Was ist ein KI-Agent? Use Cases und echte Kosten

KI-Agenten für Unternehmen: was ein KI-Agent ist, was er wirklich kann, wie er in der Produktion zuverlässig läuft und was er tatsächlich kostet.

Leitfaden
11 Min. Lesezeit

Seit achtzehn Monaten reden alle über KI-Agenten für Unternehmen. Die Demos sind beeindruckend: Man stellt eine Frage, die KI befragt drei Tools, gleicht ab, handelt und liefert ein sauberes Ergebnis. Dann versuchen Sie, das in Ihren eigenen Prozessen nachzubauen, und der Boden gibt nach.

Die Technologie funktioniert. Zwischen der Demo und einem KI-Agenten im Unternehmen, der jeden Tag läuft, liegt eine Liste von Themen, die beim Kick-off nie zur Sprache kommen: der genaue Auftrag des Agenten, die Grenzfälle, der Teil der Arbeit, den man auf keinen Fall einem Modell überlassen sollte, die Art, wie das Ergebnis geprüft wird, und der Name der Person, die man anruft, wenn sich der Agent an einem Freitag um 18 Uhr irrt.

Diese Themen entscheiden über das Schicksal eines Projekts, und wir gehen sie eins nach dem anderen durch: die Methode, die eine Demo von der Produktion trennt, die sechs Agenten, die wir bei unseren Kunden in Betrieb nehmen, und die Preise.

Was ist ein KI-Agent?

Anthropic fasst es als ein Modell zusammen, das Tools in einer Schleife nutzt, geleitet von dem, was es beobachtet. Die Definition besteht aus vier Bausteinen. Ein Agent besteht aus:

  1. Einem Sprachmodell, das die Anfrage versteht und schlussfolgert.
  2. Tools, also Funktionen, die das Modell auslösen kann: kunde_suchen, rechnung_lesen, ticket_erstellen, bericht_senden. Jedes Tool wird dem Modell beschrieben, das entscheidet, welches es mit welchen Parametern aufruft.
  3. Einer Schleife. In jeder Runde schaut der Agent, wo er steht, entscheidet über die nächste Aktion, führt sie aus, beobachtet das Ergebnis und beginnt von vorn. Diese Iteration erlaubt es ihm, sich zu korrigieren.
  4. Einem Handlungsrahmen: was er tun darf, auf welchen Daten, mit welchen Grenzen und gegebenenfalls mit einem Budget an Zeit oder Token.
Loading diagram…

Das Schema zeigt die Schleife eines Agenten: Ausgehend von einem Ziel wählt das Modell eine Aktion, führt sie über ein Tool aus, beobachtet das Ergebnis und beginnt von vorn, solange das Ziel nicht erreicht ist. Der Handlungsrahmen, an das Modell gekoppelt, begrenzt fortlaufend, was der Agent tun darf.

Ein Agent ist also ein Modell im Zentrum eines Softwaresystems, das es einrahmt. Mehr nicht. Das Protokoll MCP (Model Context Protocol), von Anthropic im November 2024 veröffentlicht, hat den Baustein Tools stark vereinfacht: Statt jede Integration für jeden Agenten neu zu entwickeln, stellt man einmal einen Server bereit, den jeder Agent nutzen kann. Diesen Mechanismus beschreiben wir ausführlich in unserem Artikel über MCP und die Integration von Tools.

Ein Agent ist nicht intelligenter als ein Modell allein. Er darf lediglich mehrmals handeln, mit Tools. Sein ganzer Wert kommt von dem, was Sie am Ende anschließen.

Ein Agent ist ein Chatbot mit Tools

Chatbot und Agent werden oft gegeneinander ausgespielt.

Ein Agent ist ein Chatbot, dem man Tools gegeben hat. Der Rest ist eine Frage des Grades: welche Art von Tools und was sie tun dürfen. Bei Ask This Guy ist alles ein Agent. Dieselbe Basis trägt den Assistenten, der eine HR-Frage beantwortet, und den, der einen Kundendatensatz in Ihrer SaaS-Anwendung aktualisiert.

StufeWas der Agent kannTypische Tools
AntwortenAllgemeine Fragen, Umformulieren, TextenKeine
Auf Basis Ihrer Daten antwortenVerfahrensanweisungen, Verträge, ProjekthistorieDokumentensuche (RAG), SQL-Abfrage im Lesemodus
Ihre Systeme abfragenTatsächlicher Stand eines Vorgangs, eines Lagerbestands, eines TicketsFach-APIs im Lesemodus, MCP-Server
HandelnAnlegen, ändern, senden, abschließenFach-APIs im Schreibmodus, E-Mail-Versand
OrchestrierenMehrere Schritte auf ein Ziel hin verkettenKombination der vorigen, menschliche Freigabe

Diese Tabelle ist eine Abstufung, keine Produkttypologie. Ein interner Assistent beginnt oft auf der zweiten Stufe und arbeitet sich dann über die Monate in der Tabelle nach unten vor, in dem Maß, wie das Vertrauen wächst und Tools hinzukommen.

Und die Tools sind nicht unbedingt generisch. Sie können sehr spezialisiert sein und selbst Intelligenz enthalten: ein Extraktor, der auf Ihre Vertragsdokumente zugeschnitten ist, eine Konsistenzprüfung, die Ihre Fachregeln anwendet, ein Berichtsgenerator im Format, das Ihre Kunden erwarten. Wir entwickeln solche Tools regelmäßig maßgeschneidert, und der Code dieser spezifischen Tools gehört Ihnen.

Was sich zwischen oben und unten in der Tabelle wirklich ändert, ist die Art des Risikos. Ein Agent, der sich beim Antworten irrt, erzeugt einen ungenauen Satz, den der Nutzer ignorieren kann. Ein Agent, der sich beim Handeln irrt, legt eine Zeile in Ihrem ERP an oder schickt einem Kunden eine E-Mail. Dieses Risikoniveau muss das Design bestimmen. Das Etikett, das man dem Produkt aufklebt, spielt keine Rolle.

KI ist nie deterministisch: der Ausgangspunkt des Designs

Ein Sprachmodell ist probabilistisch. Zweimal dieselbe Eingabe kann zwei verschiedene Ausgaben liefern, und das Labor Thinking Machines hat gezeigt, dass das bei den APIs der Anbieter selbst bei Temperatur null gilt. Ein Algorithmus dagegen ist deterministisch: Dieselbe Eingabe ergibt immer dieselbe Ausgabe, und Sie können es beweisen. Bei einer gegebenen Aufgabe ist klassische Software immer zuverlässiger als ein Modell, vor allem wenn die Aufgabe einfach ist.

Daraus folgt die Regel, die wir überall anwenden: Jede Aufgabe, die ein Algorithmus erledigen kann, sollte der Algorithmus erledigen.

  • Prüfen, ob eine E-Mail-Adresse gültig ist oder eine Postanschrift existiert: Das ist eine Regex und ein Aufruf einer Adressdatenbank, keine Frage an eine KI.
  • Eine Summe berechnen, einen Tarif anwenden, prüfen, ob die Summe der Positionen dem Rechnungsbetrag entspricht: Code.
  • Eine Datenbank abfragen: statt eines Modells, das freies SQL schreibt, ein parametrisiertes Tool mit eng gefassten Abfragen, expliziten Rechten und einem Parametersatz, den das Modell nur ausfüllt. Das ist zuverlässiger, günstiger, und das Modell kann keine Abfrage schreiben, die Sie nicht vorgesehen hatten.

Das Modell behält, was nur es kann: Sprache verstehen, ein unstrukturiertes Dokument lesen, je nach Kontext zwischen mehreren Wegen abwägen, formulieren. Das ist schon enorm viel.

Diese Disziplin ist keine Kosmetik, sondern Arithmetik. Stellen Sie sich einen Agenten vor, der zehn Schritte verkettet. Gelingt jeder Schritt in 95 % der Fälle, liegt die Wahrscheinlichkeit, dass alle zehn gelingen, bei 0,9510, also etwa 60 %. Die Rechnung ist bewusst vereinfacht, aber die Größenordnung stimmt: Jeder Schritt, der dem Modell übertragen wird, vervielfacht das Risiko, während ein Schritt, den Code übernimmt, es unverändert lässt. Diese Logik haben wir in unserem Artikel über minimale KI-Automatisierung ausgeführt.

Den Auftrag des Agenten definieren

Ein Agent, der funktioniert, ist fast immer ein Agent, dessen Auftrag sauber formuliert wurde, und das entscheidet sich lange vor der Wahl des Modells.

Am Anfang steht ein Ziel, keine Absicht. „Lieferantenrechnungen bearbeiten“ ist kein Ziel. „Für jede im Buchhaltungspostfach eingegangene Rechnung die zehn Felder der Liste extrahieren, den Abgleich mit der Bestellung prüfen, die Buchung anlegen, wenn alles übereinstimmt, und sie sonst in die Warteschlange für Menschen legen“ ist eines.

Die Grenzfälle gehören schwarz auf weiß aufgeschrieben, einer nach dem anderen. Was tut der Agent, wenn das Dokument unleserlich ist, der Lieferant unbekannt, die Rechnung eine Gutschrift, der Betrag eine Schwelle überschreitet, zwei Bestellungen passen? Diese Fragen haben keine richtige Standardantwort: Sie haben Ihre Antwort. Ein Agent, dem niemand sie gestellt hat, erfindet einen plausiblen Mittelwert, und ein plausibler Mittelwert richtet mehr Schaden an als ein offensichtlicher Fehler.

Wir verlangen systematisch etwa zwanzig echte Fälle, so wie sie sind, auch die hässlichen: den schiefen Scan, den Vertrag mit handschriftlichem Nachtrag, die schlecht gepflegte Kundendatei. An ihnen wird der Agent entworfen. Die saubere Stichprobe, die alle zuerst anbieten, nützt nichts.

Schließlich muss für jeden Fall jemand sagen können, ob die Ausgabe gut oder schlecht ist. Wenn niemand das entscheiden kann, können Sie den Agenten weder evaluieren noch allein laufen lassen.

Den Agenten unter Kontrolle bringen

Ein Agent wird auf drei Ebenen kontrolliert, die alle von Anfang an einzuplanen sind.

Die Prüfungen in der Schleife. Bei jedem sensiblen Schritt eine deterministische Kontrolle: Hat das extrahierte Feld das richtige Format, existiert die Referenz wirklich in der Datenbank, ist die Summe stimmig? Schlägt eine Kontrolle fehl, versucht es der Agent erneut oder gibt ab. Das hebt die 60 % von vorhin auf ein brauchbares Niveau.

Die Evaluierung vor jeder Inbetriebnahme. Ein Satz von Referenzfällen mit dem erwarteten Ergebnis, der bei jeder Änderung an Prompt, Tool oder Modell erneut durchlaufen wird. Sie entwickeln den Agenten weiter, ohne wieder in manuelle Tests zu gehen, und sehen eine Regression vor Ihren Nutzern.

Bleibt das Monitoring im Betrieb, und das wird am schnellsten aufgegeben. Dunkelverarbeitungsquote, Quote menschlicher Nacharbeit, Kosten pro Ausführung, Latenz, Fälle, die der Agent selbst als unsicher markiert. Ein Agent, den niemand überwacht, fällt nicht laut aus: Er wird still und leise ungenauer, während sich Ihre Dateiformate ändern und die Modelle sich unter Ihren Füßen weiterentwickeln. Chen, Zaharia und Zou haben so gemessen, dass GPT-4 zwischen März und Juni 2023 von 84 % auf 51 % richtige Antworten bei der Erkennung von Primzahlen gefallen war.

Wir setzen einen Menschen in die Schleife, bei irreversiblen Aktionen und bei Fällen, die der Agent selbst als zweifelhaft markiert, was der Empfehlung der OWASP entspricht, Aktionen mit großer Tragweite von Menschen freigeben zu lassen. Ihn überall einzusetzen, würde den Nutzen des Agenten zunichtemachen.

Sechs Agenten, die wir in Produktion bringen

Alle sechs laufen gerade bei Kunden.

Aus dem Chat heraus in einer SaaS-Anwendung handeln

Ein Fachwerkzeug wird mit einem Agenten ausgestattet, der es verändern kann. Der Nutzer schreibt „Leg diesen Kunden mit diesen Angaben an“ oder „Setz den Vorgang auf erledigt, ich habe den Einsatz gerade gemacht“, und der Agent führt die Aktion in der Anwendung aus, mit den Rechten der Person, die spricht. Zehn Klicks und drei Bildschirme fallen weg, und die Information wird in dem Moment erfasst, in dem sie entsteht, nicht drei Tage später.

Spezialisierte Dokumente verarbeiten

Fachdokumente gehen ein: Bestellungen, Behördenformulare, Verträge, Protokolle, regulatorische Unterlagen. Der Agent extrahiert die richtigen Informationen, wendet Ihre Prüfregeln an, reichert sie mit Ihren Stammdaten an, befüllt die Datenbank und meldet, was aus dem Rahmen fällt. Das ist der rentabelste Use Case, weil das Volumen da ist und die Regel explizit. Eine Kundenbestellung oder ein Behördenformular (in Frankreich etwa ein Cerfa-Formular) lassen sich so sehr gut verarbeiten: Das Format variiert von Absender zu Absender, die erwarteten Felder aber bleiben gleich.

Individuelle Berichte aus Eingangsdateien erzeugen

Ihre Kunden oder Teams legen Dateien ab. Der Agent analysiert sie, wendet Ihre Rechenregeln und Ihr Bewertungsraster an, erstellt einen Bericht im erwarteten Format und schickt ihn per E-Mail an die richtigen Empfänger. Wer früher einen halben Tag damit verbrachte, liest ihn jetzt in zwanzig Minuten gegen.

Einen Lead qualifizieren und den Vertrieb alarmieren

Alles beginnt mit einem gewöhnlichen Gespräch im Chatbot Ihrer Website. Ein Besucher fragt nach einem Angebot, der Agent antwortet aus Ihren Inhalten und fragt dann nach dem Kontext, der Unternehmensgröße, dem Zeithorizont. Sobald die Signale eines echten Leads zusammenkommen, schickt er umgehend eine E-Mail an das Vertriebsteam, mit dem Wortlaut des Gesprächs, der Qualifizierung und der empfohlenen Aktion. Rückruf innerhalb einer Stunde statt am übernächsten Tag. Diesen Mechanismus haben wir ausführlich in unserem Artikel über qualifizierte Leads über den Website-Chatbot beschrieben.

Dasselbe Schema gilt für ein Support-Ticket oder eine interne Anfrage: Der Agent gleicht mit dem CRM oder der Wissensdatenbank ab, klassifiziert, priorisiert und leitet mit einer bereits verfassten Zusammenfassung an die richtige Person weiter.

Abgleichen und überwachen

Zwei Datenbestände vergleichen, die dasselbe aussagen sollten, Abweichungen erkennen, die Liste der Anomalien mit einer Diagnose erstellen. Niemand macht das gern von Hand, und niemand macht es so regelmäßig, wie es nötig wäre.

Vorausschauen, mit Machine Learning und Marktbeobachtung

Manche Agenten dienen dazu, vorauszusagen statt zu reagieren. Hier zeigt sich die Aufteilung zwischen Software und Modell am deutlichsten.

Nehmen wir die Steuerung von Beständen und Warenflüssen im Handel oder in der Industrie. Die Prognose selbst ist Sache des klassischen Machine Learning: Ein statistisches Modell, trainiert auf Ihrer Verkaufshistorie, Ihren Saisonalitäten und Ihren Lieferzeiten, sagt die Nachfrage mindestens so gut voraus wie ein Sprachmodell, bei viel geringerem Rechenaufwand und reproduzierbar. Tan und seine Mitautoren haben auf der NeurIPS 2024 gezeigt, dass das Entfernen des Sprachmodells aus einem Prognosewerkzeug dessen Ergebnisse nicht verschlechtert. Der Agent bringt zwei Dinge ein, die das statistische Modell nicht kann. Er bezieht den unstrukturierten Kontext ein: eine Beobachtung Ihrer Lieferanten, einen angekündigten Streik, eine regulatorische Neuigkeit, einen Produktstart der Konkurrenz. Und er übersetzt die Prognose in eine verständliche Aktion, indem er die Artikel mit Risiko eines Engpasses oder Überbestands samt Erklärung meldet.

Das Deterministische rechnet, das Modell interpretiert und formuliert.

Die Use Cases, die scheitern, und warum

Ganz offen: Manche Projekte sollten gar nicht erst starten, und es kommt vor, dass wir welche ablehnen. Gartner erwartet, dass bis Ende 2027 mehr als 40 % der Projekte für agentische KI eingestellt werden, wegen steigender Kosten und eines unklaren geschäftlichen Nutzens.

  • Der Prozess ist nicht aufgeschrieben. Wenn niemand ihn in zehn Zeilen beschreiben kann, wird der Agent ihn nicht erfinden.
  • Das Ergebnis ist nicht überprüfbar. Ohne Erfolgskriterium keine Evaluierung, also auch keine Autonomie.
  • Das Volumen ist gering, und die Fälle sind alle verschieden. Zwanzig Vorgänge im Monat, alle untypisch: Die Entwicklungskosten amortisieren sich nie.
  • Die Aktion ist irreversibel und unbeaufsichtigt. Überweisung, Versand an einen Kunden, Löschen von Daten. Technisch möglich, operativ unvorsichtig, solange der Agent sich nicht bewährt hat.

Was kostet ein KI-Agent im Unternehmen?

Die Kosten eines KI-Agenten setzen sich aus drei Posten zusammen.

1. Konzeption und Entwicklung

Das ist der größte Posten. Er umfasst die Formulierung des Auftrags, die Entwicklung der Tools, die Konnektoren zu Ihren Systemen, das Rechtemanagement, die Tests an echten Fällen, den Evaluierungssatz und den Übergang in die Produktion.

Bei Ask This Guy liegt ein produktionsreifer Agent typischerweise zwischen 2.000 und 5.000 € Entwicklungskosten. Gemeint ist ein Agent, der an Ihre Systeme angebunden ist, mit seinen Rechten, Prüfungen, seinem Logging und Monitoring, und der ab dem ersten Tag Ihre echten Vorgänge bearbeitet, kein Demo-POC. Der Preis hängt stark von der Komplexität ab, bleibt aber in dieser Größenordnung, weil wir nie bei null anfangen: Die Plattform bringt bereits die Konnektoren, die Dokumenten-Ingestion, das Rechtemanagement, den Katalog an MCP-Tools, das Logging und die LLMOps-Basis mit. Die spezifische Arbeit betrifft Ihre Fachregel, nicht die Infrastruktur.

Zwei nützliche Vergleiche:

  • Alles von Grund auf neu bauen kostet Zehntausende Euro, und der Großteil fließt in Dinge, die für Sie keinen fachlichen Wert haben.
  • Die Automatisierung auf einer Drittplattform für den Massenmarkt aufsetzen lassen (No-Code-Orchestrierungswerkzeuge) ist beim Einstieg günstiger, wirft aber ein Problem der Dauerhaftigkeit auf. Diese Plattformen entwickeln sich sehr schnell. An dem Tag, an dem eine von ihnen ihre Funktionsweise ändert, steht Ihre Automatisierung still, und Sie bezahlen den Dienstleister erneut. Und ein Dienstleister, der die Plattform nicht beherrscht, auf der er baut, kann sich naturgemäß nicht auf ein SLA verpflichten.

2. Die Betriebskosten

Das sind die Token-Kosten, und für sie gibt es keine allgemeine Regel: Alles hängt davon ab, was der Agent tut. Ein Agent, der 500 Vorgänge im Monat bearbeitet, mit etwa 30.000 Token pro Vorgang einschließlich der Tool-Aufrufe, kostet einige Dutzend Euro im Monat auf einem Modell der Mittelklasse, das zum Beispiel bei OpenAI mit 1 Dollar pro Million Eingabe-Token abgerechnet wird. Umgekehrt verändern eine Analyse mit langem Kontext, aufwendiges Reasoning oder ein hohes Volumen die Größenordnung völlig, und ein schlecht konzipierter Agent, der ohne Leitplanken in Schleifen läuft, kann die Rechnung verzehnfachen.

Dieser Posten ist also von Fall zu Fall zu schätzen. Bei uns ist er pauschal und vorab bekannt: Sie wissen, was der Agent kostet, bevor Sie ihn in Betrieb nehmen, und ein ausufernder Verbrauch ist unser Problem, nicht Ihres.

3. Wartung und Industrialisierung

Der Posten, den alle vergessen, und der, an dem die meisten Projekte zerbrechen. Ihre Tools entwickeln sich, Ihre Regeln ändern sich, ein Lieferant ändert ein Format, ein Modell wird abgekündigt, und, wie Scaleway warnt, sein Nachfolger verhält sich nicht genau gleich. Es braucht also LLMOps, Monitoring, einen wiederholbaren Evaluierungssatz und eine Beobachtung der Modellabkündigungen.

Wir integrieren diese Elemente in unser Angebot, statt sie einzeln abzurechnen. Ein Agent, der ohne sie geliefert wird, ist eine Demo mit Verfallsdatum, und genau das macht auch eine Servicezusage auf Dauer haltbar, ein Thema, das wir in unserem Artikel über das SLA einer KI im Unternehmen behandeln.

Der ROI, systematisch berechnet

Wir starten kein Projekt, ohne die Rechnung aufgestellt zu haben: monatlich gewonnene Zeit gegen Gesamtbetriebskosten über ein Jahr. Ziel ist ein Return on Investment in weniger als sechs Monaten, idealerweise in weniger als drei. Mit Entwicklungskosten zwischen 2.000 und 5.000 € und Automatisierungen, die dem betroffenen Team üblicherweise rund zwanzig Stunden im Monat sparen, ist das Ziel in der großen Mehrheit der Fälle erreichbar. Wenn es in Ihrem Fall nicht erreichbar ist, wissen Sie das besser vor dem Start als sechs Monate später.

Sich auf das Ergebnis verpflichten

Ein letzter Punkt, der Ihnen vor allem bei der Wahl eines Dienstleisters hilft.

Wir verpflichten uns auf das Ergebnis und auf einen Pauschalpreis, aber erst, nachdem wir Ihre echten Beispiele gesehen und Ihren Prozess und Ihre Erwartung verstanden haben. In umgekehrter Reihenfolge wäre die Zusage nichts wert.

Am besten fahren Sie mit einem Unternehmen, das genauso vorgeht. Ein Dienstleister, der einen Agenten nach Aufwand verkauft, ohne Ihre echten Fälle gesehen zu haben und ohne sich auf ein messbares Ergebnis festzulegen, überträgt Ihnen das gesamte Risiko. Von außen betrachtet sehen sich ein guter und ein schlechter Agent in der Demo sehr ähnlich. Nach drei Monaten ähneln sie sich überhaupt nicht mehr.

Der Ansatz von Ask This Guy

Wir bauen Agenten auf einer Plattform, die die gemeinsamen Bausteine bereits trägt, sodass wir das Budget auf Ihr Fachgebiet konzentrieren können. Drei Entscheidungen leiten unsere Praxis:

  • Klein und messbar anfangen. Ein Workflow, ein bezifferter Gewinn, eine schnelle Inbetriebnahme. Der Ehrgeiz kommt nach dem Beweis.
  • Souverän bleiben. Hosting in Europa, die Möglichkeit, die Verarbeitung auf Anbieter europäischen Rechts zu beschränken, kein Training auf Ihren Daten. Das Thema wird auf unserer Seite Souveräne KI vertieft.
  • Sie gehen lassen. Die für Sie erstellten Entwicklungen, Ihre Konfigurationen und Ihre Konnektoren gehören Ihnen. Die Reversibilität ist Teil des Vertrags.

Wie das konkret aussieht, zeigt unsere Seite Agentische KI und Automatisierung mit typischen Workflows und ihren Kosten.

Häufige Fragen zu KI-Agenten im Unternehmen

Was ist ein KI-Agent im Unternehmen?

Ein KI-Agent im Unternehmen ist ein Sprachmodell in einer Schleife, ausgestattet mit Tools und einem fachlichen Ziel. Er wählt selbst die Abfolge der Aktionen, führt sie über seine Tools in Ihren Systemen aus, beobachtet das Ergebnis und beginnt von vorn, bis er sein Ziel erreicht oder feststellt, dass er es nicht erreichen wird. Technisch ist das ein Sprachmodell, das von Software eingerahmt wird.

Was ist der Unterschied zwischen einem KI-Agenten und einem Chatbot?

Der Unterschied liegt in der Ausstattung: Ein Agent ist ein Chatbot, dem man Tools gegeben hat. Ein Chatbot ohne Tool antwortet nur. Sobald man ihm eine Dokumentensuche, eine Datenbank oder eine Fach-API anschließt, kann er nachschlagen und dann handeln. Die entscheidende Grenze verläuft zwischen Lesen und Schreiben: Sobald die KI etwas in Ihren Systemen verändert, wachsen die Anforderungen an Zuverlässigkeit, Rechte und Nachvollziehbarkeit um eine Größenordnung.

Welche Aufgaben sollte man in einem Agenten nie dem Modell überlassen?

Alle, die ein Algorithmus erledigen kann. Ein Modell ist probabilistisch, ein Algorithmus deterministisch und damit zuverlässiger. Ein E-Mail-Format validieren, die Existenz einer Adresse prüfen, eine Summe berechnen, einen Tarif anwenden, eine Datenbankabfrage ausführen: All das gehört in Code oder in ein parametrisiertes Tool. Das Modell behält das Sprachverständnis, das Lesen unstrukturierter Dokumente, das Abwägen im Kontext und das Formulieren.

Was kostet ein KI-Agent für ein Unternehmen?

Die Entwicklung eines produktionsreifen Agenten liegt typischerweise zwischen 2.000 und 5.000 €, wenn man auf eine bestehende Plattform aufsetzt, und deutlich darüber, wenn man bei null anfängt. Hinzu kommen die Betriebskosten in Token, die je nach Aufgabe stark schwanken und daher von Fall zu Fall zu schätzen sind, sowie die Wartung: LLMOps, Monitoring, wiederholbare Evaluierung und Umgang mit Modellabkündigungen. Bei Ask This Guy ist das Ganze pauschal und vor der Inbetriebnahme bekannt.

In welcher Zeit amortisiert sich ein KI-Agent?

Das Ziel, das man vor dem Start festlegen sollte, ist ein Return on Investment in weniger als sechs Monaten, und es wird häufig in weniger als drei erreicht. Die Rechnung ist einfach: monatlich gewonnene Zeit mal voll belasteter Stundensatz, verglichen mit den Entwicklungs- und Wartungskosten über ein Jahr. Geht die Rechnung nicht auf, sollte das Projekt nicht starten.

Kann ein KI-Agent auf unsere sensiblen Daten zugreifen?

Er greift nur auf das zu, was Sie ihm geben. Bewährt hat sich, dass der Agent die Berechtigungen des Nutzers erbt, der ihn auslöst, oder ein Servicekonto mit ausdrücklich begrenztem Umfang erhält, und dass jeder Zugriff protokolliert wird. Ein Agent mit globalem Zugriff auf Ihre IT-Landschaft ist ein Risiko.

Wie lange dauert es, einen Agenten in Produktion zu bringen?

Wenige Tage für einen ersten einfachen Workflow auf einer bestehenden Plattform. Einige Wochen, wenn Konnektoren zu entwickeln sind, Fachregeln formalisiert werden müssen oder der Prozess irreversible Aktionen berührt, die eine menschliche Freigabe erfordern.


Das Wichtigste in Kürze

Ein KI-Agent ist ein Chatbot mit Tools, der in einem von Ihnen definierten Rahmen handeln darf. Sein Wert hängt von der Qualität seines Auftrags, seiner Tools und seiner Prüfungen ab, weit mehr als vom Modell selbst.

Erfolgreiche Projekte haben dasselbe Profil: ein schriftlich festgehaltener Auftrag mit seinen Grenzfällen, echte Beispiele schon im Design, alles, was ein Algorithmus erledigen kann, einem Algorithmus übertragen, ein wiederholbarer Evaluierungssatz, ein Monitoring im Betrieb und ein ROI, der vor dem Start berechnet wird.

Sie haben einen manuellen Prozess im Kopf? Buchen Sie eine Demo: In 30 Minuten sagen wir Ihnen, ob er automatisierbar ist, zu welchen Kosten und mit welchem erwarteten Gewinn.

Partager :

Ähnliche Artikel

KI-Automatisierung: so wenig KI wie möglich einsetzenLeitfaden

KI-Automatisierung: so wenig KI wie möglich einsetzen

Was ist KI-Automatisierung? Vorteile, Beispiele, geeignete Aufgaben und die wichtigsten Schritte, mit so wenig KI wie möglich in der Produktion.

Was ist MCP? Das Model Context Protocol einfach erklärtLeitfaden

Was ist MCP? Das Model Context Protocol einfach erklärt

Was ist MCP? Definition des Model Context Protocol, seine Funktionsweise und sein Bezug zu Function Calling, Skills und MCP Apps in der agentischen KI.

Text-to-SQL: So entsteht ein zuverlässiger KI-AgentLeitfaden

Text-to-SQL: So entsteht ein zuverlässiger KI-Agent

Text-to-SQL in der Praxis: was wir beim Anbinden von KI-Agenten an Unternehmensdatenbanken gelernt haben. Fallstricke, Sicherheit, Make or Buy.

6 min

Interesse an unseren Lösungen?

Erfahren Sie, wie Ask This Guy Ihre KI-Projekte beschleunigen kann

Demo buchen