Written by:
Last Published:
3. November 2026
•
.webp)
Jeder möchte einen KI-Agenten. Doch nur wenige können sagen, welches Problem er eigentlich lösen soll. Die kurze Antwort: Entwickeln Sie einen Agenten nur dann, wenn die Arbeit komplex, variabel und mit Urteilsvermögen verbunden ist. Andernfalls ist herkömmliche Automatisierung günstiger, schneller und einfacher zu prüfen.
Diese Lücke ist kostspielig. Ein großer Teil der KI-Agenten-Projekte wird voraussichtlich abgebrochen, bevor sie einen Mehrwert liefern – aufgrund steigender Kosten, unklarem geschäftlichen Nutzen oder unzureichender Risikokontrollen. Viele der als „agentisch“ verkauften Anwendungsfälle benötigen gar keine agentische Implementierung. Mit anderen Worten: Ein Großteil des Schadens entsteht bereits durch die Wahl der falschen Aufgabe.
Stellen Sie sich also eine Frage, bevor Sie irgendetwas entwickeln: Benötigt dieser Workflow überhaupt einen Agenten? Oft lautet die Antwort nein. Eine gut durchdachte Automatisierung kann die Aufgabe schneller, kostengünstiger und mit weniger Überraschungen erledigen.
Deshalb beginnt dieser Leitfaden zur Entwicklung eines KI-Agenten für Ihr Unternehmen mit einer Entscheidung, nicht mit einem Tutorial. Er bietet Ihnen einen Test mit fünf Fragen, ein echtes Beispiel von Imaginary Cloud, bei dem herkömmliche Automatisierung die bessere Wahl war, sowie sechs Schritte zur Entwicklung eines Agenten, falls die Antwort „Ja“ lautet.
Ein KI-Agent ist ein System, bei dem ein Sprachmodell Schritt für Schritt entscheidet, welche Aktionen ausgeführt und welche Tools verwendet werden sollen, um ein Ziel zu erreichen. Herkömmliche Automatisierung folgt einem Pfad, den Sie im Voraus festgelegt haben. Der Unterschied liegt darin, wer die Route wählt: Sie oder das Modell.
| Herkömmliche Automatisierung | KI-Agent | |
|---|---|---|
| Wer die Route wählt | Sie, im Voraus | Das Modell, Schritt für Schritt |
| Am besten geeignet für | Bekannte Regeln und strukturierte Daten | Unübersichtliche Eingaben und Ermessensentscheidungen |
| Kosten pro Durchlauf | Niedrig und vorhersehbar | Höher und variabel (Modellaufrufe) |
| Hauptrisiko | Bricht, wenn sich der Prozess ändert | Falsche oder unsichere Aktionen ohne Leitplanken |
| Nachvollziehbarkeit | Unkompliziert | Erfordert gezielte Protokollierung und Aufsicht |
Anthropic zieht die gleiche Grenze: Workflows orchestrieren Modelle und Tools über vordefinierte Codepfade, während Agenten dem Modell erlauben, seinen eigenen Prozess und die Tool-Nutzung selbst zu steuern.
Denken Sie an einen Zug und ein Taxi. Ein Zug fährt eine feste Strecke, kostet pro Passagier wenig und sorgt fast nie für Überraschungen. Ein Taxi fährt überall hin, kommt mit Straßensperrungen zurecht und kostet pro Fahrt mehr. Niemand nimmt ein Taxi für eine Strecke, die bereits vom Zug bedient wird.
Die meisten realen Systeme liegen zudem irgendwo dazwischen. Ein Workflow mit ein oder zwei agentischen Schritten, bei denen echtes Urteilsvermögen gefragt ist, ist oft der ideale Mittelweg. Darauf kommen wir in den Entwicklungsschritten zurück.
Der Fünf-Fragen-Test betrachtet Schritte, Eingaben, Ausnahmen, Urteilsvermögen und Systeme. Wenn die meisten Antworten auf unübersichtliche, variable Arbeit hindeuten, ist ein KI-Agent eine ernsthafte Überlegung wert. Wenn sie auf bekannte Regeln verweisen, ist herkömmliche Automatisierung günstiger, schneller und einfacher zu prüfen.
| Frage | Spricht für Automatisierung | Spricht für einen Agenten |
|---|---|---|
| 1. Sind die Schritte und Regeln vollständig bekannt? | Ja. Sie könnten das Flussdiagramm heute zeichnen. | Nein. Der nächste Schritt hängt davon ab, was der vorherige ergeben hat. |
| 2. Wie sehen die Eingaben aus? | Strukturiert: Formularfelder, Datenbankzeilen, feste Formate. | Unstrukturiert: E-Mails, PDFs, Freitext in vielen Formaten. |
| 3. Wie oft treten Ausnahmen auf? | Selten. Eine Person kann sie bearbeiten. | Oft genug, dass es zum Engpass wird, wenn alle an eine Person gehen. |
| 4. Erfordert die Aufgabe Urteilsvermögen? | Nein. Regeln decken jeden Fall ab. | Ja. Der Kontext ändert die richtige Antwort. |
| 5. Wie viele Systeme sind beteiligt? | Eines oder zwei, mit stabilen Schnittstellen. | Mehrere, mit Wiederholungen, Fehlern und Übergaben. |
Bewerten Sie es einfach. Vier oder fünf Antworten auf der linken Seite: Automatisieren. Vier oder fünf auf der rechten Seite: Ein Agent ist eine ernsthafte Überlegung wert. Ein gemischtes Ergebnis deutet meist auf eine hybride Lösung hin – mit Regeln für die vorhersehbaren Teile und einem Agenten für die komplexen Aufgaben.
Behalten Sie noch eine weitere Regel auf einem Notizzettel im Hinterkopf. AWS empfiehlt, die einfachste Lösung zu wählen, die funktioniert, und rät dazu, Latenz sowie die Gesamtkosten für Inferenz, Infrastruktur und menschliche Überwachung gegen den Nutzen abzuwägen. Agenten lohnen sich dann, wenn die zusätzliche Flexibilität diese Kosten rechtfertigt.
Nutzen Sie einen KI-Agenten, wenn die Arbeit komplex ist und Urteilsvermögen erfordert. Verzichten Sie darauf, wenn die Regeln bekannt und die Daten strukturiert sind, wenn Antworten ohne menschliche Überprüfung garantiert werden müssen, wenn Geschwindigkeit entscheidend ist oder wenn der Prozess nicht dokumentiert ist. In diesen Fällen erhöht ein Agent Kosten und Risiken, ohne einen Mehrwert zu bieten.
Es steht viel auf dem Spiel: Gartner erwartet, dass bis Ende 2027 mehr als 40 % der Projekte mit agentischer KI eingestellt werden, und nennt als Gründe steigende Kosten, unklaren geschäftlichen Nutzen oder unzureichende Risikokontrollen. Zudem wird darauf hingewiesen, dass viele Anwendungsfälle, die als agentisch vermarktet werden, gar keine agentische Implementierung benötigen.
Hier sind die vier Fälle, in denen einfache Automatisierung die bessere Wahl ist:
Sedna, ein Unternehmen für maritime Kommunikation, wollte die Kosten für die Tray.io-Workflows hinter seinen Integrationen senken. Imaginary Cloud optimierte die bestehenden Workflows und migrierte sie anschließend auf benutzerdefinierte AWS-Lambda-Funktionen. Das Ergebnis: Die Kosten für Tray.io sanken um 80 %. Kein Agent erforderlich.
Sedna betreibt zwei datengesteuerte Plattformen, Stream und Pulse, für die Kommunikation in der Schifffahrt und Lieferkette. Beide hängen von Integrationen ab, die Daten zwischen externen Systemen verschieben und verarbeiten. Diese Integrationen wurden in Tray.io erstellt, und die Betriebskosten waren das Ziel der Optimierung.
Die Arbeit erfolgte in zwei Phasen. Zuerst die Optimierung: Verbesserung der bestehenden Tray-Workflows und Aufbau neuer Workflows bei Bedarf. Dann die Migration zu einer benutzerdefinierten Lösung auf AWS, bei der die Tray-Integrationen in AWS-Lambda-Funktionen umgewandelt wurden (kleine Code-Einheiten, die bei Bedarf in der Cloud ausgeführt werden).
Währenddessen richtete das Team einen CI/CD-Prozess (automatisierte Pipelines zum Testen und Bereitstellen von Code) für die Datensynchronisations-Plugins ein. Zudem entwickelten sie „Auto-Tagger“, eine benutzerdefinierte Logik, die E-Mails für Sednas Kunden automatisch kategorisiert. Ein Backend-Entwickler und ein Full-Stack-Entwickler arbeiteten im Rahmen eines Managed-Teams-Modells direkt im Team von Sedna. Die vollständige Fallstudie zu Sedna können Sie hier lesen.
Wenden Sie nun den Fünf-Fragen-Test auf diese Arbeit an. Die Integrationen folgen definierten Pfaden zwischen den Systemen, und selbst die E-Mail-Tagging-Funktion basierte auf einer festen Logik statt auf offener Beurteilung. Unserer Einschätzung nach fällt fast jede Antwort in die linke Spalte. (Dies ist unsere Analyse des Falls, keine offizielle Stellungnahme von Sedna.)
Das ist die Lektion. Wenn die Route bekannt ist, ist der Zug das günstigste Verkehrsmittel. Ein Modell hinzuzufügen, um Dinge zu entscheiden, die der Code bereits weiß, hätte zusätzliche Inferenzkosten pro Durchlauf, Latenz und einen weiteren zu prüfenden Punkt bedeutet.
Eine Reduzierung um 80 % ist jedoch ein Prozentsatz, keine Amortisationszeit. Was uns zur Messung der Rendite bringt.
Messen Sie den ROI von Agenten, indem Sie den monatlichen Mehrwert den gesamten monatlichen Kosten gegenüberstellen, einschließlich Inferenz, Integrationen, Überwachung und Wartung. Legen Sie die Basislinie vor dem Start fest. Verfolgen Sie dann die Time-to-Value: Wie schnell ein kleiner Pilotversuch ein messbares Ergebnis liefert, bevor Sie einen breiteren Rollout finanzieren.
Eine einfache Version sieht so aus:
Die Basislinie macht das Sedna-Beispiel so nützlich. Eine einzelne Kostenzeile, gemessen vor und nach der Optimierung, liefert eine Zahl, die niemand bestreiten kann. Agenten erfordern dieselbe Disziplin, zuzüglich der zusätzlichen Kostenfaktoren, die bei herkömmlicher Automatisierung nicht anfallen.
Die Zeit bis zur Wertschöpfung ist genauso wichtig wie die Amortisation. Ein eng gefasstes Pilotprojekt, das schnell Ergebnisse liefert, liefert Ihnen die Argumente für die Finanzierung eines breiteren Rollouts. Ein umfassendes Programm, das ein Jahr lang keine Resultate zeigt, bewirkt das Gegenteil.
An Ambitionen mangelt es nicht. Die im August 2026 veröffentlichte „State of AI“-Umfrage von McKinsey ergab, dass 40 % der großen Unternehmen mit einem Umsatz von mehr als 1 Milliarde US-Dollar Agenten in mindestens einem Funktionsbereich skalieren – ein Anstieg gegenüber 27 % im Vorjahr. Die Unternehmen, die mit einer klaren Ausgangsbasis nachziehen, werden diejenigen sein, die das Projekt auch 2027 noch finanzieren.
Kaufen Sie ein fertiges Tool, wenn es Ihren Anwendungsfall bereits abdeckt. Entwickeln Sie es intern, wenn Sie über Ingenieure verfügen, die einen Agenten im laufenden Betrieb betreuen können. Holen Sie sich ein Team ins Boot, wenn der Workflow spezifisch für Ihr Unternehmen ist, mehrere Systeme berührt oder Schutzmechanismen und Prüfpfade erfordert, die Ihr Team bisher noch nicht implementiert hat.
So lassen sich die drei Wege vergleichen:
Egal für welchen Weg Sie sich entscheiden: Legen Sie fest, wer für den Agenten verantwortlich ist, sobald er live ist. Jemand muss die Protokolle überwachen, Ausnahmen behandeln und ihn aktualisieren, wenn sich Ihr Prozess ändert. Ohne einen Verantwortlichen verliert selbst ein guter Agent an Qualität.
Der Aufbau eines Agenten lässt sich auf sechs Schritte reduzieren: Wählen Sie einen eng gefassten Anwendungsfall, bilden Sie den Prozess detailliert ab, wählen Sie eine Architektur, legen Sie Ihren Tech-Stack fest, entwickeln Sie die Tools und Reasoning-Layer, starten Sie phasenweise und überwachen Sie das Ergebnis. Fangen Sie klein an. Die meisten Fehler entstehen durch einen zu großen Umfang, nicht durch den Code.
Jeder Schritt endet mit einem Meilenstein: einer Prüfung, die Sie bestehen müssen, bevor Sie fortfahren.
Wählen Sie einen Workflow mit einem klaren Auslöser, einem klaren Verantwortlichen und einem messbaren Ergebnis. „Eingehende Lieferantenrechnungen sichten“ ist ein Anwendungsfall. „Betriebsabläufe mit KI verbessern“ ist ein Wunsch.
Definieren Sie vor Beginn der Entwicklung in Zahlen, wie Erfolg aussieht: eingesparte Stunden, Fehlerrate, Zeit bis zur Lösung. Das ist Ihre Ausgangsbasis.
Meilenstein: Sie können den Anwendungsfall, den Verantwortlichen und die Erfolgskriterien in zwei Sätzen definieren.
Gehen Sie den Prozess gemeinsam mit den beteiligten Personen von Anfang bis Ende durch. Listen Sie die verwendeten Tools, die getroffenen Entscheidungen und vor allem die Fälle auf, die nicht nach Plan verlaufen.
Die fünf wichtigsten Ausnahmen sind entscheidender als der Idealfall. Sie zeigen Ihnen, wo der Agent Urteilsvermögen benötigt, wo er anhalten sollte und wann eine Übergabe an einen Mitarbeiter erforderlich ist.
Meilenstein: die wichtigsten Ausnahmen und die Regeln für die Übergabe sind schriftlich festgehalten.
Sie haben drei grundlegende Optionen. Bei einem von einem Large Language Model (LLM) orchestrierten Agenten entscheidet das Modell über die Abfolge der Schritte. Ein Workflow-Agent folgt einer festen Sequenz mit integrierten Modellaufrufen. Ein hybrider Ansatz kombiniert beides.
Beginnen Sie mit einem Workflow und fügen Sie agentische Schritte nur dort hinzu, wo Urteilsvermögen erforderlich ist. Anthropic empfiehlt, die einfachstmögliche Lösung zu finden und die Komplexität nur dann zu erhöhen, wenn dies nachweislich zu besseren Ergebnissen führt, da agentische Systeme oft Latenz und Kosten gegen eine höhere Aufgabenleistung eintauschen.
Seien Sie vorsichtig bei Multi-Agenten-Designs, bei denen mehrere Agenten Aufgaben aneinander weitergeben, bevor sich ein einzelner Agent bewährt hat. Sie erhöhen den Koordinationsaufwand, die Kosten und die Fehleranfälligkeit. Starten Sie mit einem Agenten und einer Aufgabe.
Meilenstein: Sie können erklären, warum Ihre gewählte Architektur die einfachste funktionierende Lösung ist.
Denken Sie in Schichten statt in Marken. Sie benötigen eine Modellschicht, eine Orchestrierungsschicht zur Verwaltung von Schritten und Tool-Aufrufen, eine Integrationsschicht zur Anbindung Ihrer Systeme sowie eine Schicht für Evaluierung und Monitoring, um zu prüfen, ob alles funktioniert.
Die Wahl des Modells ist ebenso eine geschäftliche wie eine technische Entscheidung. Proprietäre Modelle ermöglichen meist einen schnelleren Start und sind oft sofort einsatzbereit. Open-Source-Modelle bieten mehr Kontrolle über Hosting, Kosten und Daten, erfordern jedoch einen höheren technischen Aufwand. Unabhängig von Ihrer Wahl sollten Sie das Modell austauschbar halten.
Auch der Datenschutz gehört hierher. Wenn der Agent Zugriff auf personenbezogene Daten erhält, gilt die DSGVO. Legen Sie fest, welche Daten das Modell sehen darf, wo diese verarbeitet werden und wer die Protokolle einsehen kann. Binden Sie Ihre Sicherheits- und Rechtsabteilungen vor der Entwicklung ein, nicht erst danach.
Meilenstein: Datenzugriff, Hosting-Standort und Protokollierung sind mit der Sicherheitsabteilung abgestimmt.
Beginnen Sie mit der Tool-Schicht: den Integrationen, die der Agent zum Lesen oder Schreiben von Daten aufruft. Entwickeln Sie anschließend die Logik-Schicht, die entscheidet, wann diese Tools eingesetzt werden. Investieren Sie dann ausreichend Zeit in die Randfälle, denn genau hier unterscheiden sich echte Agenten von reinen Demos.
Beschränken Sie Berechtigungen von Anfang an. Die OWASP Top 10 für LLM-Anwendungen 2025 führt sowohl Prompt-Injection als auch übermäßige Autonomie als Hauptrisiken auf. Geben Sie dem Agenten nur die minimal erforderlichen Zugriffsrechte und verlangen Sie für irreversible Aktionen wie Zahlungen, Löschungen oder Nachrichten an Kunden eine menschliche Freigabe.
Meilenstein: der Agent besteht einen Testlauf mit realen Fällen, einschließlich der schwierigen Szenarien.
Beginnen Sie mit einem Testlauf parallel zu Ihren Mitarbeitern, oft als „Shadow Mode“ bezeichnet: Der Agent generiert Antworten, aber niemand führt sie aus. Leiten Sie dann einen kleinen Teil der echten Fälle an den Agenten weiter, wobei eine menschliche Überprüfung erfolgt. Erweitern Sie den Einsatz erst, wenn die Kennzahlen stabil bleiben.
Protokollieren Sie jede Aktion und Entscheidung. Das freiwillige NIST AI Risk Management Framework ist ein nützliches Grundgerüst hierfür, das sich auf die Steuerung, Erfassung, Messung und Bewältigung von Risiken konzentriert.
Meilenstein: die Zahlen aus der Pilotphase übertreffen Ihre Ausgangswerte, bevor Sie den Zugriff erweitern.
Die häufigsten Fehler sind: mit dem Tool statt mit dem Problem zu beginnen, die Baseline zu überspringen, dem Agenten zu viele Zugriffsrechte einzuräumen und den Start ohne Evaluierung oder Überwachung durchzuführen. Alle vier Fehler sind vermeidbar und lassen sich vor dem Start kostengünstiger beheben als danach.
Ein KI-Agent ist eine Software, die ein Sprachmodell nutzt, um ein Ziel zu verfolgen, indem sie selbstständig Aktionen auswählt und Tools einsetzt – etwa um Dokumente zu lesen, Systeme abzufragen oder Datensätze zu aktualisieren. Ein Chatbot beantwortet lediglich Fragen. Ein Agent kann systemübergreifend agieren, weshalb er Leitplanken benötigt.
Kaufen Sie, wenn ein fertiges Tool Ihren Anwendungsfall bereits abdeckt. Entwickeln Sie selbst, wenn Sie Ingenieure haben, die einen Agenten produktiv betreiben können. Ziehen Sie einen Partner hinzu, wenn der Workflow spezifisch für Ihr Unternehmen ist, mehrere Systeme berührt oder Revisionsprotokolle erfordert. Viele Unternehmen starten bei ihrem ersten Agenten mit einem Partner.
Das hängt davon ab, an wie viele Systeme der Agent angebunden ist, wie sauber Ihre Daten sind, ob er nur lesen oder auch schreiben darf und wie viele Anfragen er verarbeitet. Denken Sie an die laufenden Kosten: Inferenz, Überwachung und Wartung fallen auch nach dem Start an. Eine fundierte Schätzung ist hilfreicher als eine allgemeine Preisspanne.
Ein begrenzter Prototyp lässt sich innerhalb weniger Wochen testen. Ein produktives System mit Sicherheitsvorkehrungen, Evaluierung und Monitoring nimmt mehr Zeit in Anspruch, wobei der Umfang der entscheidende Faktor ist. Wenn Sie zuerst einen fokussierten Anwendungsfall starten, kommen Sie schneller und sicherer zu messbaren Ergebnissen, als wenn Sie versuchen, einen allgemeinen Assistenten zu bauen.
Für einen begrenzten Anwendungsfall: ja. Mit No-Code-Plattformen und einem Partner lässt sich ein Pilotprojekt auch ohne Data Scientists umsetzen. Die Produktion ist jedoch etwas anderes: Integrationen, Berechtigungen, Tests und Monitoring erfordern technisches Know-how, ob intern oder extern. Betrachten Sie No-Code als Lernwerkzeug, nicht als Möglichkeit, Sicherheitsvorkehrungen zu umgehen.
Agenten kommen mit unstrukturierten Eingaben wie E-Mails und PDFs besser zurecht als regelbasierte Tools. Dennoch benötigen sie zugängliche, autorisierte Daten sowie eine Reihe echter Beispiele mit bekannten korrekten Antworten, damit Sie die Richtigkeit des Agenten prüfen können, bevor er im Live-Betrieb eingesetzt wird.
RPA wiederholt skriptbasierte Schritte über verschiedene Systeme hinweg und bricht ab, sobald sich die Benutzeroberfläche oder der Prozess ändert. Ein KI-Agent verfolgt ein Ziel, indem er selbst Aktionen und Tools auswählt, und kann daher mit Abweichungen umgehen. Wenn die Schritte immer gleich bleiben, reichen RPA oder einfache Automatisierung meist aus.
Es gibt nicht den einen „besten“ Builder. Bewerten Sie die Optionen danach, wie gut sie sich in Ihre Systeme integrieren lassen, wie sie mit Berechtigungen und Protokollierung umgehen, ob Sie die Modelle wechseln können, wer Ihre Daten besitzt und wie schwierig ein Anbieterwechsel ist. Testen Sie zwei oder drei Optionen an einem echten Anwendungsfall, bevor Sie sich entscheiden.
Zwei Dinge, die Sie mitnehmen sollten. Entscheiden Sie vor der Entwicklung: Gehen Sie Ihren Workflow anhand der fünf Fragen durch und seien Sie offen dafür, dass eine klassische Automatisierung die bessere Lösung sein könnte. Messen Sie dann vom ersten Tag an mit einer Baseline, damit die Zahlen, die Sie präsentieren, fundiert sind.
Ein Agent ist ein Mittel zum Zweck, kein Selbstzweck. Die 80 % von Sedna kamen dadurch zustande, dass für einen bekannten Weg das richtige Werkzeug gewählt wurde. Was auch immer Sie bauen: Der beste Weg, einen KI-Agenten für Ihr Unternehmen zu entwickeln, besteht darin, sich vorher sicher zu sein, dass Sie ihn wirklich brauchen.
Wenn Sie eine zweite Meinung zu Ihrem Anwendungsfall wünschen, kommen unsere Dienstleistungen zur Entwicklung von KI-Agenten ins Spiel. Wir konzipieren und entwickeln KI-Agenten sowie KI-gestützte Automatisierungstools. Möchten Sie sehen, wie wir bei echten Projekten arbeiten? Stöbern Sie in unseren Fallstudien oder vereinbaren Sie ein Gespräch, um Ihren Workflow mit dem Fünf-Fragen-Test zu überprüfen.
Alexandra Mendes ist Senior Growth Specialist bei Imaginary Cloud und verfügt über mehr als 3 Jahre Erfahrung in der Erstellung von Texten über Softwareentwicklung, KI und digitale Transformation. Nach Abschluss eines Frontend-Entwicklungskurses erwarb Alexandra einige praktische Programmierkenntnisse und arbeitet nun eng mit technischen Teams zusammen. Alexandra ist begeistert davon, wie neue Technologien Wirtschaft und Gesellschaft prägen. Sie liebt es, komplexe Themen in klare, hilfreiche Inhalte für Entscheidungsträger umzuwandeln.
People who read this post, also found these interesting:
.webp)
