KI-Agenten sinnvoll im Unternehmen einsetzen

Was ein KI-Agent kann – und was ein Chatbot nicht tut

Ein klassischer Chatbot beantwortet Fragen meist innerhalb eines begrenzten Dialogs. Ein KI-Agent kann zusätzlich Schritte ausführen: Informationen aus einer freigegebenen Quelle abrufen, Ergebnisse nach festen Regeln bewerten und eine Aktion in einem angebundenen System vorbereiten. Je nach Gestaltung kann er zum Beispiel einen CRM-Datensatz anlegen oder eine Antwort zur Prüfung vorlegen. „Agent“ bedeutet dabei nicht, dass die Software eigenständig beliebige Entscheidungen treffen sollte.

Der Unterschied liegt weniger in einer magischen neuen KI als im Zusammenspiel von Sprachmodell, Anweisungen, Datenquellen und Werkzeugen. Ein Agent braucht klar definierte Aufgaben und Grenzen. Eine KI-Agentur oder ein internes Entwicklungsteam sollte deshalb zunächst den Prozess abbilden: Was löst den Ablauf aus? Welche Daten darf das System lesen? Welche Schritte sind erlaubt? Wann muss ein Mensch übernehmen?

Für einen einfachen FAQ-Dialog reicht unter Umständen ein Bot mit festem Antwortbestand. Werden Antworten aus wechselnden Unternehmensdokumenten benötigt, ist eine Suche mit RAG oft passender. Soll der Ablauf außerdem Datensätze verändern oder Folgeaktionen starten, kommen APIs und Berechtigungen hinzu. Eine Übersicht möglicher Leistungen bietet die KI-Agentur für Unternehmen.

Drei Einsatzfelder mit klarer Aufgabenstellung

Support auf Basis interner Dokumente

Ein Support-Assistent kann Mitarbeitenden oder Kunden Fragen zu Handbüchern, Produktinformationen und freigegebenen Prozessbeschreibungen beantworten. Die Dokumente werden für die Suche aufbereitet; zur Frage passende Textstellen liefern dem Modell Kontext für seine Antwort. Gute Systeme nennen die verwendete Quelle oder verweisen auf das betreffende Dokument. Fehlt eine belastbare Fundstelle, sollte der Agent dies kenntlich machen und an einen Menschen übergeben, statt eine plausible Antwort zu erfinden.

Praktischer Startpunkt ist ein begrenzter Dokumentensatz, etwa die aktuelle interne Wissensbasis für ein Supportteam. Alte Versionen, Entwürfe und widersprüchliche Anleitungen sollten vor dem Test aussortiert werden. Ein Überblick zu Geschäftsautomatisierung hilft dabei, zunächst den Ablauf statt nur die Oberfläche zu betrachten.

Leads qualifizieren, nicht automatisch versprechen

Ein Lead-Agent kann eine eingehende Anfrage nach zuvor vereinbarten Kriterien strukturieren: Branche, Bedarf, gewünschter Zeitraum oder vorhandenes Budget. Er kann fehlende Angaben markieren, eine Gesprächszusammenfassung erstellen und einen Vorschlag für die nächste Aktion vorbereiten. Das Vertriebsteam prüft die Einordnung und entscheidet, ob und wie es nachfasst. Besonders bei unklaren Freitexten sollte die Bewertung samt Begründung sichtbar sein.

Wichtig ist, Kriterien nicht mit objektiven Tatsachen zu verwechseln. Ein Modell kann Inhalte missverstehen oder aus unvollständigen Angaben falsche Schlüsse ziehen. Für die erste Version eignen sich wenige nachvollziehbare Kategorien und ein manueller Prüfpunkt, bevor der Agent Prioritäten im CRM verändert. Die Umsetzung kann Teil einer individuellen KI-Automatisierung sein.

Dokumente auslesen und Daten prüfen

Bei Rechnungen, Bestellungen oder Formularen kann ein Agent relevante Felder extrahieren und in ein vorgegebenes Format bringen. Anschließend lassen sich Pflichtfelder, Datumsformate oder Summen gegen einfache Regeln prüfen. Abweichungen landen in einer Warteschlange zur manuellen Klärung; bestätigte Werte können an ein Fachsystem übergeben werden. Das reduziert wiederholtes Abtippen, ersetzt aber nicht automatisch die fachliche Prüfung.

Ein sinnvoller Test umfasst unterschiedliche Layouts, schlecht lesbare Scans und Dokumente mit fehlenden Angaben. Messen Sie nicht nur, ob ein Feld befüllt wurde, sondern auch, wie oft Mitarbeitende korrigieren müssen und welche Fehler besonders teuer wären. Kodrana nennt für die Entwicklung eines Projekts zur Dokumentenverarbeitung als Richtwert ab 6.290 € und 3–5 Wochen; der tatsächliche Aufwand hängt vom Umfang ab.

Daten anbinden: RAG, APIs und CRM

RAG steht für Retrieval-Augmented Generation: Vor einer Antwort wird in freigegebenen Inhalten nach passenden Passagen gesucht. Das Sprachmodell erhält diese Fundstellen als Kontext. RAG ist für häufig aktualisierte Wissensbestände oft besser geeignet, als Dokumente in ein Modell einzutrainieren. Es garantiert aber weder vollständige Treffer noch korrekte Antworten. Qualität und Aktualität der Dokumente, Suchlogik und Quellenanzeige bleiben entscheidend.

Eine API verbindet den Agenten mit einem System über definierte Funktionen. So kann er etwa einen Kundenstatus lesen oder nach Bestätigung eine Notiz erstellen. Die Integration sollte nur jene Aktionen und Daten erlauben, die der Prozess wirklich benötigt. Im CRM sind außerdem Feldzuordnung, Dublettenregeln und Fehlerbehandlung zu klären: Was passiert, wenn ein Pflichtfeld fehlt oder das System nicht erreichbar ist?

Vor dem Bau hilft eine Dateninventur. Erfassen Sie Quelle, Eigentümer, Aktualisierungsrhythmus, Zugriffsrechte und mögliche Lücken. Bei externen, öffentlich verfügbaren Informationen kann ergänzend Web Scraping und Datenextraktion relevant sein; für interne Kundendaten gelten andere Anforderungen an Zweck, Zugriff und Schutz. Die Technik sollte sich nach der zulässigen und verlässlichen Quelle richten, nicht umgekehrt.

• Wissensdokumente: Versionen bereinigen, Zugriffsrechte übernehmen und Zuständigkeiten für Aktualisierungen festlegen.
• CRM und Fachsysteme: Lese- und Schreibrechte getrennt definieren; Änderungen protokollieren und bei Bedarf freigeben lassen.
• Fehlerfälle: fehlende Daten, widersprüchliche Treffer und nicht verfügbare Schnittstellen als eigene Zustände planen.
• Ausgabe: erwartetes Format, Quellenhinweise und Übergabe an Mitarbeitende verbindlich festlegen.

Risiken beherrschen: Genauigkeit, Datenschutz und Recht

Sprachmodelle können überzeugend formulieren, obwohl eine Antwort falsch oder nicht ausreichend belegt ist. Besonders kritisch sind automatische Entscheidungen mit finanziellen, rechtlichen oder personellen Folgen. Begrenzen Sie den Handlungsspielraum, verlangen Sie Quellen oder strukturierte Begründungen und definieren Sie, wann keine Antwort gegeben werden darf. Für sensible oder folgenreiche Fälle bleibt eine menschliche Prüfung Teil des Prozesses.

Bei personenbezogenen Daten sind Zweck, Rechtsgrundlage, Zugriff, Speicherdauer und eingesetzte Dienstleister zu prüfen. Die DSGVO gilt auch dann, wenn Daten nur zur Beantwortung einer Anfrage an ein KI-System weitergegeben werden. Klären Sie insbesondere, welche Inhalte an externe Modellanbieter fließen, wie sie verarbeitet werden und ob eine datenschutzrechtliche Prüfung erforderlich ist. Für den konkreten Einsatz sollten Unternehmen eine qualifizierte Rechtsberatung einbeziehen.

Auch das Urheberrecht und das Datenbankherstellerrecht (§§ 87a ff. UrhG) können bei der Nutzung oder Übernahme von Inhalten relevant sein. AGB der jeweiligen Websites und vertragliche Nutzungsbeschränkungen sind zu beachten. Zugangsbeschränkungen dürfen nicht umgangen werden; unbefugter Zugriff kann zudem § 202a StGB berühren. Das gilt unabhängig davon, ob die Verarbeitung manuell oder durch einen Agenten erfolgt.

Schutzmechanismen wie Rollenrechte, Protokollierung, Freigaben und Eingabevalidierung gehören daher ins Konzept. Sie sind keine Anleitung, Schutzmaßnahmen zu umgehen, sondern dienen dazu, Datenzugriffe auf den vorgesehenen Zweck zu begrenzen. Testen Sie mit repräsentativen, dafür geeigneten Beispielen und entfernen oder anonymisieren Sie personenbezogene Inhalte, wenn sie für den Test nicht nötig sind.

KI-Agentur oder Eigenentwicklung: Aufwand richtig einschätzen

Der Preis eines KI-Agenten hängt nicht allein vom verwendeten Modell ab. Ein enger Assistent, der auf einen gepflegten Dokumentbestand zugreift und Antworten nur vorschlägt, ist anders zu planen als ein Agent mit mehreren APIs, komplexen Berechtigungen und automatischen CRM-Aktionen. Auch laufende Kosten für Modellnutzung, Hosting, Überwachung und Änderungen sollten vorab betrachtet werden. Eine belastbare Schätzung beginnt mit Anforderungen und Datenzugriffen, nicht mit einer pauschalen Zahl.

• Aufgabe und Nutzerkreis: ein interner Anwendungsfall ist meist einfacher abzugrenzen als ein kanalübergreifender Kundenservice.
• Datenqualität: veraltete, unstrukturierte oder widersprüchliche Inhalte erfordern Bereinigung und zusätzliche Prüfregeln.
• Integrationen: Zahl und Komplexität von CRM-, Dokumenten- oder Ticketsystemen beeinflussen Entwicklung und Tests.
• Sicherheitsanforderungen: Rollen, Protokolle, Freigaben und Datenschutzprüfung erweitern den Projektumfang.
• Qualitätsziel: je folgenreicher ein Fehler ist, desto mehr Tests, Eskalationswege und menschliche Kontrolle sind nötig.

Als Richtwerte nennt Kodrana für einen KI-Support-Assistenten ab 4.490 € bei 2–4 Wochen und für einen Lead-Qualifizierungs-Agenten ab 3.490 € bei 2–3 Wochen. Das sind Einstiegspreise und typische Zeiträume, keine Zusage für jedes Vorhaben. Datenaufbereitung, zusätzliche Schnittstellen und Abnahmebedingungen können den Umfang verändern.

Ein sinnvoller Zeitplan beginnt mit einem klaren Briefing, gefolgt von einem kleinen Prototyp, der an realistischen Fällen geprüft wird. Danach werden Datenquellen, Berechtigungen und Integrationen ergänzt; erst anschließend sollte der Agent für den vorgesehenen Nutzerkreis freigegeben werden. Kodrana erstellt vor Projektstart eine feste Schätzung, arbeitet mit wöchentlichen Fortschrittsdemos und übergibt den Code nach Zahlung an den Kunden. Für viele Projekte ist ein Prototyp laut Kodrana 24–48 Stunden nach dem Briefing möglich.

Vom Pilot zum verlässlichen Prozess

Ein Pilot sollte eine klar begrenzte Aufgabe lösen und anhand vorher vereinbarter Kriterien bewertet werden. Legen Sie beispielsweise fest, welche Dokumenttypen enthalten sind, welche Antworten als korrekt gelten und wann eine Übergabe nötig ist. Testfälle sollten auch missverständliche Fragen, fehlende Informationen und widersprüchliche Dokumente abdecken. Erst wenn diese Fälle nachvollziehbar behandelt werden, lohnt sich die Ausweitung auf weitere Teams oder Systeme.

1. Prozess aufnehmen: Eingaben, beteiligte Rollen, heutige Bearbeitungszeit und häufige Ausnahmen dokumentieren.
2. Grenzen festlegen: erlaubte Daten, Aktionen, Nutzergruppen und notwendige menschliche Freigaben definieren.
3. Prototyp testen: repräsentative Fälle prüfen, Fehler kategorisieren und Quellen sowie Übergaben kontrollieren.
4. Betrieb planen: Verantwortliche für Inhalte, Monitoring, Berechtigungen und Änderungen benennen.
5. Erst dann ausrollen: Ergebnisse regelmäßig prüfen und den Umfang nur bei stabiler Qualität erweitern.

Für die Auswahl einer Umsetzung zählen neben Technik auch klare Verantwortlichkeiten und ein nachvollziehbarer Leistungsumfang. Wer eine passende KI-Agentur für den Anwendungsfall sucht, sollte im Gespräch nach Datenzugriff, Testmethodik, Fehlerbehandlung und Übergabe fragen. Weitere Leistungen und Integrationen sind über die Leistungsübersicht von Kodrana einsehbar.

Wenn Sie einen konkreten Einsatz prüfen möchten, können Sie Kodrana den Ablauf, die vorgesehenen Datenquellen und das gewünschte Ergebnis schildern. Ein kostenloser Datentest mit einer Stichprobe ist laut Kodrana für Scraping-Projekte möglich; für Entwicklungsprojekte gibt es nach einem Briefing einen Prototyp als frühen Prüfpunkt. Ein Angebot lässt sich über das Anfrageformular oder Telegram @kodrana anfragen.