Agentic AI im Unternehmen: 6 Regeln für den Alltag

In der Demo wirkt jeder KI-Agent beeindruckend. Im Alltag zeigt sich, ob er wirklich etwas taugt. Am Montag läuft alles, am Dienstag schickt er eine Antwort mit falschen Preisen raus, vergisst einen Termin oder meldet „erledigt“, obwohl nichts passiert ist. Das liegt selten an der KI selbst, sondern daran, wie sie eingebaut ist.

Ein Forschungsteam um Eranga Bandara von der Old Dominion University (USA) hat Ende 2025 einen Praxisleitfaden für sogenannte Agentic AI Workflows veröffentlicht, also Abläufe, in denen mehrere KI-Agenten zusammenarbeiten. Wir haben die wichtigsten Erkenntnisse für dich übersetzt und eingeordnet.

Das Wichtigste in Kürze

• KI nur dort, wo Sprache gebraucht wird. Alles andere erledigt deterministischer Code.
• Jeder Agent hat genau eine Aufgabe. Wer alles gleichzeitig soll, halluziniert.
• Direkte Anbindungen statt Umwege für alles, was zuverlässig laufen muss.
• Human-in-the-Loop: Wichtiges prüft ein Mensch, bevor es rausgeht.

Was ist eigentlich ein KI-Agent?

Ein KI-Agent ist ein Programm, das mit einem Large Language Model (LLM) wie GPT oder Claude selbstständig Aufgaben erledigt. Anders als ein Chatbot antwortet er nicht nur, er handelt: Er ruft Werkzeuge auf (sogenannte Tool-Calls), liest E-Mails, legt Termine an oder schreibt Daten ins CRM.

Der Haken: LLMs arbeiten nicht deterministisch. Dieselbe Eingabe kann unterschiedliche Ergebnisse liefern, und manchmal erfinden sie Dinge, die nicht stimmen. Das nennt man Halluzination. Genau deshalb braucht es klare Regeln, wie man KI in Abläufe einbaut.

6 Regeln für KI-Automatisierung, die im Alltag funktioniert

1. KI nur dort, wo Sprache gebraucht wird

Eine Kundenanfrage verstehen oder eine Antwort formulieren: Das kann ein LLM. Einen Termin eintragen, eine Rechnung erzeugen oder Daten speichern: Das kann deterministischer Code besser. Er liefert bei gleicher Eingabe immer dasselbe Ergebnis, ist testbar und verbraucht keine Tokens, die Recheneinheiten, nach denen KI-Anbieter abrechnen. Im untersuchten Projekt strichen die Forscher einen Agenten, der nur einen technischen Schritt auf GitHub erledigte, und ersetzten ihn durch eine einfache Funktion. Ergebnis: weniger Tokens und ein deutlich stabileres System.

2. Ein Agent, eine Aufgabe

Ein Agent sollte im Projekt Anweisungen für den Video-Generator Veo 3 als JSON schreiben und das Video gleich mit erzeugen. Das Ergebnis: fehlerhaftes JSON, erfundene Dateipfade und Statusmeldungen über Videos, die es nie gab, eine Halluzination wie aus dem Lehrbuch. Erst nach der Trennung lief es sauber: Der Agent schreibt nur noch das JSON, eine normale Funktion ruft die Video-Schnittstelle auf. Dasselbe gilt für Werkzeuge: Ein Agent mit vielen Tools ruft gern das falsche oder gar keins auf.

3. Direkte Funktionsaufrufe statt MCP für kritische Schritte

Das Model Context Protocol (MCP) ist ein offener Standard, über den KI-Agenten externe Dienste wie GitHub, Google Drive oder ein CRM bedienen können, eine Art USB-Stecker für KI. Praktisch, aber eine zusätzliche Schicht: Im Projekt wählte der Agent über den GitHub-MCP-Server immer wieder die falsche Funktion oder falsche Parameter, und auch angepasste Prompts halfen nicht. Eine eigene, direkt aufgerufene Funktion löste das Problem. Unser Fazit: MCP für Flexibilität, direkte Anbindungen für alles, was zuverlässig laufen muss, etwa Rechnungen oder Kundendaten.

4. Prompts versioniert außerhalb des Codes

Prompts sind die schriftlichen Anweisungen, die das Verhalten der KI steuern. Die Forscher legen sie als eigene Dateien in einem Git-Repository ab und laden sie zur Laufzeit. Der Vorteil für dich: Tonfall und Regeln lassen sich ändern, ohne die Software neu auszuliefern. Jede Änderung ist dokumentiert, lässt sich per Rollback zurücknehmen, und auch Nicht-Entwickler können mitarbeiten.

5. Modell-Konsortium oder Human-in-the-Loop

Im Projekt schrieben mehrere LLMs verschiedener Anbieter unabhängig voneinander Entwürfe. Ein Reasoning-Modell verglich sie und übernahm nur, worin sie übereinstimmten. Das gleicht Ausreißer einzelner Modelle aus, kostet aber ein Vielfaches an Tokens. Für kleine Unternehmen ist die bessere Kontrollinstanz oft ein Mensch, im Fachjargon Human-in-the-Loop: Angebote und Antworten an Kunden gehen erst raus, wenn jemand aus deinem Team sie freigegeben hat.

6. Keep It Simple, Stupid

Die Forscher betreiben ihren Workflow in Docker-Containern auf einem Kubernetes-Cluster. Für große Systeme ist das sinnvoll, für die meisten kleinen Unternehmen überdimensioniert. Wichtiger ist das Prinzip dahinter, kurz KISS: Jede zusätzliche Schicht ist eine weitere Fehlerquelle. Ein schlanker Workflow mit einem gut eingegrenzten KI-Schritt ist günstiger, stabiler und leichter zu warten als ein System mit zehn Agenten.

Woran du eine gute KI-Automatisierung erkennst

Diese Fragen solltest du jedem Anbieter stellen, auch uns:

• Welche Schritte erledigt ein LLM, welche deterministischer Code?
• Werden KI-Ausgaben geprüft, etwa gegen ein festes JSON-Schema, bevor sie weiterverarbeitet werden?
• Welche Aktionen brauchen eine menschliche Freigabe?
• Lassen sich die Prompts ändern, ohne die Software neu zu bauen?
• Wo werden die Daten verarbeitet, in der EU oder den USA, und gibt es einen AV-Vertrag nach DSGVO?
• Was kostet der laufende Betrieb im Monat, inklusive Tokens und Hosting?
• Gibt es Logs, die zeigen, was der Workflow wann gemacht hat?

So machen wir das bei since3

Unsere KI-Automatisierungen bauen wir meist mit n8n, einem Workflow-Tool, das die Programme verbindet, die du schon nutzt, etwa E-Mail, Kalender oder CRM. Die meisten Schritte sind dort deterministische Nodes, die Daten holen, umformen und weitergeben. Ein LLM kommt nur dazu, wo Sprache verstanden oder geschrieben werden muss, zum Beispiel um Anfragen vorzusortieren oder eine Antwort zu entwerfen. Und was an deine Kunden geht, gibt vorher jemand aus deinem Team frei.

Häufige Fragen

Kann eine KI-Automatisierung Fehler machen?

Ja. LLMs können sich irren oder halluzinieren. Deshalb gehören feste Prüfschritte und Human-in-the-Loop für alles Wichtige dazu. Gut gebaut, fängt der Workflow Fehler ab, bevor sie beim Kunden landen.

Lohnt sich das für ein kleines Unternehmen?

Oft ja, wenn eine Aufgabe jede Woche nach demselben Muster wiederkehrt, etwa Anfragen beantworten, Termine abstimmen oder Angebote vorbereiten. Schon ein einzelner automatisierter Ablauf kann jede Woche Stunden sparen.

Wie fange ich am besten an?

Mit dem Ablauf, der heute am meisten Zeit frisst. Im kostenlosen Erstgespräch schauen wir gemeinsam, welcher das ist und ob sich eine Automatisierung lohnt.

Fazit

Zuverlässige KI entsteht nicht durch mehr Intelligenz, sondern durch mehr Disziplin. Wer LLMs gezielt für Sprache einsetzt und den Rest deterministischem Code überlässt, bekommt Automatisierungen, die auch am Dienstag noch laufen. Lass uns über deine Abläufe sprechen, das Erstgespräch ist kostenlos.

Quelle: Bandara, E. et al. (2025): A Practical Guide for Designing, Developing, and Deploying Production-Grade Agentic AI Workflows. Preprint, arXiv:2512.08769.