KI-Agenten: Was können sie wirklich?

Von Chatbots zu Agenten

Während klassische Chatbots einzelne Fragen beantworten, arbeiten Agenten autonomer: Sie können Entscheidungen treffen, Aktionen ausführen und mehrere Schritte kombinieren, um ein Ziel zu erreichen.

Der fundamentale Unterschied lässt sich so zusammenfassen:

Chatbot	Agent
Reagiert auf Input	Verfolgt aktiv Ziele
Einzelne Antworten	Mehrstufige Workflows
Braucht genaue Anweisungen	Interpretiert Absichten
Keine Aktionen	Führt echte Aktionen aus

Ein Beispiel: Fragen Sie einen Chatbot “Buche mir einen Flug nach London”, antwortet er mit Informationen. Ein Agent hingegen sucht Flüge, vergleicht Preise, wählt die beste Option und bucht – mit Ihrer Bestätigung.

Wie Agenten technisch funktionieren

Hinter jedem KI-Agenten steckt eine Architektur aus mehreren Komponenten:

Der Agent Stack

1. 1

   Benutzer

   Startet den Auftrag in natürlicher Sprache, gibt Ziel und Rahmen vor.
2. ↓
3. 2

   Orchestrierungs-Layer

   Zerlegt das Ziel, plant Schritte, führt Tool-Calls aus, prüft Zwischenergebnisse.
4. ↓
5. 3

   LLM (Denkmotor)

   GPT-5.x, Claude 4.x, Gemini 3 - treffen die eigentlichen Reasoning-Entscheidungen.
6. ↓
7. 4

   Tool-Schicht

   Browser, E-Mail, Kalender, Datenbanken, APIs - hier berührt der Agent die reale Welt.
8. ↓
9. 5

   Memory / Kontext

   Langzeitgedächtnis, bisherige Interaktionen, Vektor-Stores - hält den Agenten über mehrere Runden konsistent.

Datenfluss: Anforderung oben, Tool-Ausführung unten. Memory speist rückwärts zurück in die Orchestrierung.

Die vier Ebenen im Detail

1. Entwickler-Ebene: Tools wie GitHub Copilot und Claude Code helfen beim Schreiben und Testen von Code
2. Wissensarbeiter-Ebene: Agenten unterstützen bei Recherche, Schreiben und Berichterstellung
3. Workflow-Ebene: Plattformen automatisieren mehrstufige Geschäftsprozesse
4. Kontroll-Ebene: Systeme sorgen für Sicherheit, Monitoring und Zugriffsverwaltung

Adoption und Marktpotenzial

Branchen-Berichte (z. B. McKinsey State of AI, IBM Institute for Business Value) zeigen für 2025 ein deutlich gestiegenes Adoptions-Niveau bei agentischen KI-Workflows - die genauen Zahlen variieren je nach Methodik und Branche. Die Treiber sind in allen Studien dieselben: Fachkräftemangel, steigende Lohnkosten und die zunehmende Leistungsfähigkeit der zugrundeliegenden LLMs.

Konkrete Markt-Indikatoren für KMU:

• Die Mehrheit der grossen LLM-Anbieter (OpenAI, Anthropic, Microsoft, Google) hat 2024-2025 Agent-Frameworks lanciert.
• No-Code-Plattformen (OpenAI Agent Builder, Microsoft Copilot Studio) senken die Einstiegshürde erheblich.
• Spezialisierte Agenten-SaaS füllen Nischen (Vertrieb, Support, Recherche).

Wofür werden Agenten eingesetzt?

Software-Entwicklung: Der Spitzenreiter

In der Softwareentwicklung steigern Agenten die Produktivität um bis zu 126%. Konkrete Anwendungen:

• Code-Generierung: Aus Beschreibungen wird funktionierender Code
• Bug-Fixing: Automatische Identifikation und Behebung von Fehlern
• Code-Reviews: Qualitätsprüfung und Verbesserungsvorschläge
• Test-Erstellung: Automatische Unit- und Integration-Tests
• Dokumentation: Code wird automatisch dokumentiert

Tools wie Claude Code oder GitHub Copilot sind heute Standard in vielen Entwicklerteams.

Business-Anwendungen

Auch ausserhalb der IT unterstützen Agenten:

Recherche & Analyse:

• Wettbewerbsanalysen erstellen
• Markttrends identifizieren
• Dokumente zusammenfassen und vergleichen

Kommunikation:

• E-Mails verfassen und beantworten
• Meeting-Zusammenfassungen erstellen
• Reports automatisch generieren

Organisation:

• Termine koordinieren
• Reisen planen und buchen
• Aufgaben priorisieren

Kundenservice:

• Anfragen kategorisieren und beantworten
• Eskalationen erkennen
• Follow-ups automatisieren

Die wichtigsten Agenten-Plattformen 2025

Plattform	Stärke	Ideal für
Manus (Meta)	Vollautonome Aufgaben	Enterprise-Automatisierung
Claude Computer Use	Desktop-Kontrolle	Komplexe UI-Aufgaben
OpenAI Operator	Browser-Automatisierung	Web-basierte Workflows
Devin	Software-Entwicklung	Coding-Teams
AutoGPT	Open Source, flexibel	Experimentieren

Chancen und Grenzen

Was Agenten gut können

• Repetitive Aufgaben: Alles, was klaren Regeln folgt
• Datenverarbeitung: Sammeln, strukturieren, analysieren
• Multi-Tool-Workflows: Verschiedene Systeme koordinieren
• 24/7 Verfügbarkeit: Keine Pausen, kein Urlaub
• Konsistenz: Gleiche Qualität bei jeder Ausführung

Wo Agenten (noch) scheitern

• Kreative Entscheidungen: Echte Innovation braucht Menschen
• Emotionale Intelligenz: Komplexe zwischenmenschliche Situationen
• Unbekannte Situationen: Wenn keine Regeln existieren
• Ethische Urteile: Wertentscheidungen bleiben beim Menschen
• Langfristige Planung: Strategische Weichenstellungen

Kritische Erfolgsfaktoren

KI-Agenten sind nur so gut wie:

• Die Daten, auf die sie zugreifen
• Die Regeln, nach denen sie handeln
• Die Ziele, die ihnen gegeben werden
• Die Kontrolle, die Menschen ausüben

Governance für Schweizer KMU

Bevor ein Agent produktiv geht, müssen vier Schweizer Spezifika geklärt sein:

• DSG Art. 21 - bei automatisierten Einzelentscheidungen mit Personenbezug (Bewerbung, Tarifierung, Reklamation) ist eine menschliche Überprüfungs-Möglichkeit Pflicht. Eine “stille” Vorsortierung ohne Eskalations-Pfad ist nicht zulässig.
• DSG Art. 22 - bei sensitiven Daten (Gesundheit, Religion, biometrische Daten) ist eine Datenschutz-Folgenabschätzung vor produktivem Einsatz erforderlich.
• DPA mit dem Plattform-Anbieter - Auftragsdatenverarbeitungs-Vertrag nach Art. 9 DSG, mit klaren Trainings-Use- und Löschungs-Klauseln.
• FINMA-Implikationen - Banken, Versicherungen und Vermögensverwalter mit FINMA-Bewilligung müssen Aufzeichnungs- und Auslagerungs-Pflichten gegen den Agenten-Einsatz prüfen. Hier reicht ein Pilot ohne Compliance-Abstimmung nicht.

Vertieft im DSG-Leitfaden für Schweizer KMU.

So starten Sie mit Agenten

Phase 1: Verstehen (1-2 Wochen)

1. Testen Sie kostenlose Tools (ChatGPT, Claude Free)
2. Identifizieren Sie repetitive Aufgaben in Ihrem Alltag
3. Dokumentieren Sie: Was kostet diese Aufgabe heute?

Phase 2: Pilotieren (4-8 Wochen)

1. Wählen Sie EINEN Prozess mit klarem ROI
2. Definieren Sie Erfolgskriterien (Zeit, Qualität, Kosten)
3. Starten Sie mit einem kleinen Team
4. Messen Sie kontinuierlich

Phase 3: Skalieren (laufend)

1. Best Practices dokumentieren
2. Weitere Use Cases identifizieren
3. Team schulen
4. Governance aufbauen

Fazit

KI-Agenten eröffnen enorme Produktivitätsgewinne – wenn sie richtig eingesetzt werden. Der Schlüssel liegt in:

• Klaren Zielen: Was soll der Agent erreichen?
• Passenden Prozessen: Nicht alles eignet sich für Automatisierung
• Menschlicher Kontrolle: Agenten als Assistenten, nicht als Ersatz

In meinen Schulungen beleuchte ich sowohl die Möglichkeiten als auch die Grenzen dieser Technologie – und zeige Ihnen, wie Sie konkret starten.

---

Quellen:

• Index.dev: State of AI Agents Report (2025)
• McKinsey: AI Agents in Business (2025)
• GitHub: Copilot Impact Report (2025)
• Gartner: AI Agent Market Analysis (2025)