KI-Agenten im Unternehmen einführen: ein praktischer Leitfaden

Die Einführung von KI-Agenten scheitert selten an der Technik. Sie scheitert daran, dass Unternehmen zu gross starten, ohne klaren Zweck oder ohne die Verantwortlichkeiten zu klären. Dieser Leitfaden beschreibt einen pragmatischen Weg, der für jedes Unternehmen funktioniert, unabhängig von Grösse und Branche. Er setzt voraus, dass Sie die Kontrolle über Daten und Modelle behalten wollen, statt sie einem einzigen Anbieter zu überlassen.

Was KI-Agenten von Chatbots unterscheidet

Ein Chatbot antwortet auf eine Frage. Ein Agent erledigt eine Aufgabe. Agenten verfügen über Werkzeuge, sie können Dokumente durchsuchen, Systeme abfragen, Entwürfe erstellen und mehrstufige Abläufe durchlaufen. Genau diese Fähigkeit macht sie wertvoll, verlangt aber auch mehr Sorgfalt: Wer etwas tut, muss kontrolliert und nachvollzogen werden können. Eine gute Plattform stellt deshalb sicher, dass jeder Schritt eines Agenten sichtbar bleibt.

Aus diesem Unterschied folgt auch ein anderer Erwartungshorizont. Ein Agent ersetzt keine Fachkraft, sondern nimmt ihr wiederkehrende Arbeit ab und legt jeden Schritt zur Prüfung offen. Wer das von Anfang an so kommuniziert, vermeidet überzogene Erwartungen und schafft die Grundlage für einen ehrlichen Nutzennachweis.

Schritt 1: Mit einem klaren Use Case starten

Beginnen Sie nicht mit der Technologie, sondern mit einer konkreten, wiederkehrenden Aufgabe. Gute erste Kandidaten sind häufig, regelbasiert und kosten heute spürbar Zeit. Sie sollten ein klares Ergebnis haben, an dem sich Erfolg messen lässt. Vermeiden Sie zum Einstieg Aufgaben, die juristische Endverantwortung tragen oder hochsensible Entscheidungen treffen. Ein erster Agent soll Vertrauen aufbauen, nicht das schwierigste Problem lösen.

Schritt 2: No-Code-Agentenbau statt Grossprojekt

Der zweite Schritt ist der Bau des Agenten selbst. Mit einem No-Code-Builder konfigurieren Fachabteilungen ihre Agenten ohne Programmierung: Sie hinterlegen eine Aufgabenbeschreibung, geben das relevante Wissen frei und wählen die nötigen Werkzeuge aus geprüften Bausteinen. So entsteht in Stunden ein funktionierender Prototyp statt eines monatelangen Entwicklungsprojekts. Wichtig ist, dass nur freigegebene, geprüfte Werkzeuge zur Verfügung stehen, damit ein Agent nicht mehr kann, als er soll.

Schritt 3: Modell nach Datensensibilität wählen

Nicht jede Aufgabe braucht dasselbe Modell. Statt das ganze Unternehmen auf einen Anbieter festzulegen, ordnen Sie jedem Agenten das Modell zu, das zur Sensibilität seiner Daten passt. Eine einfache Einteilung hilft:

• Hochsensible Daten wie Kunden- oder Gesundheitsdaten gehören auf ein Modell, das On-Premise oder in der Schweiz läuft, ohne Exposition gegenüber dem US Cloud Act.
• Interne, aber weniger kritische Daten können auf einem Swiss-hosted Modell verarbeitet werden, das Skalierbarkeit bietet, ohne die Datenhoheit aufzugeben.
• Öffentliche oder unkritische Inhalte dürfen, wenn es sinnvoll ist, auch ein leistungsstarkes internationales Modell nutzen.

Diese Zuordnung ist keine Einbahnstrasse. Sie lässt sich pro Agent jederzeit anpassen. Die Grundlagen dieser Modell-Leiter beschreibt die Seite zur Souveränität ausführlich.

Hilfreich ist ein einfaches Verzeichnis, das festhält, welche Datenkategorie welcher Modellstufe zugeordnet ist. So entsteht eine nachvollziehbare Regel statt einer Einzelfallentscheidung, und neue Agenten lassen sich konsistent einordnen. Dieses Verzeichnis ist zugleich ein wertvoller Beleg gegenüber Compliance und Aufsicht.

Schritt 4: Governance durch IT und Compliance

Sobald Agenten produktiv arbeiten, braucht es klare Verantwortlichkeiten. Die Fachabteilung kennt die Aufgabe, die IT verantwortet Betrieb und Zugriffe, und Compliance prüft, ob Datenschutz und regulatorische Vorgaben eingehalten werden. Drei Bausteine machen Governance praktikabel:

• Zentrale Konfiguration: Agenten werden an einem Ort verwaltet, nicht verstreut über Abteilungen.
• Rollen und Rechte: Wer einen Agenten anlegen, ändern oder freigeben darf, ist klar geregelt.
• Lückenloser Audit-Trail: Jeder Schritt, jedes Modell und jeder Werkzeugaufruf ist protokolliert.

Governance ist dabei kein Bremsklotz, sondern die Voraussetzung dafür, KI im grossen Massstab verantworten zu können. Ein nachvollziehbarer Audit-Trail beantwortet die Nachweispflichten aus revDSG und DSGVO im laufenden Betrieb, statt sie zum Sonderaufwand zu machen.

Schritt 5: In Wellen ausrollen

Rollen Sie nicht alles auf einmal aus. Beginnen Sie mit einem Pilotteam, sammeln Sie Rückmeldungen und messen Sie den Nutzen am vorher definierten Ergebnis. Funktioniert der erste Agent, erweitern Sie ihn auf benachbarte Aufgaben und weitere Teams. Dieses wellenförmige Vorgehen hält das Risiko klein, baut intern Wissen auf und schafft Fürsprecher, die den nächsten Use Cases den Weg ebnen.

Häufige Fehler, die den Einstieg bremsen

Viele Vorhaben verlieren nicht an der Technik, sondern an vermeidbaren Mustern. Der häufigste Fehler ist der zu grosse Start: ein Agent, der gleich den komplexesten Prozess übernehmen soll, statt einen klar umrissenen. Ebenso verbreitet ist die fehlende Erfolgsmessung. Wer vorher nicht festlegt, woran sich der Nutzen zeigt, kann ihn hinterher weder begründen noch gezielt verbessern.

Zwei weitere Stolpersteine betreffen Daten und Verantwortung. Agenten ohne sauber freigegebenes Wissen liefern ungenaue Ergebnisse und untergraben das Vertrauen, das ein Pilot eigentlich aufbauen soll. Und wo unklar bleibt, wer einen Agenten freigibt und überwacht, entstehen Schatten-Lösungen, die sich der Kontrolle entziehen. Beide Probleme lassen sich vermeiden, indem Wissen bewusst kuratiert und Governance von Beginn an mitgedacht wird.

Erste Use Cases, die sich lohnen

Bewährte Einstiegspunkte finden sich in fast jedem Unternehmen:

• Wissensrecherche über interne Dokumente, mit belegten Quellen statt freier Erfindung.
• Vorbereitung wiederkehrender Berichte und Zusammenfassungen.
• Erstentwürfe für Antworten im Kundenservice, die ein Mensch freigibt.
• Strukturierte Aufbereitung eingehender Dokumente und Formulare.

Branchenspezifische Beispiele und vorkonfigurierte Agenten finden Sie in unserer Übersicht der Use Cases. Sie verkürzen den Weg vom ersten Pilot zum produktiven Einsatz erheblich.

Fazit

KI-Agenten einzuführen ist weniger eine Frage der Technologie als der Methode. Wer mit einem klaren Use Case startet, Agenten ohne Programmierung baut, das Modell an die Datensensibilität anpasst, Governance früh verankert und in Wellen ausrollt, kommt schnell zu sichtbarem Nutzen, ohne die Kontrolle abzugeben. So wird aus dem Versprechen der KI ein verlässlicher Teil des Tagesgeschäfts.

Der wichtigste Rat lautet zugleich: anfangen. Kein Konzept ersetzt die Erfahrung aus einem ersten, klar umrissenen Agenten im echten Betrieb. Aus ihm lernen Sie mehr über Daten, Werkzeuge und Akzeptanz als aus monatelanger Planung, und Sie behalten dabei jederzeit die Kontrolle über das, was der Agent tut.