Die neue Generation der KI macht nicht mehr nur Vorschläge, sie handelt: Sie liest eine Rechnung, prüft sie, verbucht sie und meldet sich erst wieder, wenn etwas nicht stimmt. Das ist ein gewaltiger Produktivitätshebel. Doch laut Gartner wird über die Hälfte dieser Vorhaben scheitern, und fast nie an der Technik. Warum der sichere Einsatz wichtiger ist als die Frage, welcher Agent der schnellste ist.
Bisher war die Rollenverteilung klar. Die KI machte Vorschläge, der Mensch entschied. Sie schrieb einen Textentwurf, wertete Zahlen aus, fasste ein Protokoll zusammen, und am Ende klickte immer eine Person auf «übernehmen». Die KI war ein sehr fähiger Assistent, aber sie blieb auf der Beifahrerseite.
Genau das ändert sich gerade. Unter dem Stichwort agentic AI, zu Deutsch agentenbasierte KI, entsteht eine Generation von Systemen, die nicht mehr nur antworten, sondern handeln. Ein solcher KI-Agent nimmt eine Aufgabe entgegen, plant die nötigen Schritte, führt sie über mehrere Systeme hinweg aus und meldet sich erst zurück, wenn er fertig ist oder nicht weiterkommt. Aus dem Beifahrer wird, zumindest auf einzelnen Strecken, ein Fahrer.
Das ist faszinierend und zugleich unbehaglich. Denn wer selbstständig handelt, kann auch selbstständig Fehler machen, und zwar in Serie. Die richtige Frage lautet deshalb nicht «Wie schnell ist der Agent?», sondern «Wie weit darf er allein arbeiten, und wo behalten wir die Hand drauf?». Wer diese Frage zuerst beantwortet, gewinnt. Wer sie überspringt, landet in der Statistik der gescheiterten Projekte.
Das eigentliche Problem: zu viel wiederkehrende Handarbeit
Der Ausgangspunkt ist in fast jedem Unternehmen derselbe. Ein erheblicher Teil der Arbeit besteht aus immer gleichen Abläufen: Daten aus einer E-Mail ins ERP übertragen, eine Bestellung erfassen, eine Offerte aus Bausteinen zusammenstellen, einen Beleg prüfen und ablegen. Es ist Arbeit, die selten jemand gern macht, die aber Stunden frisst und Fehler begünstigt.
Gegen einen Teil davon hilft seit Langem die klassische Automatisierung. Regelbasierte Werkzeuge folgen einem festen Muster: Wenn Bedingung A eintritt, führe Aktion B aus. Das funktioniert hervorragend, solange die Welt sich an das Muster hält. Sobald aber ein Sonderfall auftaucht, eine ungewohnte Formulierung, ein fehlendes Feld, eine Ausnahme, stösst die starre Regel an ihre Grenze und gibt den Vorgang zurück an den Menschen. Genau dort, im Umgang mit dem Unvorhergesehenen, setzt die neue Stufe an.
Drei Stufen: von der Regel zum Agenten
Um die Möglichkeiten richtig einzuordnen, hilft es, drei Stufen zu unterscheiden, die im Alltag oft durcheinandergeraten.
Die erste Stufe ist die regelbasierte Automatisierung. Sie ist schnell, zuverlässig und billig, aber stur. Sie kann nur, was vorher exakt definiert wurde. Die zweite Stufe ist die generative KI, wie die meisten sie heute kennen. Sie versteht Kontext, formuliert, fasst zusammen und schlägt vor, doch sie wartet auf den Menschen, der ihre Vorschläge prüft und auslöst. Die dritte Stufe ist der KI-Agent. Er kombiniert das Sprachverständnis der generativen KI mit der Fähigkeit zu handeln. Er interpretiert eine Aufgabe, wägt Optionen ab, nutzt verschiedene Werkzeuge und Systeme und führt einen mehrstufigen Ablauf eigenständig aus.
Der Unterschied lässt sich in einem Satz fassen: Ein Chatbot antwortet, ein Agent handelt. Während die regelbasierte Automatisierung an jeder Ausnahme scheitert, kann ein Agent mit Unvorhergesehenem umgehen, weil er den Kontext interpretiert, statt nur ein Muster abzugleichen.
Ein Beispiel macht die drei Stufen greifbar. Geht eine Kundenanfrage per E-Mail ein, würde eine regelbasierte Automatisierung sie nur dann korrekt einsortieren, wenn Betreff und Format exakt stimmen. Eine generative KI würde den Text verstehen und einen Antwortentwurf vorschlagen, den ein Mensch dann prüft und versendet. Ein Agent dagegen liest die Anfrage, erkennt das Anliegen, sucht die nötigen Informationen zusammen, bereitet eine passende Antwort samt Offerte vor und legt sie zur Freigabe vor oder versendet sie, falls das so erlaubt wurde. Derselbe Vorgang, drei sehr unterschiedliche Grade an Eigenständigkeit. Damit der Agent dabei nicht ins Leere greift, braucht er Zugang zu verlässlichem Wissen, etwa über ein angebundenes Firmenwissen, wie wir es im Beitrag zu Unternehmenswissen beschrieben haben.
Was ein KI-Agent konkret übernehmen kann
Das klingt abstrakt, wird aber im Alltag schnell greifbar. Nehmen wir die Rechnungsverarbeitung. Ein Agent liest die eingehende Rechnung aus, gleicht sie mit der zugehörigen Bestellung ab, prüft Betrag und Konditionen auf Plausibilität, bereitet die Verbuchung vor und legt nur die Fälle einem Menschen vor, bei denen etwas nicht stimmt. Statt dass jemand jede Rechnung von Hand bearbeitet, kümmert sich die Person nur noch um die Ausnahmen.
Ähnliche Muster finden sich quer durch den Betrieb: bei der Aufbereitung eingehender Anfragen, beim Erstellen wiederkehrender Berichte, beim Abgleich von Daten zwischen mehreren Systemen, bei der Vorqualifizierung von Anfragen. Überall dort, wo heute jemand Informationen von A nach B trägt, prüft und weiterleitet, kann ein Agent einen grossen Teil der Strecke übernehmen. Der Gewinn liegt nicht nur in der Zeit, sondern auch in der Gleichmässigkeit, denn ein Agent wird um vier Uhr nachmittags nicht müde und überspringt keinen Schritt.
Besonders wertvoll wird das an den Rändern des Arbeitstags und in Spitzenzeiten. Während ein Team über Mittag, an Ferientagen oder bei einem plötzlichen Anfragenansturm an seine Grenzen kommt, arbeitet ein Agent gleichmässig weiter und reicht nur das an Menschen weiter, was wirklich ein Urteil verlangt. So verschiebt sich die menschliche Arbeit weg vom mechanischen Abarbeiten hin zum Prüfen, Entscheiden und zum Umgang mit den schwierigen Fällen. Das ist kein Abbau von Tätigkeit, sondern eine Verlagerung auf das, was Menschen besser können als jede Maschine. Genau deshalb ist die Automatisierung eines Prozesses selten eine reine Spar-, sondern meistens auch eine Qualitätsfrage.
Der ehrliche Einwand: Autonomie ohne Kontrolle scheitert
So weit das Versprechen. Jetzt die Realität, und sie ist ernüchternd. Das Marktforschungsunternehmen Gartner prognostizierte im Juni 2025, dass über 40 Prozent aller Agentic-AI-Projekte bis Ende 2027 wieder abgebrochen werden, wegen eskalierender Kosten, unklarem Geschäftsnutzen oder unzureichender Risikokontrolle. Die Unternehmensberatung McKinsey zeichnet in ihrem Bericht zur Lage der KI von Ende 2025 ein passendes Bild: Zwar experimentieren rund 62 Prozent der befragten Organisationen mit KI-Agenten, aber nur etwa 23 Prozent bringen sie überhaupt in den breiten Einsatz.
Das Bemerkenswerte daran ist die Ursache. Die Projekte scheitern fast nie an der Technik. Sie scheitern an der Organisation: an unklaren Zuständigkeiten, an fragmentierten Daten und vor allem an fehlender Kontrolle. Gartner warnt ausdrücklich davor, alle Agenten über einen Kamm zu scheren und ihnen unabhängig von ihrer Tragweite dieselben Regeln zu geben. Ein Agent, der nur interne Protokolle zusammenfasst, braucht andere Leitplanken als einer, der Zahlungen auslösen darf.
Eine zweite, subtilere Ursache nennt McKinsey. Wer einen Agenten einfach auf einen bestehenden, oft über Jahre umständlich gewachsenen Ablauf setzt, automatisiert vor allem den Murks und wundert sich dann, dass der grosse Sprung ausbleibt. Den eigentlichen Wert heben laut der Untersuchung jene Unternehmen, die den Prozess bei dieser Gelegenheit neu denken, statt ihn eins zu eins der Maschine zu übergeben. Effizienz allein, so der nüchterne Befund, führt selten zu einem echten Sprung. Bevor ein Agent einen Ablauf übernimmt, lohnt deshalb die Frage, ob dieser Ablauf in seiner heutigen Form überhaupt noch sinnvoll ist.
Hier liegt der Kern. Ein Agent, der selbstständig handelt, kann auch selbstständig Schaden anrichten, eine falsche Bestellung auslösen, eine fehlerhafte Antwort an einen Kunden senden, eine Kette von Folgefehlern starten. Und die Verantwortung dafür bleibt immer beim Unternehmen, nicht beim Algorithmus. Das ist kein Grund, auf KI-Agenten zu verzichten. Es ist der Grund, sie von Anfang an mit Kontrolle zu denken.
Der Fahrplan: KI-Agenten sicher einsetzen
Der Weg zu einem Agenten, der wirklich hilft, statt Risiken zu schaffen, lässt sich in vier Schritten gehen.
Schritt 1: Den richtigen Prozess wählen
Nicht jeder Ablauf eignet sich. Ideal ist ein Prozess, der häufig vorkommt, klar strukturiert ist und dessen Fehler sich im Zweifel korrigieren lassen. Die Rechnungsvorbereitung ist ein guter Kandidat, die fristlose Kündigung eines Kunden ist es nicht. Wer mit einem überschaubaren, gut umrissenen Prozess beginnt, lernt, ohne viel zu riskieren.
Schritt 2: Grenzen und Freigaben festlegen
Bevor der Agent startet, wird definiert, was er allein darf und was nicht. In wessen Auftrag handelt er, welche Systeme darf er nutzen, welche Daten darf er sehen, und welche Aktionen brauchen zwingend eine menschliche Freigabe? Eine bewährte Faustregel: Ein Agent darf Routine vorbereiten, aber alles, was nach aussen wirkt oder Geld bewegt, braucht einen Freigabeschritt. Diese saubere Vergabe von Rechten überschneidet sich eng mit den Fragen, die wir im Beitrag zum sicheren KI-Einsatz im Team behandelt haben.
Schritt 3: Den Menschen im Loop behalten
Sicherer Einsatz heisst nicht, dem Agenten zu misstrauen, sondern die richtigen Kontrollpunkte zu setzen. Beim Prinzip Mensch im Loop gibt eine Person kritische Schritte vor der Ausführung frei. Wichtig sind dabei wenige, aber saubere Kontrollpunkte statt einer lückenlosen Überwachung, die niemand durchhält. Der Agent darf zum Beispiel hundert Rechnungen vorbereiten, aber die Sammelfreigabe erteilt ein Mensch mit einem Blick auf die Ausnahmen.
Schritt 4: Klein starten, beobachten, ausweiten
Statt den Agenten sofort auf den ganzen Betrieb loszulassen, beginnt man mit einem klar begrenzten Einsatz, beobachtet das Ergebnis und erweitert erst, wenn er sich bewährt hat. Genauso wichtig wie der Start ist ein Feedbackmechanismus, der nicht nach dem Go-live einschläft, sondern laufend prüft, ob der Agent noch das Richtige tut.
Was Schweizer Organisationen heute schon machen
Dass diese Entwicklung real ist, zeigt sich auch hierzulande. Die Zurich Insurance Group hat nach eigener Mitteilung im Herbst 2025 ihre KI-Aktivitäten gebündelt und arbeitet dabei unter anderem mit der Universität St. Gallen und dem Agentic Systems Lab der ETH Zürich zusammen, um den Einsatz solcher Systeme voranzutreiben. Im Banken- und Versicherungsumfeld wird agentenbasierte KI nach Branchenberichten bereits für komplexe Abläufe wie die Schadensbearbeitung oder Teile von Kreditprozessen erprobt, also genau dort, wo viele Einzelschritte zu einem durchgängigen Vorgang gehören.
Im Mittelstand ist der Nutzen oft unscheinbarer, aber unmittelbar spürbar. Ein Treuhandbüro, das die Belegverarbeitung weitgehend einem Agenten überlässt und nur die Ausnahmen prüft. Ein Handwerksbetrieb, dessen eingehende Anfragen automatisch erfasst, kategorisiert und für die Offerte vorbereitet werden. Ein Onlinehändler, bei dem ein Agent Bestellungen, Lagerabgleich und Versandvorbereitung orchestriert. In all diesen Fällen geht es nicht um spektakuläre Autonomie, sondern um verlässlich abgenommene Routine unter klarer Aufsicht.
Auffällig ist, dass die grossen Häuser wie Zurich genau den Weg gehen, der auch für ein KMU richtig ist: Sie starten in klar abgegrenzten Bereichen, holen sich Forschungspartner an Bord und behalten die Aufsicht, statt die Technik unkontrolliert laufen zu lassen. Der Unterschied zum Mittelstand liegt im Massstab, nicht im Prinzip. Ein kleineres Unternehmen kann denselben Ansatz mit einem einzigen, gut gewählten Prozess beginnen und braucht dafür kein Forschungslabor, sondern nur einen klaren Kopf und saubere Regeln.
Das verbindende Muster: Niemand begann mit der Frage «Welcher Agent ist der mächtigste?». Alle begannen mit einem klar umrissenen Prozess und der Frage, welche Schritte sicher abgegeben werden können und welche nicht.
Die häufigsten Fehler
- Mit dem komplexesten Prozess beginnen, statt mit einem einfachen, gut umrissenen Ablauf zu lernen.
- Dem Agenten weitreichende Rechte geben, ohne festzulegen, welche Aktionen eine menschliche Freigabe brauchen.
- Autonomie mit Wert verwechseln und einen Agenten bauen, der viel allein macht, aber kein echtes Problem löst.
- Alle Agenten gleich behandeln, statt die Kontrolle an die jeweilige Tragweite anzupassen.
- Nach dem Start die Überwachung einschlafen lassen und Fehlerketten erst bemerken, wenn der Schaden da ist.
Zum Schluss: die richtige Reihenfolge
KI-Agenten sind kein Hype, der vorbeizieht, sondern die nächste, sehr konkrete Stufe der Automatisierung. Für den Schweizer Mittelstand liegt darin ein echter Hebel: weniger Routinelast, weniger Fehler, gleichmässigere Abläufe. Aber der Hebel wirkt nur, wenn die Kontrolle mitwächst.
Auch hier gilt die Reihenfolge, die sich überall bewährt. Zuerst die Strategie, also die Frage, welcher Prozess sich wirklich eignet und wo die Grenzen liegen. Dann das System, mit klaren Rechten, Freigaben und Kontrollpunkten. Und erst dann der Agent, der innerhalb dieser Leitplanken handeln darf. Wer mit der Autonomie beginnt und die Kontrolle nachträglich anbauen will, landet bei den vierzig Prozent, die wieder abbrechen. Wer mit der Strategie beginnt, bekommt einen Mitarbeiter, der nie müde wird und trotzdem im Rahmen bleibt. Und das ist am Ende der eigentliche Sinn der Übung: nicht die schnellste Maschine, sondern die verlässlichste.