KI-Strategieelitics Engineering-Team

KI-Agenten für Unternehmen: Vom Pilotprojekt zur Produktion 2026

KI-Agenten für Unternehmen: Beispiele, die sich lohnen, warum Pilotprojekte stocken, und Checkliste, Governance, Kosten und 90-Tage-Plan für den Betrieb.

Ein KI-Agent für Unternehmen ist Software, die ein Ziel entgegennimmt, die Schritte selbst plant und Ihre eigenen Systeme (CRM, ERP, Ticketing, E-Mail) nutzt, um eine Aufgabe zu erledigen, wobei ein Mensch alles freigibt, was sich nicht rückgängig machen lässt. Fast jedes Unternehmen hat schon einen ausprobiert, aber nur wenige betreiben einen produktiv, der sich rechnet. Am Modell liegt das selten. Entscheidend sind eine eng gefasste Aufgabe, ein Evaluationsset aus echten Fällen, die richtigen Berechtigungen und eine verantwortliche Person, die das Ergebnis misst.

Wie groß diese Lücke ist, zeigen die Zahlen. In McKinseys Studie The State of AI in 2025 geben 62 % der Organisationen an, zumindest mit KI-Agenten zu experimentieren. Doch nur 23 % skalieren irgendwo im Unternehmen ein agentisches System, und in keinem einzelnen Unternehmensbereich berichten mehr als 10 %, Agenten zu skalieren. Gartner erwartet, dass bis Ende 2027 über 40 % der Projekte mit agentischer KI abgebrochen werden, wegen steigender Kosten, unklarem Geschäftsnutzen oder unzureichender Risikokontrollen.

Was ein KI-Agent im Unternehmen ist (und was nicht)

In den meisten Unternehmen laufen drei Arten von Software unter dem Etikett „KI“. Ein Chatbot beantwortet Fragen. Eine Workflow-Automatisierung führt jedes Mal dieselben Schritte aus. Ein Agent entscheidet, welche Schritte nötig sind, ruft dafür Werkzeuge auf und prüft das Ergebnis, bevor er weitermacht. Jede Variante hat andere Kosten, ein anderes Risikoprofil und andere Fehlerbilder.

Chatbot / AssistentWorkflow-AutomatisierungKI-Agent
Was er tutBeantwortet Fragen aus Dokumenten oder einer WissensdatenbankFührt bei einem Auslöser eine feste Schrittfolge ausPlant Schritte auf ein Ziel hin, ruft Werkzeuge auf, prüft Ergebnisse
Wer den nächsten Schritt bestimmtDie Nutzerin oder der NutzerWer den Ablauf entworfen hatDas Modell, innerhalb Ihrer Grenzen
Zugriff auf Ihre SystemeMeist nur lesendJa, über vordefinierte KonnektorenJa, über Werkzeuge, die er zur Laufzeit wählt
Umgang mit AusnahmenGibt an die Nutzer zurückBricht ab oder landet in einer WarteschlangeDenkt sie durch oder eskaliert an einen Menschen
Geeignet fürSelf-Service-Antworten, internes WissenGroße Mengen, vorhersehbare ProzesseWechselnde Eingaben, mehrstufige Aufgaben, Ermessen innerhalb von Regeln
HauptrisikoFalsche oder erfundene AntwortenFragil, wenn sich Eingaben ändernFalsche Aktionen, ausufernde Kosten, manipulierte Anweisungen

Eine praktische Faustregel: Sind die Schritte immer gleich, bauen Sie einen Workflow. Er ist günstiger und leichter zu prüfen. Genügt eine Antwort, reicht ein guter Assistent (siehe Chatbot-Entwicklung). Ein Agent lohnt sich dort, wo die Eingaben variieren, die Aufgabe mehrere Systeme umfasst und der nächste Schritt davon abhängt, was der vorige ergeben hat. Viele gute Agenten im Produktivbetrieb sind größtenteils Workflow, und das Modell trifft nur in der Mitte einige Entscheidungen.

Wo sich KI-Agenten heute lohnen: Beispiele und Anwendungsfälle

Gartner prognostiziert, dass bis Ende 2026 40 % der Unternehmensanwendungen aufgabenspezifische KI-Agenten enthalten werden, nach weniger als 5 % im Jahr 2025. „Aufgabenspezifisch“ ist das entscheidende Wort: Agenten, die sich rechnen, erledigen eine Aufgabe mit klarer Eingabe, klarem Ergebnis und messbarem Nutzen.

AnwendungsfallWas der Agent tutBenötigter ZugriffMenschliche Kontrolle
Support-Triage und LösungKlassifiziert Tickets, zieht die Bestellhistorie, beantwortet bekannte AnliegenHelpdesk, Bestellsystem, WissensdatenbankÜbergabe an das Team bei Erstattungen, Beschwerden und unsicheren Fällen
Rechnungs- und DokumentenverarbeitungLiest Felder aus, gleicht Rechnungen mit Bestellungen ab, markiert AbweichungenPostfach oder Dokumentenablage, ERP (lesend), LieferantendatenDie Buchhaltung gibt frei, bevor gebucht oder bezahlt wird
Sales Ops und CRM-PflegeProtokolliert Anrufe und E-Mails, aktualisiert Deal-Phasen, entwirft Follow-upsCRM, E-Mail, KalenderVertrieb prüft ausgehende E-Mails; Änderungen sind protokolliert und umkehrbar
IT- und interner Service-DeskSetzt Zugänge zurück, beantwortet Richtlinienfragen, sammelt DiagnosedatenITSM-Tool, Identity Provider (eingeschränkte Scopes), interne DokuFreigabe für neue Zugriffsrechte und alles, was Produktivsysteme betrifft
Einkauf und AuftragsverfolgungFordert Lieferbestätigungen an, vergleicht Angebote, aktualisiert BestellungenERP oder Einkaufssystem, E-Mail, LieferantenportalDer Einkauf zeichnet jede Bestellung, Preisänderung und jeden neuen Lieferanten ab
Compliance-PrüfungenPrüft Verträge oder Onboarding-Unterlagen gegen ein Regelwerk und listet LückenDokumentenablage, Regelwerk, FallmanagementCompliance entscheidet; der Agent bereitet die Akte vor
Recherche und ReportingSammelt interne und Webdaten, entwirft Berichte mit QuellenangabenData Warehouse (lesend), freigegebene WebquellenDie verantwortliche Person prüft vor der Weitergabe

Das Muster in der letzten Spalte ist der Kern. In jedem dieser Beispiele für KI-Agenten übernimmt der Agent das Sammeln, Abgleichen und Entwerfen, und ein Mensch entscheidet, sobald Geld, Kunden oder rechtliche Risiken im Spiel sind. Der Agent nimmt den langsamen, repetitiven Teil der Arbeit ab; die Kontrolle hält das Risiko dort, wo es war. Viele dieser Agenten greifen zudem auf interne Dokumente zu, was unser Beitrag zu Advanced RAG behandelt.

Warum die meisten Pilotprojekte mit KI-Agenten stocken

Laut McKinsey berichten nur 39 % der Befragten überhaupt von einem Effekt der KI auf das EBIT auf Unternehmensebene. Gartners Prognose zu abgebrochenen Projekten nennt drei Ursachen: steigende Kosten, unklarer Geschäftsnutzen und unzureichende Risikokontrollen. Gartner warnt außerdem vor „Agent Washing“, also davor, Chatbots und Assistenten als Agenten umzuetikettieren, und schätzt, dass nur etwa 130 der Tausenden Anbieter, die agentische KI versprechen, echte agentische Fähigkeiten bieten.

In der Praxis haben stockende Pilotprojekte fast immer dieselben Probleme:

  • Keine Nutzenkennzahl. „Support automatisieren“ ist kein Ziel. „Bestellstatus-Tickets ohne Mensch lösen, in einer Qualität, die die Support-Leitung abzeichnet“ schon.
  • Kein Evaluationsset. Die Demo lief mit fünf ausgesuchten Beispielen. Niemand hat einige hundert echte Fälle mit bekanntem Ergebnis gesammelt, also weiß niemand, wie oft der Agent danebenliegt.
  • Kein Zugriff auf echte Systeme. Der Pilot lief auf exportierten Tabellen. Die Anbindung an das echte CRM oder ERP, mit echten Berechtigungen und unsauberen Daten, ist am Ende der größte Teil der Arbeit.
  • Kostenüberraschungen. Agenten laufen in Schleifen. Schwierige Eingaben brauchen weit mehr Modellaufrufe als die Testfälle, und niemand hat ein Schritt- oder Budgetlimit gesetzt.
  • Fehlende Risikokontrollen. Die IT-Sicherheit sieht den Agenten eine Woche vor dem Start und fragt zu Recht, wer seine Zugriffe genehmigt hat.
  • Agent Washing. Der eingekaufte „Agent“ ist ein umetikettierter Chatbot, der die Aktionen aus dem Business Case gar nicht ausführen kann.

Dazu kommt eine Messfalle. Im Stack Overflow Developer Survey 2025 nennen 66 % der Entwickler „KI-Lösungen, die fast richtig sind, aber eben nicht ganz“ als größtes Ärgernis, und 46 % misstrauen der Genauigkeit von KI-Tools, während 33 % ihr vertrauen. Eine randomisierte Studie von METR aus dem Jahr 2025 ergab, dass erfahrene Entwickler mit KI-Tools von Anfang 2025 19 % länger brauchten, sich aber etwa 20 % schneller fühlten. METR bezeichnet diese Ergebnisse inzwischen selbst als überholt. Die Lehre ist also nicht, dass KI bremst, sondern dass gefühlte und gemessene Geschwindigkeit auseinanderliegen können. Messen Sie den Agenten an einer Ausgangsbasis, nicht an dem Eindruck aus der Demo.

Starten Sie mit einem Agenten-Pilot zum Festpreis

Wir legen vorab die Aufgabe, die Nutzenkennzahl und ein Evaluationsset aus Ihren echten Fällen fest, bauen den Pilot auf Ihren Systemen und schließen mit einer klaren Go/No-Go-Entscheidung ab. Ihr Angebot erhalten Sie innerhalb von 24 Stunden nach dem ersten Gespräch.

Die Checkliste für KI-Agenten im Produktivbetrieb

Ein produktiver Agent ist eine Demo plus die Kontrollen, mit denen Sie ihm echte Arbeit anvertrauen können. Bevor er echte Kunden oder echtes Geld berührt, sollte er jeden Punkt dieser Liste erfüllen.

  1. Eine eng gefasste Aufgabe mit messbarem Ergebnis. Eine Aufgabe, eine verantwortliche Person, eine Kennzahl, etwa die Lösungsquote oder die Tage bis zur Lieferantenbestätigung. Erfassen Sie zuerst die Ausgangsbasis.
  2. Ein Evaluationsset aus echten Fällen. Einige hundert historische Beispiele mit dem richtigen Ergebnis, die schwierigen eingeschlossen. Jede Änderung an Prompt, Modell oder Werkzeugen läuft vor dem Release dagegen.
  3. Werkzeugrechte entsprechen den Rechten der Nutzer. Der Agent handelt im Auftrag einer Person und kann nie mehr tun als diese Person. Keine geteilten Admin-Schlüssel.
  4. Freigaben vor unumkehrbaren Aktionen. Zahlungen, Buchungen, Löschungen, Kunden-E-Mails und Rechteänderungen warten auf einen menschlichen Klick, bis die Evaluationsdaten etwas anderes rechtfertigen.
  5. Schritt- und Budgetlimits. Maximale Schritte und Kosten pro Aufgabe sowie ein Tagesbudget; erreicht der Agent ein Limit, hält er an und eskaliert.
  6. Protokollierung und Tracing jeder Aktion. Jeder Modellaufruf, jeder Werkzeugaufruf, jede Ein- und Ausgabe wird zur Aufgabe gespeichert, damit Sie nachvollziehen können, was passiert ist und warum.
  7. Schutz vor Prompt Injection. Die OWASP Top 10 for LLM Applications führen Prompt Injection als größtes Risiko (LLM01). Behandeln Sie jede E-Mail, jedes Dokument und jede Webseite, die der Agent liest, als nicht vertrauenswürdig, trennen Sie Anweisungen von Daten, und verlangen Sie für sensible Werkzeuge eine Bestätigung, egal was im Inhalt steht.
  8. Datenumgang und Anbieter-Konfiguration. Legen Sie fest, welche Daten zu welchem Modellanbieter dürfen, unter welchem Vertrag und mit welcher Aufbewahrung, und wo die Logs liegen. Maskieren Sie, was die Aufgabe nicht braucht.
  9. Monitoring und Rückfall auf Menschen. Dashboards für Qualität, Kosten pro Aufgabe und Eskalationsquote, Alarme bei Abweichungen und ein Schalter, der den Agenten abschaltet, ohne den Prozess zu unterbrechen.

Governance und Sicherheit für KI-Agenten im Unternehmen

KI-Agenten scheitern in Audits aus bekannten Gründen: Niemand ist verantwortlich, niemand kann sagen, was sie getan haben, und ihre Zugriffe sind still gewachsen. Gute Governance für KI-Agenten ist gewöhnliche IT-Governance, angewendet auf eine neue Art von Nutzer.

Klare Verantwortung

Eine fachlich verantwortliche Person für die Ergebnisse und eine technisch verantwortliche für den Betrieb. Änderungen an Umfang und Zugriffen gibt die fachliche Seite frei.

Audit-Logs

Manipulationssichere Aufzeichnungen jeder Aktion: für wen sie erfolgte, was gelesen wurde und wer was freigegeben hat, mit einer mit Compliance abgestimmten Aufbewahrung.

Rechteprüfungen

Die Identitäten und Werkzeugrechte des Agenten durchlaufen dieselbe regelmäßige Prüfung wie menschliche Konten. Ungenutzte Rechte werden entfernt.

Incident-Handling

Ein Runbook: wie Sie den Agenten pausieren, betroffene Datensätze über die Logs finden, Aktionen rückgängig machen und bei Bedarf Kunden informieren.

Change-Management

Prompts, Werkzeuge und Modellversionen werden wie Code versioniert. Ein Modell-Upgrade ist ein Release und läuft zuerst gegen das Evaluationsset.

Datengrenzen

Klare Regeln für personenbezogene und vertrauliche Daten, Anbieterverträge und Regionen, abgestimmt mit Ihrer bestehenden DSGVO-Arbeit.

Zur Regulierung: Der EU AI Act sieht zusätzliche Pflichten für KI in Hochrisikobereichen wie Kreditvergabe, Beschäftigung und Bildung vor. Ein Agent, der Rechnungen abgleicht, ist anders einzuordnen als einer, der Kreditanträge vorsortiert. Die Fristen des Gesetzes haben sich mehrfach verschoben; klären Sie die aktuellen Termine und Ihre Einstufung deshalb mit Ihrer Rechtsberatung, bevor Sie ein Projekt in einem sensiblen Bereich planen. Für die Sicherheitsseite des Projekts siehe unsere Security-Leistungen.

Integration: APIs, MCP und warum sie den Großteil der Arbeit ausmacht

Ein Agent ist nur so nützlich wie die Systeme, die er erreicht. Der Modellaufruf sind ein paar Zeilen Code; die sichere Anbindung an CRM, ERP, Helpdesk und Dokumentenablagen kostet die eigentliche Entwicklungszeit. Jede Integration braucht Authentifizierung im Namen der richtigen Person, begrenzte Rechte, den Umgang mit Rate Limits und Timeouts, Wiederholungen ohne doppelte Datensätze, Testumgebungen mit realistischen Daten und Fehlermeldungen, mit denen der Agent etwas anfangen kann.

Das Model Context Protocol (MCP) hilft dabei. Es ist ein offener Standard, den Anthropic im November 2024 vorgestellt hat, um KI-Anwendungen mit Werkzeugen und Daten zu verbinden, und er wird inzwischen von großen KI-Anbietern und Tools breit unterstützt. Wer ein System als MCP-Server kapselt, kann dieselben Werkzeugdefinitionen in verschiedenen Agenten und Modellen wiederverwenden, statt sie jedes Mal neu zu bauen.

MCP standardisiert die Verbindung, nimmt Ihnen aber die Arbeit dahinter nicht ab. Jemand muss weiterhin entscheiden, welche Operationen freigegeben werden, was jede davon ändern darf, wie sie protokolliert wird und wie sie sich verhält, wenn das System dahinter ausfällt. Ältere Systeme ohne saubere APIs brauchen oft zuerst eine Integrationsschicht; hier treffen sich Legacy-Modernisierung und Agentenentwicklung. Unser Stack dafür ist typischerweise Python (FastAPI) mit LangChain, der OpenAI API oder Gemini sowie Pinecone oder Weaviate, wo Retrieval nötig ist (mehr zu unserer KI- und Machine-Learning-Entwicklung).

Was ein KI-Agent kostet

Die Frage nach den Kosten eines KI-Agenten hat zwei Antworten, weil es zwei Rechnungen gibt. Die Entwicklungsrechnung umfasst Konzeption, Integration, Evaluation und Absicherung. Die Betriebsrechnung sind die monatlichen Kosten: Modellnutzung, Hosting, Monitoring, menschliche Prüfzeit an den Kontrollpunkten und die Pflege von Prompts, Werkzeugen und Evaluationsset.

Was die Entwicklungskosten treibt, grob nach Gewicht:

  • Anzahl und Zustand der Integrationen. Eine moderne SaaS-API geht schnell; ein altes ERP ohne API nicht.
  • Lesen oder schreiben. Ein Agent, der liest und entwirft, braucht weit weniger Kontrollen als einer, der bucht, zahlt oder Rechte ändert.
  • Evaluation. Das Fallset und die Testumgebung dafür aufzubauen ist echte Arbeit, und genau sie sagt Ihnen, ob Sie live gehen.
  • Leitplanken und Governance. Freigaben, Limits, Protokollierung, Injection-Schutz und Dashboards.
  • Laufende Kosten pro Aufgabe. Modellwahl, Anzahl der Schritte und Kontextgröße, größtenteils durch Designentscheidungen in der Entwicklung festgelegt.

Zur Orientierung hier illustrative Spannen zu unseren veröffentlichten Sätzen von 45–65 € pro Ingenieurstunde, gerechnet mit 40-Stunden-Wochen und 8-Stunden-Tagen. Es sind Planungsbeispiele, keine Angebote.

Illustrativer UmfangTeam und DauerStundenIllustrative Kosten
Pilot: eine Aufgabe, ein bis zwei Systeme, lesend oder in einer Sandbox, Evaluationsset und Go/No-Go2 Ingenieure × 3–4 Wochen240–320 h10.800–20.800 €
Produktiver Agent: der ganze Weg bis zum Livegang, mehrere Systeme mit Schreibzugriff, Freigaben, Limits, Protokollierung, Monitoring3 Ingenieure × 10–12 Wochen1.200–1.440 h54.000–93.600 €
Nächster Agent auf derselben Basis: nutzt Integrationen, Protokollierung und Evaluationsumgebung weiter2 Ingenieure × 4–6 Wochen320–480 h14.400–31.200 €
Laufende Betreuung: Evaluationsläufe, Prompt- und Werkzeug-Updates, Modell-Upgrades1 Ingenieur × 2–4 Tage im Monat16–32 h pro Monat720–2.080 € pro Monat

Für die Betriebsrechnung zählt eine Kennzahl: Kosten pro erledigter Aufgabe, also Modell- und Infrastrukturkosten plus menschliche Prüfzeit, geteilt durch die korrekt erledigten Aufgaben. Rein zur Illustration: Bei 0,05 € Modellnutzung pro Aufgabe kosten 10.000 Aufgaben im Monat 500 €; ob das günstig ist, hängt davon ab, was dieselbe Arbeit heute kostet. Mehr dazu im Leitfaden zu Softwareentwicklungskosten, eine Spanne für Ihren Umfang liefert der Kostenrechner, und unter Preise finden Sie Stundensätze und Squads ab 15.000 € im Monat.

Ein 90-Tage-Plan vom Pilot zur Produktion

Neunzig Tage sind ein realistischer Rahmen, um einen eng gefassten Agenten von der Idee in den Livebetrieb mit einem Teil des echten Volumens zu bringen, sofern die Aufgabe gut gewählt ist und die Systeme erreichbar sind. Jede Phase endet mit einer Entscheidung, damit das Produktionsbudget nur in einen Pilot fließt, der es verdient hat.

WochenSchwerpunktWas passiertEntscheidung am Ende
1–2RahmenAufgabe und Verantwortliche wählen, Nutzenkennzahl und Ausgangsbasis festlegen, Evaluationsset sammeln, Systeme und Rechte erfassen, frühe Sicherheits- und DatenprüfungLohnt sich ein Pilot, und erreichen wir die Systeme?
3–6PilotAuf echten Systemen lesend oder in der Sandbox bauen, Evaluationsset durchlaufen lassen, Qualität, Kosten pro Aufgabe und Zeitersparnis messen, im Schattenbetrieb neben dem Team laufenGo/No-Go: Schlägt er die Ausgangsbasis bei vertretbaren Kosten und Risiken?
7–12ProduktionFreigaben, Limits, Protokollierung, Injection-Schutz und Monitoring ergänzen; Rechteprüfung; Release für einen Teil des Volumens, Ausweitung, solange die Zahlen halten; Runbooks übergebenUmfang ausweiten, nächsten Agenten starten oder halten und verbessern

Ein „No-Go“ ist ein Ergebnis, kein Scheitern: Sie haben ein Pilotbudget statt eines Produktionsbudgets ausgegeben und wissen, warum.

Was Sie einen Partner für KI-Agenten vor der Unterschrift fragen sollten

Bei so viel Agent Washing im Markt zählt der Partner so viel wie das Modell. Diese Fragen trennen Teams, die für den Produktivbetrieb bauen, von Teams, die Demos bauen.

  1. Wie messen wir Erfolg, und was ist das Go/No-Go-Kriterium für den Pilot?
  2. Wer baut das Evaluationsset, aus welchen echten Fällen, und läuft es bei jeder Änderung?
  3. Wie werden Werkzeugrechte begrenzt, und kann der Agent je mehr als die Person, für die er handelt?
  4. Welche Aktionen brauchen eine Freigabe, und wird das im Code erzwungen statt im Prompt?
  5. Welche Schritt- und Budgetlimits gibt es, und was passiert, wenn der Agent eines erreicht?
  6. Wie schützen Sie vor Prompt Injection aus E-Mails, Dokumenten und Webseiten?
  7. Wohin gehen unsere Daten und Logs, und welche Modellanbieter werden mit welcher Konfiguration genutzt?
  8. Festpreis oder Aufwand, und was genau ist im Umfang enthalten?
  9. Wem gehören Code, Prompts und Evaluationsset, und findet die Arbeit in unseren Repositories und Cloud-Konten statt?

Unsere Antworten: KI-Pilotprojekte laufen zum Festpreis mit einem vereinbarten Evaluationsset und einer Go/No-Go-Entscheidung; NDA und Übertragung der IP-Rechte werden vor Arbeitsbeginn unterzeichnet; wir arbeiten in Ihren Repositories und Cloud-Konten, und der Code gehört Ihnen. Die Ingenieure beginnen etwa 48 Stunden nach Ihrer Freigabe der Profile, mit einer zweiwöchigen Testphase: Sind Sie nicht zufrieden, zahlen Sie nichts. Unser Team sitzt in Prishtina auf CET/CEST, also zu denselben Zeiten wie Berlin und Paris. Mehr auf der Seite KI-Agenten-Entwicklung; wenn Sie zuerst Ihren Anwendungsfall schärfen möchten, hilft unsere Softwareberatung.

Häufige Fragen

Was ist ein KI-Agent für Unternehmen?

Software, die ein Ziel entgegennimmt, die Schritte plant und über Werkzeuge Ihre Geschäftssysteme nutzt, um eine Aufgabe zu erledigen, etwa ein Ticket zu lösen oder eine Rechnung einer Bestellung zuzuordnen. Anders als ein Chatbot handelt sie; anders als ein fester Workflow entscheidet sie den nächsten Schritt nach dem, was sie vorfindet, innerhalb der Rechte, Limits und Freigaben, die Sie festlegen.

Welche Beispiele für KI-Agenten gibt es im Unternehmen?

Support-Triage mit Übergabe an das Team, Rechnungs- und Dokumentenverarbeitung, CRM-Pflege, interne IT-Anfragen, Lieferanten- und Auftragsverfolgung, Compliance-Prüfungen gegen ein Regelwerk sowie Recherche und Reporting. Es lohnen sich die Agenten, die eine eng gefasste Aufgabe mit messbarem Ergebnis erledigen.

Was kostet ein KI-Agent?

Es gibt eine Entwicklungs- und eine Betriebsrechnung. Illustrativ, zu unseren veröffentlichten Sätzen von 45–65 € pro Ingenieurstunde, kostet ein Pilot mit 2 Ingenieuren über 3–4 Wochen 10.800–20.800 € und ein produktiver Agent mit 3 Ingenieuren über 10–12 Wochen 54.000–93.600 €. Den Betrieb messen Sie als Kosten pro erledigter Aufgabe.

Wie entwickelt man einen KI-Agenten für das eigene Unternehmen?

Wählen Sie eine eng gefasste Aufgabe und eine Nutzenkennzahl, sammeln Sie ein Evaluationsset aus echten Fällen, binden Sie den Agenten mit den Rechten der jeweiligen Nutzer an die nötigen Systeme an und testen Sie gegen das Set. Ergänzen Sie dann Freigaben, Schritt- und Budgetlimits, Protokollierung, Injection-Schutz und Monitoring, und geben Sie zunächst nur einen Teil des echten Volumens frei.

Wie machen Sie KI-Agenten sicher?

Geben Sie dem Agenten nie mehr Zugriff als der Person, für die er handelt, verlangen Sie Freigaben für unumkehrbare Aktionen, behandeln Sie jede Eingabe als nicht vertrauenswürdig (Prompt Injection ist das größte Risiko der OWASP Top 10 for LLM Applications), protokollieren Sie jede Aktion, nehmen Sie Agenten-Identitäten in Rechteprüfungen auf und legen Sie fest, welche Daten zu welchem Modellanbieter dürfen.

Sollten wir einen Agenten selbst entwickeln lassen oder kaufen?

Kaufen Sie, wenn ein Produkt Ihren Prozess und Ihre Systeme so abdeckt, wie sie sind, und prüfen Sie, ob es wirklich Aktionen ausführt und kein umetikettierter Chatbot ist. Lassen Sie entwickeln, wenn der Wert in Ihren eigenen Daten, Systemen und Regeln liegt. Standards wie MCP machen individuelle Integrationen über Modelle hinweg wiederverwendbar.

Sie haben eine Aufgabe für einen Agenten im Blick?

Beschreiben Sie uns den Prozess und die beteiligten Systeme. Innerhalb von 24 Stunden nach dem ersten Gespräch erhalten Sie ein Angebot für einen Pilot zum Festpreis, inklusive Evaluationsset und Go/No-Go-Kriterium.

Lassen Sie uns bauen, was als Nächstes kommt.

Sagen Sie uns, was Sie entwickeln oder skalieren möchten. Sie erhalten innerhalb von 24 Stunden ein Angebot mit Aufwandsschätzung.

Oder schreiben Sie uns direkt

hello@elitics.io+383 49 171 069

Dukagjini Center, Prishtina, Kosovo