KI-Agenten im Unternehmen: von der Demo zum echten Einsatz
Alle haben die Demo gesehen. Ein Agent öffnet einen Browser, füllt ein CRM, bucht einen Flug, reiht zwölf Aktionen aneinander, ohne dass jemand die Tastatur anfasst. Das ist spektakulär, das verbreitet sich bestens, und die Labore sind alle darauf umgeschwenkt: Anthropic mit Computer Use und dem Model Context Protocol, OpenAI mit seinen Agenten, alle laufen in dieselbe Richtung. Jetzt die unangenehme Frage: Wie viele Unternehmen, die Sie kennen, haben am Montagmorgen einen Agenten laufen, auf einem echten Prozess?
Ich kenne sehr wenige. Die Modelle sind längst gut genug. Es ist die direkte Fortsetzung dessen, was ich über die Adoption von KI geschrieben habe: zwischen einer Demo, die beeindruckt, und einem Werkzeug, das man täglich öffnet, liegt ein Graben. Bei Agenten ist dieser Graben noch breiter, denn ein Agent antwortet nicht nur. Er handelt.
Warum KI-Agenten im Demo-Stadium stecken bleiben
Eine Demo ist darauf gebaut zu gelingen. Der Weg ist abgesteckt, die Daten sind sauber, der Vortragende hat geprobt. Ein echter Prozess dagegen besteht aus Ausnahmen: der Kunde ohne Mehrwertsteuernummer, die doppelte Rechnung, das Feld, das jemand 2019 von Hand ausgefüllt hat. Die Demo zeigt den Normalfall, das Unternehmen lebt in den Sonderfällen.
Und dann ist da die Rechnung, die man sorgfältig vermeidet. Ein Agent, der pro Schritt zu 90 % zuverlässig ist, landet über eine Kette von zwölf Schritten bei 28 % Erfolg von Anfang bis Ende. Das ist schlicht eine Multiplikation. Solange man autonome Schritte ohne Kontrollpunkt stapelt, baut man eine Maschine, die still scheitert.
Die Zahl der 95 Prozent gescheiterten KI-Projekte verdient mehr als einen Repost
Sie ist Ihnen sicher begegnet: der Bericht des MIT Media Lab zum Stand der KI in Unternehmen und seine Schockzahl, 95 % der Projekte mit generativer KI ohne messbare Wirkung auf das Ergebnis. Der Satz ging in achtundvierzig Stunden durch LinkedIn.
Er verdient etwas Sorgfalt. Die Stichprobe ist dünn, die Definition von Scheitern ist unscharf, und ein gestoppter Pilot ist nicht zwingend ein misslungener Pilot: manchmal ist es einfach ein Unternehmen, das etwas gelernt und im richtigen Moment abgebrochen hat. Diese 95 % für eine Messung zu halten, ist derselbe Fehler, wie ein Modell-Ranking für eine Strategie zu halten.
Die Intuition hinter der Zahl ist allerdings richtig, und alle, die in der Praxis arbeiten, teilen sie: sehr viele Projekte enden zwischen dem gelungenen POC und der Inbetriebnahme. Die Zahl ist diskutabel, das Phänomen bleibt solide.
Was einen Agenten in Produktion von einem POC unterscheidet
Vier Dinge, und keines davon ist ein Modellproblem.
Ein enger Rahmen. Ein Agent, der eine präzise Sache auf einem abgegrenzten Prozess erledigt, geht in Produktion. Ein Agent als vielseitiger Assistent bleibt lebenslang eine Demo, weil niemand sagen kann, wann er seine Arbeit gut gemacht hat.
Ein menschlicher Kontrollpunkt. Der Agent bereitet vor, ein Mensch gibt frei, der Agent führt aus. Genau das macht das Werkzeug in einem echten Betrieb mit echter Verantwortung einsetzbar.
Nachvollziehbarkeit. Wissen, was der Agent getan hat, wann, auf welchen Daten, und es zeigen können. Ohne das unterschreibt keine ernsthafte Führungskraft.
Umkehrbarkeit. Jede Aktion muss rückgängig gemacht werden können oder zumindest nichts zerstören. Ein Agent, der schreibt, bevor er gegengelesen wurde, ist eine schlechte Idee, ganz gleich welches Modell dahintersteht.
Welche Prozesse man einem KI-Agenten zuerst anvertraut
Der gute erste Kandidat erfüllt vier Bedingungen: er ist repetitiv, sein Ergebnis ist auf einen Blick prüfbar, ein Fehler kostet wenig, und das Volumen reicht aus, damit der Gewinn sichtbar wird. Datenabgleich, Dossiervorbereitung, Konsistenzprüfung, strukturierte Beobachtung, Formatierung: undankbar, und es hält in Produktion.
Der schlechte erste Kandidat ist fast immer der, den man wählt: die Kundenbeziehung. Sie ist sichtbar, sie gibt eine schöne Ankündigung ab, und sie ist genau der Ort, wo ein Fehler am teuersten kommt. Dort anzufangen heisst, die eigene interne Glaubwürdigkeit auf den schwierigsten Fall zu setzen.
Einem Agenten Werkzeuge geben, keine Befugnisse
Das ist der Denkumschwung, der alles verändert. Ein Agent braucht keinen Zugang, er braucht Werkzeuge, mit einem schwarz auf weiss festgehaltenen Rahmen: was er lesen darf, was er vorschlagen darf, was er nie allein tun darf. Genau das standardisiert das MCP: man schliesst keine Intelligenz an ein System an, man stellt ihr benannte und begrenzte Fähigkeiten bereit.
So baue ich meine eigenen Fachanwendungen. Der Agent analysiert, schlägt eine Korrektur oder einen internen Link vor, und nichts geht raus, solange kein Mensch freigegeben hat. Dieser Kontrollpunkt ist strukturell: es ist die einzige Konstellation, in der jemand einwilligt, das an seine produktive Website anzuschliessen.
Ein handelnder Agent wirft die Frage auf, wo er läuft
Solange KI nur antwortete, war der Ort, an dem sie lief, ein Thema für Tagungen. Ein Agent, der auf Ihren Systemen handelt, Ihre Kundendaten liest und in Ihre Werkzeuge schreibt, macht daraus eine operative Frage. Wer sieht was, unter welcher Rechtsordnung, mit welcher Möglichkeit abzuschalten? Das ist inzwischen eine Zeile in einem Vertrag. Darauf komme ich zurück.
Von der Demo zum echten Einsatz: was die Adoption wirklich auslöst
Agenten stossen an Vertrauen, nicht an die Technik. Und Vertrauen gewinnt man anders als mit zwölf verketteten Aktionen: man gewinnt es, indem man eine Aktion zeigt, korrekt ausgeführt, hundertmal hintereinander, mit der Möglichkeit nachzuprüfen.
Wenn man Sie also fragt, ob Ihr Unternehmen Agenten einsetzt, liegt die richtige Antwort in einem Prozess und zu sagen, seit wann er läuft, ohne dass jemand eingreifen musste.
Auch lesenswert: KI-Adoption im Unternehmen: warum die Leistung der Modelle nicht genügt · Das UCP-Protokoll, sechs Monate später: was die Daten über den agentischen Handel sagen
Thomas Nedjar ist seit vierzehn Jahren in der digitalen Akquise und im E-Commerce tätig. Als Unternehmer hat er mehrere E-Commerce-Firmen zwischen Frankreich und der Schweiz gegründet und geführt, mit fundierter Erfahrung im internationalen und innergemeinschaftlichen Handel. Heute ist er Senior Experte für SEO/GEO, KI & Tech bei Suisseo und entwickelt seine eigenen Marketing-Anwendungen: ED (automatisiertes Community-Management) und SEO Cartograph (lokaler SEO-Audit-Crawler). Als Referent (CVCI) und Ausbilder teilt er hier seine Praxiserfahrungen zu SEO, GEO, Automatisierung und E-Commerce.
Alle Beiträge · LinkedIn