KI-Agenten für Unternehmen: Beispiele, Kosten und Grenzen

Was ein KI-Agent ist

Ein KI-Agent ist ein Softwaresystem, das ein Ziel erhält und selbstständig entscheidet, welche Schritte nötig sind, um es zu erreichen. Im Kern steht ein Sprachmodell (LLM), das Texte versteht und Entscheidungen begründet. Der Unterschied zu einem reinen Sprachmodell: Der Agent kann handeln. Er liest E-Mails, fragt Daten im CRM ab, legt Tickets an, erstellt Entwürfe und prüft das Ergebnis, bevor er den nächsten Schritt macht.

Der englische Begriff dafür lautet «Agentic AI». Gemeint ist dasselbe: KI, die nicht nur antwortet, sondern Aufgaben über mehrere Schritte erledigt. Eine ausführliche Begriffserklärung finden Sie im Glossar unter Agentic AI.

Unterschied zum Chatbot

Ein klassischer Chatbot reagiert auf eine Frage mit einer Antwort. Er hat kein eigenes Ziel und keinen Zugriff auf Ihre Systeme. Ein KI-Agent dagegen erhält einen Auftrag wie «Beantworte diese Kundenanfrage und lege bei Bedarf eine Retoure an». Er sucht die Bestellung, prüft die Rückgaberichtlinie, formuliert die Antwort und löst die Retoure im ERP aus.

Unterschied zur Workflow-Automatisierung

Eine klassische Automatisierung folgt festen Regeln: Wenn Feld A gefüllt ist, dann Schritt B. Das ist zuverlässig und günstig, solange die Eingaben strukturiert sind. Sobald Freitext, PDFs oder unklare Fälle ins Spiel kommen, stösst sie an Grenzen. Ein Agent kann mit unstrukturierten Eingaben umgehen und im Einzelfall abwägen. In der Praxis kombinieren gute Lösungen beides: feste Regeln für den Standardweg, einen Agenten für die Teile, die Verständnis brauchen. Mehr dazu auf unserer Seite zur KI-Automatisierung.

Welche KI-Agenten gibt es?

Der Markt verwendet viele Bezeichnungen. Für Unternehmen lassen sich KI-Agenten in fünf Typen einteilen.

• Assistenten: Persönliche Helfer für Mitarbeitende, die Recherchen, Zusammenfassungen oder E-Mail-Entwürfe übernehmen. Sie arbeiten meist auf Anstoss einer Person und haben begrenzten Systemzugriff.
• Workflow-Agenten: Sie übernehmen einen definierten Geschäftsprozess von Anfang bis Ende, etwa die Verarbeitung eingehender Rechnungen oder die Vorbereitung von Offerten. Sie laufen im Hintergrund und holen bei Unsicherheit eine Freigabe ein.
• Support-Agenten: Sie beantworten Kundenanfragen per E-Mail, Chat oder Portal, greifen auf Wissensdatenbanken und Kundendaten zu und übergeben schwierige Fälle an Menschen.
• Coding-Agents: Sie schreiben, testen und überarbeiten Programmcode. Wir setzen sie in unserer eigenen Entwicklung selbst ein.
• Multi-Agent-Systeme: Mehrere spezialisierte Agenten teilen sich eine Aufgabe, etwa ein Agent für Recherche, einer für den Entwurf und einer für die Prüfung. Das lohnt sich bei komplexen Abläufen, erhöht aber den Aufwand für Test und Betrieb.

Für die meisten KMU sind Workflow- und Support-Agenten der sinnvollste Einstieg, weil sich ihr Nutzen direkt an einem bestehenden Prozess messen lässt.

Standardprodukt oder eigener Agent?

Viele Softwareanbieter bauen inzwischen Agenten in ihre Produkte ein, etwa in Helpdesk-, CRM- oder Buchhaltungslösungen. Diese Funktionen sind schnell aktiviert und eignen sich gut, solange der Prozess vollständig in einem System stattfindet. Ein eigener Agent lohnt sich, wenn der Ablauf mehrere Systeme verbindet, wenn Ihre Regeln und Ihr Fachwissen den Unterschied machen oder wenn Sie Datenstandort und Modellwahl selbst bestimmen wollen.

Fünf Beispiele aus KMU-Prozessen

Die folgenden Beispiele sind bewusst generisch. Sie zeigen typische Abläufe, wie sie in Schweizer KMU vorkommen.

1. Rechnungseingang prüfen und kontieren

Ablauf: Der Agent liest eingehende Rechnungen aus dem Postfach, erkennt Lieferant, Beträge und MWST, gleicht sie mit Bestellungen ab und schlägt eine Kontierung vor. Abweichungen markiert er zur Prüfung.

Nutzen: Die Buchhaltung prüft nur noch Ausnahmen statt jede Rechnung abzutippen.

2. Kundenanfragen vorsortieren und beantworten

Ablauf: Der Agent liest jede neue Anfrage, ordnet sie einem Thema zu, sucht die passenden Informationen und erstellt einen Antwortentwurf. Einfache Anfragen beantwortet er direkt, Reklamationen und heikle Fälle leitet er mit Zusammenfassung weiter.

Nutzen: Kürzere Antwortzeiten und ein Team, das sich auf die anspruchsvollen Fälle konzentriert.

3. Offerten vorbereiten

Ablauf: Aus einer Anfrage per E-Mail oder Formular extrahiert der Agent die Anforderungen, sucht vergleichbare frühere Offerten, berechnet Positionen anhand Ihrer Preislisten und erstellt einen Entwurf im gewohnten Layout.

Nutzen: Der Verkauf erhält einen fertigen Entwurf, den er nur noch prüft und anpasst.

4. Dokumente auf Vollständigkeit prüfen

Ablauf: Bei Kreditanträgen, Mietdossiers oder Lieferantenunterlagen prüft der Agent, ob alle nötigen Dokumente vorliegen, ob Angaben übereinstimmen und ob Fristen eingehalten sind. Er erstellt eine Checkliste mit offenen Punkten.

Nutzen: Weniger Rückfragen und eine einheitliche Prüfqualität.

5. Interne Wissensfragen beantworten

Ablauf: Mitarbeitende stellen Fragen zu Reglementen, Produkten oder Abläufen. Der Agent durchsucht freigegebene Dokumente mit RAG, beantwortet die Frage mit Quellenangabe und berücksichtigt dabei die Berechtigungen der fragenden Person.

Nutzen: Weniger Unterbrechungen für Fachpersonen und schnellere Einarbeitung neuer Mitarbeitender.

Wie viel kostet ein KI-Agent?

Die Frage «Wie viel kostet ein KI-Agent?» lässt sich nur mit Spannbreiten beantworten. Die Kosten teilen sich in drei Blöcke: Entwicklung, Betrieb und Modellnutzung.

Entwicklung: Pilot und produktiver Agent

Die folgenden Zahlen sind Richtwerte im Schweizer Markt, keine Softverse-Preisliste:

• Pilot für einen eng umrissenen Prozess: etwa CHF 15'000 bis CHF 40'000. Ziel ist, mit echten Fällen zu beweisen, dass der Agent die Aufgabe zuverlässig löst.
• Produktiver Agent mit Anbindung an zwei bis vier Systeme: etwa CHF 40'000 bis CHF 120'000, abhängig von Integrationen, Freigabeprozessen, Protokollierung und Sicherheitsanforderungen.
• Multi-Agent-Systeme oder Lösungen in regulierten Umgebungen: Oft darüber, weil Tests, Dokumentation und Nachweise mehr Aufwand erfordern.

Die grössten Kostentreiber sind selten die KI selbst, sondern die Anbindung an bestehende Systeme, saubere Daten und die Frage, wie viel Kontrolle ein Mensch behalten muss.

Wann sich ein Agent rechnet

Eine einfache Überschlagsrechnung hilft bei der Entscheidung. Nehmen Sie an, ein Vorgang dauert heute zehn Minuten und kommt 2'000 Mal pro Monat vor. Das sind rund 330 Arbeitsstunden. Übernimmt ein Agent den Standardfall und muss ein Mensch nur noch prüfen, sinkt der Aufwand pro Vorgang deutlich. Wie stark, zeigt erst der Pilot mit echten Fällen. Stellen Sie die eingesparten Stunden den Entwicklungs- und Betriebskosten gegenüber. Bei Vorgängen, die nur wenige Male pro Woche vorkommen, rechnet sich ein eigener Agent selten.

Betrieb und laufende Modellkosten

Sprachmodelle werden in der Regel nach verarbeiteten Tokens abgerechnet. Ein Token entspricht grob einem Wortteil. Jede Anfrage an das Modell kostet einen kleinen Betrag, der von der Länge der Eingabe, der Länge der Antwort und dem gewählten Modell abhängt. Ein Agent, der für eine Aufgabe mehrere Schritte durchläuft, ruft das Modell mehrmals auf.

Für einen Agenten, der einige hundert Vorgänge pro Tag bearbeitet, liegen die Modellkosten als Richtwert meist zwischen einigen Dutzend und einigen Tausend Franken pro Monat. Dazu kommen Hosting, Monitoring und Wartung. Kosten lassen sich deutlich senken, wenn einfache Teilschritte an kleinere, günstigere Modelle gehen und nur die schwierigen Entscheidungen an ein grosses Modell. Welches Modell wofür passt, beschreiben wir im Vergleich Apertus vs. Claude vs. GPT.

Was Agenten heute nicht können

KI-Agenten sind leistungsfähig, aber nicht fehlerfrei. Wer die Grenzen kennt, plant realistischer.

• Halluzinationen: Sprachmodelle können plausibel klingende, aber falsche Aussagen erzeugen. Abhilfe schaffen Quellenbindung, strukturierte Ausgaben und automatische Prüfungen. Ganz ausschliessen lässt sich das Risiko nicht.
• Verantwortung: Ein Agent trägt keine Verantwortung. Entscheidungen mit rechtlicher oder finanzieller Tragweite brauchen eine verantwortliche Person, die freigibt.
• Grenzfälle: Agenten sind stark im Normalfall. Seltene, ungewöhnliche oder widersprüchliche Fälle behandeln sie weniger zuverlässig. Ein guter Agent erkennt seine Unsicherheit und gibt ab.
• Implizites Wissen: Was nirgends aufgeschrieben ist, kennt der Agent nicht. Oft ist die Dokumentation eines Prozesses der erste und wertvollste Schritt.
• Stabilität über Zeit: Modelle werden aktualisiert, Datenquellen ändern sich. Ohne laufende Tests kann die Qualität unbemerkt sinken.

Bausteine eines produktiven Agenten

Ein Prototyp ist schnell gebaut. Ein Agent, der zuverlässig im Tagesgeschäft läuft, braucht mehr.

• Tools: Klar definierte Schnittstellen, über die der Agent handeln darf, etwa «Bestellung abfragen» oder «Entwurf speichern». Jedes Tool hat eng begrenzte Rechte.
• Guardrails: Regeln, die bestimmte Aktionen verhindern oder prüfen, etwa Betragsgrenzen, erlaubte Empfänger oder verbotene Inhalte.
• Evals: Eine Sammlung echter Testfälle mit erwarteten Ergebnissen. Jede Änderung am Prompt, am Modell oder an den Tools wird daran gemessen.
• Human-in-the-Loop: Freigabeschritte an den Stellen, wo Fehler teuer wären. Der Mensch bestätigt, korrigiert oder übernimmt.
• Logging: Jeder Schritt wird protokolliert: welche Daten gelesen, welche Entscheidung getroffen, welches Tool aufgerufen wurde. Das ist die Grundlage für Fehleranalyse und Nachvollziehbarkeit.
• MCP: Das Model Context Protocol ist ein offener Standard, über den Agenten Werkzeuge und Datenquellen einheitlich anbinden. Das erleichtert Erweiterungen und den späteren Wechsel des Modells. Mehr im Glossar unter MCP.

Datenschutz und nDSG

Sobald ein Agent Personendaten verarbeitet, gilt das Schweizer Datenschutzgesetz (nDSG). Die wichtigsten Punkte:

• Verträge zur Auftragsbearbeitung mit allen Anbietern, die Daten verarbeiten, inklusive Modellanbieter.
• Ein Datenstandort, der zum Risiko passt: Schweiz, EU oder USA mit geeigneten Garantien.
• So wenig Personendaten wie möglich in Prompts, wo sinnvoll pseudonymisiert.
• Zugriffe des Agenten nur auf Daten, die die auslösende Person selbst sehen darf.
• Transparenz gegenüber Betroffenen und bei hohem Risiko eine Datenschutz-Folgenabschätzung.

Einen ausführlichen Leitfaden finden Sie im Artikel KI im Unternehmen und das nDSG. Dieser Abschnitt ersetzt keine Rechtsberatung.

Wie Sie starten

Der häufigste Fehler ist, mit der Technologie statt mit dem Prozess zu beginnen. Bewährt hat sich folgendes Vorgehen:

1. Prozess auswählen: Suchen Sie einen Ablauf, der häufig vorkommt, heute viel Handarbeit bindet und dessen Ergebnis sich prüfen lässt. Gute Kandidaten haben klare Eingaben (E-Mails, PDFs, Formulare) und einen erkennbaren Standardfall.
2. Ausgangslage messen: Halten Sie fest, wie lange ein Vorgang heute dauert, wie oft er vorkommt und wie hoch die Fehlerquote ist. Ohne diese Basis lässt sich der Nutzen später nicht belegen.
3. Testfälle sammeln: 50 bis 200 echte, anonymisierte Fälle mit dem korrekten Ergebnis bilden die Grundlage für Evals.
4. Pilot bauen: Vier bis acht Wochen, eng begrenzter Umfang, Freigabe durch Menschen bei jedem Vorgang.
5. Messen und entscheiden: Vergleichen Sie Qualität, Zeit und Kosten mit der Ausgangslage. Dann entscheiden Sie, ob und wie der Agent ausgebaut wird.

Wenn Sie dabei Unterstützung suchen: Als KI-Agentur in der Schweiz entwickeln wir KI-Agenten von der Prozessanalyse bis zum Betrieb und arbeiten dabei selbst mit Coding-Agents. In einem kostenlosen Erstgespräch von 30 Minuten klären wir, welcher Prozess sich für Ihren ersten Agenten eignet.