KI-Agenten im Backoffice: Was tatsächlich funktioniert

Jeder Softwareanbieter hat inzwischen einen Agenten. Jede Konferenz hat eine Keynote über autonome Workflows. Und die meisten Operations-Teams, mit denen wir sprechen, schwanken irgendwo zwischen Neugier und Erschöpfung. Aus unserer Arbeit, KI mit echten Geschäftssystemen zu verbinden statt mit Foliensätzen, haben wir ein ziemlich klares Bild davon, wo Agenten liefern und wo sie unbemerkt mehr Arbeit verursachen, als sie einsparen.

Was wir mit einem Agenten eigentlich meinen

Der Begriff wird inzwischen für fast alles verwendet, in dem ein Sprachmodell steckt, deshalb lohnt sich Präzision. Ein Chatbot beantwortet Fragen. Ein Agent handelt: Er liest aus Ihren Systemen, entscheidet über den nächsten Schritt, ruft Werkzeuge auf und schreibt etwas zurück. Einen Datensatz aktualisieren, eine E-Mail senden, ein Ticket anlegen, einen Lead an die richtige Person weitergeben.

Dieser Unterschied ist wichtiger als alles andere in diesem Artikel. Ein Chatbot, der sich irrt, gibt eine schlechte Antwort. Ein Agent, der sich irrt, verändert Ihre Daten. Fast alles, was folgt, dreht sich im Kern darum, mit dieser einen Tatsache umzugehen.

Wo Agenten ihren Platz verdienen

Die Erfolge haben vieles gemeinsam. Es sind wiederkehrende Aufgaben mit hohem Volumen, bei denen die Eingaben unordentlich sind, das gewünschte Ergebnis aber klar ist, und bei denen ein Fehler schnell auffällt und sich leicht beheben lässt.

Triage ist das Paradebeispiel. Eingehende Anfragen lesen, verstehen, worum es geht, die relevanten Kundendaten heranziehen und alles an die richtige Person oder das richtige Gebiet weiterleiten. Was früher einen halben Tag in einem gemeinsamen Postfach lag, passiert jetzt in Sekunden, und das eigentliche Gespräch führt weiterhin ein Mensch.

Datenpflege ist ein weiteres Feld. Agenten finden doppelte Datensätze, vereinheitlichen Adressen, ergänzen Lücken aus vertrauenswürdigen Quellen und markieren alles, was merkwürdig aussieht. Ausserdem werden sie immer nützlicher als Bindeglied zwischen Systemen, die nie füreinander gedacht waren, und übernehmen die mühsame Zuordnungsarbeit, für die früher jedes Mal ein Entwickler nötig war, wenn ein Lieferant sein Dateiformat geaendert hat.

Wo sie noch scheitern

Agenten tun sich schwer, wenn die Aufgabe mehrdeutig ist und es um etwas geht. Sie folgen Anweisungen mit grosser Überzeugung, auch solchen, die für ihren Verfasser vollkommen Sinn ergaben und für niemanden sonst. Geben Sie einem Agenten ein vages Ziel und weitreichende Berechtigungen, und er findet für beides eine kreative Auslegung.

Ausserdem erben sie jedes Problem der Systeme, mit denen sie verbunden sind. Hat Ihr CRM drei Datensätze für denselben Kunden, nimmt der Agent einen davon. Widersprechen sich Ihre Produktdaten, wiederholt der Agent die Version, die er zuerst gefunden hat. Agenten reparieren kein wackliges Fundament. Sie bewegen sich darauf nur schneller.

Und es gibt eine Art von Risiko, die es bei klassischer Software nicht gab. Ein Agent, der E-Mails, Webseiten oder Dokumente liest, kann durch deren Inhalt beeinflusst werden. In einer eingehenden Nachricht versteckte Anweisungen können versuchen, einen Agenten zu etwas zu bewegen, das er nicht tun sollte. Das ist kein Grund, auf Agenten zu verzichten, aber ein sehr guter Grund, genau zu überlegen, worauf jeder einzelne zugreifen darf.

Die Leitplanken, die den Unterschied machen

Agentenprojekte, die funktionieren, drehen sich weniger um das Modell als um alles drumherum. Dieselben wenigen Prinzipien tauchen immer wieder auf:

• Minimale Rechte. Geben Sie jedem Agenten nur die Berechtigungen, die seine Aufgabe erfordert. Ein Triage-Agent muss keine Datensätze löschen können.
• Unumkehrbares bestätigt ein Mensch. Lassen Sie den Agenten die Aktion vorbereiten und eine Person bestätigen, zumindest bis es eine belastbare Erfolgsbilanz gibt.
• Alles protokollieren. Jede Entscheidung, jeder Werkzeugaufruf und jede Änderung sollte nachvollziehbar sein, damit Sie im Fehlerfall genau sehen, warum.
• Mit echten Fällen testen. Pflegen Sie eine Sammlung vergangener Fälle mit bekannten richtigen Antworten und testen Sie den Agenten vor jeder Änderung daran.
• Eng anfangen. Eine klar definierte Aufgabe, die zuverlässig erledigt wird, schlägt einen Allzweck-Assistenten, der meistens richtig liegt.

Die Integrationsebene ist das eigentliche Projekt

Hier kommt der Teil, der viele überrascht. Die Wahl des Modells ist meist der einfache Teil, und Modelle werden alle paar Monate austauschbarer. Die eigentliche Arbeit und der grösste Teil des Nutzens liegen darin, den Agenten sauber mit Ihren Systemen zu verbinden: klar definierte Werkzeuge, sinnvolle Berechtigungen, verlässliche Daten und eine lückenlose Aufzeichnung dessen, was passiert ist. Standards wie das Model Context Protocol vereinfachen die Anbindung, aber sie entscheiden nicht, was ein Agent tun darf. Das müssen Sie weiterhin selbst festlegen.

Das sind gute Nachrichten für Unternehmen, die bereits in verbundene Systeme investiert haben. Liegen Ihre Daten an einem Ort, mit klarer Struktur und sauberen Zugriffsrechten, ist der Schritt zu Agenten vergleichsweise klein. Sind sie über ein Dutzend Tools verteilt, die von Tabellen zusammengehalten werden, wird aus dem Agentenprojekt unbemerkt zuerst ein Integrationsprojekt.

Unser Rat ist derselbe wie bei jeder neuen Technologie: Wählen Sie eine schmerzhafte, gut verstandene Aufgabe, messen Sie die Ergebnisse ehrlich und bauen Sie von dort aus. Die Unternehmen, die in diesem Jahr echten Nutzen aus Agenten ziehen, sind nicht die mit der kühnsten KI-Strategie. Es sind die, die eine vernünftige erste Aufgabe gewählt und sie ordentlich umgesetzt haben.