

Nach 30 Tagen kann damit eine validierte erste Lösung vorliegen. Das ist nicht automatisch ein vollständig produktives System. Produktivsetzung und Skalierung hängen von Datenzugang, Integrationen, IT-Freigaben, Governance und Betriebsvoraussetzungen ab.

Warum diese Trennung wichtig ist, zeigt der Beitrag Warum so viele KI-Piloten nicht produktiv werden.

Agenten besitzen gegenüber einfachen Chatbots eine größere Angriffsfläche, weil sie Werkzeuge bedienen und Aktionen in anderen Systemen auslösen können. OWASP nennt unter anderem manipulierte Ziele, Werkzeugmissbrauch, übermäßige Berechtigungen sowie vergifteten Kontext oder Speicher als spezifische Risiken agentischer Anwendungen. OWASP Top 10 for Agentic Applications

Wichtige Schutzmaßnahmen sind eine eigene Agentenidentität mit minimalen Rechten, eine Allowlist freigegebener Werkzeuge und Aktionen, die serverseitige Prüfung von Rollen und Mandanten, die Validierung von Werkzeugparametern und Rückgabewerten, die Trennung von vertrauenswürdigen Anweisungen und externen Inhalten, technisch erzwungene Freigaben für kritische Aktionen, Audit-Logs ohne unnötige sensible Inhalte, definierte Aufbewahrungs- und Löschfristen sowie ein getesteter Weg, den Agenten zu deaktivieren oder Berechtigungen zu entziehen.

Eine weiterführende technische Einordnung bietet KI-Anwendungen mit Azure sicher skalieren.

KI-Agenten können datenschutzkonform betrieben werden. EU-Hosting allein ist dafür jedoch kein vollständiger Nachweis.

Sobald personenbezogene Daten verarbeitet werden, müssen unter anderem Zweck, Rechtsgrundlage, Datenminimierung, Empfänger, Aufbewahrung, Betroffenenrechte und technische Schutzmaßnahmen bewertet werden. Die Anforderungen ergeben sich aus dem konkreten Prozess und den eingesetzten Anbietern. Maßgeblich bleibt die Datenschutz-Grundverordnung.

Der EU AI Act ist seit dem 2. August 2026 grundsätzlich anwendbar, wobei für einzelne Bereiche andere Fristen gelten. Die Pflichten zur KI-Kompetenz gelten bereits seit Februar 2025. Ob ein Agent als Hochrisiko-System einzuordnen ist, entscheidet sich nicht am Begriff „KI-Agent“, sondern an seinem Verwendungszweck. Europäische Kommission: AI Act und aktuelle Anwendungsfristen

Unternehmen sollten deshalb vor dem Produktivbetrieb klären: Welche Rolle haben Anbieter und Betreiber? Welche Daten verarbeitet der Agent? Welche Personen können betroffen sein? Welche Entscheidungen oder Aktionen darf er auslösen? Welche menschliche Aufsicht ist vorgesehen? Wie werden Nutzung, Grenzen und KI-Interaktion transparent gemacht? Welche Dokumentation und Schulung benötigen die beteiligten Mitarbeiter?

Diese Einordnung ersetzt keine Rechtsberatung.

Ein allgemeiner Preis pro KI-Agent ist wenig aussagekräftig. Zwei äußerlich ähnliche Agenten können technisch völlig unterschiedlich sein.

Die einmaligen Kosten entstehen typischerweise durch Prozessanalyse, Datenaufbereitung, Schnittstellen, Entwicklung, Evaluation, Sicherheit und Einführung. Laufende Kosten entstehen durch Hosting, Modellnutzung, Datenbanken, Monitoring, Wartung und fachliche Weiterentwicklung.

In der Praxis werden Integrations- und Testaufwand häufiger unterschätzt als die reinen Modellkosten. Ein günstiger Modellaufruf hilft wenig, wenn Stammdaten unzuverlässig sind oder eine fehlende API durch manuelle Sonderlösungen ersetzt werden muss.

Für den Business Case sollte zuerst der heutige Prozess gemessen werden: Wie viele Vorgänge gibt es? Wie lange dauert ein Vorgang? Welche Fehler und Rückfragen treten auf? Welche Fälle kann der Agent vorbereiten? Wie viele Ausnahmen benötigen weiterhin einen Menschen? Welche Kosten entstehen bei einer Fehlentscheidung?

Eine einfache Wirtschaftlichkeitsrechnung kombiniert das jährliche Vorgangsvolumen, die realistisch eingesparte Bearbeitungszeit und die vermiedenen Fehlerkosten. Davon werden Implementierung und laufender Betrieb abgezogen. Nicht belastbare Versprechen über pauschale Einsparungen gehören nicht in die Kalkulation.

Die folgenden Fragen tauchen in Mittelstandsprojekten immer wieder auf.

Nein. Ein Agent lohnt sich nur, wenn ein konkreter Prozess von Sprachverständnis, Unternehmenskontext oder flexibler Werkzeugauswahl profitiert. Für starre Abläufe reicht klassische Automatisierung.

Geeignet sind häufige, klar abgrenzbare und messbare Abläufe mit verfügbaren Daten. Gute Einstiege sind Wissenssuche, Dokumentenprüfung, Klassifikation, Antwortentwürfe und Reporting.

In der Regel nicht. KI-Agenten werden über APIs und Identitäten in ERP, CRM, Microsoft 365 oder Fachanwendungen integriert. Fehlende oder instabile Schnittstellen können den Aufwand allerdings deutlich erhöhen.

Nein. Microsoft 365 ist ein häufiges Fundament, aber keine Voraussetzung. Agenten lassen sich auch mit anderen Cloud- und On-Premises-Systemen verbinden. Die Architektur richtet sich nach Daten, Sicherheitsanforderungen und vorhandener IT.

Technisch sind autonome Abläufe möglich. Im Unternehmensbetrieb sollte der Autonomiegrad vom Risiko abhängen. Kritische oder schwer umkehrbare Aktionen benötigen eine technisch erzwungene menschliche Freigabe.

Eine eng begrenzte erste Lösung kann innerhalb weniger Wochen validiert werden. Die Produktivsetzung kann länger dauern, wenn Datenzugänge, Schnittstellen, Datenschutzprüfungen oder interne Freigaben fehlen.

Mit einem dokumentierten Testdatensatz und fachlichen Kriterien. Je nach Use Case werden Antwortqualität, Quellenbezug, Werkzeugauswahl, Fehlerquote, Durchlaufzeit und Nutzerfeedback gemessen.

Ja, wenn der Use Case ausreichend häufig auftritt und ohne unverhältnismäßige Infrastruktur umgesetzt werden kann. Die Lösung sollte mit einem begrenzten Prozess beginnen und nicht als umfassende KI-Plattform geplant werden.

KI-Agenten können im Mittelstand Wissen zugänglich machen, Mitarbeiter von wiederkehrender Such- und Prüfungsarbeit entlasten und bestehende Systeme sinnvoll verbinden. Der Nutzen entsteht jedoch nicht durch möglichst viel Autonomie.

Ein tragfähiger erster Agent besitzt eine eng begrenzte Aufgabe, einen messbaren Ausgangswert, verlässliche Datenquellen, minimale und überprüfbare Berechtigungen, menschliche Freigabe bei kritischen Aktionen, einen repräsentativen Testdatensatz sowie Monitoring und einen verantwortlichen Process Owner.

Wer so beginnt, baut keinen isolierten KI-Piloten. Er schafft ein wiederverwendbares Fundament, auf dem weitere Agenten und Automatisierungen kontrolliert entstehen können. Der nächste Schritt ist deshalb nicht die Auswahl eines Modells, sondern die Prüfung eines konkreten Prozesses und seiner Integration in die vorhandenen Unternehmenssysteme.