KI-Agenten im Mittelstand: wofür sie taugen und wo sie hingehören

Ein KI-Agent ist ein Softwaresystem, das auf Basis eines Sprachmodells ein Ziel verfolgt, seine Schritte selbst plant und dafür Werkzeuge wie E-Mail, CRM oder Kalender nutzt. Im Mittelstand taugt er dort, wo Aufgaben unstrukturiert und variabel sind und funktioniert gut, wenn Auftrag, Kontext und Kontrolle vorher festgelegt sind.

Ein KI-Agent arbeitet gut mit klarem Rahmen. An kritischen Stellen entscheidet der Mensch.

Und genau dieser Rahmen entscheidet, ob ein Agent nun im Alltag hilft oder nur ein (gefährliches) Experiment bleibt.

Was ist ein KI-Agent und was unterscheidet ihn von Automatisierung?

Klassische Automatisierung folgt einem festen Ablauf: Wenn X passiert, tue Y. Bei einem KI-Agenten gibst du ein Ziel vor. Er plant dann die nötigen Schritte dynamisch selbst. Man kann ihn sich im Prinzip wie einen digitalen Junior-Mitarbeitenden vorstellen, der Aufgaben verfolgt und im Zweifel bei seiner Chefin oder seinem Chef nachfragt (also bei dir).

Dazwischen liegt die intelligente Prozessautomatisierung: Ein regelbasierter Ablauf bekommt KI-Bausteine an den Stellen, wo Kreativität oder Entscheidungen notwendig sind. Warum klassische RPA an ihre Grenzen kommt und wie KI diese Grenzen erweitert, erklärt unser Artikel Von RPA zu intelligenter Prozessautomatisierung. Ganz zentral ist aber immer, dass der Human-in-the-Loop, also der Mensch, wichtige Entscheidungen weiterhin selbst trifft und freigibt.

Wofür taugen KI-Agenten im Mittelstand?

Agenten spielen ihre Stärke aus, wenn Eingaben unstrukturiert sind, viele Ausnahmen vorkommen und es eigentlich einen Menschen bräuchte, um zu entscheiden.

Vier einfache Einsatzfelder stehen dabei im Vordergrund:

• Marketing und Content. Ein Agent entwirft Beiträge aus vorhandenem Material und legt sie zur Freigabe vor.
• Kundenservice. Er ordnet Anfragen ein, priorisiert Tickets und bereitet Antworten vor.
• Recherche. Er scannt täglich Quellen und liefert eine kompakte Übersicht.
• Webseiten- und Shop-Pflege. Er erzeugt Beschreibungen, passt Texte an und optimiert alles kontinuierlich.

Ein einfaches Beispiel von uns, wie das in make.com umgesetzt werden kann: Unser Junior-Marketeer-Agent analysiert eingehende Slack-Nachrichten und formuliert daraus Vorschläge für LinkedIn-Posts. Veröffentlicht wird nichts ohne menschliche Freigabe. Das Video dazu findest du auf unserem YouTube-Kanal.

Aber das ist nur der Start…

KI-Agenten-Teams als neuer Standard!

Ein einzelner Agent hilft. Richtig spannend wird es, wenn mehrere zusammenarbeiten. Möglich wird das durch das Framework drumherum: Agenten mit Werkzeugen, klaren Rollen und festen Vereinbarungen (Contracts), die regeln, wer was darf. Dann sind echte Teams möglich, in denen jeder Agent genau eine Aufgabe gut erledigt, anstatt dass ein Alleskönner alles halb macht.

Fünf Bausteine sind für so ein Team notwendig:

• Rollen. Jeder Agent hat eine eigene Anweisung (eine Markdown-Datei), in der Aufgabe, Tonalität, Vorgehen und Grenzen stehen, zum Beispiel für Entwicklung, Recherche oder Texte.
• Werkzeuge. Anleitungen mit Skripten (Skills), Schrittfolgen für wiederkehrende Abläufe und über MCP angebundene Tools. Jeder Agent sieht nur das, was ihm zugewiesen wurde.
• Contracts. Festgelegte Regeln, welche Zugänge ein Agent hat, wie Aufträge an andere formuliert werden und wie Ergebnisse zurückkommen.
• Delegation. Ein Agent verteilt Aufgaben an andere, wartet auf das Ergebnis oder arbeitet in der Zwischenzeit weiter.
• Gedächtnis. Wichtige Fakten und Entscheidungen bleiben über einzelne Aufgaben hinweg erhalten, damit nicht jeder Start bei null beginnt.

Genau so orchestrieren wir bei Pickert KI-Agenten-Teams mit PIO (Pickert Intelligent Orchestration), auf einer Plattform, die wir nutzen und mitentwickeln: Wir setzen damit ganze KI-Agenten-Teams auf und können dabei zwischen verschiedenen LLM-Anbietern wechseln. Ein sogenannter Orchestrator (beispielsweise ein Head of Development oder Marketing) nimmt Aufgaben entgegen, verteilt die Arbeit und wacht über die Regeln. Er ist dein Hauptansprechpartner und dein Sprachrohr. Die Autonomie der Teams hängt weitestgehend davon ab, was du willst. Auch wo und wie ihr kommuniziert liegt in deinem Ermessen. Das Coole ist, dass diese Teams immer mehr lernen, immer besser werden. Und das in rasender Geschwindigkeit. 

Dass trotzdem nicht immer alles glatt läuft, gehört zur Wahrheit: In unserem Marketing-Team für software.but-right.com haben zwei Agenten (unter dem Radar des Orchestrators) ein ganzes Wochenende lang Pingpong gespielt und sich dieselbe Aufgabe immer wieder zugeschoben. Aufgeflogen ist das, weil die Limits ausgeschöpft waren. Seitdem steht im Vertrag des Orchestrators, dass so etwas tabu ist.

(Dazu berichten wir auch in unserem Newsletter „Aber richtig.“. Hier kannst du ihn abonnieren!)

Und was ist mit KI-Agenten in der Softwareentwicklung?

Auch Entwicklungsteams lassen sich mit KI-Agenten aufsetzen. Mit dir als erfahrenem Entwickler als Vorgesetztem und dem Orchestrator als Head of Development, der die Rollen steuert (also bspw. Frontend, Backend, Testing und DevOps), kannst du plötzlich in einer ganz anderen Geschwindigkeit entwickeln. 

Bei software. but right. machen wir mit Agentic Development genau das. Dabei beschleunigt KI die Arbeit, erfahrene Senior-Entwickler führen, entscheiden und prüfen aber alles. Der Ablauf hat drei Phasen: SHAPE (Briefing, Spezifikation, Reviews), BUILD (Meilensteinplan, entwickeln und testen, Review) und CLOSE (Rollout, Beobachten, Rückblick). An den wichtigen Punkten gibt ein Mensch frei oder testet selbst. Und je riskanter eine Aktion, desto strenger werden Belege und Review: Sichere, umkehrbare Arbeit bleibt schnell, unsichere Arbeit wird schwer gemacht. Das ist übrigens eine gute Faustregel für jedes Agententeam, nicht nur im Development. 

Wo liegen die Grenzen von KI-Agenten?

Ein Agent arbeitet probabilistisch, das heißt, dieselbe Eingabe muss nicht dieselbe Ausgabe erzeugen. Für Aufgaben mit genau einer richtigen Lösung, etwa das stündliche Übertragen von Daten zwischen zwei Systemen, ist klassische Automatisierung die bessere Wahl. Sie ist günstiger, wartungsärmer und nachvollziehbarer.

Auch der Markt ist weniger euphorisch, als die Schlagzeilen es meinen lassen. Gartner prognostiziert in einer Pressemitteilung vom Juni 2025, dass über 40 Prozent der Agentic-AI-Projekte bis Ende 2027 abgebrochen werden, unter anderem wegen steigender Kosten, unklarem Geschäftswert oder unzureichender Risikokontrolle. Das ist eine Prognose. Unsere Sicht dazu: Wer den Rahmen vorher klärt, hat gute Chancen, nicht zu den abgebrochenen Projekten zu gehören.

Wie KI an schlechten Prozessen scheitert, zeigt unser Artikel Warum KI schlechte Prozesse nicht rettet in drei Szenarien: Chatbot, Dateneingabe und KI-Berichte.

Welchen Rahmen braucht ein KI-Agent?

Meine Empfehlung: Jeder Agent bekommt drei Dinge, bevor er losläuft. Den Auftrag mit Ziel, Grenzen und gewünschtem Ergebnis, den Kontext mit den Daten und Werkzeugen, die er braucht (und nur die), und die Kontrolle durch einen Menschen an allen kritischen Stellen.

Wie sieht das technisch aus? Fünf Dinge reichen, um das Prinzip zu verstehen:

• Auftrag und Rolle als .md-Datei. Markdown ist ein einfaches Textformat. In der Anweisungsdatei steht, wer der Agent ist, was er tun soll, in welchem Ton und was er lassen soll. Der Agent liest sie jedes Mal, wenn er loslegt. Gut gepflegt (und mit Versionsverlauf) lässt sich jede Änderung nachvollziehen und zurückdrehen.
• Contracts. Das sind festgelegte Vereinbarungen: welche Eingaben der Agent bekommt, in welchem Format er Ergebnisse liefert, welche Werkzeuge er nutzen darf und an welchen Stellen ein Mensch freigibt.
• Werkzeuge mit eng gefassten Rechten. Der Agent bekommt nur die Zugänge, die er für seine Aufgabe braucht. Passwörter und Schlüssel liegen verschlüsselt in einem Credential Store, und jeder Zugriff wird protokolliert.
• Wiederkehrende Abläufe als Rezept. Eine Schrittfolge mit Entscheidungspunkten und Qualitätsprüfungen, damit der Agent bei gleicher Aufgabe gleich vorgeht.
• Tests und Review. KI-Ergebnisse klingen immer plausibel, auch wenn sie falsch sind. Deshalb gilt: Ein „fertig“ vom Agenten ist noch nicht fertig, bis geprüft wurde.

Der Auftrag im Prompt ist das Herzstück, nimm dir dafür Zeit. In hochkritischen Bereichen wie Personal, Medizin oder Finanzen arbeiten Agenten vorerst als Assistenz und nicht als alleinige Entscheider. Achte außerdem auf den EU AI Act und die Datenschutzvorgaben.

Womit setzt du KI-Agenten um?

Die Werkzeuge sind inzwischen gut zugänglich. Mit make.com baust du Agenten visuell und verbindest sie mit deinen Systemen. n8n bietet mehr Flexibilität und lässt sich selbst hosten. Über das Model Context Protocol (MCP) können Agenten wie ChatGPT oder Claude auf Werkzeuge und Daten zugreifen.

Richtig agentisches Arbeiten funktioniert aber durch eine KI-Agenten-Plattform mittlerweile deutlich besser. Für ganze KI-Agenten-Teams (mehr dazu oben) nutzen wir beispielsweise PIO, unsere Orchestrierung von KI-Agenten-Teams. Und wenn nichts davon passt, entwickeln wir auch mal ein Stück Software selbst. Welches Werkzeug passt, hängt an deinem Prozess. 

Wie starte ich mit KI-Agenten?

Nimm einen Prozess, bei dem du dir einen Agenten vorstellen kannst, und prüfe, ob er dafür taugt: Sind die Eingaben unstrukturiert? Gibt es viele Ausnahmen? Und lässt sich an den kritischen Stellen ein Mensch einbauen? Genau das prüft unsere KI-Prozessanalyse in etwa einer Viertelstunde und bewertet deinen Prozess unter anderem nach Datenstruktur, Regelbasiertheit und Stabilität. Sie zeigt dir, ob ein Agent, ein klassischer Workflow oder eine Mischung aus beidem der bessere Weg ist.

Häufig gestellte Fragen zu KI-Agenten im Mittelstand

Was ist ein KI-Agent?

Ein KI-Agent ist ein Softwaresystem, das auf Basis eines Sprachmodells (zum Beispiel GPT oder Claude) ein Ziel verfolgt, dafür selbstständig Schritte plant und Werkzeuge wie E-Mail, CRM oder Kalender nutzt. Anders als ein fest verdrahteter Workflow entscheidet er im Rahmen seines Auftrags, was als Nächstes passiert. Deshalb braucht er klare Grenzen und eine Kontrollinstanz. Ohne diesen Rahmen ist er ein Experiment, kein Arbeitsmittel.

Was kostet ein KI-Agent?

Eine pauschale Zahl gibt es nicht, weil die Kosten an mehreren Posten hängen: der Plattform (zum Beispiel PIO, make.com oder n8n), der Nutzung des Sprachmodells (hier können die Tokenverbräuche auch mal explodieren), dem Aufbau mit Prompt-Design und Tests sowie der laufenden Betreuung. Gerade Testing und Nachjustieren werden häufig unterschätzt. Rechnet deshalb über mindestens ein Jahr und plant Zeit für Anpassungen ein.

Wo taugt ein KI-Agent nicht?

Überall dort, wo es genau eine richtige Lösung gibt oder wo jede Abweichung ein Problem wäre, zum Beispiel bei regulierten Prozessen mit Compliance-Vorgaben. Auch für das stündliche Kopieren von Daten von System A nach System B reicht klassische Automatisierung völlig aus. Bei Personalthemen, Medizin oder Finanzen gehört immer ein Mensch in die Entscheidung. Beachtet außerdem den EU AI Act und die Datenschutzvorgaben.

Braucht man für KI-Agenten Entwickler?

Für einfache Agenten nicht unbedingt. Das Herzstück bleibt der Auftrag im Prompt, und der braucht Sorgfalt und Tests. Sobald ihr Schnittstellen zu Spezialsystemen oder eigene Logik braucht, lohnt sich Entwicklerwissen oder ein Partner.

Was ist der Unterschied zwischen KI-Agent und RPA?

RPA führt eine fest definierte Abfolge von Schritten aus und liefert bei gleicher Eingabe immer dasselbe Ergebnis. Ein KI-Agent bekommt ein Ziel und plant seine Schritte selbst, dadurch kann er mit Freitext, Bildern und Ausnahmen umgehen. Dafür ist sein Ergebnis nicht immer exakt reproduzierbar. In der Praxis kombinieren viele Unternehmen beides: RPA oder Workflows im Kern, KI-Komponenten an den unscharfen Stellen.

Was ist ein KI-Agententeam?

Ein KI-Agententeam besteht aus mehreren Agenten mit klar getrennten Rollen, die sich Aufgaben zuspielen, zum Beispiel Recherche, Texterstellung und Prüfung. Ein Orchestrator verteilt die Arbeit und achtet auf feste Regeln, jeder Agent bekommt nur die Werkzeuge und Zugänge, die er für seine Rolle braucht. An kritischen Stellen gibt ein Mensch frei. Bei uns läuft das über PIO (Pickert Intelligent Orchestration), unsere Orchestrierung von KI-Agenten-Teams. Mein Tipp: erst einen Agenten mit klarem Auftrag aufsetzen, dann das Team.