„Baue jetzt drei KI-Agenten in fünf Minuten. Kannst Du nicht? Selbst schuld–alle anderen können es.“

KI-Agenten bauen? Ohne Programmierkenntnisse. In wenigen Minuten. Für nahezu jeden Anwendungsfall. Kein Problem. Zumindest könnte man diesen Eindruck gewinnen, wenn man durch LinkedIn scrollt, Fachartikel liest oder die einschlägigen KI-Videos verfolgt.

Für Geschäftsführerinnen und Geschäftsführer, Entscheiderinnen und Entscheider sowie operative Teams klingt das zunächst nach einer guten Nachricht. Und das ist es auch. Allerdings nur bedingt. Denn zwischen den Zeilen verbirgt sich eine deutlich weniger angenehme Botschaft: Wer heute noch keine KI-Agenten baut, scheint den Anschluss zu verlieren, nicht zukunftsfähig zu sein und Potenziale ungenutzt zu lassen. Und vielleicht ist es nur noch eine Frage der Zeit, bis der Wettbewerb vorbeizieht.

Willkommen im Hype

Genau das, was derzeit durch Medien, soziale Netzwerke und Unternehmenspräsentationen rauscht, trägt alle klassischen Merkmale eines Hypes in sich: eine neue Technologie, beeindruckende Demos, riesige Erwartungen und die Verheißung, dass plötzlich alles einfacher wird.

Nur eines gerät dabei häufig in den Hintergrund: die Realität. Die Ernüchterung beginnt meist in dem Moment, in dem aus einer überzeugenden Idee eine belastbare Lösung werden soll. Denn zwischen einem Agenten, der in einer Demo erstaunlich gut funktioniert, und einem Agenten, der im Unternehmensalltag zuverlässig arbeitet und einen echten wirtschaftlichen Nutzen schafft, liegen Welten.

Deshalb lohnt sich eine kleine, aber entscheidende Unterscheidung: KI-Agenten sind nicht der Hype. Der Hype ist die Vorstellung, mit ihnen in fünf Minuten ein Unternehmen zu revolutionieren.

Am Anfang steht nicht das Tool

Die meisten Projekte beginnen mit einem einfachen Gedanken: Das müsste doch auch eine KI für mich erledigen können.

Vielleicht geht es darum, täglich Informationen zusammenzutragen, Kundenanfragen vorzubereiten, Dokumente zu prüfen, Leads zu recherchieren oder einen Prozess zu beschleunigen, der bislang viel Zeit und noch mehr Geduld gekostet hat. Irgendwann entsteht daraus die Idee, einen KI-Agenten einzusetzen. Und genau an diesem Punkt wird häufig der erste Fehler gemacht: Es wird nach einem Tool gesucht. Dabei ist die entscheidende Frage zunächst eine andere: Was soll der Agent eigentlich konkret tun?

Ein Agent für den Vertrieb ist noch keine Aufgabe. Ein Agent, der jeden Morgen neue Leads aus definierten Quellen identifiziert, die dahinterstehenden Unternehmen recherchiert, relevante Informationen zusammenträgt und daraus eine Gesprächsvorbereitung erstellt, kommt der Sache deutlich näher. Auf den ersten Blick wirkt dieser Unterschied gering. In der Praxis ist er jedoch entscheidend. Denn erst wenn ein Problem in konkrete und sinnvolle Handlungsschritte zerlegt wurde, lässt sich bestimmen, welche Fähigkeiten ein Agent tatsächlich benötigt.

Aus einer Idee wird ein(e) Mitarbeiter:in

Jetzt wird es interessant. Denn plötzlich geht es nicht mehr nur darum, was der Agent tun soll. Es geht ebenso darum, was er dafür wissen muss. Vielleicht benötigt er Informationen aus dem Internet. Vielleicht Unternehmensdokumente, ein CRM-System, eine Datenbank oder ein ERP. Möglicherweise muss er auf Kalender oder E-Mails zugreifen. Eventuell soll er am Ende nicht nur Empfehlungen liefern, sondern selbst Aktionen auslösen.

Damit verändert sich seine Rolle grundlegend. Der Agent ist nicht länger nur ein(e) besonders kluge(r) Gesprächspartner:in. Der Agent wird zu einer Art digitale(r) Kolleg:in. Und genauso wie bei einem neuen Mitarbeitenden reicht es nicht aus, die Stellenbeschreibung zu übergeben und anschließend auf das Beste zu hoffen. Man muss festlegen, auf welches Wissen der neue Mitarbeitende zugreifen darf und wo dieses Wissen liegt. Man muss definieren, welche Aufgaben zu übernehmen sind, wo die Grenzen verlaufen und in welchen Situationen ein Mensch eingreifen muss.

Genau hier macht sich Erfahrung bezahlt.

Gute KI-Expertinnen und -Experten fragen daher nicht nur, was technisch möglich ist. Sie fragen auch, was sinnvoll, sicher und wirtschaftlich tragfähig ist. Und vor allem aber, was sich tatsächlich in bestehende Arbeitsabläufe integrieren lässt. Diese Entscheidungen sind kein Beiwerk eines Agentenprojekts. Sie bilden dessen Fundament.

Dann kommt die Technologie

Erst jetzt ist der richtige Zeitpunkt gekommen, über Technologie zu sprechen. Und genau hier wartet für viele die eigentliche Überraschung. Brauche ich überhaupt eine Agenten-Plattform oder reicht auch eine Automatisierung? Welche Schnittstellen werden benötigt? Wie gelangen meine Unternehmensdaten in den Agenten? Was passiert, wenn ein System keine geeignete Schnittstelle bereitstellt?  Wo werden die Daten verarbeitet? Wie authentifiziert sich der Agent? Welche Rechte erhält er? Wie lässt sich die Lösung sicher betreiben und skalieren? Was kostet der Betrieb? Und was passiert, wenn der Agent eine Entscheidung trifft, die niemand vorhergesehen hat?

Aus der Idee, „mal eben“ einen KI-Agenten zu bauen,  ist plötzlich ein Projekt geworden. Das bedeutet nicht, dass es heute schwierig wäre, einen ersten Agenten zu bauen. Ganz im Gegenteil. Moderne Werkzeuge ermöglichen bereits ohne tief gehende Programmierkenntnisse erstaunlich viel. Ein Agent lässt sich definieren, mit Anweisungen und Wissen ausstatten und innerhalb kurzer Zeit einen ersten Prototypen erzeugen.

Und dann passiert etwas Faszinierendes: Der Agent funktioniert. Zumindest auf den ersten Blick. Genau das ist der Moment, in dem viele versucht sind, das Projekt bereits als Erfolg zu betrachten. Dabei beginnt die eigentliche Arbeit erst jetzt.

Der erste Test ist kein Beweis

Ein KI-Agent sollte nicht an der einen Aufgabe gemessen werden, die ihm zufällig besonders gut gelungen ist. Er muss sich an der Realität beweisen. An zwanzig, fünfzig oder hundert echten Anwendungsfällen. An vollständigen und unvollständigen Daten, an klar formulierten Fragen und unklaren Situationen, an Standardfällen und Ausnahmen. Denn die Realität hält sich selten an den Ablauf, den man bei der Entwicklung vorgesehen hat.

Vielleicht fehlt eine Information. Vielleicht liefern zwei Quellen widersprüchliche Ergebnisse. Vielleicht interpretiert der Agent eine Anfrage falsch. Vielleicht wäre eine Rückfrage erforderlich, doch der Agent entscheidet sich dennoch für eine Antwort. Genau hier trennt sich der beeindruckende Prototyp von einer belastbaren Lösung.

Jetzt beginnt die Feinarbeit: Regeln werden geschärft, Anweisungen verbessert, Wissensquellen ergänzt. Systeme werden verbunden und Kontrollmechanismen eingebaut. Gleichzeitig muss definiert werden, welche Entscheidungen der Agent eigenständig treffen darf und an welchen Stellen ein Mensch eingebunden werden muss: Aus dem Experiment wird Entwicklung.

Der eigentliche Härtetest heißt Realität

Irgendwann stellt sich die entscheidende Frage: Kann dieser Agent tatsächlich produktiv eingesetzt werden?  Das ist der Moment der Wahrheit.

Denn zwischen einem Agenten, der in einer Testumgebung beeindruckt, und einem Agenten, der täglich von hundert Menschen genutzt wird, liegt ungefähr so viel Unterschied wie zwischen einer Probefahrt auf einem leeren Parkplatz und dem Berufsverkehr auf der A9.

Im produktiven Betrieb rücken plötzlich Themen in den Vordergrund, über die bei Prototypen oft nur am Rande gesprochen wird:

·     Sicherheit

·     Berechtigungen

·     Datenschutz

·     Stabilität

·     Monitoring

·     Skalierbarkeit

Und vor allem die Frage, ob der Agent dort ankommt, wo er tatsächlich gebraucht wird. Denn ein Agent, der theoretisch fünf Stunden Arbeit pro Tag spart, aber von den Mitarbeitenden nicht genutzt wird, ist keine erfolgreiche KI-Lösung. Ein Agent, der hervorragende Ergebnisse liefert, diese aber nicht in bestehende Arbeitsabläufe integriert, ebenfalls nicht. Und ein technisch perfekter Agent, der einen Prozess automatisiert, der eigentlich komplett neu gedacht werden müsste, löst womöglich ein Problem, das längst nicht mehr existieren sollte. Technologie ist schließlich kein Selbstzweck.

„Go Live“ ist nicht das Ende

Ein guter Agent ist mit dem „Go Live“ nicht fertig. Seine eigentliche Bewährungsprobe beginnt erst dann. Jetzt zeigt sich, wie er unter realen Bedingungen arbeitet. Wo Menschen eingreifen müssen, welche Fehler auftreten, und welche Daten fehlen. Welche Aufgaben besonders gut funktionieren und welche neuen Möglichkeiten sich aus dem tatsächlichen Einsatz ergeben.

Ein guter KI-Agent entwickelt sich weiter. Gemeinsam mit dem Unternehmen. Genau darin liegt der Unterschied zwischen KI-Spielerei und echter KI-Transformation.

Einen Agenten zu bauen, ist heute tatsächlich erstaunlich einfach geworden. Einen Agenten zu entwickeln, der reale Probleme zuverlässig löst, mit bestehenden Systemen zusammenarbeitet, sicher betrieben werden kann und langfristig messbaren wirtschaftlichen Nutzen erzeugt, ist dagegen eine völlig andere Disziplin.

Das eine ist Experimentieren. Das andere ist Engineering. Dazwischen liegen zahlreiche Entscheidungen.

Die Frage ist nicht, wie viele Agenten du hast

Vielleicht sollten wir aufhören, Unternehmen danach zu beurteilen, wie viele KI-Agenten sie bereits gebaut haben. Drei Agenten in fünf Minuten sind kein Wettbewerbsvorteil. Zehn Agenten auch nicht. Entscheidend ist, was danach passiert.

Ob aus einer Idee ein funktionierender Prozess wird. Ob aus einem Prototypen eine belastbare Anwendung wird. Ob aus Technologie messbarer wirtschaftlicher Nutzen entsteht.

Genau hier setzt unsere Arbeit im CodeCamp:N an. Wir entwickeln nicht einfach den nächsten Agenten, weil es technisch möglich ist. Wir analysieren, wo KI in einem Unternehmen tatsächlich einen Unterschied machen kann, welche Voraussetzungen dafür geschaffen werden müssen und wie aus einer guten Idee eine Lösung entsteht, die im Alltag zuverlässig funktioniert.

‍

Denn am Ende zählt nicht, wie viele Agenten ein Unternehmen gebaut hat. Es zählt, was sie im Unternehmen verändern.

‍