KI-Agenten im Mittelstand: Was Agenten von Chatbots unterscheidet

Ein Chatbot beantwortet Fragen. Ein Agent erledigt Vorgänge.

Die meisten mittelständischen Unternehmen haben in den letzten zwei Jahren irgendwo einen Chatbot getestet: auf der Website, im Intranet, im Kundenservice. Das Ergebnis ist oft ernüchternd – die Antworten klingen gut, aber an den Prozesskosten ändert sich wenig.

Das ist kein Modellproblem. Es ist ein Architekturproblem. Ein Chatbot gibt Text aus. Ein KI-Agent bekommt ein Ziel, greift auf Systeme zu, prüft sein eigenes Ergebnis und arbeitet so lange weiter, bis der Vorgang entweder erledigt oder eskaliert ist. Genau an dieser Stelle entsteht der wirtschaftliche Hebel – und genau hier liegt auch die Verantwortung.

Der Unterschied in der Gegenüberstellung

Dimension	Chatbot	KI-Agent
Aufgabe	Frage beantworten	Ziel erreichen, Ergebnis abliefern
Reichweite	Text im Chatfenster	Lese-/Schreibzugriff auf ERP, CRM, Postfach, Ticketsystem
Ablauf	ein Schritt	Schleife mit mehreren Schritten
Fehlerverhalten	antwortet falsch oder gar nicht	erkennt Abweichung, korrigiert oder eskaliert
Kontrolle	keine	Freigabepunkte, Logging, Limits, Abbruchbedingungen
Erfolgsmaß	Nutzung, Antwortqualität	Durchlaufzeit, Bearbeitungsquote, Kosten pro Vorgang

Wichtig: Der Chatbot ist nicht „weniger wert“. Für FAQ, Standardauskünfte und Erstqualifizierung ist er die günstigere und robustere Lösung. Ein Agent lohnt sich erst, wenn ein Vorgang mehrere Schritte, mehrere Systeme und eine überprüfbare Zieldefinition hat.

Vier Bausteine, die einen Agenten ausmachen

1. Ziel und Erfolgskriterium. „Bearbeite Anfragen“ ist kein Ziel. „Erstelle einen Angebotsentwurf, wenn alle Pflichtangaben vorhanden sind, sonst lege eine Rückfrage an“ ist eines. Ohne messbares Kriterium kann der Agent nicht wissen, wann er fertig ist.

2. Werkzeuge. Ein Agent ist nur so nützlich wie seine Schnittstellen. Lesen ist der Standard, Schreiben die Ausnahme, und Schreiben in kritische Systeme sollte immer über eine menschliche Freigabe laufen.

3. Kontext. Der Agent braucht Historie: Was wurde zu diesem Kunden bereits zugesagt? Welche Konditionen gelten? Ohne diesen Bezug produziert er formal korrekte, inhaltlich falsche Ergebnisse.

4. Kontrollschleife. Ein Agent muss erkennen können, dass er feststeckt: fehlende Daten, widersprüchliche Preise, unklare Zuständigkeit. Diese Fälle brauchen eine definierte Eskalation – nicht drei weitere Rateversuche.

Drei Praxisbeispiele aus dem Mittelstand

Angebotsvorbereitung im Maschinenbau. Der Agent liest eingehende Anfragen, prüft den Kunden im CRM, zieht Preise und Lieferzeiten aus dem ERP, erstellt einen Angebotsentwurf und legt ihn dem Vertriebler zur Freigabe vor. Der Mensch verkauft weiter – er tippt nur nicht mehr ab. Typische Größenordnung in solchen Projekten: Die Vorbereitungszeit pro Angebot sinkt deutlich, weil Recherche und Zusammentragen entfallen.

Rechnungs- und Bestellabgleich. Maschinelles Lesen der Rechnung, automatischer Dreier-Abgleich gegen Bestellung und Lieferschein. Passt alles innerhalb der Toleranz, geht der Vorgang zur Zahlung. Weicht etwas ab, entsteht ein Ticket mit dem konkreten Unterschied statt einer Sammelmail. Das ist der klassische Fall, in dem ein Agent einen Chatbot klar schlägt.

Vorbereitung von Vertriebsterminen. Der Agent sammelt öffentlich verfügbare Informationen zum Interessenten, fasst die letzte Kommunikation zusammen und legt ein Briefing samt CRM-Eintrag ab. Der Effekt ist weniger „KI“ als Disziplin: Jeder Termin startet mit demselben Informationsstand.

Wann ein Agent sich lohnt – und wann nicht

Lohnt sich, wenn das Volumen hoch ist, der Ablauf gleichartig wiederkehrt, die Systeme über Schnittstellen verfügbar sind, Fehler überprüfbar sind und ein Vier-Augen-Prinzip möglich ist.

Lohnt sich nicht, wenn es sich um Einzelfälle handelt, die Daten nicht digital vorliegen, der Prozess ohnehin ständig neu entschieden wird – oder wenn ein Fehler nicht korrigierbar wäre. In diesen Fällen ist Automatisierung teurer als die manuelle Bearbeitung.

In fünf Schritten zum ersten Agenten

1. Prozess auswählen. Kriterium: Häufigkeit × Zeitaufwand × Fehlerquote. Nicht der spannendste Prozess, sondern der langweiligste gewinnt.
2. Ist-Zustand dokumentieren. Entscheidungen, Datenquellen und Eskalationspunkte aufschreiben, bevor irgendetwas gebaut wird.
3. Rechte minimal halten. Lesen vor Schreiben, Schreiben nur mit Freigabe, keine pauschalen Vollzugriffe.
4. Messpunkte festlegen. Vor dem Start definieren, was besser werden soll: Durchlaufzeit, Nacharbeit, manuelle Eingriffe.
5. Pilot mit klarem Ende. Vier bis sechs Wochen, ein Prozess, danach eine ehrliche Auswertung – auch wenn diese „nicht produktiv“ lautet.

Sicherheit und Datenschutz gehören in die Architektur, nicht ins Nachhinein

Agenten mit Systemzugriff verschieben die Angriffsfläche. Prompt-Injection über eingehende Dokumente, missbräuchliche Werkzeugaufrufe oder zu weit gefasste Rechte sind keine theoretischen Risiken, sondern prüfbare Schwachstellen. Wer Agenten produktiv einsetzt, sollte sie wie jedes andere System behandeln – mit Penetrationstests und Schwachstellenanalysen statt mit Vertrauen.

Auf der Datenschutzseite gilt dasselbe Prinzip: Erst den Datenfluss kartieren, dann automatisieren. Wenn personenbezogene Daten durch einen Agenten laufen, braucht es Zweckbindung, Speicherfristen, Auftragsverarbeitung und eine Spur, wer wann was freigegeben hat. Der DSGVO-Scanner gibt einen ersten, schnellen Überblick über offene Punkte, bevor ein Projekt in die Umsetzung geht.

Fazit

Der Unterschied zwischen Chatbot und Agent ist unspektakulär und entscheidend: Der eine antwortet, der andere arbeitet. Für den Mittelstand heißt das, nicht mit dem größten Prozess zu starten, sondern mit dem langweiligsten – dem mit hohem Volumen, klaren Regeln und überprüfbaren Ergebnissen. Wer dort sauber misst, hat nach sechs Wochen eine belastbare Entscheidungsgrundlage statt einer Demo. Wie Sie passende Prozesse identifizieren und von der Idee zur produktiven Lösung kommen, zeigen wir unter KI-Agenten für den Mittelstand.

Im nächsten Teil: Sicherheitslücken in KI-Systemen – warum klassische Penetrationstests bei Agenten und LLM-Anwendungen nicht ausreichen und welche vier Angriffsflächen Sie prüfen sollten.