Was ist ein KI-Agent? Abgrenzung zu Chatbot und Workflow

Was ist ein KI-Agent? Es ist Software, die ein Ziel entgegennimmt, die nächsten Schritte selbst wählt, Werkzeuge einsetzt und das Ergebnis prüft, bevor sie stoppt. Mehr braucht die Definition nicht. Antwortet ein System nur auf eine Eingabe, ist es ein Chatbot. Folgt es einem festen Skript, ist es ein Workflow. Entscheidet es selbst, was als Nächstes passiert, und handelt dann, ist es ein Agent. Hier siehst du, wie du die drei im Ops-Stack auseinanderhältst und wann jeder seinen Platz verdient.

Was ist ein KI-Agent in einer Schleife?

Briefing, 30 Sekunden. Ein Agent läuft in einer Schleife: Er liest die Lage, entscheidet über die nächste Aktion, ruft ein Werkzeug auf, liest die Ausgabe und wiederholt das, bis das Ziel erreicht ist oder eine Grenze greift.

Zapiers Erklärung beschreibt ihn als Software, die autonom ein Ziel verfolgt. Sie nimmt Informationen aus ihrer Umgebung auf, entscheidet und handelt. Bei einem LLM-basierten Agenten ist das Modell der Entscheider, und die Werkzeuge sind die Hände: Websuche, eine Abfrage im CRM (Customer-Relationship-Management-System), ein Dateischreibvorgang, eine Nachricht im Slack.

In der Praxis zählen drei Teile.

• Das Modell. Es liest den Kontext und wählt den nächsten Schritt.

• Die Werkzeuge. Jedes ist eine enge Fähigkeit mit klarer Ein- und Ausgabe: „Suche diesen Account im CRM“, „Lege ein Linear-Issue an“, „Schick den Entwurf in diesen Channel“.

• Die Stoppregel. Eine Zielprüfung, eine Iterationsgrenze oder eine menschliche Freigabe. Ohne Stoppregel kein Produktiveinsatz.

Fehlt einer der drei, ist es kein Agent mehr. Ein Modell ohne Werkzeuge ist ein Chatbot. Werkzeuge ohne ein Modell, das entscheidet, sind ein Skript. Eine Schleife ohne Stoppregel ist ein Vorfall, der auf den nächsten Montagmorgen wartet.

Agent, Chatbot, Workflow: Wo verläuft die Grenze?

Die meiste Verwirrung entsteht, weil Anbieter alles Agent nennen. Die sauberste Trennung kommt aus dem Engineering-Team von Anthropic im Beitrag Building effective agents. Workflows sind „Systeme, in denen LLMs und Werkzeuge über vordefinierte Codepfade orchestriert werden“. Agenten sind „Systeme, in denen LLMs ihre eigenen Prozesse und ihre Werkzeugnutzung dynamisch steuern“.

Übersetzt für eine Ops-Leitung:

• Chatbot. Du entscheidest jeden nächsten Schritt. Typischer Fehler: eine falsche oder vage Antwort. Gut für Entwürfe, Fragen und Zusammenfassungen.

• Workflow. Dein Design entscheidet, im Voraus festgelegt. Typischer Fehler: Er bricht, sobald sich die Form der Eingabe ändert. Gut für wiederholbare Aufgaben mit bekannten Schritten.

• Agent. Das Modell entscheidet zur Laufzeit. Typischer Fehler: eine falsche Aktion in einem Live-System. Gut für offene Aufgaben, deren Schrittzahl unbekannt ist.

Der Fehlermodus ist der Teil, den du zweimal lesen solltest. Ein falscher Chatbot kostet dich eine Minute Nachlesen. Ein falscher Agent kann die falsche Kontaktliste anschreiben oder ein CRM-Feld überschreiben. Autonomie verschiebt das Risiko von der Antwort zur Aktion.

Die meisten „Agenten“, die 2026 Ops-Teams verkauft werden, sind Workflows mit einem Modell in ein oder zwei Schritten. Das ist in Ordnung. Oft ist es das bessere Produkt. Nur solltest du es als Workflow bepreisen und testen, nicht als autonomen Kollegen.

Wie arbeiten KI-Agenten unter der Haube?

Entfernt man das Marketing, hat die Agentenschleife fünf Schritte.

1. Ziel annehmen. „Bereite das Renewal-Briefing für Acme vor dem Donnerstags-Call vor.“

2. Planen. Das Modell zerlegt das Ziel in Schritte. Gute Agenten planen neu, wenn ein Schritt scheitert.

3. Handeln. Das Modell ruft ein Werkzeug mit strukturierten Argumenten auf.

4. Beobachten. Die Ausgabe des Werkzeugs geht zurück in den Kontext des Modells.

5. Entscheiden. Ziel erreicht, weitermachen oder anhalten und einen Menschen fragen.

Die Schritte 3 bis 5 wiederholen sich. Jeder Durchlauf kostet Tokens und Sekunden. Anthropic selbst schreibt, agentische Systeme tauschten „oft Latenz und Kosten gegen bessere Aufgabenleistung“. Dieser Satz gehört über jeden Schreibtisch. Ein einzelner Prompt mit dem richtigen Kontext beantwortet viele Ops-Fragen in zwei Sekunden für einen Bruchteil eines Cents. Ein Agent braucht für dieselbe Antwort vielleicht zwei Minuten und zwanzig Tool-Aufrufe.

Ein Satz zum Gedächtnis. Agenten halten Kurzzeitgedächtnis im Kontextfenster und in manchen Produkten einen längeren Speicher mit Fakten zu deinen Accounts oder Vorlieben. Das Langzeitgedächtnis ist nützlich, aber auch der Ort, an dem veraltete oder falsche Fakten hängen bleiben. Prüfe, was dein Agent sich merkt, so wie du ein CRM-Feld prüfst: Jemand besitzt es, jemand kontrolliert es.

Welche Agententypen gibt es, und welche zählen für Ops?

Lehrbücher listen einfache Reflex-, modellbasierte, zielbasierte, nutzenbasierte und lernende Agenten. Für Prüfungen ist das brauchbar. Für ein Ops-Team reichen drei praktische Kategorien, die fast alles abdecken, was du kaufst oder baust.

Werkzeugnutzende LLM-Agenten. Das Modell ruft APIs auf: CRM, Kalender, Ticketing, E-Mail. Das ist der Großteil der nützlichen Ops-Agenten. Sie sind verlässlich, weil die Aktionen strukturiert und protokollierbar sind.

Computer-Use-Agenten. Das Modell bedient einen Bildschirm, klickt und tippt durch die Oberfläche wie ein Mensch. Nützlich, wenn ein Tool keine API hat. Langsamer und zerbrechlicher, weil eine geänderte Oberfläche einen Lauf brechen kann. Behandle sie als letzten Ausweg.

Multi-Agenten-Systeme. Ein Orchestrator gibt Teilaufgaben an spezialisierte Agenten weiter. In einer Demo wirkt das beeindruckend. Im Betrieb vervielfacht jeder zusätzliche Agent deine Logging- und Debugging-Fläche. Verzichte darauf, bis ein einzelner Agent mit guten Werkzeugen erkennbar an seine Grenze stößt.

Was macht ein KI-Agent im GTM- oder Customer-Success-Team?

Beispiele, die im echten Team halten, haben ein gemeinsames Profil: Das Ziel ist klar, die Werkzeuge sind wenige, und ein Mensch kann das Ergebnis in unter einer Minute prüfen.

• Account-Recherche vor einem Call. Der Agent zieht den CRM-Datensatz, letzte E-Mails, öffentliche Nachrichten und offene Tickets und liefert ein Briefing auf einer Seite. Ein Mensch liest es. Nichts wird verschickt.

• Eingangs-Triage. Er liest einen neuen Lead oder ein Ticket, klassifiziert es, hängt den Kontext an und leitet es in die richtige Warteschlange. Der Agent schlägt vor, eine Regel entscheidet, ob er bei risikoarmen Klassen allein handeln darf.

• Nachbereitung von Meetings. Er macht aus einem Transkript CRM-Updates und einen Entwurf für die Zusammenfassung, der zur Freigabe in der Warteschlange liegt.

• Datenpflege. Er markiert doppelte Accounts, fehlende Felder und veraltete Owner und öffnet pro Charge eine Aufgabe.

Auffällig ist, was fehlt: nichts, das Geld bewegt, Datensätze löscht oder Kunden ohne Prüfung anschreibt. Das ist keine Ängstlichkeit. Es ist der Unterschied zwischen einem Agenten, den du behältst, und einem, den du nach einer schlechten Woche abschaltest.

Wie viel Zeit du sparst, hängt von deinem Volumen und deinem Ausgangswert ab. Miss es in deinem Kontext: Stoppe die Zeit für zehn manuelle Läufe der Aufgabe, dann für zehn Läufe mit Agent einschließlich Prüfung, und vergleiche. Frisst die Prüfung den Gewinn auf, ist die Aufgabe noch nicht agentenreif.

Wann lässt du den Agenten weg?

Anthropics Rat ist deutlich: Die einfachste mögliche Lösung finden und Komplexität nur erhöhen, wenn es nötig ist. Für viele Aufgaben reicht es, einzelne LLM-Aufrufe mit Retrieval und Beispielen im Kontext zu optimieren.

Verzichte auf den Agenten, wenn:

• Die Schritte bekannt sind. Wenn du den Prozess als nummerierte Liste schreiben kannst, bau einen Workflow. Er ist billiger, schneller und leichter zu debuggen.

• Die Aufgabe eine einzelne Transformation ist. Fasse das zusammen, schreibe jenes um, extrahiere diese Felder. Ein Prompt reicht.

• Eine falsche Aktion teuer ist. Abrechnungsänderungen, Vertragsänderungen, Massen-Mails. Halte einen Menschen am Auslöser.

• Du das Ergebnis nicht prüfen kannst. Wenn niemand das Resultat schnell verifizieren kann, hast du ein Vertrauensproblem geschaffen, keine Zeitersparnis.

Hier zahlen sich Slash-Commands aus. Ein Befehl wie /research plus Accountname führt denselben Prompt mit demselben Kontext jedes Mal aus. Eine Kette aus drei Befehlen, /research, dann /summarize, dann /draft-email, deckt einen großen Teil dessen ab, was Leute „agentisch“ nennen, und du drückst zwischen den Schritten selbst Enter. CommanderGPT ist genau so gebaut: gespeicherte Commands, ein Workflow Builder zum Verketten und Team Playbooks zum Teilen. Die Grenze ist aber real. Eine Command-Kette plant nicht neu, wenn Schritt zwei etwas Unerwartetes liefert. Ein Agent kann das. Entscheide anhand der Frage, wie stark deine Eingaben schwanken.

Welche Tools liefern heute Agentenverhalten?

Die Namen wechseln jedes Quartal, also urteile nach dem Muster, nicht nach dem Logo. Du suchst ein Modell, das Werkzeuge aufrufen kann, eine Möglichkeit, jeden Schritt zu sehen, und eine Möglichkeit, es anzuhalten.

Claude ist das Modell, das viele Teams hinter werkzeugaufrufende Agenten setzen, dank starkem Befolgen von Anweisungen und langem Kontext. Es funktioniert als Chat-Oberfläche und als API-gesteuerte Agenten-Engine.

ChatGPT bleibt der Standard, wenn es um Verbreitung geht. Custom GPTs und die eingebauten Werkzeuge decken leichtes Agentenverhalten für Einzelpersonen ab. Beim teamweiten Teilen getesteter Playbooks spürst du die Reibung.

Lindy ist ein No-Code-Baukasten für Task-Agenten, die mit E-Mail, Kalender und CRM verbunden sind. Passt gut, wenn die Aufgabe klar ist und du an einem Nachmittag live gehen willst. Lies das Aktionsprotokoll, bevor du ihm ausgehende Nachrichten anvertraust.

Raycast stellt KI hinter eine Befehlspalette, was sich für schnelle Einzelaufgaben auf deinem eigenen Rechner eignet. Es ist eher eine Befehlsschicht als ein autonomer Agent, und genau das braucht ein einzelner Contributor oft.

Was prüfst du, bevor ein Agent echte Daten anfasst?

Geh diese Liste durch, bevor ein Agent Schreibrechte bekommt. Sie dauert dreißig Minuten und verhindert die meisten schlechten Wochen.

1. Mit Lesezugriff starten. Lass den Agenten zwei Wochen lang recherchieren und entwerfen, bevor er irgendwo schreibt.

2. Die Schleife begrenzen. Lege eine maximale Anzahl Iterationen und ein maximales Budget pro Lauf fest. Anthropic empfiehlt Stoppbedingungen wie eine maximale Anzahl an Iterationen.

3. Jeden Tool-Aufruf protokollieren. Du brauchst Eingabe, Ausgabe und Zeitstempel. Lässt sich ein Tool nicht protokollieren, gib es keinem Agenten.

4. Unumkehrbares absichern. Versand, Löschen, Zahlungen und Rechteänderungen brauchen einen menschlichen Freigabe-Klick.

5. In einer Sandbox testen. Nimm eine Kopie des CRM oder einen Testarbeitsbereich mit realistischem Durcheinander.

6. Zwei Zahlen verfolgen. Wie oft ein Lauf ohne Hilfe durchläuft und wie oft ein Mensch das Ergebnis korrigiert. Beide verschieben sich, wenn sich deine Daten ändern.

7. Einen Owner benennen. Eine Person prüft die Protokolle wöchentlich. Ein Agent ohne Owner driftet ab.

Dein nächster Befehl

Wähle eine Aufgabe, die dein Team mindestens zehnmal pro Woche wiederholt und deren Ergebnis man in unter einer Minute prüfen kann. Account-Recherche gewinnt meist. Schreibe sie zuerst als gespeicherten Befehl und lass ihn zwei Wochen laufen. Schwanken die Eingaben so stark, dass der Befehl ständig bricht, ist das dein Signal, dass die Aufgabe agentenförmig sein könnte. Läuft er jedes Mal sauber, hast du gerade eine Agentenrechnung und eine Debugging-Gewohnheit gespart.

Entscheide dann anhand deiner eigenen Läufe. Forke ein Playbook, miss die Laufzeiten, lies die Protokolle. Mission beendet.