KI-Agenten im Mittelstand: Leistung und Grenzen autonomer Systeme

Wer in den vergangenen Jahren RPA-Software (Robotic Process Automation) im Einsatz hatte, kennt das Prinzip: feste Regeln, feste Abläufe, ein Bot klickt sich durch Masken, die vorher exakt definiert wurden. Ändert sich das Formular, bricht der Bot ab. Ein KI-Agent funktioniert anders. Der zentrale Unterschied liegt darin, dass ein KI-Agent Zwischenergebnisse bewertet und den nächsten Schritt selbst wählt, statt einem starren Skript zu folgen. Er erhält ein Ziel – etwa "prüfe diese Eingangsrechnung auf Plausibilität" – und entscheidet auf Basis der vorliegenden Informationen, welche Schritte dafür nötig sind: Belege abgleichen, Rückfragen formulieren, eine Ausnahme markieren oder eine Freigabe anfordern.

Diese Fähigkeit zur situativen Entscheidung macht Agentensysteme leistungsfähiger, aber auch erklärungsbedürftiger. Geschäftsführungen, die bislang mit klar abgegrenzten Automatisierungstools gearbeitet haben, stellen zu Recht die Frage, wo die Kontrolle bleibt, wenn ein System nicht mehr stur einem Drehbuch folgt. Die Antwort liegt nicht in weniger Steuerung, sondern in anderer Steuerung: nicht über starre Regeln, sondern über Freigabepunkte, Protokollierung und klar definierte Entscheidungsgrenzen.

Die praktische Relevanz zeigt sich an Abläufen, die in nahezu jedem mittelständischen Unternehmen täglich vorkommen. Bei der Angebotsvorbereitung kann ein Agent Kundenanfragen, hinterlegte Preislisten und frühere Angebote zusammenführen und einen Entwurf erstellen, den ein Vertriebsmitarbeiter prüft und anpasst, statt bei null zu beginnen. Bei der Rechnungsprüfung gleicht das System Bestellung, Lieferschein und Rechnung automatisiert ab und markiert nur die Fälle, bei denen Beträge, Mengen oder Konditionen voneinander abweichen. Beim Dokumentenabgleich – etwa zwischen Verträgen, Zertifikaten und internen Vorgaben – identifiziert der Agent Widersprüche, die sonst nur durch manuelles Querlesen auffallen würden.

Der eigentliche Effizienzgewinn entsteht nicht durch Automatisierung an sich, sondern dadurch, dass Mitarbeitende nur noch die Fälle sehen, die tatsächlich eine Entscheidung erfordern. Ein illustratives Beispiel: In einem mittelständischen Fertigungsbetrieb mit hohem Rechnungsvolumen könnte ein Agent neun von zehn Standardrechnungen ohne Beanstandung durchlaufen lassen und nur die Ausnahmefälle der Buchhaltung vorlegen. Ob sich ein solches Verhältnis in der Praxis tatsächlich einstellt, hängt stark von der Dokumentenqualität und den hinterlegten Regeln ab – es dient hier ausschließlich der Veranschaulichung, nicht als belegter Erfahrungswert.

Warnsignal aus der Praxis: In einem Fall, in dem die Lieferscheine nicht konsistent in das Beschaffungssystem eingetragen wurden, stieg die Rückquote des Agenten innerhalb von zwei Monaten von 8 % auf 22 %. Der Agent markierte zu Recht Unstimmigkeiten zwischen Bestellung und Lieferschein, aber die Unstimmigkeiten waren nicht in den Rechnungen falsch, sondern in der vorangelagerten Stammdatenpflege – ein Projekt-Lerneffekt, der erst unter Last sichtbar wird.

So autonom ein Agent innerhalb seines Aufgabenbereichs agiert, an bestimmten Punkten braucht es eine bewusste Grenze. Autonomie ohne Freigabepunkte ist im Mittelstand kein technisches Upgrade, sondern ein Haftungsrisiko. Das gilt besonders dort, wo Entscheidungen finanzielle, vertragliche oder personenbezogene Konsequenzen haben: die Freigabe von Zahlungen oberhalb eines Schwellenwerts, die Ablehnung von Bewerbungen, die Bewertung von Kreditwürdigkeit oder die Kommunikation nach außen unter dem Namen des Unternehmens.

Für Unternehmen, die im Anwendungsbereich der KI-Verordnung der EU tätig sind, ist diese Grenze inzwischen auch regulatorisch vorgezeichnet. Die Verordnung (EU) 2024/1689 stuft bestimmte Anwendungsfälle – etwa im Personalwesen oder bei der Kreditwürdigkeitsprüfung – als Hochrisiko-KI ein und verlangt dafür unter anderem eine wirksame menschliche Aufsicht. Praktisch bedeutet das: Ein Agent darf vorschlagen, vorsortieren und vorbereiten, die endgültige Entscheidung in sensiblen Bereichen bleibt bei einer Person, die den Vorschlag nachvollziehen und ablehnen kann. Diese Grenze sauber zu ziehen ist keine Fleißaufgabe für die Compliance-Abteilung, sondern eine strategische Weichenstellung, die am besten vor der Einführung eines Systems getroffen wird, nicht danach.

Der Weg zu einem produktiv arbeitenden Agentensystem beginnt mit einer ehrlichen Bestandsaufnahme – nicht der Software, sondern des Prozesses selbst. Wer diesen Schritt überspringt, sieht die eigentlichen Probleme erst unter Last. Folgende Szenarien treten immer wieder auf und machen Agentenprojekte zäh:

1. Der Prozess lebt nur in Köpfen\ Wenn ein Prozess zwar „offiziell dokumentiert" ist, aber drei erfahrene Mitarbeitende ihn auf drei unterschiedliche Arten ausführen – je nachdem, wie dringlich es ist, wer der Kunde ist oder welche Tageszeit es ist – dann fehlt dem Agenten die verlässliche Grundlage. Das Onboarding neuer Mitarbeiter dauert dann länger als das Agenten-Projekt selbst. Frage im Team konkret nach: „In welchen Fällen weichst du ab, und warum?" Die ehrliche Antwort zeigt, ob der Prozess für Automatisierung reif ist.

2. Daten kommen aus mehreren inkompatiblen Quellen\ Lieferscheine werden teilweise manuell eingegeben, teilweise per EDI übertragen, manchmal als PDF gescannt. Der Agent sieht inkonsistente Daten und kann nicht zuverlässig unterscheiden, ob es ein echter Fehler in der Bestellung ist oder ein Eingabefehler in Quelle 1. Kläre vor dem Projekt: Welche Datenquellen gibt es, und wie konsistent sind sie wirklich? Wenn die Antwort „es variiert" lautet, brauchst du eine Datenbereinigung, bevor der Agent starten kann.

3. Die Freigabekette ist unklar verteilt\ Manchmal sollen Rechnungen freigegeben werden, aber es ist nie ganz klar, wer am Ende die Verantwortung trägt – der Einkauf? Das Controlling? Die Geschäftsführung? Wenn diese Frage für menschliche Mitarbeiter schon schwer zu beantworten ist, wird es für einen Agenten unmöglich. Klare Verantwortung ist Voraussetzung, nicht Ergebnis.

4. Das Volumen ist zu klein für den Overhead\ Ein Prozess mit 15 Fällen pro Monat braucht möglicherweise mehr Geld für Einrichtung und Überwachung als für den Nutzen. Ein Agent für 1.500 oder 5.000 Fälle im Monat hat eine andere Rechnung. Kalkuliere ehrlich: Wieviel Stunden spart der Agent pro Monat, wieviel kostet Einrichtung und Monitoring?

Aus dieser Bestandsaufnahme ergibt sich, wo ein Pilotprojekt sinnvoll startet – meist in einem klar abgegrenzten Teilprozess mit hohem Volumen und überschaubarem Risiko, etwa der Vorprüfung von Eingangsrechnungen oder dem Abgleich von Stammdaten. Wichtiger als die Wahl der Software ist die Frage, wie das System überwacht wird, sobald es läuft: Welche Fehlerquote ist akzeptabel, wer sieht die Protokolle, und wie schnell lässt sich eingreifen, wenn ein Agent systematisch falsch entscheidet? Diese Fragen frühzeitig zu klären erspart spätere Nachbesserungen unter Zeitdruck.

Viele mittelständische Unternehmen verfügen weder über eine eigene KI-Abteilung noch über die Erfahrung, ein Agentenprojekt von der Prozessanalyse bis zum produktiven Betrieb zu führen. Genau hier liegt der Unterschied zwischen einem Pilotprojekt, das nach drei Monaten im Sand verläuft, und einem, das tatsächlich in den Regelbetrieb übergeht. Eine befristete, auf das Projekt zugeschnittene Führungsverantwortung schließt diese Lücke, ohne dass dauerhaft eine neue Position geschaffen werden muss. Wer die Einführung von Agentensystemen als zeitlich begrenztes Projekt mit klarem Auftrag versteht, statt als offenes Digitalisierungsvorhaben, reduziert das Risiko von Verzögerungen und unklaren Zuständigkeiten erheblich – und genau das lässt sich mit Interim-Management gezielt organisieren, bevor eigene Ressourcen dauerhaft gebunden werden.