Wann immer das Gespräch mit Geschäftsführern im Mittelstand auf das Thema KI kommt, höre ich früher oder später ein Satz, der das Gespräch in eine bestimmte Richtung lenkt: „Das ist ja alles interessant, aber das ist doch eher was für Konzerne." Gemeint ist meist Agentic AI, also KI-Systeme, die nicht nur auf Anfragen antworten, sondern eigenständig Aufgaben planen, ausführen und dabei mehrere Werkzeuge und Datenquellen kombinieren. Das Missverständnis ist verständlich, denn die mediale Berichterstattung dreht sich tatsächlich oft um großangelegte Implementierungen bei DAX-Unternehmen. Die Realität sieht anders aus. Ein Betrieb mit 40 bis 80 Mitarbeitenden hat in der Regel genau die Prozessstruktur, in der KI-Agenten ihren größten Hebel entfalten: überschaubare, gut abgrenzbare Abläufe, wenige Systemlandschaften, kurze Entscheidungswege und Personal, das für repetitive Aufgaben zu wertvoll ist. Dieser Artikel erklärt, was Agentic AI technisch bedeutet, wie sie sich von klassischer Automatisierung unterscheidet und wo ein realistischer, risikoarmer Einstieg für ein mittelständisches Unternehmen im DACH-Raum liegt.
Was „agentisch" wirklich bedeutet – und was nicht
Der Begriff „Agentic AI" klingt nach Zukunftsmusik, beschreibt aber ein technisches Prinzip, das sich präzise eingrenzen lässt. Ein KI-Agent ist ein Softwaresystem, das ein übergeordnetes Ziel entgegennimmt, daraus eigenständig Teilschritte ableitet, Werkzeuge aufruft – etwa eine Datenbank, eine API oder ein Textdokument – und das Ergebnis jedes Schritts nutzt, um den nächsten zu planen. Das unterscheidet ihn grundlegend von einem einfachen Chatbot oder einem klassischen Skript.
Ein klassisches Robotic Process Automation-System (RPA) folgt einem starren Regelbaum: Wenn Feld A einen bestimmten Wert hat, führe Aktion B aus. Weicht der Prozess auch nur geringfügig ab, versagt das System oder löst einen manuellen Ausnahme-Workflow aus. Ein KI-Agent arbeitet anders. Er liest eine eingehende Lieferantenrechnung, erkennt auch dann die relevanten Felder, wenn die Formatierung vom letzten Monat abweicht, prüft den Betrag gegen die Bestellung im ERP-System, stellt bei Unstimmigkeiten eine präzise Rückfrage an den zuständigen Einkäufer und bucht den Beleg nach Freigabe. Kein Regelbaum deckt diese Variabilität ab – ein trainiertes Sprachmodell mit Werkzeugzugang kann sie handhaben.
Das bedeutet nicht, dass Agenten fehlerfrei arbeiten. Sie halluzinieren gelegentlich, schätzen Kontext falsch ein oder wählen den falschen Werkzeugaufruf. Der Reife- und Risikograd des Einsatzszenarios bestimmt, wie viel menschliche Überprüfung eingebaut werden muss. Für einen Mittelständler ist das keine Abschreckung, sondern eine Designentscheidung: Welche Schritte darf der Agent autonom abschließen, bei welchen brauche ich eine Freigabe-Schleife?
Warum der Mittelstand strukturell gut aufgestellt ist
Ein Konzern mit 10.000 Mitarbeitenden kämpft bei jeder KI-Implementierung gegen Datensilos, Legacy-Systeme, IT-Governance-Schichten und Betriebsratsvereinbarungen. Ein Betrieb mit 50 Mitarbeitenden hat keines dieser Probleme in demselben Ausmaß – und das ist ein echter Vorteil.
Kleinere Unternehmen haben typischerweise eine überschaubare Systemlandschaft: ein ERP- oder Warenwirtschaftssystem, ein E-Mail-Client, vielleicht ein CRM und ein paar gemeinsam genutzte Ordnerstrukturen. Genau diese Einfachheit macht Agenten-Integrationen schnell und günstig. Ein Agent, der über eine standardisierte API an ein weit verbreitetes ERP-System angebunden wird, ist in wenigen Wochen produktiv – keine monatelange Migrationsstudie, keine Ausschreibungspflicht.
Hinzu kommt der Faktor Prozesskenntnis. In einem Betrieb dieser Größe gibt es fast immer eine Handvoll Mitarbeitende, die einen bestimmten Prozess vollständig überblicken. Diese Prozessexpertise ist das wertvollste Rohmaterial für eine Agenten-Implementierung. Ohne sie bleibt jede KI-Lösung eine Blackbox, die niemand versteht und niemand korrigiert, wenn sie Unsinn produziert.
Der typische Mittelständler unterschätzt auch, wie viel seiner Wertschöpfung in der wiederholten manuellen Übertragung von Informationen zwischen Systemen oder Abteilungen gebunden ist. Angebote, die aus bestehenden Produktdaten zusammengestellt werden. Eingangsrechnungen, die abgetippt und geprüft werden. Kundenanfragen, die per E-Mail ankommen und manuell zugeordnet werden. Diese Tätigkeiten sind nicht wertlos, aber ihr Wert liegt in der Entscheidung dahinter, nicht im Tippen selbst.
Wo ein realistischer Einstieg liegt – und wo nicht
Der sinnvolle Einstieg in Agentic AI ist kein großes KI-Projekt, sondern ein enger, gut dokumentierter Prozess mit klarem Anfang und Ende. Drei Szenarien begegnen mir dabei besonders häufig.
Das erste ist die Eingangsrechnungsverarbeitung. Lieferantenrechnungen kommen in unterschiedlichen Formaten – PDF, E-Mail, gelegentlich noch Papier. Ein Dokumenten-KI-Agent liest die Belege, extrahiert Rechnungsnummer, Betrag, Steuerkennzeichen und Lieferant, gleicht die Daten gegen offene Bestellungen ab und schreibt das Ergebnis in das Buchhaltungssystem. Bei Unstimmigkeiten über einem definierten Schwellenwert landet die Rechnung zur manuellen Prüfung in einer Queue. Das ist kein theoretisches Konzept: Plattformen wie Microsoft Power Automate oder spezialisierte Dokumenten-KI-Dienste bieten dafür heute vorkonfigurierte Bausteine, die sich ohne eigene KI-Entwicklung einsetzen lassen. Welche Teilschritte in der Buchhaltung dabei tatsächlich die Stunden binden, ist in Zeitfresser in der Buchhaltung aufgeschlüsselt.
Das zweite Szenario ist das Anfragen-Routing im Kundenservice. Wenn täglich Dutzende E-Mails mit Bestelländerungen, Lieferfragen und Reklamationen eingehen, verbringt irgendjemand morgens 45 Minuten damit, diese zu lesen und zuzuordnen. Ein Agent klassifiziert jede eingehende Nachricht, extrahiert die Kernaussage, weist sie der richtigen Person oder Abteilung zu und entwirft auf Wunsch einen Antwortentwurf. Die Mitarbeiterin prüft, passt an und sendet ab – der Aufwand halbiert sich.
Das dritte Szenario ist die Angebotserstellung. Für ein illustratives Beispiel: Ein Maschinenbauer mit 65 Mitarbeitenden erhält wöchentlich 20 bis 30 Anfragen für konfigurierbare Standardprodukte. Bisher zieht ein Mitarbeiter im Vertriebsinnendienst die passenden Positionen aus dem Produktkatalog, berechnet Preise nach Preisliste und erstellt das Angebot im ERP. Ein Agent kann diese Schritte vollständig übernehmen, sobald die Anfrage strukturiert genug ist – also einen definierten Umfang nicht überschreitet. Der Vertriebsinnendienstler fokussiert sich dann auf komplexe Anfragen und Kundenkommunikation.
Was kein sinnvoller Einstieg ist: Agenten für strategische Entscheidungen, für sensible Personalprozesse oder für rechtlich verbindliche Aussagen ohne menschliche Überprüfung einsetzen. Nicht wegen Hysterie, sondern wegen schlichter Zuverlässigkeitsanforderungen, die heutige Agenten in diesen Bereichen noch nicht erfüllen.
Governance zuerst: Prozess vor Technologie
Der häufigste Fehler, der sich beobachten lässt, ist der Kauf einer Plattform vor der Klärung des Prozesses. Agenten sind kein Zauberstab, den man auf einen unklaren Ablauf richtet. Sie verstärken das, was vorhanden ist – also auch die Unklarheit.
Vor jeder Implementierung braucht es drei Dinge: eine präzise Prozessbeschreibung (Schritt für Schritt, inklusive Ausnahmen), eine Qualitätskontrolle (wer prüft was, in welchem Rhythmus) und eine klare Eskalationsregel (wann greift ein Mensch ein). Diese drei Elemente lassen sich in einem halbtägigen Workshop erarbeiten – sie sind keine Wissenschaft, aber sie werden regelmäßig übersprungen.
Hinzu kommt die Frage der Datenbasis. Agenten, die auf Unternehmensdokumenten operieren, brauchen Zugang zu diesen Dokumenten in einer maschinenlesbaren Form. Wer seine Produktdaten in einer Excel-Datei pflegt, die niemand außer dem Ersteller versteht, hat ein Datenproblem, kein KI-Problem. Die Einführung eines Agenten ist oft der erste Moment, in dem Betriebe ihre eigene Datenhygiene ernst nehmen – das ist ein Nebeneffekt, der unterschätzt wird.
Die DSGVO ist dabei kein abstraktes Hemmnis. Wer Kundendaten in einen Agenten-Workflow einbindet, muss sicherstellen, dass diese Daten nur in zulässigen Systemen verarbeitet werden. Cloudbasierte Agenten-Plattformen großer Anbieter bieten heute EU-Datenspeicherung und AVV-Verträge standardmäßig an – das reduziert die Compliance-Last erheblich, eliminiert sie aber nicht. Eine kurze rechtliche Abstimmung vor dem Start ist kein bürokratischer Umweg, sondern verhindert spätere Probleme. Was dabei zu klären ist – Risikoeinstufung, Dokumentationspflichten, das Verhältnis von AI Act und DSGVO – steht in KI & Recht.
Der realistische Zeithorizont und was danach kommt
Ein erster Agenten-Pilot in einem gut definierten Prozess ist in vier bis acht Wochen produktiv zu setzen. Das schließt Prozessaufnahme, technische Anbindung, Testing und eine Einlaufphase mit menschlicher Gegenkontrolle ein. Wer diesen Zeitrahmen hört und ungläubig reagiert, hat möglicherweise Erfahrungen mit klassischen IT-Projekten gemacht – Agenten-Implementierungen haben andere Komplexitätskurven.
Was nach dem ersten Piloten passiert, ist die interessantere Frage. Erfolgreiche Piloten schaffen in Betrieben fast immer das, was in größeren Organisationen als „KI-Kultur" bezeichnet wird: Mitarbeitende, die eigenständig weitere Prozesse identifizieren, die sich für Agenten eignen. Dieser Effekt ist nicht zu unterschätzen. Die Hemmschwelle sinkt, weil der erste Kontakt konkret und greifbar war, nicht abstrakt und präsentationsbasiert.
Der Mittelstand muss Agentic AI nicht als strategische Transformation angehen. Ein einziger Prozess, der verlässlich funktioniert und messbarer Zeit spart, ändert den internen Diskurs – und schafft die Grundlage für den nächsten Schritt.
Häufige Fragen
Was unterscheidet einen KI-Agenten konkret von einem Chatbot?
Ein Chatbot antwortet auf Fragen. Ein KI-Agent führt Aufgaben aus – eigenständig, mehrstufig und mit Werkzeugzugang.
Ein Chatbot ist im Wesentlichen ein Interface für Textkommunikation. Er empfängt eine Eingabe und gibt eine Antwort zurück, mehr nicht. Ein KI-Agent hingegen erhält ein Ziel, zerlegt es in Teilschritte, ruft dabei externe Werkzeuge auf – etwa eine Datenbankabfrage, einen API-Aufruf oder das Lesen eines Dokuments – und nutzt das Ergebnis jedes Schritts, um den nächsten zu planen. Er arbeitet also iterativ und autonom, nicht reaktiv. Ein Chatbot kann keine Rechnung im ERP-System buchen; ein Agent kann es, wenn er entsprechend konfiguriert und angebunden ist.
Muss ich als KMU eigene KI-Infrastruktur aufbauen, um Agenten zu nutzen?
Eigene KI-Infrastruktur ist für den Agenten-Einstieg im Mittelstand weder notwendig noch sinnvoll.
Nein. Die marktrelevanten Agenten-Plattformen – darunter Angebote von Microsoft, Google oder spezialisierten Anbietern – sind als Cloud-Dienste verfügbar und werden über Abonnement-Modelle abgerechnet. Ein KMU zahlt für das, was es nutzt, ohne Serverinfrastruktur, ohne eigene KI-Entwicklung und ohne spezialisiertes KI-Personal. Die technische Anbindung an bestehende Systeme erfolgt über standardisierte APIs oder vorkonfektionierte Konnektoren, die für gängige ERP-, CRM- und E-Mail-Systeme existieren.
Wie lange dauert ein erster Agenten-Pilot realistisch?
Ein sauber abgegrenzter Agenten-Pilot ist in vier bis acht Wochen produktiv – vorausgesetzt, der Prozess ist klar definiert.
Der Zeitrahmen hängt stark von der Klarheit des Ausgangsprozesses ab. Ist der Ablauf gut dokumentiert und die Systemanbindung über vorhandene APIs möglich, sind vier Wochen realistisch. Müssen zunächst Prozessdefinition und Datenbasis bereinigt werden, verlängert sich die Vorlaufzeit entsprechend. Ein häufiger Zeitfresser ist das Testing: Agenten müssen mit realen Ausnahme-Fällen getestet werden, nicht nur mit Idealszenarien. Eine Einlaufphase mit paralleler menschlicher Gegenkontrolle ist obligatorisch, bevor der Agent autonom operiert.
Welche Datenschutzanforderungen gelten beim Einsatz von KI-Agenten im DACH-Raum?
DSGVO-Konformität ist kein KI-spezifisches Problem, sondern eine Frage der Plattformwahl und Vertragsgestaltung.
Wer personenbezogene Daten in einen Agenten-Workflow einbindet – etwa Kundendaten aus E-Mails oder Lieferantenstammdaten – muss sicherstellen, dass die Verarbeitung auf Basis eines Auftragsverarbeitungsvertrags (AVV) nach Art. 28 DSGVO erfolgt. \[1\] Die großen Cloud-Plattformen bieten EU-Datenspeicherung und standardisierte AVV-Vorlagen an. Kritisch zu prüfen ist, ob Daten zur Modellverbesserung genutzt werden dürfen – das lässt sich bei den meisten Unternehmensangeboten deaktivieren. Eine rechtliche Erstprüfung vor dem Pilot ist empfehlenswert, aber in der Regel kein mehrtägiger Aufwand.
Welche internen Voraussetzungen brauche ich, bevor ich mit Agenten starte?
Der entscheidende Engpass ist fast nie die Technologie – er liegt im Prozess und in der Datenbasis.
Die wichtigsten Voraussetzungen sind: ein klar dokumentierter Prozess mit definierten Ausnahmeregeln, Zugang zu den relevanten Daten in maschinenlesbarer Form, eine Person im Betrieb, die als Prozessverantwortliche fungiert und Fragen des Agenten beantworten kann, sowie eine einfache Qualitätskontrolle für die Einlaufphase. Fehlende IT-Kenntnisse im Team sind kein Hinderungsgrund – sie werden durch externe Implementierungsbegleitung abgedeckt. Fehlende Prozessdokumentation hingegen muss zuerst behoben werden.
Kann Agentic AI Mitarbeitende ersetzen?
Agenten verlagern Aufgaben, sie streichen keine Stellen – der Hebel liegt in der Verschiebung hin zu Urteil und Kundenbeziehung.
In der Praxis beobachte ich bei gut implementierten Agenten-Lösungen keine Stellenstreichungen, sondern eine Verschiebung des Aufgabenprofils. Mitarbeitende, die bisher 40 Prozent ihrer Zeit mit Datentransfer und Formatübertragung verbracht haben, arbeiten anschließend stärker an Ausnahmen, Kundenbeziehungen und inhaltlichen Entscheidungen. Ob das mittel- bis langfristig auch Personalkapazitäten freisetzt, hängt vom Wachstumskurs des Unternehmens ab. Die Frage, wie diese Verschiebung mit dem Team kommuniziert wird, ist nicht weniger wichtig als die technische Implementierung.
Was kostet ein Agenten-Pilot für ein KMU in der Größenordnung 50 Mitarbeitende?
Die Kosten eines ersten Agenten-Piloten liegen typischerweise weit unter denen einer klassischen Softwareimplementierung.
Pauschale Preisangaben sind seriös nicht möglich, weil die Kosten stark vom Prozess und der Systemlandschaft abhängen. Als Orientierung: Plattformkosten für cloudbasierte Agenten-Dienste beginnen im niedrigen dreistelligen Bereich pro Monat. Der größte Kostenblock ist in der Regel die externe Implementierungsbegleitung für Prozessaufnahme, Konfiguration und Testing – bei einem klar abgegrenzten Pilot bewegt sich das im niedrigen bis mittleren vierstelligen Eurobereich. Das ist ein anderer Rahmen als klassische ERP-Projekte, und der Break-even ist bei messbar eingesparten Stunden oft innerhalb weniger Monate erreicht.
Meinungsbeitrag: Dieser Text gibt die Einschätzung des Autors wieder und stützt sich nicht durchgängig auf belegte Quellen.
Dieser Artikel wurde mit Unterstützung von KI erstellt.