KI-Agenten im Mittelstand: Was können sie wirklich automatisieren?

KI-Agenten können im Mittelstand vor allem dort sinnvoll automatisieren, wo Prozesse aus mehreren wiederkehrenden Schritten bestehen, Informationen aus verschiedenen Systemen zusammengeführt werden müssen und nicht jeder Fall nach einer festen Regel funktioniert. 

Der größte Nutzen entsteht dabei nicht durch maximale Autonomie. Sinnvoller ist eine klare Arbeitsteilung: Der Agent übernimmt Recherche, Datenabgleich und Routine. Menschen bleiben dort eingebunden, wo Kontext, Verantwortung oder eine echte Entscheidung notwendig sind. 

Kurz gesagt: Ein guter KI-Agent ersetzt nicht automatisch einen ganzen Prozess oder eine Stelle. Er übernimmt die Teile eines Prozesses, für die menschliche Aufmerksamkeit nicht notwendig ist. 

Was ist ein KI-Agent und wie unterscheidet er sich von einem Chatbot? 

Ein KI-Chatbot reagiert in erster Linie auf eine Anfrage. Er beantwortet Fragen, formuliert Texte oder fasst Informationen zusammen. Ein KI-Agent geht einen Schritt weiter. Er verfolgt ein definiertes Ziel, kann Zwischenschritte planen, auf Werkzeuge und Datenquellen zugreifen, Ergebnisse prüfen und auf dieser Basis weiterarbeiten. Anthropic beschreibt diesen Ablauf als Kreislauf aus Planen, Handeln, Beobachten und Anpassen.  

Für Unternehmen ist genau das interessant. Viele Arbeitsprozesse bestehen nicht aus einer einzelnen Frage, sondern aus mehreren aufeinanderfolgenden Aufgaben. Trotzdem braucht nicht jedes Problem einen Agenten.Wenn lediglich eine Frage beantwortet werden soll, reicht häufig ein heute beinah als klassisch zu beschreibender KI-Chatbot. Werden Daten nach festen und eindeutigen Regeln zwischen zwei Systemen übertragen, ist Automatisierung oft robuster und günstiger. 

Ein KI-Agent wird vor allem dann interessant, wenn der nächste Prozessschritt vom jeweiligen Kontext abhängt und eine gewisse Interpretation notwendig ist. 

Die erste Frage sollte deshalb nicht lauten: Welchen Agenten wollen wir einsetzen? 
Sondern: Welches Problem wollen wir lösen? 

Für welche Prozesse eignen sich KI-Agenten im Mittelstand? 

Besonders interessant sind Prozesse mit drei Eigenschaften: 

1. sie kommen häufig vor, 
2. sie bestehen aus wiederkehrenden Arbeitsschritten, 
3. das Ergebnis lässt sich nachvollziehbar überprüfen. 

Agenten sind vor allem dort sinnvoll, wo klassische Regeln an Grenzen kommen, gleichzeitig aber genügend Struktur vorhanden ist, um KI-gestützte Entscheidungen kontrollieren zu können. 

Weniger geeignet sind Prozesse, bei denen selbst erfahrene Mitarbeiter:innen regelmäßig zu völlig unterschiedlichen Einschätzungen kommen oder wichtige Entscheidungsregeln ausschließlich als implizites Erfahrungswissen existieren. 

Denn auch ein Agent braucht eine belastbare Grundlage dafür, was ein gutes Ergebnis ist. 

Daten sind oft wichtiger als KI-Modelle 

Die technische Demo eines KI-Agenten kann schnell beeindruckend wirken. Im produktiven Einsatz zeigt sich jedoch häufig ein grundlegenderes Problem: Die notwendigen Informationen sind nicht vollständig oder nicht zuverlässig verfügbar. 

Ein Teil der Daten liegt beispielsweise im ERP, ein anderer in E-Mails oder Dokumenten. Manche Informationen existieren nur im Wissen einzelner Mitarbeiter:innen. Kundennamen werden unterschiedlich geschrieben oder abgekürzt, Projektkennungen fehlen oder relevante Entscheidungen wurden nie strukturiert dokumentiert. 

Hier lautet die eigentliche Frage nicht Mensch oder KI. Das Problem liegt einen Schritt davor. 

Ein Agent kann nur mit dem Kontext arbeiten, auf den er technisch zugreifen darf. Dafür braucht er geeignete Schnittstellen, Berechtigungen und eine ausreichend belastbare Datengrundlage. Auch Microsoft nennt die Qualität und Vollständigkeit der zugrunde liegenden Unternehmensdaten entsprechend als eine zentrale Einschränkung produktiver Agentensysteme. 

Für ein erfolgreiches Agentenprojekt kann die Datenbasis deshalb wichtiger sein als die Wahl des Modells. Denn auch die vermeintlich kleineren Modelle sind heute extrem leistungfähig.  

Wie sieht ein sinnvoller KI-Agent im Unternehmensalltag aus? 

Ein einfaches Beispiel für ein sinnstiftendes erste KI-Agentenprojekt ist die Zuordnung eingehender E-Mails zu Projekten. 

Enthält jede Nachricht eine eindeutige Projektnummer, braucht es dafür keinen KI-Agenten. Eine klassische Regel kann die Nachricht zuverlässig zuordnen. Schwieriger wird es, wenn diese Kennung fehlt. Ein Agent kann dann den Inhalt der Nachricht analysieren, Absenderinformationen berücksichtigen und in internen Systemen nach passenden Projekten suchen. Vielleicht nennt die E-Mail einen Standort, ein Angebot oder eine Ansprechpartner:in. Aus mehreren Hinweisen kann der Agent eine plausible Zuordnung ableiten. 

Entscheidend ist anschließend, wie mit Unsicherheit umgegangen wird. Ist die Zuordnung eindeutig genug, kann der Agent sie selbst vornehmen. Sind zwei Projekte ähnlich wahrscheinlich, sollte er nicht einfach eines auswählen. Stattdessen legt er den Fall einem Menschen vor und liefert direkt die Informationen mit, die für die Entscheidung relevant sind. 

Genau das demonstriert eine sinnvolle Arbeitsteilung: 

Der Agent übernimmt Recherche und Routine. Der Mensch übernimmt den Ausnahmefall. 

Das Ziel sollte nicht sein, Menschen vollständig aus einem Prozess zu entfernen. Ziel ist, menschliche Aufmerksamkeit nur dort einzusetzen, wo sie tatsächlich gebraucht wird. 

Wie autonom sollten und dürfen KI-Agenten arbeiten? 

Plump gesagt: So autonom wie nötig, nicht so autonom wie möglich. 

Der aktuelle Hype um KI-Agenten vermittelt schnell den Eindruck, maximale Autonomie sei automatisch die fortschrittlichste Lösung. Für Unternehmen ist jedoch eine andere Frage entscheidender: 

Was passiert, wenn der Agent falsch liegt? 

Der Stanford AI Index 2026 zeigt erhebliche Fortschritte bei Agentensystemen. Auf OSWorld, einem Benchmark für Computeraufgaben, erreichten führende Systeme eine Erfolgsquote von 66,3 Prozent. Gleichzeitig scheitern Agenten laut Stanford auf strukturierten Benchmarks weiterhin bei ungefähr einem von drei Versuchen. 

Für einen lesenden Assistenten kann ein Fehler lediglich lästig sein. Bei einem Agenten mit Schreibrechten im CRM, Zugriff auf Kundendaten oder der Möglichkeit, Transaktionen auszulösen, kann derselbe Fehler deutlich größere Auswirkungen haben. 

Die erlaubte Autonomie sollte sich deshalb am Risiko der jeweiligen Handlung orientieren. 

Eine Zusammenfassung vorzubereiten ist etwas anderes, als Kundendaten zu verändern. Eine Rechnung zu klassifizieren ist etwas anderes, als eine Zahlung freizugeben. Einen Terminvorschlag zu erstellen ist etwas anderes, als verbindlich eine Zusage zu erteilen. 

Die zentrale Designfrage lautet deshalb: 
Soll der Agent in diesem Schritt assistieren oder selbst entscheiden? 

Ersetzen KI-Agenten Mitarbeitende? 

Der sinnvollere Blick richtet sich auf Aufgaben statt auf ganze Stellen. 

Auch die Forschung zur Arbeitswelt spricht bislang eher für eine Veränderung von Tätigkeiten als für die vollständige Ablösung ganzer Berufe. Eine globale Untersuchung der International Labour Organization kommt zu dem Ergebnis, dass generative KI bei den meisten betroffenen Berufen vor allem Aufgaben verändert, weil weiterhin menschlicher Input notwendig bleibt. 

Für Unternehmen ist deshalb weniger relevant, welche Stelle ein Agent theoretisch ersetzen könnte. Unternehmen sollten sich eher fragen, Welche Arbeitsschritte können zuverlässig automatisiert werden, ohne Kontrolle und Verantwortung zu verlieren? 

Warum muss der Prozess vor dem Agenten klar sein? 

KI-Agenten können flexibler auf unterschiedliche Situationen reagieren als klassische Automatisierungen. Trotzdem lässt sich ein unklarer oder schlecht strukturierter Prozess nicht allein durch den Einsatz eines Agenten sinnvoll automatisieren. 

Wenn zwei erfahrene Mitarbeiter:innen denselben Fall völlig unterschiedlich behandeln würden, fehlt auch einem Agenten eine belastbare Entscheidungsgrundlage. 

Wenn wichtige Regeln nur als Bauchgefühl existieren, muss zumindest ein Teil dieses Wissens explizit gemacht werden. 

Wie findet man geeignete Agenten-Use-Cases?

In vielen Unternehmen wird diese Frage viel zu selten oder zu spät gestellt. Oft ist der Wunsch, KI ins Unternehmen zu bringen größer als das Verständnis für die Notwendigkeit oder den späteren Nutzen. Um diese Frage für Kund:innen auch ohne langwierige Beratungen beantwortbar zu machen, nutzen wir bei they consulting den they KI-Kompass. Er setzt bewusst vor der Auswahl einer Technologie an und betrachtet vier Fragen. 

Erst danach sollte entschieden werden, ob das KI-Agentenprojekt das richtige ist und welche Technologie tatsächlich passt. Manchmal ist die richtige Lösung ein KI-Agent. Manchmal reicht ein Chatbot. Und manchmal ist eine klassische Automatisierung die bessere Wahl. 

Wie sollten Mittelständler mit KI-Agenten starten? 

Der sinnvollste Einstieg ist ein klar begrenzter Prozess mit überschaubarem Risiko. 

Unternehmen müssen zunächst verstehen, welche Daten und Regeln der Prozess benötigt und welche Schritte ein Agent selbst ausführen darf. Danach lässt sich im realen Betrieb testen, wo der Agent zuverlässig arbeitet und an welchen Stellen menschliche Entscheidungspunkte notwendig bleiben. 

Der Hype rund um KI-Agenten verspricht das digitale Team, dass die kompletten Prozesse selbstständig übernimmt. 

Die wirtschaftlich interessantere Realität ist meist weniger spektakulär: 

Gute KI-Agenten ersetzen nicht einfach Menschen. Sie sorgen dafür, dass Menschen ihre Zeit nicht mehr für die Teile eines Prozesses aufwenden müssen, für die es ihre Entscheidung nicht braucht. 

Wo kann ein KI-Agent in Ihrem Unternehmen sinnvoll übernehmen? 

Nicht jeder Prozess braucht einen Agenten. Der entscheidende erste Schritt ist deshalb die Auswahl eines belastbaren Use Cases. 

Mit unserem KI-Kompass analysieren wir gemeinsam, wo KI einen konkreten Nutzen schaffen kann, welche Daten und Leitplanken dafür notwendig sind und welche Form der Automatisierung tatsächlich zum Prozess passt. 

Sprechen Sie mit uns, wenn Sie Ihre Agenten-Use-Cases jenseits des Hypes konkret einordnen möchten. 

Über den Autor: Als Tech-Lead der they consulting GmbH verantwortet Thiemo Gries die technische Konzeption und Umsetzung von KI-Lösungen. Gemeinsam mit dem Entwicklungsteam unterstützt er mittelständische Unternehmen dabei, KI zuverlässig in bestehende Systeme zu integrieren und produktiv einzusetzen.