Was ist ein KI-Agent? Definition, Abgrenzung und Beispiele

Ein KI-Agent ist 2026 einer der strapaziertesten Begriffe im Enterprise-IT-Vokabular. Anbieter versprechen „digitale Mitarbeiter“, die ganze Abteilungen entlasten; Skeptiker sehen umbenannte Chatbots. Dieser Leitfaden zieht die Grenze — technisch, praktisch und mit Blick auf das, was im Mittelstand wirklich funktioniert.

Die kürzeste belastbare Definition

Ein KI-Agent ist ein Softwaresystem, bei dem das Modell entscheidet, was als Nächstes passiert, und nicht der Code (Studio Meyer, August 2026). Das ist die Linie, die technisch trägt: sobald die Ablaufsteuerung aus einem festen Programm kommt, ist es ein Workflow. Entscheidet das Sprachmodell über den nächsten Schritt und darf dafür Tools aufrufen, ist es ein Agent.

Agent, Chatbot, Assistent, RPA, Workflow — die saubere Abgrenzung

Die folgende Zuordnung hat sich in unseren Projekten bewährt. Sie löst die meisten Diskussionen auf, bevor sie entstehen:

  • Chatbot: antwortet auf Fragen, löst keine Aktionen aus. Kann regelbasiert oder LLM-basiert sein. Ein Chatbot „redet“, ein Agent „handelt“ (Advisori Enterprise-Guide 2026).
  • Assistent: antwortet wie ein Chatbot, hat aber Zugriff auf eine Wissensbasis (RAG, interne Dokumente). Löst in der Regel keine Aktionen aus.
  • Workflow-Automation: fester Ablauf, der durch ein Ereignis ausgelöst wird (neue E-Mail → Rechnung erkennen → in Buchhaltung ablegen). Robust und günstig, aber ohne Modellentscheidung über den nächsten Schritt.
  • RPA: steuert Oberflächen klassischer Programme per Klickpfad. Bricht bei kleinsten Änderungen, aber in Legacy-Systemen manchmal die einzige Option.
  • Agent: nimmt ein Ziel entgegen, plant mehrstufig, wählt Tools, führt aus, prüft und korrigiert sich selbst.

Die vier Komponenten jedes echten Agenten

Technisch besteht ein Agent aus vier Bausteinen, die zusammenspielen müssen — fehlt einer, ist es keiner:

  1. Sprachmodell als Steuerzentrale. Ein LLM (z. B. Claude, GPT-4o, Gemini) entscheidet pro Schritt, was als Nächstes zu tun ist.
  2. Tools. Funktionen, die der Agent aufrufen kann: Datenbank-Query, E-Mail-Versand, CRM-Eintrag, API-Call. Ohne Tools bleibt das Modell ein Chatbot (chatarmin.com, September 2026).
  3. Gedächtnis. Kontext aus früheren Schritten und, bei komplexeren Agenten, aus früheren Sitzungen.
  4. Auslöser. Was startet den Agenten? Ein Chat-Input, ein Zeitplan, eine eingehende E-Mail, ein Webhook aus einem anderen System.

Wo im Mittelstand ein KI-Agent wirklich Sinn ergibt

Ein KI-Agent lohnt sich dort, wo der Lösungspfad vorab nicht planbar ist. Ist der Ablauf immer gleich, ist eine klassische Automatisierung billiger, robuster und einfacher zu betreiben. Einsatzfelder, in denen wir Agenten mit messbarem ROI gesehen haben:

  • Posteingangs-Triage: eingehende E-Mails thematisch einordnen, Anhänge prüfen, an die zuständige Abteilung oder ins korrekte Postfach weiterleiten.
  • Lead-Qualifizierung: Kontext einer Anfrage verstehen, Lead anreichern, im CRM anlegen, erste Antwort vorbereiten.
  • Angebotsrecherche: Auf eine Preisanfrage die relevanten Produkte identifizieren, Lagerstand prüfen, Standard-Angebot vorbereiten.
  • Service-Anfragen: Kundenfrage einordnen, Vertragsdaten holen, Antwort vorbereiten und bei Bedarf Service-Ticket anlegen.

Wo ein KI-Agent nicht die Antwort ist

Gegen einen Agenten sprechen vor allem drei Konstellationen:

  1. Fester Ablauf ohne Variabilität. Jede Rechnung in derselben Form in dieselbe Mappe ablegen — dafür reicht ein Workflow.
  2. Harte Verantwortlichkeit und Nachvollziehbarkeit. Wo jeder Schritt im Nachhinein auditierbar sein muss, ist eine deterministische Lösung meistens besser geeignet.
  3. Zu geringes Volumen. Ein Agent, der zweimal pro Woche läuft, rechnet sich selten.

Außerdem gilt: ein Agent, der nicht protokolliert, was er wann und warum getan hat, gehört nicht in einen Geschäftsprozess. Logs, Prompt-Historie und Tool-Calls müssen von Anfang an mitgeführt werden — nicht zuletzt wegen Artikel 4 der KI-Verordnung.

Was der EU AI Act zu Agenten sagt

Die KI-Verordnung (VO (EU) 2024/1689) unterscheidet nicht speziell zwischen Agenten und anderen KI-Systemen. Relevant sind zwei Punkte: Artikel 4 verlangt seit 2. Februar 2025 „ausreichende KI-Kompetenz“ der Mitarbeiter, die KI-Systeme einsetzen (ai-act-law.eu). Transparenzpflichten nach Artikel 50 (z. B. Kennzeichnung KI-generierter Inhalte) gelten seit 2. August 2026. Für die meisten Agenten im Mittelstand ist die Risikostufe „begrenztes Risiko“ — die Pflichten bleiben überschaubar, Dokumentation und AVV mit dem Modell-Anbieter sollten aber vorliegen. (Keine Rechtsberatung.)

Häufige Fragen

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

Ein Chatbot folgt einem Dialogpfad oder antwortet mit einem LLM, löst aber keine Aktionen aus. Ein KI-Agent nutzt ein LLM als Steuerzentrale, plant selbstständig Schritte und führt Aktionen über Tools und APIs aus. Chatbot = Text ausgeben. Agent = Aktion im Zielsystem auslösen.

Brauche ich für einen KI-Agenten eine eigene Plattform?

Nicht zwingend. Für erste Agenten reichen Workflow-Plattformen wie n8n oder Make mit AI-Nodes. Ab mehreren Agenten im Produktivbetrieb lohnt sich ein dediziertes Agent-Framework (Claude Agent SDK, LangGraph, OpenAI Agents SDK).

Was kostet ein KI-Agent im Mittelstand?

Die Spanne ist groß: ein einfacher Service-Agent auf Basis einer bestehenden Plattform startet laut Marktbeobachtungen ab ca. 800 Euro/Monat laufenden Kosten, dedizierte Agenten mit mehreren Tools und eigener Oberfläche liegen deutlich darüber. Der größte Kostenblock ist meistens nicht das Modell, sondern die Anbindung an die bestehenden Systeme (Collective Brain, 2026).

Woran scheitern Agent-Projekte am häufigsten?

Nicht an der Modellfähigkeit, sondern an schlechten Tools (unsaubere APIs, fehlende Berechtigungskonzepte) und an unklaren Erfolgskriterien. Wer vorab nicht definiert, was der Agent am Ende tatsächlich erledigen soll, baut einen schönen Demo-Chatbot statt eines produktiven Agenten.

Agenten in Ihrem Unternehmen

Wir setzen KI-Agenten im DACH-Mittelstand ein — von der Analyse (lohnt sich ein Agent hier überhaupt?) über Implementierung bis zum Betrieb. Reden wir darüber. Weiterführend: KI-Agenten für Unternehmen, RAG mit eigenen Dokumenten und unser Glossareintrag zum KI-Agenten.