Der Unterschied lässt sich in einem Satz sagen: Eine Automation führt Regeln aus, die du vorher festgelegt hast. Ein KI Agent trifft Entscheidungen, die du vorher nicht alle festlegen konntest.
Alles andere folgt daraus. Eine Automation ist vorhersagbar, günstig im Betrieb und macht bei gleichem Input immer dasselbe. Ein Agent kommt mit Formulierungen klar, an die niemand gedacht hat, ist dafür aber teurer, langsamer und nie zu hundert Prozent vorhersagbar.
Beides ist gut, nur eben für unterschiedliche Aufgaben. Und weil „KI Agent“ gerade das Wort ist, das alle benutzen, landen erstaunlich viele Anfragen bei der teureren Variante für ein Problem, das die günstigere längst gelöst hätte.
Was ein Agent tatsächlich tut
Hinter dem Wort steckt kein Mysterium, sondern ein Ablauf in vier Schritten. Der Agent bekommt eine Aufgabe und einen Eingang, also eine Mail, ein Dokument oder eine Nachricht. Er liest das und entscheidet, worum es geht. Er darf dabei Werkzeuge benutzen, im CRM nachsehen, einen Preis nachschlagen, einen Eintrag anlegen. Und er schreibt ein Ergebnis zurück, das entweder direkt verwendet oder einem Menschen vorgelegt wird.
Der entscheidende Teil ist der zweite: entscheiden. Genau dafür zahlst du. Alles andere, also nachsehen, eintragen und verschicken, ist die gleiche stumpfe Arbeit wie in jeder Automation und kostet als Automation deutlich weniger.
Wann eine Automation reicht
Wenn du den Ablauf als Wenn-Dann-Kette aufschreiben kannst, brauchst du keine KI. Ein Kontaktformular, das je nach Betreff an die richtige Person geht, eine Bestätigungsmail auslöst und einen Eintrag im CRM anlegt, ist eine Automation, auch wenn es nach außen intelligent wirkt.
- Die Eingaben sind strukturiert: Formularfelder, Tabellenzeilen, Bestelldaten.
- Es gibt eine überschaubare Zahl von Fällen, und du kennst sie alle.
- Das Ergebnis muss jedes Mal exakt gleich sein, bei Rechnungen zum Beispiel.
- Der Ablauf läuft oft. Hunderte Male am Tag sind für eine Automation kein Kostenfaktor, für einen Agenten schon.
- Es muss nachvollziehbar sein, warum etwas passiert ist. Eine Regel kann man vorzeigen, eine Einschätzung nur begründen.
Der letzte Punkt wird unterschätzt. Bei allem, wo später jemand fragen könnte, warum etwas so entschieden wurde, also bei Preisnachlässen, Fristen und Zuständigkeiten, ist eine Regel nicht nur billiger, sondern schlicht die bessere Antwort.
Wann sich ein KI Agent lohnt
Sobald am Anfang unstrukturierter Text, Sprache oder ein Dokument steht, wird es interessant. Eine Mail, in der ein Kunde in drei Absätzen erklärt, was er möchte, lässt sich nicht mit Wenn-Dann auseinandernehmen. Genau dafür sind Agenten gebaut.
Unstrukturierter Input
Freitext-Mails, PDFs in wechselnden Formaten, Sprachnachrichten, Chatverläufe. Überall dort muss die relevante Information erst herausgelesen werden, bevor überhaupt eine Regel greifen kann.
Viele mögliche Fälle
Wenn eine ehrliche Liste aller Varianten länger wäre als eine Seite, lohnt sich der Agent gegenüber hundert Regeln, die niemand mehr pflegt. Regelwerke, die keiner mehr versteht, sind auf Dauer teurer als das Modell.
Sprache als Ergebnis
Zusammenfassungen, Antwortentwürfe, Beschreibungen. Textbausteine wirken hier immer wie Textbausteine, während ein Agent entlang des konkreten Falls formuliert.
Der Ablauf ändert sich ständig
Wo Formate, Absender oder Anforderungen ständig wechseln, altert ein starres Regelwerk schnell. Ein Agent, dem man die Aufgabe beschreibt, hält solche Änderungen besser aus.
Die meisten guten Lösungen sind Mischungen. Ein Agent liest die Mail und entscheidet, worum es geht, und eine ganz normale Automation macht danach die stumpfe Arbeit. Der Agent übernimmt den unsicheren Teil, die Automation den Rest.
Drei Beispiele, wie die Aufteilung konkret aussieht
Anfrage per Mail
Der Agent liest die Mail, erkennt Leistung, Ort und Dringlichkeit und ordnet sie einer Kategorie zu. Danach übernimmt die Automation: Eintrag im CRM, Zuweisung an die richtige Person, Eingangsbestätigung an den Kunden. Der Agent trifft eine Entscheidung, die Automation macht vier Handgriffe.
Rechnungseingang
Der Agent liest das PDF und holt Rechnungsnummer, Betrag, Datum und Lieferant heraus, egal in welchem Layout. Die Automation legt die Datei richtig benannt ab, trägt sie ein und meldet Abweichungen zur Bestellung. Alles, was nicht eindeutig ist, geht zur Prüfung an einen Menschen.
Antwort auf eine Support-Frage
Der Agent sucht die passende Information zusammen und schreibt einen Entwurf im Ton des Hauses. Verschickt wird er erst nach einem Klick. Der Zeitgewinn liegt nicht im Tippen, sondern im Suchen, und die Verantwortung bleibt beim Menschen.
Die Kostenfrage, ehrlich gerechnet
Eine Automation kostet in der Einrichtung Zeit und danach fast nichts. Ein Agent kostet pro Vorgang, wenig zwar, aber eben pro Vorgang. Bei fünfzig Vorgängen am Tag fällt das nicht auf. Bei fünftausend ist es ein Posten, den man vorher durchrechnet.
Eine Größenordnung: Eine Mail lesen, einordnen und einen kurzen Entwurf schreiben liegt je nach Modell im Bereich weniger Cent. Bei fünfzig Mails am Tag sind das ein paar Euro im Monat, gegen mehrere Stunden Arbeitszeit gerechnet also eine leichte Entscheidung. Bei einer Million Vorgängen im Jahr sieht dieselbe Rechnung anders aus, und dann lohnt es sich, den Agenten nur für die Fälle einzusetzen, die eine Regel nicht abdeckt.
Dazu kommt der Teil, den fast alle unterschätzen: Ein Agent braucht Kontrolle. Stichproben, klare Grenzen und einen definierten Punkt, an dem ein Mensch übernimmt. Das ist kein Argument dagegen, es gehört einfach in die Rechnung.
Ein Agent, der zu 95 Prozent richtig liegt, ist großartig für Vorschläge und riskant für Rechnungen. Der Unterschied liegt nicht in der Technik, sondern darin, was der Fehler kostet.
Drei Stufen der Kontrolle
Die Frage ist nie, ob ein Agent überhaupt darf, sondern wie viel Leine er bekommt. Es gibt drei Stufen, und man beginnt fast immer bei der ersten.
- Der Agent schlägt vor, ein Mensch bestätigt. Nichts verlässt das Haus ohne Klick. Richtig für alles, was beim Kunden landet oder Geld bewegt.
- Der Agent arbeitet allein, ein Mensch prüft Stichproben. Sinnvoll, sobald die Trefferquote über Wochen stabil ist und ein Fehler korrigierbar bleibt.
- Der Agent arbeitet allein, Grenzfälle gehen an einen Menschen. Der Normalfall im Dauerbetrieb: Was der Agent nicht sicher zuordnen kann, meldet er selbst, statt zu raten.
Die dritte Stufe funktioniert nur, wenn der Agent seine eigene Unsicherheit melden darf. Ein System, das immer eine Antwort produzieren muss, produziert im Zweifel eine falsche.
Woran Agenten-Projekte scheitern
Wenn so ein Projekt schiefgeht, liegt es fast nie am Modell. Es liegt an drei anderen Dingen.
- Die Aufgabe war nie klar formuliert. „Kümmert sich um die Mails“ ist keine Aufgabe. „Ordnet jede Mail einer von sechs Kategorien zu und zieht Name, Ort und gewünschten Termin heraus“ ist eine.
- Der Agent kommt nicht an die Daten. Ohne Zugriff auf Preisliste, Kundenhistorie oder Verfügbarkeit rät er, und raten sieht bei Sprachmodellen erstaunlich souverän aus.
- Es gibt keinen Ausweg für Grenzfälle. Ohne definierten Übergabepunkt landet der unsichere Fall entweder falsch bearbeitet beim Kunden oder gar nicht mehr irgendwo.
Die Entscheidung in drei Fragen
- Kannst du den Ablauf in Wenn-Dann-Sätzen aufschreiben? Wenn ja, reicht eine Automation. Wenn nein, lies weiter.
- Steht am Anfang Freitext, Sprache oder ein Dokument? Wenn ja, brauchst du einen Agenten, zumindest für diesen einen Schritt.
- Was kostet ein Fehler? Wenig: Der Agent darf allein arbeiten. Viel: Der Agent schlägt vor, ein Mensch bestätigt.
Wer mit diesen drei Fragen anfängt, landet erstaunlich oft bei einer kleinen, günstigen Lösung, und genau die läuft dann jahrelang, ohne dass jemand darüber reden muss.
Und wenn am Ende doch ein Agent dasteht, dann für den einen Schritt, an dem er wirklich etwas kann. Das ist der Unterschied zwischen einem Projekt, das nach drei Monaten noch läuft, und einem, über das nach drei Monaten niemand mehr spricht.
- Eine Automation führt festgelegte Regeln aus, ein Agent trifft Entscheidungen im Graubereich.
- Strukturierter Input und klare Fälle sprechen für eine Automation, Freitext, Sprache und Dokumente für einen Agenten.
- Die beste Lösung ist meistens beides: ein Agent für den unsicheren Schritt, eine Automation für den Rest.
- Wie viel Kontrolle ein Agent braucht, hängt nicht von der Technik ab, sondern davon, was ein Fehler kostet.
- Wo jemand später fragen könnte, warum etwas so entschieden wurde, ist eine Regel die bessere Antwort.
- Gescheitert wird an unklaren Aufgaben, fehlendem Datenzugriff und fehlenden Übergabepunkten, nicht am Modell.
Häufige Fragen dazu
Ist ein KI Agent dasselbe wie ein Chatbot?
Nein. Ein Chatbot unterhält sich mit jemandem, ein Agent erledigt eine Aufgabe. Er liest Eingänge, entscheidet, ruft Systeme auf und schreibt Ergebnisse zurück. Die meisten Agenten, die ich baue, haben überhaupt keine Chat-Oberfläche.
Landen dabei Kundendaten bei einem KI-Anbieter?
Nur, wenn du das so entscheidest, und dann sauber geregelt: europäische Verarbeitung, Auftragsverarbeitungsvertrag, keine Nutzung der Daten für Training. Für sensible Fälle lässt sich der Agent auch so bauen, dass die kritischen Daten den Betrieb nie verlassen.
Kann ich klein anfangen und später ausbauen?
Das ist sogar der übliche Weg. Erst kommt die regelbasierte Automation, die den Ablauf ohnehin braucht, und sobald klar ist, an welcher Stelle die Regeln nicht reichen, kommt genau dort ein Agent dazu.
Wie merke ich, ob der Agent gut genug ist?
Indem du es misst, bevor er allein arbeitet. Zwei Wochen im Vorschlagsmodus, jeden Fall kurz prüfen, Treffer und Fehler zählen. Danach kennst du die Quote, statt sie zu schätzen, und hast nebenbei die Beispiele gesammelt, mit denen sich die Schwachstellen beheben lassen.
Was passiert, wenn sich das Modell dahinter ändert?
Deshalb wird die Aufgabe getrennt vom Modell beschrieben. Ein Wechsel ist dann eine Umstellung plus ein Testlauf mit den gesammelten Beispielen, kein neues Projekt. Wer sich stattdessen fest an einen Anbieter bindet, zahlt das später beim ersten Preis- oder Modellwechsel.
