KI-Agenten zur Automatisierung von Geschäftsprozessen: effizientere Abläufe

Was ist ein KI-Agent bei der Automatisierung von Geschäftsprozessen?

Ein KI-Agent kann zugelassene Tools auswählen und aufrufen, das Ergebnis prüfen und innerhalb festgelegter Grenzen den nächsten Schritt bestimmen. Ein fester Workflow folgt dagegen einem vorgegebenen Ablauf. Ob ein System ein Agent ist, zeigt sein Verhalten, nicht die Bezeichnung des Anbieters.

Ein System für den Produktivbetrieb braucht vier klar definierte Bestandteile:

1. Ziel und Grenzen: Legen Sie Aufgabe, erlaubte Aktionen, Abbruchbedingungen und eine verantwortliche Person fest.
2. Tools und Berechtigungen: Geben Sie jedem Tool nur die erforderlichen Daten und Schreibrechte.
3. Status und Wiederherstellung: Protokollieren Sie Eingaben, Aktionen, Ergebnisse, Wiederholungsversuche und Eskalationen.
4. Evaluation: Testen Sie vor dem Start Normalfälle, Sonderfälle, verweigerte Aktionen und Dienstausfälle.

In einem hypothetischen Bestands-Workflow könnte ein Agent Lagerbestände abfragen, eine freigegebene Preisquelle zum Vergleich heranziehen und eine Warnung vorbereiten. Einen Preis sollte er nur ändern, wenn die geltenden Regeln und der Freigabeprozess das zulassen. Erfassen Sie im Pilotprojekt die Wiederherstellungsquote, Latenz, fehlerhafte Aktionen und Korrekturen durch Prüfende.

Wie unterscheiden Sie echte autonome Agenten von „Agent Washing“?

Darin liegt der zentrale Nutzen von KI-Agenten zur Automatisierung von Geschäftsprozessen: Sie können auf Veränderungen in ihrer Umgebung reagieren. Beim Agent Washing werden gewöhnliche Automatisierungsskripte, RPA-Bots oder einfache LLM-Chat-Oberflächen als „autonome KI-Agenten“ vermarktet, um von der Marktnachfrage zu profitieren. Das ist derzeit weitverbreitet.

Entscheidend ist, ob das System seinen Ausführungsplan bei unerwarteten Datenformaten, defekten APIs oder fehlenden Feldern ohne menschliches Eingreifen dynamisch anpassen kann. Gartner schätzt, dass von Tausenden Anbietern, die sich selbst als agentenbasiert bezeichnen, nur etwa 130 tatsächlich solche Systeme anbieten. Die übrigen betreiben laut Gartner „Agent Washing“.

Bei der Bewertung eines Anbieters sehen Sie sich also wahrscheinlich einen ausgefeilten Zapier-Workflow an, dem ein LLM zur Verarbeitung natürlichsprachlicher Eingaben hinzugefügt wurde.

1. Verlangen Sie eine Live-Demo mit Ihren Daten statt mit einer Testumgebung des Anbieters. Geben Sie ein fehlerhaftes JSON-Payload oder eine CSV-Datei mit verschobenen Spalten vor. Ein echter Agent erkennt das Formatproblem und versucht, die Daten einzulesen oder um Klärung zu bitten. Ein skriptgesteuerter Bot stürzt ab oder liefert unbemerkt unbrauchbare Ergebnisse.
2. Lassen Sie mitten in der Demo eine API ausfallen. Bitten Sie den Anbieter zu zeigen, was passiert, wenn ein Ziel-Endpunkt den Statuscode 503 zurückgibt. Ein echter Agent sollte den Aufruf wiederholen, auf ein anderes Tool ausweichen oder den Fehler mit Kontext melden. Ein Skript erzeugt eine unbehandelte Ausnahme.
3. Fragen Sie nach dem Planungsverlauf. Echte Agenten erzeugen Zwischenschritte in ihrer Planung. Kann der Anbieter nicht zeigen, welchen Plan das LLM vor der Ausführung erstellt, handelt es sich um eine feste Pipeline.
4. Geben Sie ein mehrstufiges Ziel mit einer Abhängigkeit vor. Zum Beispiel: „Rufen Sie den Umsatz des letzten Quartals aus unserem ERP ab, vergleichen Sie ihn mit den öffentlich verfügbaren Geschäftszahlen eines Wettbewerbers und markieren Sie jede Abweichung über 15%.“ Kann das System diese Schritte nicht dynamisch verknüpfen, ist es kein Agent.

Anbieter lassen in Demos Einschränkungen des Produktivbetriebs oft weg. Fragen Sie nach Protokollen, Fehlerbehandlung, Berechtigungsgrenzen, Evaluationsergebnissen und einem Weg zur Rücknahme von Änderungen, bevor Sie eine Demo als Beleg für die Einsatzbereitschaft werten.

Wenn wir solche Fehlschläge untersuchen, liegt die Ursache jedoch fast immer darin, dass der „Agent“ eine fest programmierte Pipeline ohne adaptive Planung war. Lassen Sie sich bei der Bewertung von KI-Agenten zur Automatisierung von Geschäftsprozessen zeigen, wie Anbieter den Systemstatus verwalten und Pläne bei Bedarf anpassen.

Schritt 1: Legen Sie Ihren Pilot-Workflow und realistische ROI-Ziele fest

Kann ein Anbieter das nicht vorlegen, sollten Sie sich anderswo umsehen. Die Wahl des richtigen Pilot-Workflows entscheidet darüber, ob der erste Agent messbare Auswirkungen auf die Gewinn- und Verlustrechnung hat oder zu einem weiteren gescheiterten Versuch wird. Wählen Sie einen klar abgegrenzten Workflow mit eindeutigen Eingaben, rückgängig zu machenden Aktionen, einer verantwortlichen Person für die Prüfung und einer Kennzahl, die sich vor und nach der Bereitstellung messen lässt.

Pilotprojekte mit dem höchsten ROI konzentrieren sich auf Daten-Workflows im Backoffice mit klaren Ein- und Ausgaben, nicht auf Kundeninteraktionen mit einer Vielzahl möglicher Sonderfälle. Datenanalyse und Berichterstellung gehören zu den wirkungsvollsten Einsatzfeldern für KI-Agenten: 60% der Organisationen nennen sie als eine der Aufgaben mit dem größten Nutzen. Die Automatisierung interner Prozesse folgt dicht dahinter und wird von 48% der Organisationen als besonders wirkungsvoll genannt.

Diese Workflows eignen sich besonders gut, weil sie strukturierte Eingaben (Datenbanken, APIs, Dateien), klar definierte Ergebnisse (Berichte, Dashboards, Warnungen) und ein geringes Risiko im Kundenkontakt haben. Die Hauptursache für Fehlschläge war nicht technischer Art. Es fehlte an organisatorischem Lernen: Teams setzten Agenten ein, ohne Erfolgskennzahlen festzulegen, Mitarbeitende im Umgang mit den Ergebnissen zu schulen oder nachgelagerte Workflows für die Nutzung agentengenerierter Erkenntnisse anzupassen.

1. Erfassen Sie den bisherigen manuellen Ablauf. Dokumentieren Sie jeden Schritt, jeden Entscheidungspunkt und jedes verwendete Tool. Halten Sie auch den Zeitaufwand pro Schritt und die Fehlerquoten fest.
2. Beziffern Sie die bisherigen Kosten. Berechnen Sie die monatlichen Personalkosten, Opportunitätskosten und Fehlerkosten. Das ist Ihr Ausgangswert. 3. Prüfen Sie den Strukturierungsgrad. Hat der Workflow definierte Ein- und Ausgaben? Kann ein Agent ihn mit 5 oder weniger Tool-Aufrufen abschließen? Falls nicht, eignet er sich nicht als Pilotprojekt.
3. Definieren Sie eine eindeutig überprüfbare Erfolgskennzahl. „Effizienz verbessern“ reicht nicht.

So wählen wir einen Pilot-Workflow aus:

Hier ist ein durchgerechnetes Beispiel für ein Pilotprojekt im Finanzreporting: Wer KI-Agenten zur Automatisierung von Geschäftsprozessen einsetzen will, sollte mit dieser sorgfältigen Auswahl des Workflows beginnen.

Schritt 2: Wägen Sie Eigenentwicklung und Kauf ab und wählen Sie ein Agenten-Framework aus

Lassen Sie diesen Schritt aus, gehören Sie zu den 95% der Pilotprojekte, die keinerlei Auswirkungen auf die Gewinn- und Verlustrechnung haben. Ob Sie die Infrastruktur für KI-Agenten selbst entwickeln oder zukaufen sollten, hängt nicht von Ihren technischen Fähigkeiten ab. Entscheidend sind die Bereitschaft Ihrer Organisation, Ihre Kapazitäten für die Wartung und die Zeit bis zum ersten Nutzen.

Genau das schätzen die meisten Teams falsch ein.

Diese Lücke entsteht, weil ein Agent für den Produktivbetrieb Orchestrierung, Beobachtbarkeit, Fehlerbehandlung und die Integration von Tools benötigt. Anbieterplattformen haben diese Komponenten bereits entwickelt und getestet. Warum bestehen trotzdem so viele Teams darauf, bei null anzufangen?

Zukaufen, wenn: Ihr Workflow standardisiert ist (Reporting, Datenextraktion, Weiterleitung von Supportanfragen), Ihrem Team spezialisierte ML-Entwickler fehlen und Sie schnell einen Nutzen erzielen müssen.

Selbst entwickeln, wenn: Ihr Workflow proprietäre Systeme ohne vorhandene Integrationen umfasst, regulatorische Vorgaben die Weitergabe von Daten an Anbieter verhindern oder Sie die Planungslogik des Agenten im Detail steuern müssen.

Interne Teams unterschätzen den Entwicklungsaufwand, der nötig ist, damit Agenten auch in großem Maßstab zuverlässig arbeiten. Wenn Sie selbst entwickeln, kommt es außerdem auf die Wahl des Frameworks an.

Hier ein Vergleich der drei führenden Open-Source-Frameworks für Agenten, Stand Juli 2026: LangGraph eignet sich am besten für komplexe zustandsbehaftete Workflows. Seine graphbasierte Architektur bildet jeden Berechnungsschritt als Knoten und bedingte Übergänge als Kanten ab.

CrewAI eignet sich am besten für rollenbasierte Teams aus mehreren Agenten, etwa wenn ein Rechercheur, ein Analyst und ein Autor gemeinsam ein strukturiertes Ergebnis erstellen sollen.

from langgraph.graph import StateGraph, END
from typing import TypedDict, Annotated
import operator


Here is a minimal LangGraph configuration for a reporting pipeline: class AgentState(TypedDict): queries: list[str] raw_data: Annotated[list, operator.add] report: str


errors: list[str] def execute_queries(state: AgentState) -> dict: results = [] errors = [] for q in state["queries"]: try: result = run_query(q) # Your DB query function results.append(result) except Exception as e: errors.append(f"Query failed: {q} - {str(e)}")


return {"raw_data": results, "errors": errors} def should_retry(state: AgentState) -> str: if len(state["errors"]) > 0 and len(state["raw_data"]) == 0: return "retry"


return "generate" def generate_report(state: AgentState) -> dict: llm = ChatOpenAI(model="gpt-4.1") report = llm.invoke(f"Generate a summary from: {state['raw_data']}")


return {"report": report.content} graph = StateGraph(AgentState) graph.add_node("execute", execute_queries) graph.add_node("generate", generate_report) graph.set_entry_point("execute") graph.add_conditional_edges("execute", should_retry, {"retry": "execute", "generate": "generate"}) graph.add_edge("generate", END) app = graph.compile()

mermaid graph TD A[Start] --> B[Execute Queries] B --> C{Data Retrieved?} C -->|No| B C -->|Yes| D[Generate Report] D --> E[End]

Wenn Sie KI-Agenten für die Automatisierung von Geschäftsprozessen auswählen, bestimmt das gewählte Framework, wie komplex Ihre Lösung werden kann. Fangen Sie einfach an.

Schritt 3: KI-Agenten in bestehende ERP- und CRM-Systeme integrieren

Bringen Sie zunächst einen LangGraph-Workflow mit einem einzelnen Agenten in den Produktivbetrieb, bevor Sie die Orchestrierung mehrerer Agenten angehen. Die Integration in bestehende Systeme ist die größte Hürde bei der Implementierung: 46% der Organisationen, die KI-Agenten einsetzen, nennen sie als Hindernis. Das überrascht nicht.

Die meisten ERP- und CRM-Systeme in Unternehmen wurden für Menschen entwickelt, die sich durch Benutzeroberflächen klicken, nicht für autonome Agenten, die programmatisch APIs aufrufen. Die Herausforderung hat zwei Ebenen: Konnektivität und Datenqualität. 42% der Organisationen nennen Probleme beim Datenzugriff und bei der Datenqualität als wesentliches Hindernis.

Sie können einen hervorragenden Agenten entwickeln. Wenn Ihr ERP aber Datumsangaben in uneinheitlichen Formaten zurückgibt oder 30% der Datensätze in Ihrem CRM Duplikate sind, liefert der Agent unzuverlässige Ergebnisse.

1. Setzen Sie auf Middleware statt auf direkte Verbindungen. Schalten Sie ein API-Gateway oder eine Integrationsschicht zwischen den Agenten und die Bestandssysteme. So bleibt der Agent von anbieterspezifischen Eigenheiten unabhängig, und Sie können Systeme austauschen, ohne seine Architektur neu zu entwerfen.
2. Standardisieren Sie die Datenverträge. Definieren Sie für jeden Datentyp (Kunde, Bestellung, Rechnung) ein einheitliches Schema. Überführen Sie die Daten aus den Bestandssystemen in der Middleware in dieses Schema.
3. Implementieren Sie Ratenbegrenzung und Wiederholungslogik in der Middleware. Ältere APIs haben oft undokumentierte Aufruflimits. Ihr Agent sollte die Drosselung nicht selbst steuern müssen.
4. Prüfen Sie die Datenqualität vor der Bereitstellung des Agenten. Untersuchen Sie Ihre Quelldaten auf fehlende Werte, uneinheitliche Formate und doppelte Datensätze. Beheben Sie kritische Probleme, bevor der Agent die Daten nutzt.

So verbinden wir Agenten mit Bestandssystemen:

# middleware_config.yaml
agent_gateway:
 port: 8080
 timeout: 45
 max_retries: 3
 
endpoints:
 - name: sap_inventory
 base_url: ${SAP_API_BASE}
 auth:
 type: oauth2
 token_url: ${SAP_TOKEN_URL}
 client_id: ${SAP_CLIENT_ID}
 transform:
 request:
 # Agent sends standardized format
 map_fields:
 sku: MATNR
 warehouse: LGORT
 response:
 # SAP returns legacy format, normalize it
 map_fields:
 MATNR: sku
 LGORT: warehouse
 LABST: quantity
 MEINS: unit
 validate:
 - field: quantity
 type: float
 required: true
 - field: sku
 type: string
 regex: "^[A-Z0-9]{8,12}
quot;
 
 - name: salesforce_crm
 base_url: ${SF_API_BASE}
 auth:
 type: bearer
 token: ${SF_TOKEN}
 transform:
 response:
 map_fields:
 Id: customer_id
 Name: customer_name
 AnnualRevenue: revenue
 LastActivityDate: last_contact
 validate:
 - field: customer_id
 required: true
 - field: revenue
 type: float
 default: 0.0


Here is a middleware configuration example for connecting an agent to a legacy SAP system via an abstraction layer: data_quality: rules: - check: duplicate_detection fields: [customer_name, email] action: flag - check: null_rate field: revenue threshold: 0.15 action: alert - check: format_consistency field: last_contact expected_format: "%Y-%m-%d" action: auto_fix

Mit dieser Konfiguration kann Ihr Agent `sap_inventory` über eine saubere Schnittstelle aufrufen. Die Middleware übernimmt Authentifizierung, Transformation, Validierung und Wiederholungsversuche. Der Agent bekommt weder die Feldnamen von SAP noch die Komplexität der Authentifizierung zu sehen, und genau so sollte es sein.

Für einen Kunden aus der Fertigungsbranche mit einem 15 Jahre alten SAP-ECC-System haben wir auf diese Weise innerhalb von 3 Wochen einen Agenten zur Bestandsoptimierung angebunden, ohne die SAP-Konfiguration zu ändern. Die Middleware hat sämtliche Eigenheiten des Altsystems abgefangen. Wenn Sie KI-Agenten für die Automatisierung von Geschäftsprozessen integrieren, betrachten Sie die Middleware als eigenständiges Entwicklungsergebnis.

Sie ist keine optionale Ergänzung.

Gegenposition: Warum der Hype um die Automatisierung im Kundenkontakt den tatsächlichen ROI übersieht

Prozesse im Backoffice eignen sich oft für Pilotprojekte, weil sich ihre Eingaben, Verantwortlichkeiten und Ausnahmen leichter erfassen lassen als bei offenen Kundengesprächen. Eine Rendite ist damit nicht garantiert. Das Team braucht weiterhin eine Ausgangsbasis und einen kontrollierten Vergleich.

Bewerten Sie mögliche Prozesse anhand derselben Fragen:

1. Sind die Eingabedaten für diese Aufgabe freigegeben, aktuell und ausreichend strukturiert?
2. Kann ein Mensch Maßnahmen mit großen Auswirkungen oder unumkehrbare Maßnahmen prüfen?
3. Sind Fehler erkennbar, behebbar und einer verantwortlichen Person zugewiesen?
4. Kann das Team Bearbeitungszeit, Korrekturaufwand, Softwarekosten, Vorfälle und Ergebnisqualität vor und nach dem Pilotprojekt messen?

Ein täglicher Abweichungsbericht ist ein Beispiel. Die Software kann freigegebene Datensätze abrufen, Differenzen berechnen, einen erläuternden Text entwerfen und ihn zur Prüfung weiterleiten. Die Wirtschaftlichkeitsrechnung muss auf dem tatsächlichen Abfragevolumen, der Prüfzeit, den Fehlerkosten, den Plattformgebühren und dem Wartungsaufwand der Organisation beruhen.

Stellen Sie modellierte Einsparungen nicht als Ergebnis einer bereits abgeschlossenen AIGROW-Implementierung dar.

Wie gehen Sie bei der Einführung von Agenten mit Widerständen und Schulungsbedarf im Team um?

Beginnen Sie dort, wo Kosten direkt eingespart werden können: bei Prozessen im Backoffice. Widerstände unter Beschäftigten sind nach Integrationsproblemen der zweithäufigste Grund, warum die Einführung von KI-Agenten ins Stocken gerät. Das ist gut vorhersehbar.

Die Schulung wird dadurch anspruchsvoller: Mitarbeitende müssen lernen, Agenten zu beaufsichtigen, ihre Arbeit zu prüfen und bei Bedarf einzugreifen, statt sie lediglich als Werkzeuge zu nutzen.

1. Gestalten Sie den Workflow gemeinsam mit den Menschen, die den Agenten nutzen werden. Entwickeln Sie ihn nicht isoliert, um ihn dann einfach zu übergeben. Beziehen Sie die Person, die den Prozess derzeit manuell ausführt, in die Gestaltung ein. Sie kennt die Sonderfälle, die Ihnen entgehen werden.
2. Starten Sie im „Copilot-Modus“. Der Agent erstellt Ergebnisse, führt aber keine Aktionen aus. Ein Mensch prüft und genehmigt sie. Das schafft Vertrauen und macht Sonderfälle sichtbar, bevor der Agent autonom arbeitet.
3. Sorgen Sie für ein nachvollziehbares Prüfprotokoll. Mitarbeitende müssen sehen können, was der Agent getan hat, warum er eine Entscheidung getroffen hat und welche Daten er verwendet hat. Ohne Transparenz ist Widerstand nachvollziehbar.
4. Definieren Sie die Rolle der Mitarbeitenden ausdrücklich neu. Sagen Sie Ihrem Team: „Sie führen die Arbeit nicht mehr selbst aus. Sie beaufsichtigen den Agenten, der sie erledigt.“ Diese neue Perspektive mindert die Angst, ersetzt zu werden, und gibt den Menschen eine steuernde Rolle.
5. Planen Sie einen Übergang über 90 Tage. Woche 1 bis 4: Copilot-Modus mit vollständiger Prüfung durch Menschen. Woche 5 bis 8: Der Agent führt Aktionen aus, die anschließend von Menschen geprüft werden. Woche 9 bis 12: Der Agent arbeitet autonom, Menschen greifen bei Ausnahmen ein.

Anbieterdemos lassen die Anforderungen des Produktivbetriebs oft aus. Fragen Sie nach Protokollen, Fehlerbehandlung, Berechtigungsgrenzen, Evaluationsergebnissen und einem Weg zur Rücknahme der Einführung, bevor Sie eine Demo als Beleg für die Einsatzbereitschaft werten.

Bei jeder unserer Implementierungen zeigte sich anschließend dasselbe: Mitarbeitende wechselten von der Ausführung einzelner Aufgaben zur Qualitätskontrolle, und das Team konnte höherwertige Arbeit übernehmen, die zuvor zurückgestellt worden war. Wenn Sie KI-Agenten für die Automatisierung von Geschäftsprozessen einführen, behandeln Sie das Veränderungsmanagement als technischen Bestandteil des Projekts, mit Meilensteinen, Verantwortlichen und Erfolgskennzahlen.