Ein KI-Agent ist kein digitaler Mitarbeiter: Es handelt sich um eine probabilistische Software mit Zugriff auf Werkzeuge und Berechtigungen. Der Unterschied ist nicht semantischer Natur. Ein Mitarbeiter verfügt über Urteilsvermögen, gesammelte Erfahrung, rechtliche Verantwortung und die Fähigkeit zu sagen: «Das ergibt keinen Sinn, ich frage nach.» Ein Agent hingegen hat ein Ziel, eine Reihe verfügbarer Aktionen und eine Wahrscheinlichkeit, richtig zu liegen.
Die Mitarbeitermetapher hat sich durchgesetzt, weil sie sich gut verkauft. Und sie verkauft sich gut, weil sie den Vergleich von Lizenzkosten mit Lohnkosten ermöglicht – der wohl günstigste Vergleich überhaupt. Das Problem entsteht, wenn diese Metapher vom Verkaufsgespräch in die Systementwicklung einfließt, denn dann wird so gestaltet, als ob Urteilsvermögen gefragt wäre, wo es lediglich Wahrscheinlichkeiten gibt.
Ein Chatbot antwortet. Ein Agent handelt. Das ist der entscheidende Unterschied, und er ist enorm.
Wenn ein Modell Text generiert, ist das schlimmste Ergebnis eine fehlerhafte Antwort, die jemand liest. Wenn ein Modell Aktionen ausführen kann – eine Bestellung erstellen, eine Rückerstattung veranlassen, einen Datensatz ändern, eine E-Mail an einen Kunden senden –, ist das schlimmste Ergebnis eine fehlerhafte Aktion, die bereits ausgeführt wurde und rückgängig gemacht werden muss.
Ein Agent besteht aus vier Elementen, und es ist ratsam, alle vier benennen zu können, bevor man einen von ihnen genehmigt:
Die ersten drei sind üblicherweise definiert. Die vierte fehlt jedoch in den meisten von uns geprüften Projekten; sie ist entscheidend dafür, ob der Agent ein Vermögenswert oder eine Verbindlichkeit darstellt.
Laut einer McKinsey-Studie aus dem Jahr 2025 experimentierten 62,1 % der Unternehmen mit Agenten, aber nur 23,1 % hatten diese in mindestens einer Funktion skaliert eingesetzt. Die Diskrepanz zwischen diesen beiden Werten ist Gegenstand dieses Artikels.
Gartner war im Juni 2025 direkter: Das Unternehmen prognostiziert, dass Mehr als 401.300 Projekte im Bereich agentenbasierter KI werden bis Ende 2027 eingestellt., Dies liegt an steigenden Kosten, unklarem Geschäftswert oder unzureichenden Risikokontrollen. In derselben Analyse schätzte Anushree Verma, Senior Director of Analysis des Unternehmens, dass von den Tausenden von Lieferanten, die sich als Agenturspezialisten ausgeben, nur etwa 130 tatsächlich so agieren. Die übrigen wurden mit einem Begriff belegt, der in den Wortschatz jedes Einkaufsausschusses aufgenommen werden sollte: *Agenten-Washing*.
Dies ist keine Statistik gegen die Projektmanager. Es ist eine Statistik darüber, was die Projekte, die überleben, von denen unterscheidet, die scheitern: prognostizierte Kosten, definierter Wert und konzipierte Risikokontrollen.
Attribut | Mitarbeiter | KI-Agent |
Rechtliche Verantwortung | Eigen, innerhalb des Arbeitsrahmens | Von dem Unternehmen, das es einsetzt, immer |
Urteilsvermögen angesichts des Unerwarteten | Er merkt, dass etwas nicht passt und fragt | Erledigen Sie die Aufgabe mit den Ihnen vorliegenden Informationen. |
Akkumulierter Kontext | Jahrelanges stillschweigendes Wissen über das Unternehmen | Nur das, was Ihnen bei jeder Ausführung zur Verfügung gestellt wird. |
Rückverfolgbarkeit | Durch Gespräche rekonstruierbar | Sie existiert nur, wenn die Schallplatte entsprechend gestaltet wurde. |
Kosten eines Fehlers | Begrenzt und nachweisbar | Skalierbar: Wiederholt denselben Fehler tausende Male |
Die Grenze zwischen rechtlicher Verantwortung und Haftung ist nicht länger theoretisch. Im Fall *Moffatt gegen Air Canada*, der 2024 vom Zivilgericht von British Columbia entschieden wurde, argumentierte die Fluggesellschaft, ihr Chatbot sei eine eigenständige Einheit, die für ihre eigenen Aussagen verantwortlich sei. Das Gericht bezeichnete dieses Argument als bemerkenswert – im negativen Sinne – und verurteilte das Unternehmen zur Entschädigung des Kunden für die fehlerhaften Informationen des Systems.
Die operative Schlussfolgerung ist einfach: Das Unternehmen trägt die Verantwortung für das, was seine Software aussagt und tut. Immer. Es gibt keine Architektur, die diese Verantwortung an den Softwareanbieter delegiert.
Die Kosten von Fehlern werden von Gremien am häufigsten unterschätzt. Ein Mitarbeiter, der eine Richtlinie falsch interpretiert, wendet diesen Fehler auf jeden Fall an, den er an einem Tag bearbeitet. Ein Agent wendet ihn auf jeden Fall an, bis er bemerkt wird. Der Umfang, der das Verkaufsargument darstellt, ist gleichzeitig der Risikomultiplikator.
Es wäre absurd, diesen Artikel aus einer defensiven Position heraus zu schreiben. Agenten lösen Probleme, für die es zuvor keine gute Lösung gab, und dies sind die Muster, bei denen sie konstant gute Leistungen erbringen:
Aufgaben mit uneindeutiger Sprache und Struktur. Fünfzig E-Mails von Lieferanten lesen, Bestellnummer und Liefertermin extrahieren und in ein System eingeben. Früher erforderte dies starre Regeln oder manuelle Arbeit.
Orchestrierung zwischen Systemen, die nicht miteinander kommunizieren. Ziehen Sie drei Quellen zu Rate, vergleichen Sie diese und schlagen Sie ein Vorgehen vor. Der Agent ersetzt die Integration nicht, reduziert aber Reibungsverluste, wenn eine vollständige Integration nicht kosteneffektiv ist.
Erste Ebene der Klassifizierung und Weiterleitung. Entscheiden Sie, in welche Warteschlange ein Vorfall eingeordnet wird, welche Priorität er hat und welche Informationen zur Behebung fehlen.
Entscheidungen vorbereiten, nicht Entscheidungen ausführen. Das profitabelste Modell, das wir bisher gesehen haben: Der Agent sammelt, vergleicht und unterbreitet einen Vorschlag; der Kunde genehmigt. Die Einsparungen liegen in der Vorbereitung, die den größten Zeitaufwand (80%) verursacht hat.
Beachten Sie, dass der Agent in allen vier Fällen innerhalb eines definierten Prozesses agiert. Keiner der Agenten operiert auf einem Prozess, der noch nicht abgebildet wurde, aus dem gleichen Grund, den wir bereits bei der Diskussion erläutert haben. Warum KI ein schlecht konzipiertes Unternehmen nicht retten kann
Wir schlagen vor, «digitaler Mitarbeiter» durch Folgendes zu ersetzen: überwachte automatisierte Kapazität. Es ist hässlicher und weniger marktgängig und beschreibt genau, was man kauft.
Die Änderung der Terminologie verändert die im Meeting gestellten Fragen. Niemand fragt einen «digitalen Mitarbeiter» nach seinem maximalen Handlungsspielraum, da für Mitarbeiter kein maximaler Handlungsspielraum schriftlich definiert ist. Eine automatisierte Funktion hingegen wird danach gefragt:
Ein Projekt, das alle sechs Fragen beantworten kann, ist produktionsreif. Ein Projekt, das drei oder mehr Fragen nicht beantworten kann, ist noch nicht produktionsreif, unabhängig davon, wie gut die Demo funktioniert.
Das Thema Identität und Berechtigungen verdient eine gesonderte Betrachtung, denn darin liegt das eigentliche Risiko: Wir haben es entwickelt in nicht-menschliche Identitäten, KI-Agenten und Cybersicherheit
Wenn jemand den Einsatz eines Agenten vorschlägt, ist die entscheidende Frage nicht, was dieser kann. Sondern … Was passiert an dem Tag, an dem er einen Fehler macht?, Weil es Fehler machen wird: Es handelt sich um probabilistische Software, und das liegt in ihrer Natur, nicht in ihrer Qualität.
Wenn die Reaktion eine vollständige Dokumentation des Geschehens, einen Rückgängigmachungsmechanismus, die Benennung eines Verantwortlichen und klare Handlungsgrenzen umfasst, ist das Projekt gut konzipiert. Lautet die Reaktion hingegen, dass nichts schiefgehen kann, weil das Modell so gut sei, wird kein System, sondern eine Erwartungshaltung erworben.
Ein Chatbot antwortet mit Text; ein Agent führt Aktionen auf realen Systemen aus. Ein Agent besteht aus einem Ziel, einem Satz von Werkzeugen, Berechtigungen und einem Kontrollmechanismus. Der Unterschied ist entscheidend: Der schlimmste Fehler eines Chatbots ist eine falsche Antwort, während der schlimmste Fehler eines Agenten eine bereits ausgeführte, falsche Aktion ist.
Weil es einem System, dem Urteilsvermögen, gesammelter Kontext und persönliche Verantwortung fehlen, diese Eigenschaften zuschreibt. Ein Akteur erledigt die Aufgabe mit den verfügbaren Informationen, selbst wenn der Kontext fehlt, erkennt nicht, wenn etwas nicht passt, und wiederholt denselben Fehler so lange, bis er bemerkt wird.
Das Unternehmen, das es einsetzt. Im Fall Moffatt gegen Air Canada (2024) wies das Gericht das Argument zurück, dass der Chatbot eine für seine eigenen Aussagen verantwortliche Einheit sei, und ordnete an, dass die Fluggesellschaft den Kunden für die fehlerhaften Informationen des Systems entschädigen müsse.
Laut McKinsey (2025) experimentieren 62,1 % der Unternehmen mit Agenten, aber nur 23,1 % haben sie in irgendeiner Funktion skaliert. Gartner prognostiziert, dass mehr als 40,1 % der Projekte mit agentenbasierter KI bis Ende 2027 aufgrund von Kosten, unklarem Nutzen oder unzureichenden Risikokontrollen abgebrochen werden.
Bei Aufgaben mit uneindeutiger Sprache und Struktur (z. B. beim Extrahieren von Informationen aus E-Mails oder Dokumenten), bei der Orchestrierung zwischen Systemen, die nicht miteinander kommunizieren, bei der Klassifizierung und Weiterleitung von Vorfällen und vor allem bei der Vorbereitung von Entscheidungen, die später von einer Person bestätigt werden.
Die Fähigkeit, sechs Fragen zu beantworten: Was ist erlaubt und was nicht? Mit welcher Identität kann man auf die Systeme zugreifen? Was wird über jede Ausführung protokolliert? Welche Entscheidungen erfordern eine menschliche Bestätigung? Wie wird eine fehlerhafte Aktion rückgängig gemacht? Und wer ist für das Ergebnis verantwortlich?.
Evaluieren Sie ein Agentenprojekt? Wir analysieren Anwendungsfall, Berechtigungsmodell und Risikokontrollen, bevor es zu einer Implementierung kommt, die nur schwer rückgängig zu machen ist. Zwei Stunden Beratung, unverbindlich. Lass uns reden → |
Español Español 
English
Français
العربية
Português
Deutsch
Italiano
