KI-Agenten – Was du jetzt wissen musst

Die meisten Unternehmen haben AI Agents bisher in Sandbox-Umgebungen getestet. Ab jetzt werden sie in Kernprozesse integriert, ob du dabei bist oder nicht.

Stand: April 2026. Die Marktzahlen und Produktdaten in diesem Beitrag geben den damaligen Recherchestand wieder; agentische Systeme und ihre Preismodelle entwickeln sich rasch weiter.

Was ein AI Agent tatsächlich ist, und was nicht

Bevor wir in Zahlen und Praxisbeispiele einsteigen, lohnt eine scharfe Definition. Ein AI Agent ist kein Chatbot mit besserer Autocomplete-Funktion. Der Unterschied liegt in der Autonomie über mehrere Schritte hinweg: Ein Agent erhält ein Ziel, plant eigenständig Teilschritte, führt Aktionen aus, wertet Ergebnisse aus und korrigiert seinen Kurs, alles ohne menschliche Freigabe für jeden Einzelschritt.

Konkret: Du sagst einem herkömmlichen LLM-Chatbot «Extrahiere die Lieferdaten aus diesen 500 Rechnungen.» Er liefert dir eine Antwort. Du sagst einem AI Agent «Stelle sicher, dass alle Lieferantenverträge mit Laufzeit über 2027 auf unsere neue Zahlungsbedingung aktualisiert sind und benachrichtige die zuständigen Account Manager.» Der Agent liest Dokumente, identifiziert relevante Verträge, führt Massenänderungen durch, erstellt eine Zusammenfassung und sendet Benachrichtigungen, ohne dass du jeden Schritt einzeln anstossen musst.

Der aktuelle Marktstand: Zahlen, die Entscheidungen erfordern

Die Adoption-Kurve ist steiler als bei den meisten Enterprise-Technologien der letzten Dekade:

• Von 1 % auf 33 %: Laut aktuellen Prognosen wird der Anteil agentischer KI in Unternehmenssoftware von 1 % (2024) auf 33 % bis 2028 steigen.
• 82 % der Unternehmen planen, AI Agents innerhalb von ein bis drei Jahren zu integrieren.
• 50 % der Unternehmen, die bereits generative KI einsetzen, werden bis 2027 auf Agents setzen, gegenüber 25 % heute.
• 78 % der Befragten planen konkret den Aufbau neuer Agenten-Systeme.

Diese Zahlen bedeuten: Wer heute noch keine Pilotprojekte laufen hat, startet nicht mehr «früh», sondern holt auf. Das ist kein Anlass zur Panik, aber ein klares Signal, den strategischen Zeitplan zu überprüfen.

Laserfiche AI Agents: Ein konkretes Produktionsbeispiel

Ende April 2026 hat Laserfiche auf der Empower-Konferenz seine AI Agents für intelligentes Content-Management vorgestellt, und das ist ein gutes Fallbeispiel, weil es zeigt, wie Agents in etablierten Enterprise-Systemen ankommen.

Die Lösung automatisiert mehrstufige Dokumenten-Workflows per natürlicher Sprache. Ein Anwendungsfall: Ein Nutzer gibt an, alle Dokumente einer bestimmten Kategorie nach definierten Kriterien zu aktualisieren. Der Agent liest die Dokumente, extrahiert relevante Metadaten, führt die Massenänderungen durch und protokolliert alle Schritte, unter den bestehenden Sicherheitskontrollen der Laserfiche-Umgebung.

Was das für die Praxis bedeutet: Der Agent arbeitet nicht ausserhalb des bestehenden Berechtigungsrahmens. Das ist architektonisch wichtig. Viele Unternehmen zögern bei Agents, weil sie Kontrollverlust befürchten. Laserfiche zeigt hier einen Ansatz, bei dem Agents in bestehende Governance-Strukturen eingebettet sind, anstatt parallel dazu zu operieren.

Ab 7. Mai 2026 ist die Funktion für alle Laserfiche Cloud-Nutzer verfügbar. Das ist keine Ankündigung für 2027. Das ist jetzt.

Wo AI Agents heute echten Durchsatz erzeugen

Kundenservice: Messbare Kostenreduktion pro gelöstem Fall

Zendesk verlangt für seine KI-Agenten rund 1.50 US-Dollar pro automatisch gelöster Konversation bei zugesagtem Volumen, Freshworks rechnet seinen autonomen Freddy AI Agent pro Sitzung ab, auf Freshdesk etwa 49 US-Dollar je 100 Sitzungen. Diese Preismodelle für die autonome Ticketlösung zeigen, dass der Markt sich von Sitzplatzlizenzen weg zu outcomebezogener Abrechnung bewegt, ein Zeichen dafür, dass die Anbieter selbst an die Verlässlichkeit ihrer Systeme glauben. Sitzplatzpreise wie die 29 US-Dollar pro Agent und Monat gelten dagegen für Assistenz-Werkzeuge wie Freddy Copilot, die menschliche Mitarbeiter unterstützen, nicht für autonome Agenten.

In der Praxis bedeutet das: Ein mittelgrosses E-Commerce-Unternehmen mit 10’000 Kundenanfragen pro Monat, von denen 60 % ein Agent löst, zahlt für diese rund 6’000 Auflösungen bei zugesagtem Volumen etwa 9’000 US-Dollar, und das nur für die Auflösungen selbst. Hinzu kommen die regulären Platzkosten der Zendesk-Suite, und ohne zugesagtes Volumen liegt der Satz höher. Der Agent entlastet sein Support-Team von repetitiven Tickets, die Gesamtrechnung liegt aber über den reinen Auflösungskosten.

Dokumentenverarbeitung: Von Stunden auf Minuten

In der Finanzbranche werden Kreditanträge, Due-Diligence-Unterlagen und Compliance-Dokumente heute noch zu einem grossen Teil manuell geprüft. Ein Agent kann einen strukturierten Kreditantrag in unter zwei Minuten auf vollständige Felder prüfen, fehlende Dokumente anfordern und eine vorläufige Risikobewertung erstellen, Aufgaben, die einen Junior-Analysten 45 Minuten kosten.

IT-Operations: Automatische Incident-Triage

Im IT-Bereich setzen erste Unternehmen Agents ein, die eingehende Incidents aus Monitoring-Systemen lesen, Playbooks konsultieren, Standard-Fixes automatisch ausführen und erst bei Ausnahmen eskalieren. Der Durchsatz an selbst gelösten Incidents steigt, die Mean Time to Resolution sinkt.

Die drei grössten Stolperfallen bei der Einführung

1. Den Agent als Black Box behandeln

Wer einen Agent deployt, ohne Observability einzurichten, kauft sich technische Schulden. Du musst wissen, welche Entscheidungen ein Agent getroffen hat und warum, nicht nur für Debugging, sondern für regulatorische Anforderungen. DSGVO und branchenspezifische Compliance (z.B. MiFID II im Finanzbereich) verlangen Nachvollziehbarkeit.

Konkret: Definiere vor dem ersten Deployment, welche Logs du brauchst, wer Zugriff darauf hat und wie lange sie aufbewahrt werden müssen.

DACH-Einordnung: Wer Agents auf Kunden- oder Personendaten ansetzt, arbeitet je nach Standort in unterschiedlichen Rechtsrahmen. In der Schweiz gilt das revidierte Datenschutzgesetz (revDSG), in Deutschland und der EU die DSGVO, ergänzt um das BDSG, in Österreich die DSGVO zusammen mit dem nationalen DSG. Für Nachvollziehbarkeit, Protokollierung und Zugriffsrechte lohnt sich der frühe Blick in den für dich massgeblichen Rahmen. Eine praxisnahe Einführung findest du in unseren Grundlagen zum Datenschutz bei KI. Das ist keine Rechtsberatung; im Zweifel prüfst du die konkrete Umsetzung mit einer Fachperson.

2. Den Agent mit zu wenig Kontext starten

Ein Agent ist nur so gut wie die Daten und Werkzeuge, auf die er zugreifen kann. Ein häufiger Fehler: Unternehmen deployen Agents mit Zugang zu einem System, obwohl der vollständige Workflow drei Systeme umfasst. Der Agent kann dann zwar Teilaufgaben erledigen, braucht aber trotzdem menschliche Überbrückung, und der ROI bleibt aus.

Mapping-Übung vor dem Deployment: Zeichne den kompletten Workflow auf, identifiziere alle benötigten Datenquellen und APIs, und stell sicher, dass der Agent tatsächlich Zugang zu allen davon hat.

3. Mitarbeitende nicht einbeziehen

AI Agents ersetzen in der Regel keine Stellen. Sie verändern Tätigkeitsprofile. Ein Support-Mitarbeitender, dessen Routine-Tickets ein Agent übernimmt, muss jetzt komplexere Eskalationen bearbeiten. Das erfordert andere Skills und ein anderes Wissensmanagement.

Unternehmen, die Agents einführen, ohne Mitarbeitende in den Prozess zu holen, kämpfen gegen Sabotage durch Inaktivität: Tickets werden so formuliert, dass der Agent sie nicht lösen kann, Outputs werden nicht genutzt, Fehler werden nicht gemeldet.

Architektur-Entscheidungen, die du jetzt treffen musst

Für IT-Professionals und Business Analysten, die gerade an Konzepten arbeiten, sind das die relevanten Weichenstellungen:

Single-Agent vs. Multi-Agent-Systeme: Für einfache, klar abgegrenzte Workflows reicht ein einzelner Agent. Sobald Aufgaben parallele Workstreams oder spezialisiertes Domänenwissen erfordern, lohnt sich ein Orchestrator-Modell mit spezialisierten Sub-Agents. Komplexität kostet Latenz und erhöht Fehleranfälligkeit. Starte einfach.

Retrieval-Augmented vs. Fine-Tuned Models: Für unternehmensinternen Kontext sind RAG-Architekturen (Retrieval-Augmented Generation) in den meisten Fällen praktikabler als Fine-Tuning. Sie ermöglichen es, dem Agent Zugang zu aktuellen internen Dokumenten zu geben, ohne das Modell selbst regelmässig neu zu trainieren.

Human-in-the-Loop-Schwellen definieren: Lege fest, ab welchem Confidence-Score oder bei welchen Aktionstypen ein Agent eine menschliche Freigabe einholen muss. Das ist keine technische Frage, sondern eine Business-Entscheidung: Welche Fehler sind akzeptabel, welche nicht?

Fazit: Die Pilotprojekt-Phase läuft aus

Die Zahlen und Produktionsbeispiele zeigen dasselbe Bild: AI Agents verlassen 2026 die Sandbox. Mit Laserfiche ab dem 7. Mai für alle Cloud-Nutzer, outcomebasierten Preismodellen im Kundenservice und messbarer Zeitersparnis in der Dokumentenverarbeitung ist der Produktivbetrieb keine Zukunftsmusik mehr, sondern Gegenwart.

Für dich als IT-Professional oder Business Analyst heisst das: Der richtige Zeitpunkt für ein erstes Pilotprojekt ist nicht «irgendwann 2027», sondern dieses Quartal. Wähle einen klar abgegrenzten Workflow mit messbarem Outcome, richte von Anfang an Observability ein, gib dem Agent Zugang zu allen nötigen Systemen und definiere die Human-in-the-Loop-Schwellen, bevor du startest. Wer die drei Stolperfallen oben vermeidet, kommt schneller vom Pilot zum produktiven Durchsatz, ohne Kontrolle abzugeben.