KI-Agenten · Souveräner Betrieb · Automatisierung
Vom Chatfenster zur Arbeit, die von selbst läuft
Mehr als die Hälfte der Unternehmen arbeitet mit KI. Nur ein Bruchteil verdient damit Geld. Ich zeige, woran das liegt, und baue die Agenten, die den Unterschied machen.
Demo ansehenZwischen Einsatz und Ertrag klafft eine Lücke
Nach einer Umfrage des ifo-Instituts arbeiten 54,4 Prozent der deutschen Unternehmen mit KI-Software, ein Jahr zuvor waren es knapp 41 Prozent. Dem steht ein nüchterner Befund gegenüber. Die MIT-Studie The GenAI Divide beziffert den Anteil der Projekte mit generativer KI ohne messbaren Geschäftswert auf 95 Prozent. Nur fünf Prozent erreichen den produktiven Regelbetrieb, bei Investitionen von 30 bis 40 Milliarden Dollar.
Den Abstand zwischen diesen fünf Prozent und der Mehrheit erklärt selten die Wahl des Modells. Er liegt davor und danach, also bei der Datenbasis, bei der Zurechnung eines Ergebnisses und bei der Übernahme in den täglichen Ablauf. Genau dort setze ich an.
der Unternehmen nutzen KI
Die Verbreitung wächst schnell, im Vorjahr lag der Anteil noch bei knapp 41 Prozent. Der Einstieg ist damit für die meisten erledigt.
erreichen den Regelbetrieb
Alle anderen Vorhaben bleiben im Versuchsstadium stecken oder liefern keinen Wert, den jemand nachrechnen kann.
halten ihre Daten für integriert
Im Data Readiness Index 2026 von Cloudera sehen knapp vier Fünftel der IT-Verantwortlichen ihre Vorhaben eingeschränkt, da der Zugriff auf alle nötigen Daten fehlt.
Ich schreibe über KI und betreibe sie selbst
Seit über dreißig Jahren arbeite ich als IT-Fachjournalist und Fachbuchautor, über hundert Bücher und mehrere tausend Artikel. Allein 2026 sind rund fünfzig Fachbeiträge zu KI entstanden, unter anderem für ComputerWeekly, iX, Security-Insider, BigData-Insider, DataCenter-Insider und die Communications of the ACM.
Parallel läuft im eigenen Betrieb eine Flotte von rund sechzig Agenten, die Buchhaltung, Postfach, Recherche und Überwachung übernimmt. Die Beispiele auf dieser Seite stammen aus diesem Betrieb und aus dem eigenen GPU-Lab, nicht aus Herstellerunterlagen.
Neun Aufgaben, die hier täglich ohne Zutun laufen
Die Beispiele stammen aus der eigenen Agentenflotte. Jedes davon war vorher Handarbeit, jedes läuft heute nach festen Regeln und meldet sich nur, wenn eine Entscheidung ansteht.
Rechnungen finden sich selbst
Ein Agent durchsucht die Postfächer nach Belegen, benennt sie nach einem festen Schema und legt sie im Monatsordner ab. Fehlende Belege stehen am Monatsende auf einer Liste statt in einem Stapel.
Unbezahltes fällt sofort auf
Gestellte Rechnungen werden gegen die Kontobewegungen gehalten. Bleibt eine länger offen, kommt eine Meldung mit Betrag, Datum und Kunde, nicht erst beim nächsten Blick in die Buchhaltung.
Teilzahlungen werden zugeordnet
Eingehende Zahlungen ordnet der Agent den erwarteten Beträgen zu, auch bei abweichendem Absender oder Teilbeträgen. Bei Zweifeln meldet er den Fall als unklar, statt zu raten.
Termine melden sich vorher
Steuertermine, Bescheide und Vertragsfristen werden aus Post und Kalender gezogen. Die Erinnerung nennt den Betrag, hängt das Dokument an und prüft vorher, ob schon gezahlt wurde.
Der Morgen beginnt mit einer Liste
Aus mehreren Postfächern und Kalendern liegt vor Arbeitsbeginn ein Überblick über die Punkte des Tages bereit, die sich nicht verschieben lassen. Erledigtes taucht darin nicht auf.
Der Posteingang sortiert sich
Automatische Bestätigungen wandern in den Papierkorb, eine Absage bekommt eine freundliche Antwort, alles Übrige landet zur Bearbeitung im richtigen Ordner. Bestandskunden bleiben ausgenommen.
Material liegt morgens bereit
Über Nacht sammelt ein Agent Quellen, Volltexte und Videomitschriften zum Thema des nächsten Tages. Aus wenigen Fundstellen sind so dreizehn bis fünfzehn je Auftrag geworden.
Themen kommen von allein
Je Fachgebiet beobachtet ein Agent die Lage und schlägt monatlich Themen vor. Bereits veröffentlichte Themen prüft er gegen die Website des Portals und lässt sie weg.
Ein Agent bewacht die anderen
Bleibt eine Ausführung aus, meldet ein Wächter den Ausfall mit Ursache und Lösungsvorschlag. Genau diese Aufsicht fehlt in fast jedem KI-Vorhaben, und ohne sie verdient keine Automatisierung Vertrauen.
Drei Fragen entscheiden über den Erfolg
Sie tauchen in jedem Projekt auf, unabhängig von Branche und Größe. Eine frühe Antwort erspart den teuren Umbau nach dem Pilotversuch.
Betriebsort und Datenhoheit
Cloud-Schnittstelle, eigener GPU-Knoten oder Arbeitsplatzrechner. Die Antwort hängt am Schutzbedarf der Daten, nicht am Prospekt. Für regulierte Häuser ist der eigene Betrieb erstmals eine echte Alternative.
Identität, Rechte und Angriffe
Ein Agent handelt im Auftrag eines Menschen und lebt oft nur Minuten. Ohne eigene Identität und begrenzte Rechte steht am Ende im Protokoll ein Mensch, der nichts getan hat.
Daten, Durchsatz und Rechnung
Den größten Posten verursacht selten das Modell. Teuer werden die Datenaufbereitung, der Speicher vor der GPU und Anfragen, die ein zu teures Modell bearbeitet.
Eigene Sprachmodelle sind rechenbar geworden
Das Angebot hat sich verschoben. Mistral Large 3 erscheint mit 675 Milliarden Parametern unter der freizügigen Apache-2.0-Lizenz, Modellfamilien von DeepSeek und Qwen stehen zum Herunterladen bereit. Bei Routinearbeit ist der Qualitätsabstand zu den geschlossenen Spitzenmodellen so weit geschrumpft, dass sich die Frage nach dem eigenen Betrieb neu stellt.
Die Auslegung beginnt beim Speicher. Ein Modell mit 70 Milliarden Parametern belegt bei 16 Bit Genauigkeit rund 140 Gigabyte. Rechnet man mit vier Bit je Parameter, sinkt der Bedarf auf 40 Gigabyte. Für Aufgaben wie Klassifizierung und Datenextraktion bleibt der Qualitätsverlust dabei klein.
Bandbreite schlägt Rechenleistung
Für jedes erzeugte Wort liest das System sämtliche aktiven Gewichte einmal aus dem Speicher. Ein 40-Gigabyte-Modell auf einer Maschine mit 800 Gigabyte pro Sekunde kommt damit rechnerisch auf 20 Wörter je Sekunde, gleich welche Rechenleistung das Datenblatt nennt. Beim Kauf zählt deshalb Bandbreite pro Euro.
Der Ausweichort braucht reservierte Technik
Ein Ersatzmodell nützt nichts, wenn am zweiten Ort keine Grafikkarte frei ist. Als Betriebsorte kommen ein verwalteter Dienst aus Europa, ein eigener Knoten im Rechenzentrum und eine europäisch betriebene Region eines großen Anbieters infrage, jeder mit anderer Kostenstruktur.
Die Software folgt der Last
Auf Arbeitsplätzen läuft llama.cpp, das auch ohne Grafikkarte arbeitet und unter Ollama steckt. Im Rechenzentrum übernimmt vLLM, das viele gleichzeitige Anfragen bündelt. Die Wahl entscheidet über Durchsatz und Antwortzeit, nicht über die Qualität.
Ein Agent, der handeln darf, ist ein Angriffsziel
Prompt Injection nutzt eine Grundeigenschaft von Sprachmodellen und lässt sich nicht restlos beseitigen. Das Modell unterscheidet nicht zuverlässig zwischen einer Anweisung und einem Text, den es nur lesen soll. Eine untergeschobene Zeile in einem Dokument kann so zur Handlungsanweisung werden.
Wirksamer Schutz beruht auf gestaffelten Kontrollen an vier Stellen, also bei der Eingabe, im Modell, bei der Ausgabe und bei den Rechten. Die OWASP-Liste für LLM-Anwendungen und die Taxonomie des NIST beschreiben dieselbe Logik. Keine dieser Schichten genügt allein, gemeinsam senken sie Erfolgswahrscheinlichkeit und Schadenshöhe.
Warum klassische Benutzerkonten nicht passen
Ein Benutzerkonto wird angelegt und existiert jahrelang. Ein Agent startet, arbeitet zwei Minuten und verschwindet, und er borgt sich dabei die Rechte des Menschen, für den er tätig wird. Im Zielsystem steht danach eine Abfrage um 03:14 Uhr, die niemand ausgelöst hat.
Der übliche Notbehelf verschärft das Problem. Ein technisches Sammelkonto braucht die Summe aller Rechte, die irgendein Agent irgendwann benötigt, und ein Widerruf legt sämtliche Abläufe still.
Tragfähig bleibt der umgekehrte Weg. Jeder Agent weist seine Identität kryptografisch nach, die geborgten Rechte behalten ihre Zurechnung zum Auftraggeber, und ein einziger Punkt setzt diese Rechte durch.
Nicht jede Anfrage braucht das teuerste Modell
Ein Modellrouter legt sich als Steuerungsschicht zwischen die Anwendung und mehrere Sprachmodelle. Er entscheidet je Anfrage nach Kosten, Antwortzeit, geforderter Qualität und Vertraulichkeit, welches Modell antwortet. Für Entscheider verschiebt sich damit die Leitfrage vom besten Modell zur passenden Kombination mehrerer Modelle.
Was die Steuerungsschicht leistet
Sie wählt das Modell, bestimmt Anbieter und Region, verteilt die Last und fängt Ausfälle ab. Eine vertrauliche Anfrage bleibt damit im eigenen Haus, während eine Zusammenfassung an ein günstiges Modell geht. Offene Bausteine wie LiteLLM lassen sich selbst betreiben, kommerzielle Dienste nehmen den Betrieb ab.
Der Engpass sitzt oft im Speicher
Die Speicherinfrastruktur bestimmt, wie schnell ein Modell im Betrieb antwortet. Drei Viertel der befragten IT-Verantwortlichen führen Einschränkungen der Infrastruktur an. Eine frühe Planung von Durchsatz zur GPU, Ablage des Zwischenspeichers und Verteilung über mehrere Speicherebenen erspart die teure Nachrüstung im Betrieb.
In drei Schritten zum produktiven Betrieb
Analyse
Wir sehen uns die täglichen Abläufe an und suchen die Aufgaben, deren Automatisierung sich rechnet. Am Ende steht eine Liste mit Aufwand und erwartetem Nutzen je Aufgabe.
Aufbau
Ich baue die ersten Agenten samt Rechtemodell und Protokollierung, abgestimmt auf die vorhandenen Systeme. Riskante Schritte laufen zuerst als Entwurf zur Freigabe, nicht scharf.
Betrieb
Die Agenten laufen im Alltag und werden überwacht. Bleibt eine Ausführung aus oder ändert sich eine Schnittstelle, meldet das die Aufsicht, bevor jemand ein falsches Ergebnis verwendet.
Zum Weiterlesen aus meinen Fachbeiträgen
Alle Beiträge stammen aus dem laufenden Jahr und behandeln die Themen dieser Seite ausführlich.
Modellrouter wählen für jede Anfrage das passende KI-Modell
Eine Steuerungsschicht entscheidet je Anfrage nach Kosten, Antwortzeit und Vertraulichkeit, welches Modell antwortet.
Zum Beitrag →Digitale Souveränität: KI-Fallback ohne US-Abhängigkeit
Wie sich eine zweite Ebene aufbauen lässt, die übernimmt, wenn ein amerikanisches Cloud-Modell wegfällt.
Zum Beitrag →Steigende Speicherpreise erzwingen neues Datenmanagement
Wenn Speicher teurer wird, entscheidet die Datenhaltung über die Kosten des KI-Betriebs.
Zum Beitrag →Souveräne Cloud im DACH-Raum gewinnt an Substanz
Was europäische Angebote heute leisten und wo die Abhängigkeit trotz Rechenzentrum vor Ort bleibt.
Zum Beitrag →KI-Nutzung: Hohe Verbreitung, kaum gemessene Wirkung
Über die Hälfte der Unternehmen setzt KI ein, nur wenige verdienen damit. Der Unterschied liegt in der Organisation.
Zum Beitrag →Prompt Injection abwehren mit mehrstufigem Schutz
Gestaffelte Kontrollen an Eingabe, Modell, Ausgabe und Rechten senken Erfolgswahrscheinlichkeit und Schaden.
Zum Beitrag →KI verschiebt die Kriterien für moderne Rechenzentren
Stromdichte, Kühlung und Speicheranbindung bestimmen, ob sich KI-Last überhaupt betreiben lässt.
Zum Beitrag →Prompt Injection untergräbt die Kontrolle über Sprachmodelle
Mechanik und Angriffsarten der Schwachstelle, die sich aus der Bauweise von Sprachmodellen ergibt.
Zum Beitrag →Warum KI an schlechter Datenqualität scheitert
Der Engpass sitzt selten im Modell. Metadaten, Herkunft und Pflege entscheiden über das Ergebnis.
Zum Beitrag →Cloud Governance: Compliance, KI und Souveränität vereinen
Regelwerke, die KI-Nutzung erlauben, ohne die eigenen Vorgaben zu verletzen.
Zum Beitrag →Claude Security öffnet Opus 4.7 für eigene Codebasen
Modellgestützte Code-Analyse findet Schwachstellen, bevor sie ausgenutzt werden, und prüft die eigenen Funde gegen.
Zum Beitrag →Netzwerkübernahme in 22 Sekunden: KI-Abwehr wird zur Pflicht
Angriffe laufen inzwischen schneller ab, als ein Team von Hand reagieren kann.
Zum Beitrag →Semantische Nutzung unstrukturierter Daten mit KI
Aus Dokumenten, Mails und Protokollen wird durchsuchbares Wissen, sobald Bedeutung statt Dateiname zählt.
Zum Beitrag →Microsoft Copilot im Griff behalten oder deaktivieren
Welche Stellschrauben Administratoren haben, wenn Copilot nicht überall Zugriff bekommen soll.
Zum Beitrag →OpenClaw: Autonome KI-Agenten steuern Apps und Systeme
Autonome Agenten erzeugen keine Inhalte mehr, sondern steuern Anwendungen und führen Aufgaben aus.
Zum Beitrag →Autonome KI-Systeme: Sicherheitsrisiken und Schutzmaßnahmen
Welche Risiken autonome Systeme mitbringen und welche Schutzmaßnahmen im Betrieb greifen.
Zum Beitrag →Sprachmodelle ohne US-Cloud betreiben
Offene Modelle laufen auf eigener Hardware, Prompts und Dokumente bleiben im internen Netz.
Zum Beitrag →SAP Joule: KI-Analyse und Automatisierung in SAP
Analyse, Transaktion und Automatisierung direkt in SAP-Anwendungen per natürlicher Sprache.
Zum Beitrag →Ein Gespräch klärt mehr als ein Angebot
Schreiben Sie mir, welche Aufgabe in Ihrem Unternehmen die meiste Zeit frisst. Ich sage Ihnen, ob sich ein Agent dafür lohnt und was er kostet.
Erstgespräch anfragen