KI-Agenten im Mittelstand: Was sie wirklich können — und was nicht

Was ein KI-Agent eigentlich ist

Ein KI-Agent ist kein Chatbot mit mehr Rechenleistung. Und er ist kein RPA-Skript, das eine vorprogrammierte Sequenz abarbeitet. Ein KI-Agent ist ein System, das eine Aufgabe interpretiert, einen Plan erstellt, Werkzeuge und Daten verwendet, Zwischenergebnisse bewertet und seinen Ansatz anpasst — ohne dass jeder Schritt vorprogrammiert sein muss.

Der entscheidende Unterschied zu ChatGPT: Ein Chat-Interface ist stateless. Es antwortet auf Prompts. Ein Agent handelt — er ruft APIs auf, schreibt in Systeme, triggert Prozesse, und sein Ergebnis hat Konsequenzen in der realen Welt. Das macht Agenten mächtiger und gleichzeitig anspruchsvoller in der Implementierung.

Fünf Aufgaben, die Agenten heute zuverlässig übernehmen

1. Automatische Schichtberichte: Der Agent liest Maschinendaten aus dem ERP, ergänzt Qualitätsdaten aus dem MES, vergleicht mit Sollwerten und erstellt einen strukturierten Schichtbericht — ohne dass ein Mensch auch nur eine Zeile schreibt. Zeitersparnis: 45–90 Minuten täglich pro Schichtleiter.

2. Eskalationsmanagement in der Logistik: Wenn eine Tour nicht planmäßig verläuft — Stau, Fahrzeugausfall, Lieferverzögerung — analysiert der Agent die Situation, identifiziert betroffene Folgelieferungen, prüft Alternativen und benachrichtigt relevante Stakeholder. Was früher ein Disponent in 30 Minuten erledigt hat, dauert 90 Sekunden.

3. Angebotsvorbereitung im Vertrieb: Der Agent ruft Kundenhistorie, offene Positionen, Preishistorie und ähnliche abgeschlossene Projekte aus CRM und ERP ab — und erstellt eine strukturierte Angebotsvorlage mit relevantem Kontext.

4. HR-Onboarding-Checklisten: Wenn ein neuer Mitarbeiter angelegt wird, triggert der Agent automatisch alle relevanten Prozesse: IT-Account erstellen, Zugriffsrechte zuweisen, Onboarding-Dokumente bereitstellen, ersten Termin vorschlagen.

5. Controlling-Reports: Monatliche KPI-Reports werden nicht mehr von Hand erstellt. Der Agent aggregiert Daten aus ERP und CRM, vergleicht mit Vorperiode, identifiziert Abweichungen und erstellt einen kommentierten Report.

Wo Agenten (noch) scheitern

Ehrlichkeit ist hier wichtiger als Hype. KI-Agenten sind 2026 stark — aber nicht allmächtig.

Physische Welt: Agenten operieren in Datensystemen. Sie können nicht in der Werkshalle eingreifen, keine Maschinen bedienen und keine physischen Entscheidungen treffen.

Kreative Strategie: Marktpositionierung, Produktentwicklung, Kundenbeziehungen auf Verhandlungsebene — das bleibt menschliche Domäne.

Ohne Wissensgraph halluzinieren sie: Ein Agent, der keinen Zugang zu verifizierten Unternehmensdaten hat, erfindet Antworten. Das ist kein Fehler des Agenten — es ist ein Architekturfehler. Agenten brauchen einen Wissensgraphen als Fundament.

Was gute Agenten-Architektur ausmacht

Die Qualität eines KI-Agenten hängt zu 80 Prozent von seiner Datenbasis ab. Ohne strukturiertes Unternehmenswissen — ohne Wissensgraph — ist ein Agent nicht mehr als ein schlaues Chat-Interface, das manchmal richtige Antworten gibt.

Gute Agenten-Architektur hat vier Säulen: Erstens einen Wissensgraphen als Fundament. Zweitens granulares RBAC. Drittens Human-in-the-loop für kritische Schritte. Viertens ein vollständiger Audit-Trail — jede Agentenentscheidung ist nachvollziehbar.

Der richtige Einstieg: Use Case vor Plattform

Der häufigste Fehler: Unternehmen kaufen eine Agentenplattform und suchen dann nach Anwendungsfällen. Richtig ist es umgekehrt. Wählen Sie einen konkreten Schmerzpunkt — den Prozess, der heute am meisten Zeit kostet und am wenigsten Wertschöpfung bringt. Starten Sie mit einem Piloten in 4 Wochen. Messen Sie den Effekt. Dann skalieren Sie.

„Der Disponent kannte alle Routen. Jetzt kennt Aipe sie. Und der Disponent kann sich um Ausnahmen kümmern, statt um Routinekoordination." — Logistikdienstleister, 320 MA