KI-Agenten für die Automatisierung von Geschäftsprozessen: Effizienz im Betrieb steigern

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, sollte anhand seines Verhaltens geprüft werden, nicht anhand der Bezeichnung des Anbieters.

Ein produktiv einsetzbares System braucht vier klar definierte Bestandteile:

1. Ziel und Grenzen: Legen Sie die Aufgabe, zulässige Aktionen, Abbruchbedingungen und eine verantwortliche Person fest.
2. Tools und Berechtigungen: Geben Sie jedem Tool nur den Datenzugriff und die Schreibrechte, die es benötigt.
3. Status und Fehlerbehandlung: Protokollieren Sie Eingaben, Aktionen, Ergebnisse, Wiederholungsversuche und Eskalationen.
4. Evaluierung: Testen Sie vor dem Start normale Fälle, Grenzfälle, verweigerte Aktionen und Ausfälle von Diensten.

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 Richtlinie und der Freigabeprozess das erlauben. Erfassen Sie im Pilotprojekt, wie oft sich der Agent von Fehlern erholt, wie lange er braucht, welche fehlerhaften Aktionen er ausführt und wie oft Prüfende eingreifen.

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. Bei „Agent Washing“ werden herkömmliche Automatisierungsskripte, RPA-Bots oder einfache Chat-Anwendungen mit LLM-Anbindung als „autonome KI-Agenten“ vermarktet, um von der Nachfrage zu profitieren. Das ist derzeit weit verbreitet.

Entscheidend ist, ob das System seinen Ausführungsplan bei unerwarteten Datenformaten, gestörten APIs oder fehlenden Feldern ohne menschliches Eingreifen dynamisch anpassen kann. Gartner schätzt, dass von den Tausenden Anbietern, die ihre Produkte als agentisch bezeichnen, nur etwa 130 echte Agenten anbieten. Die übrigen betreiben das, was Gartner „Agent Washing“ nennt.

Bei der Bewertung eines Anbieters sehen Sie sich daher 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-Objekt oder eine CSV-Datei mit verschobenen Spalten vor. Ein echter Agent erkennt das Formatproblem und versucht, die Daten zu verarbeiten oder nachzufragen. Ein skriptgesteuerter Bot stürzt ab oder liefert unbemerkt unbrauchbare Ergebnisse.
2. Lassen Sie während der Demo eine API ausfallen. Bitten Sie den Anbieter zu zeigen, was passiert, wenn ein Ziel-Endpunkt mit 503 antwortet. Ein echter Agent sollte es erneut versuchen, auf ein anderes Tool ausweichen oder den Fehler mit Kontext melden. Ein Skript wirft eine nicht behandelte Ausnahme.
3. Fragen Sie nach dem Protokoll der Planungsschritte. Echte Agenten durchlaufen Zwischenschritte bei der Entscheidungsfindung. 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 Abhängigkeiten vor. Zum Beispiel: „Rufen Sie den Umsatz des letzten Quartals aus unserem ERP ab, vergleichen Sie ihn mit den veröffentlichten Ergebnissen des Wettbewerbers und melden Sie jede Abweichung über 15%.“ Kann das System diese Schritte nicht dynamisch verknüpfen, ist es kein Agent.

Anbieter lassen Einschränkungen des Produktivbetriebs in Demos oft außen vor. Fragen Sie nach Protokollen, Fehlerbehandlung, Berechtigungsgrenzen, Evaluierungsergebnissen und einer Möglichkeit zur Rücknahme von Änderungen, bevor Sie eine Demo als Nachweis für die Einsatzbereitschaft werten.

Wenn wir solche Fehlschläge untersuchen, ist die Ursache jedoch fast immer dieselbe: Der „Agent“ war eine fest programmierte Pipeline ohne anpassungsfähige Planung. Lassen Sie sich bei der Bewertung von KI-Agenten zur Automatisierung von Geschäftsprozessen zeigen, wie der Anbieter den Status verwaltet und bei Bedarf neu plant.

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

Bitten Sie den Anbieter vor einer Zusage um einen Pilotplan mit messbarem Ausgangswert. Die Wahl des richtigen Pilot-Workflows entscheidet darüber, ob Ihr erster Agent messbare Auswirkungen auf die Gewinn- und Verlustrechnung hat oder zu einem weiteren gescheiterten Experiment wird. Wählen Sie einen klar begrenzten Workflow mit eindeutigen Eingaben, rückgängig zu machenden Aktionen, einer verantwortlichen Person für die Prüfung und einer Kennzahl, die sich vor und nach der Einführung messen lässt.

Pilotprojekte mit dem höchsten ROI konzentrieren sich auf Daten-Workflows im Backoffice mit klaren Ein- und Ausgaben. Bei Interaktionen mit Kunden vervielfachen sich dagegen die Sonderfälle. Datenanalyse und Berichtserstellung sind die wirkungsvollsten Einsatzbereiche für KI-Agenten: 60% der Unternehmen zählen sie zu den Aufgaben mit der größten Wirkung.

Die Automatisierung interner Prozesse folgt dicht dahinter und wird von 48% der Unternehmen als besonders wirkungsvoll genannt.

Diese Workflows eignen sich besonders gut, weil sie strukturierte Eingaben (Datenbanken, APIs, Dateien), klar definierte Ausgaben (Berichte, Dashboards, Warnungen) und geringe Risiken im Kundenkontakt haben. Lernlücken im Unternehmen können ein Pilotprojekt scheitern lassen: Teams haben Agenten eingeführt, ohne Erfolgskennzahlen festzulegen, Mitarbeitende für die Auswertung der Ergebnisse zu schulen oder nachgelagerte Workflows so anzupassen, dass sie die gewonnenen Erkenntnisse nutzen können.

1. Bilden Sie den bisherigen manuellen Prozess ab. Dokumentieren Sie jeden Schritt, jeden Entscheidungspunkt und jedes Tool, das die zuständige Person nutzt. Erfassen Sie auch die Dauer pro Schritt und die Fehlerquoten.
2. Beziffern Sie die aktuellen 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.
4. Definieren Sie ein eindeutiges Erfolgskriterium. Legen Sie einen Schwellenwert fest, den der Workflow erreichen muss. „Effizienz steigern“ allein ist nicht messbar.

So wählen wir einen Pilot-Workflow aus:

Hier ist ein Rechenbeispiel für ein Pilotprojekt im Finanzreporting: Die Auswahl von KI-Agenten zur Automatisierung von Geschäftsprozessen beginnt mit dieser systematischen Prüfung des Workflows.

Schritt 2: Eigenentwicklung oder Kauf prüfen und ein Agenten-Framework auswählen

Überspringen Sie diesen Schritt, gehören Sie zu den 95% der Pilotprojekte, die keinen Einfluss auf Gewinn und Verlust haben. Die Entscheidung, ob Sie die Infrastruktur für KI-Agenten selbst entwickeln oder einkaufen, ist keine Frage der technischen Fähigkeiten. Entscheidend sind die organisatorischen Voraussetzungen, die Kapazitäten für die Wartung und die Zeit bis zum ersten Nutzen.

Genau das schätzen die meisten Teams falsch ein.

Die Lücke entsteht, weil ein produktiv einsetzbarer Agent Orchestrierung, Beobachtbarkeit, Fehlerbehandlung und die Integration von Tools braucht. Anbieterplattformen haben diese Komponenten bereits entwickelt und getestet. Warum bestehen dann so viele Teams darauf, bei null anzufangen?

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

Selbst entwickeln, wenn: Ihr Workflow proprietäre Systeme ohne bestehende Integrationen einbindet, 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 sich für die Eigenentwicklung entscheiden, kommt es zudem auf die Wahl des Frameworks an.

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

CrewAI eignet sich am besten für rollenbasierte Teams aus mehreren Agenten, etwa wenn ein Recherche-, ein Analyse- und ein Schreibagent gemeinsam ein strukturiertes Ergebnis erarbeiten 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-6-luna") 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]

Bei der Auswahl von KI-Agenten für die Automatisierung von Geschäftsprozessen setzt das Framework die Grenzen für die mögliche Komplexität. 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 Betrieb, bevor Sie mehrere Agenten orchestrieren. Die Integration in bestehende Systeme ist das größte Hindernis bei der Umsetzung. 46% der Unternehmen, die KI-Agenten einsetzen, nennen sie als Problem.

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 APIs aufrufen. Die Herausforderung hat zwei Ebenen: Anbindung und Datenqualität. 42% der Unternehmen sehen Datenzugang und Datenqualität als wesentliches Hindernis.

Selbst ein hervorragender Agent liefert unzuverlässige Ergebnisse, wenn Ihr ERP uneinheitliche Datumsformate zurückgibt oder 30% der Datensätze in Ihrem CRM Duplikate sind.

1. Setzen Sie Middleware statt direkter Verbindungen ein. Schalten Sie ein API-Gateway oder eine Integrationsschicht zwischen Agent und Altsysteme. So bleibt Ihr 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. Wandeln Sie die Daten aus Altsystemen in der Middleware in dieses Schema um.
3. Implementieren Sie Ratenbegrenzung und Wiederholungslogik in der Middleware. Ältere APIs haben oft undokumentierte Aufruflimits. Ihr Agent sollte sich nicht um die Drosselung kümmern 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 binden wir Agenten an Altsysteme an:

# 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: ${SAP_CLIENT_ID}
 transform:
 request:
 # Agent sends standardized format
 map_fields:
 sku: MATNR
 warehouse: LGORT
 response:
 # SAP returns legacy format, normalize it
 map_fields:
 MATNR: sku
 LGORT: warehouse
 LABST: quantity
 MEINS: unit
 validate:
 - field: quantity
 type: float
 required: true
 - field: sku
 type: string
 regex: "^[A-Z0-9]{8,12}$"
 
 - 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 klare Schnittstelle aufrufen. Die Middleware übernimmt Authentifizierung, Umwandlung, Validierung und wiederholte Versuche. Der Agent bekommt weder die SAP-Feldnamen noch die komplexe Authentifizierung zu sehen.

Genau so soll es sein. Bei einem Produktionsunternehmen mit einem 15 Jahre alten SAP-ECC-System haben wir auf diese Weise in 3 Wochen einen Agenten zur Bestandsoptimierung angebunden, ohne die SAP-Konfiguration zu ändern. Die Middleware fing sämtliche Eigenheiten des Altsystems ab.

Bei der Integration von KI-Agenten für die Automatisierung von Geschäftsprozessen gehört die Middleware von Anfang an zum Entwicklungsumfang. Sie ist kein optionales Extra.

Eine andere Sicht: Warum der Hype um die Automatisierung im Kundenkontakt am tatsächlichen ROI vorbeigeht

Backoffice-Workflows können sich als Pilotprojekte eignen, weil sich ihre Eingaben, Zuständigkeiten und Ausnahmen oft leichter beobachten lassen als offene Kundengespräche. Eine Rendite ist damit nicht garantiert. Das Team braucht weiterhin Ausgangswerte und einen kontrollierten Vergleich.

Bewerten Sie mögliche Anwendungsfälle anhand derselben Fragen:

1. Sind die Eingabedaten für diese Aufgabe freigegeben, aktuell und ausreichend strukturiert?
2. Kann ein Mensch Maßnahmen mit weitreichenden oder unumkehrbaren Folgen 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. Software kann freigegebene Datensätze abrufen, Differenzen berechnen, einen erläuternden Text entwerfen und ihn zur Prüfung weiterleiten. Für die Wirtschaftlichkeitsrechnung müssen das tatsächliche Abfragevolumen des Unternehmens, die Prüfzeit, die Kosten von Fehlern, die Plattformgebühren und der Wartungsaufwand herangezogen werden.

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

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

Beginnen Sie dort, wo sich Kosten unmittelbar senken lassen: bei Backoffice-Workflows. Vorbehalte von Mitarbeitern sind nach Integrationsproblemen der zweithäufigste Grund, warum die Einführung von KI-Agenten ins Stocken gerät. Das ist durchaus vorhersehbar.

Die zusätzliche Komplexität erschwert auch die Schulung: Mitarbeiter müssen lernen, Agenten zu beaufsichtigen, ihre Arbeit zu prüfen und bei Bedarf einzugreifen, statt sie nur als Werkzeuge zu nutzen.

1. Gestalten Sie den Workflow gemeinsam mit den Menschen, die den Agenten nutzen werden. Entwickeln Sie ihn nicht isoliert und übergeben Sie ihn erst am Ende. Beziehen Sie die Person, die den Prozess bisher manuell ausführt, in die Gestaltung ein. Sie kennt Sonderfälle, die Ihnen sonst entgehen.
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 deckt Sonderfälle auf, bevor der Agent selbstständig handelt.
3. Machen Sie den Prüfpfad sichtbar. Mitarbeiter müssen nachvollziehen können, was der Agent getan hat, warum er eine Entscheidung getroffen hat und welche Daten er dafür verwendet hat. Ohne diese Transparenz sind Vorbehalte berechtigt.
4. Definieren Sie die Rolle der Mitarbeiter ausdrücklich neu. Sagen Sie Ihrem Team: „Sie erledigen die Arbeit nicht mehr selbst. Sie beaufsichtigen den Agenten, der sie erledigt.“ Diese Einordnung mindert die Sorge, ersetzt zu werden, und gibt dem Menschen die Kontrollfunktion.
5. Planen Sie eine Umstellung über 90 Tage. Woche 1 bis 4: Copilot-Modus mit vollständiger menschlicher Prüfung. Woche 5 bis 8: Der Agent handelt, ein Mensch prüft im Anschluss. Woche 9 bis 12: Der Agent arbeitet selbstständig, Menschen greifen bei Ausnahmen ein.

Anbieterdemos blenden die Anforderungen des Produktivbetriebs oft aus. Fragen Sie nach Protokollen, Fehlerbehandlung, Berechtigungsgrenzen, Evaluationsergebnissen und einer Möglichkeit zur Rückkehr zum vorherigen Zustand, bevor Sie eine Demo als Beleg für die Betriebsreife werten.

Bei jeder Einführung, die wir begleitet haben, war das Ergebnis jedoch dasselbe: Mitarbeiter wechseln von der Ausführung einzelner Aufgaben zur Qualitätssicherung. Das Team kann sich dadurch wertvolleren Arbeiten widmen, die zuvor zurückgestellt wurden. Behandeln Sie bei der Einführung von KI-Agenten für die Automatisierung von Geschäftsprozessen das Veränderungsmanagement als festen Teil der technischen Umsetzung, mit Meilensteinen, Verantwortlichen und Erfolgskennzahlen.