KI-Agenten oder klassische Automatisierung: Was ist der Unterschied?

Was ist der Unterschied zwischen KI und Automatisierung?

Klassische Automatisierung führt einen vorher festgelegten Ablauf aus: Wenn A eintritt, passiert B. Ein KI-Agent bekommt dagegen ein Ziel und entscheidet mithilfe eines Sprachmodells selbst, welche Schritte und Werkzeuge er dafür nutzt. Automatisierung ist damit vorhersehbar, ein Agent ist flexibel, aber nicht in jedem Fall gleich im Ergebnis.

Der Softwarehersteller Anthropic unterscheidet in seinem Leitfaden „Building effective agents“ ähnlich: Workflows sind Systeme, in denen Sprachmodelle und Werkzeuge über fest programmierte Pfade verbunden sind. Agenten steuern ihre Schritte und den Einsatz von Werkzeugen dynamisch selbst. Der Leitfaden empfiehlt ausdrücklich, mit der einfachsten Lösung zu beginnen und Agenten erst einzusetzen, wenn feste Abläufe nicht ausreichen.

Wie funktioniert klassische Automatisierung?

Klassische Automatisierung übersetzt einen bekannten Ablauf in Regeln, die ein Programm ohne Rückfrage ausführt. Sie eignet sich für alles, was immer gleich abläuft und dessen Daten bereits sauber vorliegen.

Typische Beispiele sind:

• eine neue Bestellung im Shop legt automatisch einen Datensatz in der Warenwirtschaft an,
• ein Formular auf der Website erzeugt ein Ticket und eine Bestätigungsmail,
• jeden Monatsersten wird ein Bericht aus einer Datenbank erstellt und verschickt,
• Rechnungen eines bestimmten Lieferanten landen anhand der Absenderadresse im richtigen Ordner.

Dazu zählen auch Werkzeuge der Robotic Process Automation, die Programmoberflächen nach aufgezeichneten Schritten bedienen, und Workflow-Plattformen wie n8n oder make. Ihre Stärke ist Verlässlichkeit. Ihre Schwäche zeigt sich, sobald etwas vom Muster abweicht: Ein Lieferant ändert das Rechnungslayout, ein Kunde schreibt seine Bestellung in eine Mail statt in das Formular, und die Regel greift nicht mehr.

Wie arbeitet ein KI-Agent?

Ein KI-Agent verbindet ein Sprachmodell mit Werkzeugen, die er aufrufen darf, etwa „Postfach durchsuchen“, „Anhang lesen“ oder „Datensatz anlegen“. Er zerlegt eine Aufgabe in Schritte, ruft passende Werkzeuge auf, wertet die Ergebnisse aus und entscheidet über den nächsten Schritt.

Ein vereinfachtes Beispiel: Die Aufgabe lautet „Finde zu dieser Bankbuchung den passenden Beleg“. Der Agent sucht im Postfach nach dem Betrag und dem Namen des Zahlungsempfängers, liest die gefundenen PDF-Anhänge, vergleicht Datum und Betrag und meldet einen Treffer mit Fundstelle oder sagt ausdrücklich, dass nichts gefunden wurde. Niemand musste vorher festlegen, in welcher Reihenfolge welche Quelle zu prüfen ist.

Damit ein Sprachmodell Werkzeuge einheitlich nutzen kann, gibt es offene Standards wie das Model Context Protocol (MCP). Ein MCP-Server stellt dem Modell eine fest definierte Liste von Werkzeugen bereit. Was nicht als Werkzeug angeboten wird, kann der Agent auch nicht tun. Mehr zu den Grundlagen lesen Sie unter Was ist ein KI-Agent?.

Was ein Agent nicht ist

Ein Agent ist kein Programm, das „alles selbst erledigt“. Er arbeitet innerhalb der Rechte, die man ihm einräumt, und mit der Qualität des zugrunde liegenden Modells. Sprachmodelle können Aussagen erfinden, die überzeugend klingen (Halluzination). Ein guter Agent ist deshalb so gebaut, dass er Quellen nennt und Unsicherheit zugibt, statt eine Antwort zu raten.

Wann reicht eine feste Automatisierung?

Eine feste Automatisierung reicht, wenn der Ablauf stabil ist, die Daten strukturiert vorliegen und jede Abweichung als Fehler gemeldet werden darf. In diesen Fällen ist sie günstiger, schneller und leichter nachzuvollziehen als ein Agent.

Prüfen Sie dazu drei Fragen:

1. Lässt sich der Ablauf vollständig als Wenn-dann-Regel aufschreiben? Wenn ja, brauchen Sie keine KI.
2. Kommen die Daten aus einer Schnittstelle oder einem Formular? Strukturierte Daten muss niemand „verstehen“.
3. Sind Abweichungen selten? Dann genügt es, Sonderfälle an einen Menschen zu melden.

Ein häufiger Fehler ist, ein Sprachmodell für Aufgaben zu nutzen, die eine Formel oder ein Datenbankabgleich exakt lösen würde, etwa Summen bilden oder Datumsangaben vergleichen. Das macht den Ablauf teurer und fehleranfälliger.

Wann lohnt sich ein KI-Agent?

Ein KI-Agent lohnt sich, wenn Eingaben uneinheitlich sind, Informationen aus mehreren Quellen zusammengetragen werden müssen oder der Lösungsweg von Fall zu Fall verschieden ist. Typisch sind Aufgaben, bei denen heute ein Mensch erst lesen und dann entscheiden muss, wo er nachschaut.

Geeignete Einsatzfelder sind zum Beispiel:

• Posteingang: Anfragen und Anhänge lesen, zuordnen und eine Antwort vorbereiten (siehe E-Mail-Posteingang automatisieren).
• Dokumente: Rechnungen, Verträge oder Scans auslesen, deren Aufbau sich unterscheidet.
• Recherche im eigenen Bestand: Fragen beantworten, für die mehrere Systeme durchsucht werden müssen.
• Vorbereitung statt Entscheidung: Vorschläge erzeugen, die eine Fachkraft prüft und freigibt.

Weniger geeignet sind Aufgaben mit rechtlicher oder finanzieller Tragweite ohne menschliche Kontrolle, Abläufe mit sehr hohem Volumen und gleichförmigen Daten sowie alles, was in Echtzeit fehlerfrei sein muss.

Wie kombiniert man Agenten und feste Abläufe?

In der Praxis bewährt sich eine Mischform: Feste Abläufe bilden das Gerüst, und KI übernimmt nur die Schritte, in denen Texte, Dokumente oder Absichten verstanden werden müssen. Endgültige Aktionen wie Buchen, Versenden oder Löschen laufen über klar begrenzte Werkzeuge mit Prüfregeln.

Ein Beispiel aus der Arbeit von SaracAI: Bei einer Steuerkanzlei, für die SaracAI arbeitet, ist ein eigener MCP-Server im Einsatz, über den ein KI-Modell Mails und Anhänge lesen, Daten aus DATEV abrufen und Buchungsvorschläge vorbereiten kann. Das Modell entscheidet, welche Quellen es für eine Frage braucht. Die Werkzeuge selbst sind dagegen fest programmiert: Gebucht wird nur in nicht festgeschriebene Buchungsstapel, und Vorschläge prüft eine Fachkraft der Kanzlei, bevor sie Folgen haben. Dieses Zusammenspiel aus flexibler Steuerung und festen Leitplanken ist der Kern einer verantwortbaren Agenten-Lösung. Mehr dazu auf der Seite KI-Agenten für Unternehmen.

Bausteine einer sicheren Mischform

• Minimale Rechte: Jedes Werkzeug darf nur genau das, was es für seine Aufgabe braucht.
• Lesen und Schreiben trennen: Lesende Werkzeuge sind unkritisch, schreibende brauchen Prüfungen und, wo nötig, eine Freigabe.
• Protokoll: Jeder Werkzeugaufruf wird mit Zeit, Eingabe und Ergebnis festgehalten.
• Feste Prüfungen nach der KI: Beträge, Kontonummern oder Pflichtfelder prüft Code, nicht das Modell.
• Mensch am Ende: Vor Wirkung nach außen steht eine Freigabe durch eine verantwortliche Person.

Welche Risiken haben KI-Agenten?

Die wichtigsten Risiken sind falsche Ergebnisse, Manipulation über eingeschleuste Inhalte und zu weit gefasste Rechte. Alle drei lassen sich durch die Architektur deutlich begrenzen, aber nicht vollständig ausschließen.

Prompt Injection steht in der OWASP-Liste der wichtigsten Risiken für LLM-Anwendungen an erster Stelle. Gemeint sind Anweisungen, die in einer Mail, einem Dokument oder einer Webseite versteckt sind und das Modell zu ungewollten Handlungen bringen sollen. Ein Agent, der Mails liest, muss deren Inhalt deshalb als Daten behandeln, nicht als Befehle. Wirksam ist vor allem, dass er gar nicht erst die Rechte hat, Schaden anzurichten.

Hinzu kommen Datenschutzfragen, sobald personenbezogene Daten verarbeitet werden, etwa Auftragsverarbeitung und Übermittlung in Drittländer. Diese behandelt der Ratgeber KI und DSGVO.

Wie finde ich heraus, was für meinen Betrieb passt?

Beginnen Sie nicht mit der Technik, sondern mit einer Liste wiederkehrender Aufgaben: Wie oft kommen sie vor, wie lange dauern sie, und wie einheitlich sind die Eingaben? Daraus ergibt sich fast von selbst, was eine Regel lösen kann und wo KI einen Mehrwert hat.

Ein pragmatisches Vorgehen:

1. Aufgaben sammeln und nach Häufigkeit und Aufwand sortieren.
2. Für jede Aufgabe festhalten, ob die Eingaben strukturiert oder frei formuliert sind.
3. Strukturierte Aufgaben fest automatisieren, auch ohne KI.
4. Für die übrigen einen kleinen KI-Versuch mit echten, aber unkritischen Fällen machen und Ergebnisse von Hand prüfen.
5. Erst dann entscheiden, ob ein Agent dauerhaft eingesetzt wird und welche Freigaben nötig sind.

Hilfreich dafür sind die Ratgeber Automatisierungspotenzial erkennen und n8n, make oder eigene Lösung?.