Was ist eigentlich ein KI-Agent?

„KI-Agent" ist 2026 die Standard-Etikette für fast jedes KI-Produkt am Markt. Der Begriff deckt alles ab — vom Chatbot mit ein paar API-Calls bis zum vollständig autonomen System, das Aufgaben quer durch den Unternehmens-Stack abarbeitet. Diese Spreizung macht es Entscheidern schwer, Angebote überhaupt zu vergleichen.

Dieser Artikel definiert, was ein KI-Agent ist — und was nicht. Er nutzt die Arbeitsdefinition von Anthropic, grenzt Agenten von ihren Nachbarn ab (Chatbot, Workflow, RPA), benennt die vier Bausteine und zeigt, wo sich Agenten lohnen und wo sie scheitern. Der Schlussabschnitt behandelt, was das für deutsche Unternehmen unter DSGVO bedeutet.

Definition

Ein KI-Agent ist Software, der Sie ein Ziel geben. Sie erarbeitet die Schritte, ruft die Tools auf, sieht sich an, was zurückkommt, und passt sich an. Sie arbeitet weiter, bis das Ziel erreicht ist oder bis eine Leitplanke greift, die Sie gesetzt haben.

Anthropic zieht eine saubere Linie zwischen zwei Mustern. Ein Workflow ist ein System, bei dem Sie die Schritte schreiben und das Modell sie ausfüllt. Ein Agent ist ein System, bei dem das Modell die Schritte selbst wählt. Sam Altman hat „Agent" einen schwach definierten Begriff genannt, was fair ist. Die entscheidende Frage lautet: Wer wählt den nächsten Schritt — Ihr Code oder das Modell?

Abgrenzung: Chatbot, Workflow, RPA

Ein Chatbot antwortet auf Nachrichten. Nützlich, aber er greift nicht in Ihre anderen Systeme ein.

Ein Workflow läuft eine feste Sequenz ab. „E-Mail rein → klassifizieren → wenn Rechnung, Felder extrahieren → ins ERP." Das LLM erledigt vielleicht die Klassifizierung. Der Pfad gehört Ihnen. Nichts verzweigt außerhalb dessen, was Sie geschrieben haben.

RPA ahmt einen Menschen nach, der durch eine Oberfläche klickt. Schnell, stumpf, brüchig, sobald sich die UI um einen Pixel verschiebt.

Ein Agent hält das Ziel, nicht den Pfad. Geben Sie ihm „finde die Ersatzteilnummer für diese kaputte Pumpe in unseren drei Lieferantenkatalogen", und er befragt jeden Katalog, gleicht unterschiedliche SKU-Formate ab und liefert eine Antwort mit Begründung. Die Schritte für eine Hydraulikdichtung sind andere als die für eine Steuerplatine, und Sie mussten keinen der beiden Sätze schreiben.

Die vier Bausteine

Ein Modell denkt. Claude, GPT, Gemini oder ein lokal gehostetes Llama, Mistral oder Nemotron. Marketing-Folien streiten über die Modellwahl. In Produktion entscheidet meist eher der Rest des Stacks.

Tools sind die Hände: APIs, Suche, Code-Ausführung, Dateizugriff, Datenbankabfragen. 2026 laufen die zunehmend über das Model Context Protocol (MCP), den offenen Standard, den Anthropic Ende 2024 veröffentlicht hat. OpenAI und Google DeepMind tragen ihn inzwischen mit, die Governance liegt seit Dezember 2025 bei der Linux Foundation. MCP gibt jedem Agenten denselben Weg in Ihr CRM. Vorher hat jedes Projekt diese Verkabelung neu erfunden.

Kontext ist das, was der Agent für die aktuelle Aufgabe geladen hat: System-Prompt, Gesprächsverlauf, gezogene Dokumente, vorherige Schritte.

Leitplanken sind der Teil, den Demos überspringen und an dem Produktivbetrieb hängt. Was darf der Agent allein? Was braucht eine Unterschrift? Wie sieht Versagen aus, und wohin loggt es?

Praxisbeispiel: Ersatzteilsuche über Lieferantenkataloge

Surfgreen.dev baut gerade einen Agenten für einen Industrieteile-Distributor in Bayern. Der Kunde führt Kataloge einer langen Liste von Herstellern, jeder mit eigenem Nummernsystem und eigenen Suchlogik-Eigenheiten. Ein Support-Mitarbeiter, der ein Ersatzteil identifizieren musste, hat bisher drei Hersteller angerufen und manuell abgeglichen.

Der Agent bekommt die Beschreibung des defekten Teils, befragt jeden Hersteller, gleicht SKU-Formate gegen den Lagerbestand des Kunden ab und liefert eine Empfehlung mit Katalog-Beleg. Wenn er unsicher ist, sagt er das und zeigt die Alternativen.

Er ist ein Agent, weil er Tools und Reihenfolge selbst wählt. Surfgreen.dev hat das Ziel und die Kataloge geliefert. Die Schritte für eine Hydraulikdichtung sind andere als für eine Steuerplatine, und das arbeitet das Modell heraus.

Wo Agenten scheitern

Agenten scheitern oft. Branchen-Analysten erwarten, dass bis Ende 2027 mehr als 40% aller agentischen Projekte eingestellt werden. Zwei Gründe wiederholen sich. Der Use Case hätte überhaupt keinen Agenten gebraucht; ein Workflow wäre zuverlässiger und günstiger gewesen. Oder es gab keine Leitplanken, und der Agent hat etwas Peinliches getan.

Eine brauchbare Regel: Passen die Schritte auf ein Whiteboard und sind sie nächstes Quartal noch dieselben, bauen Sie einen Workflow. Hängen die Schritte davon ab, was das Modell unterwegs findet, lohnt sich ein Agent.

Was das für deutsche Unternehmen bedeutet

Die Bitkom-Studie 2026 zählt 41% deutsche Unternehmen, die aktiv KI einsetzen — mehr als doppelt so viele wie 2024. Agentische Fähigkeiten stehen weit oben auf der Wachstumsliste. 53% nennen rechtliche Unsicherheit als größten Bremsklotz. Sieben von zehn deutschen Unternehmen haben mindestens ein Innovationsprojekt wegen Datenschutz-Bedenken gestoppt.

Genau dort arbeitet Surfgreen.dev. Ein Agent, der Ihr CRM, Ihr ERP, Ihre Kundendaten anfasst, soll seine Arbeit erledigen können, ohne die Daten an eine US-gehostete Modell-API zu schicken. Wir deployen on-premise oder auf deutscher Infrastruktur: Anthropic Claude dort, wo der Kunde einen Business- oder Enterprise-Vertrag hat, der das erlaubt, und vollständig lokale Stacks via OpenClaw und NVIDIA NemoClaw, wo die Daten das Haus nicht verlassen dürfen.

Drei Fragen zur Einordnung

Drei Fragen zeigen, was hinter einer „KI-Agent"-Behauptung steckt:

1. Wer entscheidet den nächsten Schritt — der Code oder das Modell?
2. Welche Tools kann er tatsächlich aufrufen?
3. Was passiert, wenn er sich irrt?

Sind die Antworten klar, passt der Begriff. Sind sie es nicht, ist das Beschriebene vermutlich ein Workflow mit angeflanschtem Sprachmodell — und sehr oft ist genau das, was der Use Case tatsächlich braucht.