Einsatz von AI-Agenten
Desktop PCs
Wie können Unternehmen AI-Agenten in ihren Arbeitsalltag integrieren?
AI-Agenten gehen über beeindruckende Demonstrationen hinaus. Für Unternehmen stellt sich nicht mehr nur die Frage, worauf AI antworten kann, sondern welche Aufgaben sie zuverlässig erledigt – und wie sich diese Fähigkeiten nutzen lassen, ohne die Kontrolle zu verlieren.
MSI AI Insights Ausgabe #001 beleuchtete den Aufstieg von Agentic AI und den Wandel über die promptbasierte Assistenz hinaus. Ausgabe #002 untersuchte, wo AI-Aufgaben ausgeführt werden sollten – lokal, in der Cloud oder in hybriden Umgebungen. Ausgabe #003 ging der Frage nach, wie sich der tatsächliche Geschäftswert von AI über reine Produktivität hinaus messen lässt.
Ausgabe #004 geht den nächsten Schritt: von der AI-Strategie zur praktischen Umsetzung. Ob du selbstständig arbeitest, ein wachsendes Team leitest oder abteilungsübergreifende Abläufe verantwortest – die ersten Schritte sind ähnlich: den passenden Workflow wählen, klare Grenzen setzen und Ergebnisse überprüfen.
Dieser Artikel stellt die wichtigsten Entscheidungen für den wirksamen Einsatz von AI-Agenten vor. Das vollständige Vorgehensmodell findest du in MSI AI Insights Ausgabe #004 – AI-Agenten im Einsatz: Ein praktischer Leitfaden zur AI-Einführung in Unternehmen.
Vom AI-Assistenten zum AI-Agenten: Der Unterschied liegt im Workflow
Ein AI-Assistent unterstützt typischerweise bei einzelnen Teilen einer Aufgabe, etwa beim Zusammenfassen eines Dokuments, Erläutern einer Tabelle oder Entwerfen einer E-Mail. Ein AI-Agent kann eine umfassendere Rolle übernehmen und ein definiertes Ziel über mehrere freigegebene Schritte verfolgen. Er kann relevante Informationen sammeln, ein zugelassenes Tool auswählen, Ergebnisse prüfen und den Workflow abschließen oder bei Bedarf eine menschliche Freigabe anfordern.
Fragt ein Kunde beispielsweise, ob ein Produkt bestimmte Anforderungen erfüllt, kann ein Assistent eine passende Antwort vorschlagen. Ein Agent kann die Anfrage dagegen einordnen, freigegebene Produktunterlagen heranziehen, relevante Informationen prüfen, eine Antwort vorbereiten und unsichere Angaben zur Prüfung markieren. Mit ausdrücklicher Erlaubnis kann er auch ein Serviceticket erstellen oder einen Kundendatensatz aktualisieren. Jede zusätzliche Aktion bringt Verantwortung mit sich, die über eine gute Antwort hinausgeht.
Der sinnvolle Weg lautet nicht „mehr Autonomie um jeden Preis“, sondern:
Unterstützen → Empfehlen → Mit Freigabe ausführen → Innerhalb festgelegter Grenzen ausführen → Überwachen und eskalieren
Ein einfacher Assistent kann die passendere Lösung sein, wenn ein autonomer Prozess unnötige Kosten oder Risiken verursachen würde, ohne die Ergebnisse zu verbessern. Unternehmen sollten nur die Schritte delegieren, bei denen die Ausführung durch einen Agenten einen Vorteil bietet – und menschliches Urteilsvermögen dort beibehalten, wo es entscheidend ist.
Beim Workflow beginnen, nicht bei der Technik
Das erste AI-Agenten-Projekt sollte mit einem wiederkehrenden betrieblichen Problem beginnen, nicht mit einem Modellvergleich. Für die Automatisierung eignen sich besonders Aufgaben mit klaren Eingaben, freigegebenen und zugänglichen Informationen, wiederholbaren Schritten, messbaren Ergebnissen und benannten Verantwortlichen für Ausnahmefälle.
Geeignete Beispiele sind das Einordnen eingehender Anfragen, das Erstellen regelmäßiger Berichte, die Organisation der Nachbereitung von Besprechungen, der Vergleich von Lieferantenunterlagen oder das Überwachen von Änderungen an einer freigegebenen Wissensquelle. Ein klar abgegrenzter, häufig wiederkehrender Prozess liefert wertvolle Erkenntnisse, statt gleich eine ganze Abteilung auf einmal automatisieren zu wollen.
Kläre vor dem Pilotprojekt: Was löst die Aufgabe aus? Wie sieht ein erfolgreiches Ergebnis aus? Kann jemand das Ergebnis unabhängig prüfen? Kann der Agent sicher anhalten, wenn Informationen fehlen? Wer verantwortet den Prozess?
Ein Distributor könnte beispielsweise damit beginnen, geprüfte Produktspezifikationen abzurufen und Antworten auf Kundenanfragen zu entwerfen. Automatische Zusagen zu Preisen, Lieferterminen oder Lagerbeständen sollten zunächst außerhalb des Projektumfangs bleiben, bis Genauigkeit, Berechtigungen und Freigaben gründlich getestet wurden.
So funktioniert ein AI-Agent
Ein funktionsfähiger Agent besteht aus mehr als einem großen Sprachmodell (LLM). Das Modell hilft, Anweisungen zu verstehen und Antworten zu formulieren. Für eine zuverlässige Ausführung betrieblicher Aufgaben müssen jedoch mehrere Fähigkeiten zusammenspielen:
- LLM: Versteht die Anfrage, zieht Schlussfolgerungen zur Aufgabe und erzeugt sprachliche oder strukturierte Ausgaben.
- RAG / Wissensdatenbank: Ruft relevante Inhalte aus freigegebenen Dokumenten ab, damit Antworten Unternehmensinformationen berücksichtigen können. Qualität und Aktualität der Quellen müssen weiterhin geprüft werden.
- Gedächtnis: Bewahrt den erforderlichen Aufgabenkontext oder ausgewählte Zustände des Workflows auf – mit klaren Grenzen für Speicherung und Zugriff.
- Tool-Aufrufe: Fordern zugelassene Funktionen an, etwa das Nachschlagen von Datensätzen, das Durchsuchen freigegebener Ordner oder das Erstellen von Entwürfen.
- Orchestrierung: Koordiniert Schritte, Tool-Ausführung, Validierung, Wiederholungsversuche und die Übergabe an einen Menschen.
Diese Komponenten greifen in einer Abfolge ineinander:
Geschäftliche Anfrage → Freigegebenes Wissen → Planen und Tools nutzen → Ergebnis prüfen → Bei Bedarf menschliche Freigabe einholen → Ergebnis dokumentieren
Nicht jeder Einsatz erfordert mehrere Agenten. Ein einzelner Agent mit wenigen zuverlässigen Tools lässt sich oft leichter prüfen und warten. Spezialisierte Agenten können sinnvoll sein, wenn unterschiedliche Rollen oder Systeme tatsächlich koordiniert werden müssen. Jede Übergabe verursacht jedoch zusätzliche Kosten, Verzögerungen und mögliche Fehlerquellen.
Wo sollten AI-Agenten ausgeführt werden?
Wie in Ausgabe #002 erläutert, hängt die Wahl der Ausführungsumgebung von den jeweiligen Aufgaben ab. Lokale AI kann eine kontrollierte Datenverwaltung und bestimmte Offline-Aufgaben unterstützen. Cloud-AI bietet Zugang zu leistungsfähigen Modellen und skalierbaren Diensten. Hybrid AI verbindet beide Ansätze und verteilt einzelne Schritte je nach Unternehmensbedarf auf unterschiedliche Umgebungen.
Ein Agent könnte beispielsweise interne Dokumente lokal abrufen und für eine anspruchsvolle Schlussfolgerungsaufgabe eine freigegebene, auf das Nötigste reduzierte Frage an ein Cloud-Modell senden. Andere Workflows können vollständig lokal oder in der Cloud ablaufen. Die beste Wahl hängt von der Sensibilität der Daten, den Modellfähigkeiten, der Reaktionszeit, der Netzwerkverfügbarkeit, den Betriebskosten und den verfügbaren Wartungsressourcen ab.
Ein lokal ausgeführtes Modell macht den gesamten Workflow nicht automatisch vertraulich. Externe Suchanfragen, Kommunikation, Telemetrie und angebundene Tools können weiterhin Informationen aus der kontrollierten Umgebung übertragen. Prüfe deshalb den gesamten Datenfluss – nicht nur den Ausführungsort des Modells.
Autonomie muss sich bewähren
AI-Agenten können in abgerufenen E-Mails, Webseiten oder Dokumenten auf irreführende Anweisungen stoßen. Sie können auch falsche Informationen erzeugen oder Aktionen außerhalb ihres vorgesehenen Aufgabenbereichs ausführen. Für den Unternehmenseinsatz sind deshalb Berechtigungskontrollen, Validierung, Überwachung und klar geregelte menschliche Verantwortung erforderlich.
Ein praxistauglicher Einstieg beginnt mit reinem Lesezugriff. Danach kann das Erstellen von Entwürfen erlaubt werden, gefolgt von Freigabepunkten für Aktionen mit weitreichenden Folgen. Erst anschließend sollte eine eng begrenzte autonome Ausführung zugelassen werden. Das Versenden externer Nachrichten, Ändern von Kundendaten, Tätigen von Käufen oder Löschen von Informationen erfordert strengere Kontrollen als das Zusammenfassen interner Dokumente.
Menschliche Freigaben bedeuten nicht, dass die AI-Einführung gescheitert ist. Sie sind ein bewusst gesetzter Kontrollpunkt für Genauigkeit, Compliance, geschäftliche Zusagen und Ausnahmefälle. Agenten sollten außerdem anhalten, Unsicherheiten erläutern und die Aufgabe an eine verantwortliche Person zurückgeben können.
Vom Pilotprojekt in den Arbeitsalltag
Die erfolgreiche Einführung eines Systems ist ein fortlaufender Prozess, kein einmaliger Start. MSI AI Insights beschreibt dafür sechs praktische Phasen:
- Definieren: Einen Workflow, die verantwortliche Person, das Zielergebnis und die Einsatzgrenzen festlegen.
- Vorbereiten: Wissensquellen, Datenberechtigungen, Tool-Zugriff und Infrastruktur prüfen.
- Prototyp entwickeln: Einen begrenzten Workflow anhand repräsentativer Praxisfälle aufbauen.
- Validieren: Die Leistung mit dem bisherigen Prozess vergleichen – einschließlich Fehlern und menschlichen Korrekturen.
- Einführen: Einen begrenzten Zugriff im Produktivbetrieb mit Freigaben, Protokollierung und Support ermöglichen.
- Verbessern: Wissen aktualisieren, Ergebnisse prüfen und den Einsatz nur bei ausreichender Begründung erweitern.
Die Validierung sollte auch schwierige Fälle umfassen. Teste mehrdeutige Anfragen, fehlende oder veraltete Dokumente, Tool-Ausfälle und Versuche, Berechtigungen zu überschreiten. Miss nach dem Start die Qualität vollständig abgeschlossener Abläufe, die Eingriffsquote, Fehler, Nacharbeit, Durchlaufzeit, Kosten pro abgeschlossenem Workflow und die Auswirkungen auf Kunden oder Mitarbeitende.
Der Bezug zu Ausgabe #003 ist klar:
Bisheriger Workflow → AI-gestützter Workflow → Überprüftes Ergebnis → Geschäftswert
Ein schnellerer Workflow ist nicht zwangsläufig besser, wenn er mehr Korrekturen verursacht. Ebenso kann ein Agent, der schwierige Fälle sicher an Menschen weitergibt, erheblichen Mehrwert schaffen, indem er Routineaufgaben zuverlässig erledigt.
AI-Agenten für jede Unternehmensgröße
Selbstständige sowie Nutzer in kleinen Büros oder im Homeoffice (SOHO) können mit dem Ordnen von Referenzmaterialien, der Vorbereitung von Besprechungsnachbereitungen und dem Entwerfen von Angeboten beginnen. Kleine und mittlere Unternehmen (KMU) können freigegebene Produktinformationen mit eingehenden Kundenanfragen und Folgeaufgaben verknüpfen. Größere Organisationen müssen möglicherweise Dienste über operative Bereiche, IT und weitere Abteilungen hinweg koordinieren und zugleich Identitäten, Zugriffsgrenzen, Prüfprotokolle und das Änderungsmanagement verwalten.
Die Architektur dieser AI-Agenten kann mit der Organisation wachsen. Das Grundprinzip bleibt gleich: Wähle die einfachste Agentenarchitektur, die einen relevanten Workflow zuverlässig verbessert – mit einer Aufsicht, die seinen Auswirkungen angemessen ist.
Die wichtigsten Punkte
- Beginne mit einem messbaren Workflow – nicht mit einem Modell, einer Plattform oder einer beeindruckenden Demonstration.
- Ein AI-Agent verbindet Schlussfolgerungsvermögen, freigegebenes Wissen, Tools, Orchestrierung und Aufsicht.
- Wähle die lokale, cloudbasierte oder hybride Ausführung nach den Anforderungen der jeweiligen Aufgabe.
- Erweitere die Autonomie schrittweise und nutze menschliche Freigaben für Aktionen mit weitreichenden Folgen.
- Folge der Abfolge: Definieren → Vorbereiten → Prototyp entwickeln → Validieren → Einführen → Verbessern.
- Miss überprüfte Workflow-Ergebnisse und den Geschäftswert, nicht nur die Aktivität des Agenten.
Häufig gestellte Fragen
Was unterscheidet einen AI-Assistenten von einem AI-Agenten?
Ein Assistent hilft typischerweise bei einer einzelnen Aufgabe. Ein Agent kann ein definiertes Ziel über mehrere autorisierte Schritte verfolgen – einschließlich Wissensabruf, Tool-Nutzung und Einholen von Freigaben.
Muss ein Unternehmen ein eigenes AI-Modell entwickeln?
Nein. Unternehmen können bestehende lokale oder gehostete Modelle nutzen. Entscheidend ist, den Workflow zu definieren, den Zugriff auf Informationen und Tools zu kontrollieren und die Ergebnisse zu validieren.
Was ist RAG und warum ist es wichtig?
Retrieval-Augmented Generation stellt relevante Inhalte aus freigegebenen Wissensquellen bereit. Dadurch können Antworten aktuelle Dokumente berücksichtigen. Die Richtigkeit der Antworten wird damit jedoch nicht garantiert.
Brauche ich mehrere AI-Agenten?
Für ein erstes Pilotprojekt meist nicht. Beginne mit einem Agenten mit klar begrenztem Aufgabenbereich und zuverlässigen Tools. Ergänze spezialisierte Agenten erst, wenn ihre Zusammenarbeit die Ergebnisse nachweislich verbessert.
Sollte ein AI-Agent lokal oder in der Cloud laufen?
Das hängt von der Sensibilität der Daten, den Anforderungen an das Modell, der Anbindung, den Kosten, der Leistung und den verfügbaren betrieblichen Ressourcen ab. Hybride Architekturen können einzelne Schritte unterschiedlichen Umgebungen zuweisen.
Wie kann ein Unternehmen die Risiken von AI-Agenten reduzieren?
Vergib nur die unbedingt erforderlichen Berechtigungen und nutze vertrauenswürdige Quellen, Validierung, Freigabepunkte, Aktionsgrenzen, Protokollierung und klare Eskalationswege.
Wie sollte ein AI-Agenten-Pilotprojekt bewertet werden?
Vergleiche den bisherigen Prozess mit überprüften Ergebnissen: Abschlussqualität, Zeitaufwand, Fehler, Nacharbeit, menschliche Eingriffe, Kosten pro Workflow und geschäftliche Auswirkungen.
Womit sollte ein kleines Unternehmen beginnen?
Wähle einen häufigen, risikoarmen Workflow mit klarer Verantwortung und messbarem Nutzen. Beginne mit Lesezugriff oder dem Erstellen von Entwürfen, bevor du Ausführungsrechte vergibst.
Möchtest du mehr erfahren?
AI-Agenten im Einsatz: Ein praktischer Leitfaden zur AI-Einführung in Unternehmen
Entdecke das vollständige Vorgehensmodell: von der Auswahl der Workflows und dem Aufbau der Agenten über passende Ausführungsumgebungen und Risikomanagement bis zum zuverlässigen Einsatz von Pilotprojekten im Arbeitsalltag.
Möchtest du mehr erfahren?
MSI AI Insights – Ausgabe #003 | Mehr als Produktivität: Den tatsächlichen Geschäftswert von Agentic AI messen
Erfahre, wie die Wirtschaftlichkeit von Workflows, Geschäftsergebnisse und der Nutzen für Menschen den wirtschaftlichen Einsatz von Agentic AI überzeugender begründen. https://de.msi.com/blog/ai-insights-beyond-productivity-of-agentic-ai
MSI AI Insights – Ausgabe #002 | Das Unternehmen mit Hybrid AI: Entdecke, wie du anhand der jeweiligen Aufgaben zwischen lokaler, cloudbasierter und hybrider AI entscheidest.
https://de.msi.com/blog/the-hybrid-ai-enterprise
https://de.msi.com/blog/the-hybrid-ai-enterprise
MSI AI Insights – Ausgabe #001 | Der Aufstieg von Agentic AI: Verstehe den Wandel von promptbasierter Assistenz zu AI-Agenten, die mehrstufige Aufgaben ausführen.
https://de.msi.com/blog/the-rise-of-agentic-ai
https://de.msi.com/blog/the-rise-of-agentic-ai
