Überall wird das „Jahr der KI-Agenten“ ausgerufen. Auf YouTube, X und in Konferenzvorträgen überschlagen sich die Versprechen: Agenten würden ganze Abteilungen ersetzen und bald als vollwertige Mitarbeiter gelten. Vieles davon ist schlicht falsch oder zumindest stark übertrieben. In einem Gespräch des Podcasts „Marketing Against the Grain“ ordnet Joe Mora, CEO und Gründer von crewAI, die Lage nüchtern ein – inklusive einer ehrlichen Einschätzung, was heute funktioniert und was eben noch nicht. Für Entscheider im Mittelstand ist genau diese Trennung zwischen Substanz und Marketing entscheidend, bevor Budgets fließen.
- Ein KI-Agent ist mehr als ein Chatbot: Er bekommt eine Aufgabe, arbeitet autonom und nutzt dabei Gedächtnis (Memory) und Werkzeuge (Tools), um auf Systeme wie CRM oder ERP zuzugreifen.
- Agenten sind real im Einsatz – aber langsamer und fehleranfälliger als der Hype suggeriert. Wir stecken in der Phase des Ausprobierens, nicht der Vollautomatisierung ganzer Abteilungen.
- Richtig starten heißt: einfache Anwendungsfälle mit geringer Präzisionsanforderung wählen, nicht hochkritische Prozesse wie Steuerformulare.
- Mehr Menschen bleiben im Prozess („human in the loop“), als viele erwarten. Kontrolle und Nachvollziehbarkeit sind zentral.
- Erst rund 15 Prozent der befragten Unternehmen haben Agenten produktiv im Einsatz – wer jetzt beginnt, gehört zu den früh Bewegenden.
Was ein KI-Agent überhaupt ist
Große Sprachmodelle wie die hinter ChatGPT oder Claude sind im Kern sehr gut darin, das nächste Wort vorherzusagen und Inhalte zu erzeugen. Sie schreiben eine E-Mail, machen sie auf Wunsch lockerer und können sogar zwischen zwei Varianten mit Begründung wählen – eine Art rudimentäre Bewertung.
Ein Agent nutzt genau diese Fähigkeit, um ein Problem eigenständig zu durchdenken. Der Unterschied zum Chat: Sie geben dem Agenten eine Aufgabe und können den Raum verlassen. Er versucht dann autonom, über mehrere Schritte ein Ziel zu erreichen. Mora bringt es auf den Punkt: Ein Agent braucht agency, also Handlungsfähigkeit.
Zwei Bausteine sind dafür typisch:
- Memory (Gedächtnis): Damit der Agent Informationen über die einzelnen Schritte hinweg behält – kurzfristig und langfristig.
- Tools (Werkzeuge): Schnittstellen zu anderen Systemen wie CRM, ERP oder Recherchediensten, damit der Agent stellvertretend handeln kann.
Der Realitätscheck: langsam, aber im Hintergrund nützlich
Als Beispiel dient OpenAIs „Operator“, verfügbar in der ChatGPT-Pro-Variante für rund 200 US-Dollar im Monat. Der Agent steuert einen Browser und kann etwa Hotels, Flüge oder Restaurants recherchieren. Das Urteil im Gespräch ist nüchtern: Operator ist langsam und teils umständlich – schätzungsweise zehnmal langsamer als ein Mensch bei derselben Aufgabe.
Der entscheidende Punkt: Bei Aufgaben, die im Hintergrund laufen dürfen, spielt die Langsamkeit kaum eine Rolle. Mora beschreibt, wie er Agenten für seine Social-Media-Posts einsetzt: Idee eingeben, Kaffee holen, weiterarbeiten – und der Entwurf ist fertig, wenn er zurückkommt. So erledigt er regelmäßig etwas, das er sonst aus Zeitgründen liegen ließ.
Kernidee: Latenz ist unkritisch, wenn ein kleines „Heer“ von Agenten Aufgaben im Hintergrund abarbeitet, während Sie sich Wichtigerem widmen.
Vertrauen und Kontrolle: warum der Mensch sichtbar bleiben muss
Eine zentrale Frage autonomer Agenten ist die Bedienlogik: Soll der Agent eine Restaurantreservierung einfach als „erledigt“ melden, oder soll man ihm bei der Arbeit zusehen können? Operator setzt darauf, den Agenten sichtbar arbeiten zu lassen und jederzeit eingreifen zu können.
Das hat zwei Gründe: Sicherheit und Vertrauen. Man sieht, was passiert, und kann korrigieren. Ein warnendes Beispiel aus dem Gespräch: Ein früher E-Mail-Agent sollte nur Entwürfe anlegen, begann aber, teils kuriose Mails selbstständig zu versenden. Gerade in Unternehmen gilt: Wer einen kritischen Prozess automatisiert, will ihn visualisieren, kontrollieren und später prüfen können.
Richtig starten: niedrige Präzision zuerst
Die wohl praktischste Empfehlung betrifft die Auswahl der ersten Anwendungsfälle. Mora unterscheidet zwischen niedriger und hoher Präzisionsanforderung:
- Niedrige Präzision (rund 90 Prozent Genauigkeit reichen): etwa ein Agent, der aus Gesprächstranskripten oder CRM-Daten Entwürfe für Verkaufspräsentationen erstellt. Fehler sind hier verkraftbar und leicht korrigierbar.
- Hohe Präzision (99,99 Prozent nötig): etwa das Ausfüllen von Steuer- oder Behördenformularen. Mora nennt Formulare mit über 70 Seiten und Handbüchern von 620 Seiten – hier darf nichts schiefgehen.
Die klare Ansage: Starten Sie nicht bei hoher Präzision, sonst verbrennen Sie sich die Finger. Beginnen Sie einfach und skalieren Sie von dort.
Vier Leitlinien für den Einstieg
- Früh adoptieren: Verschaffen Sie sich einen Vorsprung, statt abzuwarten.
- Nicht auf fremde Anwendungsfälle warten: Schauen Sie nicht, was Konzern X tut – finden Sie Ihren eigenen, einfachen Startpunkt.
- Einfach beginnen: Zerlegen Sie eine Rolle in einzelne Aufgaben und greifen Sie sich die mit niedriger Präzisionsanforderung heraus.
- In Richtung „low risk, high impact“ ausbauen: Erweitern Sie schrittweise auf Fälle mit geringem Risiko und hohem Nutzen.
Ein praktischer Tipp aus dem Gespräch: Nehmen Sie eine konkrete Rolle – etwa die eines Vertriebsmitarbeiters (BDR) – und lassen Sie sich die Aufgaben in niedrige und hohe Präzision aufteilen. Genau die niedrig-präzisen Aufgaben sind ideale Experimentierfelder. Zum Bauen gibt es heute mehrere Wege: No-Code-Plattformen für weniger technische Nutzer ebenso wie Frameworks für Entwickler, die Agenten in Python programmieren.
Wie Unternehmen Agenten richtig einsetzen
Der falsche Ansatz ist, Agenten als reine 1:1-Kopie eines menschlichen Jobs zu bauen. Erfolgreicher ist es, einzelne Mikroaufgaben zu automatisieren, sodass Menschen für Wichtigeres frei werden – eine Art Beförderung: Die Verantwortung für das Endergebnis bleibt beim Menschen, der Agent übernimmt die Vorarbeit.
Ein Beispiel aus der Praxis: Ein Telekommunikationsunternehmen automatisiert die Vertragsanalyse. Bevor ein Vertrag bei der Rechtsabteilung landet, liefern Agenten bereits Empfehlungen und markierte Änderungen („Red Lines“). So lassen sich Dinge skalieren, die zuvor zu teuer waren.
Zur Verankerung im Unternehmen zeichnet sich ein Muster ab: weg von einzelnen Mitarbeitern, die heimlich ChatGPT nutzen und dabei womöglich sensible Daten preisgeben und Wissen in Silos einschließen – hin zu einer zentralen Steuerung, oft unter CIO, CTO oder einem Head of AI. Das schafft Kontrolle darüber, welche Modelle genutzt werden und wie mit personenbezogenen Daten umgegangen wird. Den wirklich großen Mehrwert heben technische Teams, weil komplexe Automatisierungen tief in unstrukturierte Daten und eigene Systeme eingebunden werden müssen.
Konkrete Anwendungsfälle in Marketing und Vertrieb
Drei Beispiele aus dem Gespräch zeigen, wozu Agenten heute taugen:
- Lead-Anreicherung mit Hypothesen: Meldet sich jemand neu auf einer Website an, recherchieren Agenten die Person und das Unternehmen. Darüber hinaus bilden sie Hypothesen, wie diese Person das Produkt nutzen könnte, strukturieren das Ergebnis als JSON und spielen es nach HubSpot und in die Produktdatenbank. Resultat: hyperpersonalisierte E-Mails und passgenaue Produktvorschauen.
- Vertriebsvorbereitung: Agenten recherchieren Kunden im Vorfeld – etwa über Recherchewerkzeuge wie Perplexitys Sonar. So bereitet sich ein Vertriebsmitarbeiter zwar nicht unbedingt schneller, aber in der Breite besser vor und kann mehr Termine wahrnehmen. Reizvoll ist auch der Gedanke, die Vorgehensweise des besten Vertrieblers zu replizieren, sodass alle auf diesem Niveau vorbereitet sind.
- SEO- und Conversion-Optimierung: Agenten erstellen Screenshots der eigenen Website, analysieren Texte und Wettbewerber und leiten daraus Hypothesen ab, was sich ändern ließe. Der menschliche Input bleibt schlank: die eigene Website, eine Branchenbeschreibung und das Optimierungsziel. Den Rest erledigen die Agenten und liefern A/B-Test-Vorschläge.
Wo Erwartung und Technik auseinanderklaffen
Der größte Mismatch zwischen Hype und Realität liegt laut Mora in zwei Punkten:
- Mehr Mensch im Prozess als gedacht: Gerade jetzt braucht es deutlich mehr „human in the loop“. Vollständig durchgehende End-to-End-Automatisierung – besonders bei hochpräzisen Prozessen – ist noch nicht so weit. Agenten scheitern noch oft mittendrin.
- Integration ist aufwendiger als erwartet: In Unternehmen steckt viel „Klebstoff“ zwischen Systemen. Damit Agenten diese Pfade navigieren können, braucht es klaren Code und klare Anweisungen. Nicht zufällig beginnt die Branche beim Browser – dort gibt es eine gemeinsame Schnittstelle. Viele Firmen nutzen jedoch Desktop-Software, die nicht einmal online ist.
Bemerkenswert ist die Adoptionszahl: Von rund 4.000 bis 4.500 befragten Personen hatten nur etwa 15 Prozent Agenten produktiv im Einsatz, bei großen Unternehmen rund 23 Prozent. Da diese Befragten ohnehin technisch affin sind, dürfte die Zahl in der Gesamtwirtschaft niedriger liegen. Die Botschaft für Entscheider: Es ist sehr früh – und wer jetzt startet, gehört noch zu den schnellen Bewegenden.
Agenten als künftiges Einstellungskriterium
Ein Ausblick, der aufhorchen lässt: Microsoft-CEO Satya Nadella skizzierte, dass Menschen künftig auch wegen der Agenten eingestellt werden könnten, die sie sich gebaut haben – statt nur wegen Zertifikaten und früherer Berufserfahrung. Mora stimmt zu, weniger wegen der Agenten selbst, sondern weil sie etwas über die Person aussagen. Bei crewAI dürfen Bewerber im Engineering-Interview ausdrücklich alle KI-Werkzeuge nutzen – wer es nicht tut, fällt durch. Wie gut jemand diese Werkzeuge einsetzt, fließt maßgeblich in die Einstellungsentscheidung ein.
Fazit
Aktuell ist es die Phase, in der viele Unternehmen Agenten ausprobieren und in Produktion bringen – aber nicht die Phase, in der Agenten die Belegschaft übernehmen. Die nüchterne Realität: Agenten sind heute oft langsamer als Menschen, brauchen Aufsicht und scheitern noch regelmäßig. Ihr Wert entfaltet sich bei Hintergrundaufgaben, bei Mikroaufgaben innerhalb einer Rolle und überall dort, wo Fehler verkraftbar sind. Für Entscheider im Mittelstand bedeutet das: klein und einfach starten, bei niedriger Präzisionsanforderung beginnen, den Menschen sichtbar in der Schleife halten und schrittweise auf risikoarme, wirkungsstarke Fälle ausbauen. Wer so vorgeht, sammelt heute praktische Erfahrung – ohne dem Hype aufzusitzen.