Ein KI-Agent ist ein KI-System, das einen Aufgabenraum wahrnimmt, eigene Handlungsschritte plant, Werkzeuge nutzt und aus Rückmeldungen lernt, mit einem Autonomiegrad, der über den eines Chatbots oder einer regelbasierten Automatisierung hinausgeht. Diese Definition kommt formal aus Artikel 3 des EU-AI-Act und klassisch aus dem Lehrbuch von Russell und Norvig.
Für ein kleines und mittleres Unternehmen (KMU) mit zehn bis achtzig Mitarbeitenden ist die Definition nur der Einstieg. Die wichtigere Frage ist, was ein Agent von einem Chatbot, einem RPA-Skript und einem einfachen LLM-Tool trennt, und unter welchen Bedingungen sich der Einsatz wirtschaftlich lohnt. Diese Seite ordnet beides.
Das Wichtigste in Kürze
- Ein KI-Agent verfolgt ein Ziel, nicht ein Skript. Er wählt seine nächsten Schritte selbst: innerhalb einer definierten Grenze.
- Architektonisch läuft jeder Agent durch die vier Funktionen Wahrnehmen, Planen, Handeln und Lernen. Die ersten drei genügen, das Lernen unterscheidet anpassungsfähige von festen Agenten.
- Formal ist ein KI-Agent ein KI-System nach Art. 3 (1) der Verordnung (EU) 2024/1689 mit erhöhter Autonomie. Klassisch ist er ein rationaler Agent im Sinne von Russell/Norvig 2021, Kap. 2.
- Ein Agent unterscheidet sich von einem Chatbot, einem RPA-Skript oder einem reinen LLM-Tool in Zielbindung, Schritt-Wahl und Werkzeug-Zugang.
- Im Mittelstand lohnt sich ein Agent dann, wenn die Aufgabe wiederkehrend ist, Fehler tragbar sind und die Werkzeuge erreichbar bleiben. Stand 2026-05-28.
Direktantwort: Was ist ein KI-Agent?
Ein KI-Agent ist ein KI-System mit erhöhter Autonomie, das für ein gegebenes Ziel Wahrnehmungen verarbeitet, Schritte plant, Werkzeuge benutzt und aus dem Ergebnis lernt. Der EU-AI-Act, Verordnung (EU) 2024/1689, definiert in Artikel 3 (1) ein KI-System als „maschinengestütztes System, das mit unterschiedlichem Grad an Autonomie operiert ... und für ausdrückliche oder implizite Ziele Outputs erzeugt". Ein Agent ist die Ausprägung dieses KI-Systems, deren Autonomiegrad praktisch sichtbar wird: Er wählt die Reihenfolge seiner Handlungen selbst.
Russell und Norvig formulieren denselben Gedanken klassisch: Ein Agent ist alles, was über Sensoren seine Umgebung wahrnimmt und über Aktoren auf diese einwirkt; ein rationaler Agent wählt die Handlung, die sein Performance-Maß maximiert (Russell/Norvig 2021, Kap. 2.1). In dieser Lesart ist auch ein Thermostat ein Agent. Heute ist die Erwartung enger: ein softwarebasierter Agent, der ein Sprachmodell oder ein anderes lernendes Modell einsetzt und Werkzeuge in einer digitalen Umgebung bedient.
Aus beiden Definitionen folgt dasselbe Prüfkriterium: Hat das System ein Ziel, wählt es Handlungen selbst, hat es Werkzeuge zur Hand? Wenn eine Bedingung fehlt, handelt es sich um einen Chatbot, ein RPA-Skript oder einen LLM-Aufruf.
Architektur: Wahrnehmen, Planen, Handeln, Lernen
Ein KI-Agent durchläuft vier Funktionen, die zusammen seinen Arbeitszyklus bilden: Wahrnehmen, Planen, Handeln, Lernen. Diese Vier-Funktionen-Struktur ist seit Russell und Norvig (2021, Kap. 2.4) Standard und wird in der aktuellen Fachliteratur konsistent übernommen.
Wahrnehmen. Der Agent erfasst Eingaben aus seiner Umgebung: eine eingehende Mail, ein Datensatz aus dem ERP, eine Anfrage aus dem Ticketsystem. Dazu zählt auch sein eigener Zustand: Auftrag, Performance-Maß, bisherige Schritte.
Planen. Der Agent leitet aus der Wahrnehmung Handlungen ab und entscheidet sich für eine Reihenfolge. Das ist der eigentliche Unterschied zum Chatbot und zur Automatisierung. Bei LLM-basierten Agenten übernimmt das Sprachmodell diese Planung.
Handeln. Der Agent führt einen Schritt aus: Werkzeug-Aufruf, API-Anfrage, Datei-Bearbeitung. Ohne Werkzeug-Zugang bleibt der Agent ein reines Sprachmodell.
Lernen. Der Agent vergleicht Ergebnis und Ziel und passt entweder den nächsten Schritt oder das zugrundeliegende Modell an. Nicht jeder Agent lernt im engeren Sinn; einfache Agenten wiederholen den Plan, anpassungsfähige korrigieren sich.
Praktisch wird das Schema dort, wo Sie entscheiden, wer die vierte Funktion verantwortet: Lernen geschieht nur dann sauber, wenn ein Mensch das Ergebnis zurückmeldet. Sonst lernt der Agent aus Stille.
Abgrenzung: Agent vs. Chatbot vs. RPA vs. LLM-Tool
Ein KI-Agent ist nur eines von vier Systemen, die in der KMU-Diskussion regelmäßig miteinander verwechselt werden. Die folgende Vier-Begriffs-Matrix trennt sie entlang von drei Prüfkriterien: hat das System ein Ziel statt eines Skripts, wählt es Schritte selbst, nutzt es Werkzeuge über den Dialog hinaus.
| Begriff | Ziel statt Skript | Eigene Schritt-Wahl | Werkzeug-Zugang | Typisches Beispiel |
|---|---|---|---|---|
KI-Agent | ja | ja | ja | Agent, der eine Markt-Recherche eigenständig führt und einen Bericht abliefert |
Chatbot | nein (Dialog-Skript) | begrenzt | meist nein | FAQ-Bot mit Antwort-Bäumen |
RPA-Automatisierung | nein (Regel-Ablauf) | nein | ja, aber fest verdrahtet | Bot, der Rechnungen aus einem Postfach in das ERP einliest |
LLM-Tool | nein (einzelne Antwort) | nein | nein | ChatGPT-Eingabe ohne Aufgaben-Kontext |
Die Tabelle ersetzt drei häufige Missverständnisse: dass ein Chatbot mit ML-Komponente automatisch ein Agent sei (das Dialog-Skript bleibt), dass ein RPA-Bot mit angeflanschtem Sprachmodell ein Agent sei (nur, wenn er die Schritt-Reihenfolge selbst wählt), und dass jede LLM-Nutzung agentisch sei (sie wird es erst durch Ziel, Werkzeug und Schleife).
Der praktische Hebel liegt im Verantwortungs-Schnitt, nicht im Etikett. Ein Agent benötigt eine Rolle mit Aufgabenbrief, Verantwortungsgrenze und Eskalationskante; diesen Rollen-Schnitt führt der Beitrag „Was sind KI-Agenten?".
Ziel statt Skript, eigene Schritt-Wahl, Werkzeug-Zugang: Fehlt eines der drei Kriterien, ist es kein KI-Agent, sondern ein Chatbot, ein RPA-Bot oder ein einzelner LLM-Aufruf.
Anwendungsbeispiele im Mittelstand
Drei Beispiele zeigen, wie ein KI-Agent in einem Unternehmen mit zehn bis achtzig Mitarbeitenden konkret arbeitet, anonymisiert und ohne Tool-Bindung.
Angebots-Entwurf im B2B-Vertrieb. Der Agent erhält eine Anfrage, durchsucht das CRM nach Ähnlichkeitsfällen, ruft den Produkt-Katalog ab und legt einen Entwurf mit Preisrahmen vor. Die Vertriebsperson kontrolliert und sendet. Lernen geschieht über das Feedback „angenommen / abgelehnt / korrigiert".
Strukturierte Marktbeobachtung. Der Agent liest wöchentlich definierte Quellen (Branchenmagazine, Wettbewerber-Webseiten, eine Vergabe-Datenbank) und legt eine kommentierte Übersicht ab. Wo er unsicher ist, markiert er die Stelle. Lernen geschieht über das Annotieren falscher Markierungen.
Dokumentations-Unterstützung. Der Agent liest ein abgeschlossenes Projektticket, extrahiert die für eine Förder-Dokumentation relevanten Sachverhalte und legt einen Vor-Entwurf an. Eine Projektleiterin übernimmt ihn in den Endbericht. Lernen geschieht über die Differenz zwischen Vor-Entwurf und finalem Text.
Allen drei Fällen ist gemeinsam, dass der Agent liefert, der Mensch freigibt. Die Eskalationskante (der Punkt, an dem der Agent abgibt) ist im Voraus definiert. Wie diese Kante praktisch gesetzt wird, zeigt der verwandte Beitrag „Mensch-Agent-Übergabe".
Risiken und Governance: EU-AI-Act und NIST AI RMF
Beim Einsatz eines KI-Agenten gelten in der EU zwei zentrale Pflichten: menschliche Aufsicht und Betreiberverantwortung. Artikel 14 der Verordnung (EU) 2024/1689 schreibt für Hochrisiko-KI-Systeme menschliche Aufsicht vor; Artikel 26 definiert die Pflichten der Betreiber, also in der KMU-Praxis Sie selbst, wenn Sie einen Agenten beauftragen. Welche Pflichten greifen, hängt von der Risiko-Klasse des Anwendungsfalls ab; der Geltungstermin der einzelnen Vorgaben ist gestaffelt und sollte gegen den aktuellen Stand auf EUR-Lex geprüft werden (Stand 2026-05-28, nächster Faktencheck 2026-11-18).
Der EU-AI-Act formuliert das Was, nicht das Wie. Für das Wie hat das NIST den AI Risk Management Framework 1.0 veröffentlicht (NIST AI 100-1, Januar 2023). Vier Funktionen: Govern (wer haftet, welche Policy gilt), Map (welche Risiken entstehen), Measure (welche Kennzahl zeigt Drift), Manage (wie wird Risiko gemindert). Govern steht bewusst vor Map und Measure. Ohne geklärte Verantwortung helfen die anderen Funktionen wenig.
Für Sie heißt das praktisch: Bevor ein Agent in Betrieb geht, ist schriftlich geklärt, wer ihn betreut, wie er beobachtet wird, welche Fälle eskalieren und wer im Schadenfall handelt.
Der EU-AI-Act regelt das Was (menschliche Aufsicht, Betreiberpflichten), das NIST AI RMF das Wie (Govern, Map, Measure, Manage). Govern steht bewusst zuerst: Ohne geklärte Verantwortung helfen die anderen drei Funktionen wenig.
Wirtschaftlichkeit: Wann lohnt sich ein KI-Agent im Unternehmen?
Ein KI-Agent lohnt sich in Ihrem Unternehmen, wenn drei Bedingungen zugleich erfüllt sind: wiederkehrende Aufgabe, tragbare Fehlerkosten, erreichbare Werkzeuge. Fehlt eine, kippt die Rechnung schnell ins Negative.
- Wiederkehrende Aufgabe. Der Aufwand für Aufgabenbrief, Eskalationskante und Werkzeug-Anbindung amortisiert sich erst ab wöchentlicher Frequenz. Bei zweimal pro Jahr ist ein Agent zu teuer.
- Tragbare Fehlerkosten. Aufgaben, deren Fehler ein Review auffängt, sind agentensicher. Aufgaben mit direkter Außenwirkung oder rechtlicher Bindung nicht — dort bleibt der Mensch im Schreibstuhl.
- Erreichbare Werkzeuge. Wo Zugriffe auf ERP, Mail, CRM oder Datei-Ablage technisch oder rechtlich nicht möglich sind, kann der Agent planen, aber nicht handeln; der Nutzen bleibt klein.
Eine vierte, ungeschriebene Bedingung ist die organisatorische: Es braucht eine zuständige Person, die den Agenten betreut. Ohne diese Person verwildert er: er liefert weiter, aber niemand prüft.
Brücke zum agentischen Arbeiten
Zu wissen, was ein KI-Agent ist, macht noch keinen produktiven Agenten; dafür braucht es eine Arbeitsweise. Genau die Eigenständigkeit, die einen Agenten von Chatbot und RPA trennt, ist der Grund, warum er einen Auftrag bekommt, nicht nur ein Werkzeug: einen Aufgabenbrief, eine Verantwortungsgrenze, eine Eskalationskante und einen Review-Rhythmus. Erst diese vier Bausteine machen aus der Definition eine delegierbare Aufgabe. Wie das in Ihrem Unternehmen aussieht, zeigt der Überblicksbeitrag Agentisches Arbeiten im KMU.
Häufige Fragen
Ist ein KI-Agent dasselbe wie ein Chatbot?
Nein. Ein Chatbot folgt einem Dialog-Skript und antwortet auf Eingaben; ein KI-Agent verfolgt ein Ziel und wählt seine Handlungen selbst, einschließlich Werkzeug-Aufrufen. Ein moderner Chatbot kann ML-Komponenten enthalten, bleibt er trotzdem ein Chatbot, solange er kein Ziel jenseits des Dialogs hat.
Was ist der Unterschied zwischen KI-Agent und RPA?
RPA (Robotic Process Automation) folgt einer vorher definierten Schritt-Folge; der Bot wiederholt diese Folge unverändert. Ein KI-Agent wählt die Schritt-Folge selbst und kann sie an die Situation anpassen. RPA ist robuster bei stabilen Prozessen, ein Agent flexibler bei variablen Aufgaben.
Brauche ich für einen KI-Agenten ein eigenes Sprachmodell?
Nein. Ein KI-Agent kann ein externes Sprachmodell über API nutzen, ein selbst gehostetes Modell oder ein nicht-sprachliches Modell. Die Wahl hängt von Datenschutz, Latenz und Kosten ab.
Fällt jeder KI-Agent unter den EU-AI-Act?
Jeder Agent ist ein KI-System im Sinne von Art. 3 (1) der Verordnung (EU) 2024/1689. Welche konkreten Pflichten greifen, hängt von der Risiko-Klasse des Anwendungsfalls ab. Hochrisiko-Anwendungen tragen die strengsten — darunter menschliche Aufsicht nach Art. 14 und Betreiberpflichten nach Art. 26.
Weiterführend
Agentisches Arbeiten
Agentisches Arbeiten im KMU: Verantwortung und Geschwindigkeit ohne Kontrollverlust
Agentisches Arbeiten ist keine Tool-Frage, sondern eine Verantwortungsfrage. Wie KMU KI-Agenten beauftragen: mit Aufgabenbrief, Verantwortungsgrenze, Eskalationskante und Review-Rhythmus.
Agentisches Arbeiten
KI-Agenten erstellen: Aufgabenbeschreibung vor Tool-Wahl
Wie KMU KI-Agenten verantwortungsvoll erstellen: Aufgabenbrief mit sieben Feldern, Verantwortungsgrenzen, Human-in-the-loop und drei sinnvolle Startfälle. Bevor das Tool gewählt wird.
Agentisches Arbeiten
Mensch-Agent-Übergabe: Wer entscheidet wann?
Die wichtigste Designentscheidung agentischen Arbeitens betrifft die Stelle, an der ein Mensch die Verantwortung übernimmt. Vier Übergabe-Modi, Risiko-Matrix und Audit-Trail-Pflicht.
Strategiegespräch
Welche Aufgabe sich für einen KI-Agenten eignet
Ein KI-Agent ist definitorisch klar, im Einsatz aber selten ein technisches Problem. Die Frage ist fast immer organisatorisch — welche Aufgabe lohnt sich, wer betreut den Agenten, wo liegt die Eskalationskante, wie wird Lernen rückgekoppelt. Wir klären das in einem Strategiegespräch.
Strategiegespräch vereinbaren