KI-Agenten im Unternehmen sind die aktuelle Fassung einer vertrauten Geschichte: eine Demo, die in zehn Minuten wunderbar funktioniert, gefolgt von sechs Monaten des Versuchs, sie zuverlässig genug zu machen, um sie unbeaufsichtigt laufen zu lassen. Zwischen diesen beiden Zuständen liegt fast das gesamte Budget, und kaum ein Werbematerial beschreibt diese Lücke.

Ein Agent unterscheidet sich von einem Chatbot in einem kommerziell entscheidenden Punkt. Ein Chatbot erzeugt Text, und ein Mensch entscheidet, was damit geschieht. Ein Agent handelt selbst, ruft Systeme auf, schreibt Datensätze, verschickt Nachrichten. Diese Verschiebung führt vom Risiko der Peinlichkeit zum Risiko der Folge, und deshalb ähnelt die nötige Ingenieursdisziplin eher dem Bau eines Zahlungssystems als dem eines Content-Werkzeugs.

Wohin das Geld tatsächlich fließt: Das Modell ist der billigste Teil. Die Kosten stecken in der Werkzeuganbindung, den Auswertungsgerüsten, den Leitplanken und dem Übergabeweg zum Menschen. Ein einfacher interner Agent kostet £5,000 bis £12,000, ein abrufgestützter £12,000 bis £30,000, und ein mehrstufiger Agent mit echtem Systemzugriff beginnt bei etwa £30,000 und erreicht £75,000 oder mehr, sobald Überwachung und Rücknahme ordentlich gebaut sind.

Wo KI-Agenten im Unternehmen wirklich funktionieren

Es lohnt sich, konkret zu werden, denn die ehrliche Liste ist kürzer als der Hype und nützlicher.

Agenten sind gut bei Aufgaben, die wiederkehrend und begrenzt sind und einen Prüfschritt vertragen. Eingehende Anfragen sichten und mit einem Antwortentwurf weiterleiten. Strukturierte Daten aus unstrukturierten Dokumenten ziehen, wobei ein Mensch bestätigt, bevor etwas verbucht wird. Datensätze zwischen zwei Systemen abgleichen und die Abweichungen melden statt sie aufzulösen. Erstlinien-Support, der die häufigen Fälle löst und den Rest sauber eskaliert.

Das Muster ist, dass der Agent die Menge übernimmt und der Mensch das Urteil. Jeder Einsatz, den wir in Produktion funktionieren sahen, hatte diese Form, und die meisten gescheiterten waren Versuche, den Menschen vollständig aus einem Prozess zu entfernen, in dem Urteil tatsächlich nötig war.

Schlecht sind sie dort, wo ein Fehler teuer und schwer zu entdecken ist, wo die Aufgabe Wissen verlangt, das nur in einem Kopf existiert, und wo der Ablauf jedes Mal wirklich anders ist. Ein Agent mit einer Aufgabe ohne stabile Struktur produziert unbegrenzt plausible Ausgaben, ohne je richtig zu liegen, und das ist schlimmer als sichtbar zu scheitern.

Warum Piloten zwischen Demo und Produktion steckenbleiben

Der erste Fehlermodus ist Arithmetik und überrascht die Leute. Ist ein einzelner Schritt in der Kette eines Agenten zu fünfundneunzig Prozent zuverlässig, gelingt eine Aufgabe mit fünf Schritten in etwa siebenundsiebzig Prozent der Fälle und eine mit zehn Schritten in etwa sechzig. In einer Demo fällt das niemandem auf, weil eine Demo den glücklichen Pfad läuft. In Woche drei eines Piloten wird es offensichtlich, und dann ist die Lösung architektonisch statt eine Prompt-Änderung: Ketten kürzen, Prüfungen zwischen die Schritte legen und jeden Schritt so entwerfen, dass Fehler erkannt und nicht weitergereicht werden.

Der zweite ist, dass die meisten Geschäftsprozesse keine Rücknahme kennen. Ein Agent, der die falsche E-Mail verschickt, kann sie nicht zurückholen. Ein Agent, der einen Kundendatensatz ändert, hat etwas verändert, das andere Systeme bereits gelesen haben. Die Fähigkeit zu bauen, eine Aktion rückgängig zu machen, ist oft mehr Arbeit als die Aktion selbst, und genau dieser Teil wird verschoben und dann entdeckt.

Auswertung ist der eigentliche Entwicklungsaufwand

Der dritte Fehler ist die Auswertung, und dort liegt der eigentliche technische Aufwand, den Teams ohne Erfahrung damit durchgängig unterschätzen. Herkömmliche Software wird gegen eine erwartete Ausgabe getestet. Ein Agent erzeugt bei jedem Lauf eine andere Ausgabe und kann in mehreren Formen richtig sein, deshalb brauchen Sie eine bewertete Sammlung realistischer Fälle mit definierten Kriterien für akzeptables Verhalten, automatisch bei jeder Änderung ausgeführt. Ohne das können Sie nicht sagen, ob eine Prompt-Anpassung etwas verbessert oder den Fehler nur dorthin verschoben hat, wo Sie nicht hinsehen. Rechnen Sie damit, dass das Auswertungsgerüst so lange dauert wie der Agent selbst.

Der vierte ist die Kostenstreuung. Der Tokenverbrauch skaliert mit Wiederholungen und Kettenlänge, ein scheiternder Agent kostet also mehr als ein funktionierender, und ein Agent, der in eine Schleife gerät, deutlich mehr. Budgets, die annehmen, dass durchschnittliches Verhalten typisch ist, liegen in der Regel in die falsche Richtung daneben. Unser Leitfaden zu Latenz und Kosten von Sprachmodellen behandelt die Caching- und Routing-Strategien, die das begrenzen.

Die Offenlegungspflichten, die jetzt gelten

Das ist der Teil, der sich zuletzt geändert hat und den die meisten Unternehmen mit kundenseitigen Agenten nicht registriert haben.

Die Transparenzpflichten der EU-KI-Verordnung nach Artikel 50 traten am 2. August 2026 wie ursprünglich geplant in Kraft. Sie verlangen eine Offenlegung, wenn eine Person mit einem KI-System interagiert, eine Kennzeichnung KI-erzeugter synthetischer Audio-, Bild-, Video- und Textinhalte sowie die Offenlegung von Deepfakes. Entscheidend ist, dass sie sich danach richten, was das System tut, und nicht danach, in welche Risikostufe es fällt, sodass ein gewöhnlicher Kundenservice-Agent erfasst ist.

Die Hochrisikopflichten wurden verschoben. Der EU Digital Omnibus zur KI, Verordnung 2026/1744 , wurde am 24. Juli 2026 im Amtsblatt veröffentlicht und trat am 27. Juli 2026 in Kraft, sechs Tage vor der ursprünglichen Frist. Er verschob die Pflichten für eigenständige Hochrisikosysteme nach Anhang III vom 2. August 2026 auf den 2. Dezember 2027 und für KI in Produkten, die bereits unter das EU-Produktsicherheitsrecht fallen, auf den 2. August 2028. Der Omnibus fügte Artikel 5 zudem zwei verbotene Kategorien hinzu, mit einer Übergangsfrist für die zugehörigen technischen Schutzmaßnahmen bis zum 2. Dezember 2026.

Der AI Act Explorer ist der schnellste Weg zu prüfen, welche Artikel ein gegebenes System berühren. Das Vereinigte Königreich hat kein entsprechendes Gesetz erlassen und verfolgt weiterhin einen regulierungsgeleiteten Ansatz, ein rein inländischer Einsatz unterliegt also bestehendem Recht statt einem eigenen KI-Rahmen. Dieser Unterschied bedeutet weniger, als er klingt. Wenn Sie EU-Kunden bedienen oder Ihr Produkt in der EU genutzt wird, erreicht Sie die Verordnung unabhängig vom Sitz, und die Transparenzpflichten gelten jetzt und sind nicht verschoben. Offenlegung in einen kundenseitigen Agenten einzubauen ist beim Entwurf billig und nachträglich unangenehm.

Was es kostet

Die folgenden Spannen folgen derselben Struktur wie unser umfassender Leitfaden zu KI-Integrationskosten und beschreiben Baukosten, nicht Betriebskosten.

Ein interner Agent für eine einzelne begrenzte Aufgabe gegen ein oder zwei Systeme, mit menschlicher Prüfung der Ausgabe, kostet £5,000 bis £12,000. Das ist das richtige erste Projekt und dort erfahren Sie, ob Ihre Daten und Prozesse in brauchbarem Zustand sind.

Ein Agent mit Abruf über Ihre eigenen Dokumente, der einen echten Geschäftsprozess mit mehreren Werkzeugen bearbeitet, kostet £12,000 bis £30,000. Die Abrufschicht ist meist der größere Teil davon, denn die Qualitätsgrenze setzt die Struktur Ihrer Dokumente und nicht das Modell. Unser Vergleich von Feintuning, Abruf und Prompting behandelt, welcher Ansatz zu welchem Problem passt.

Ein mehrstufiger Agent mit Schreibzugriff auf Produktivsysteme, ordentlicher Überwachung, Rücknahme und einem Auswertungsgerüst beginnt bei etwa £30,000 und erreicht häufig £75,000 oder mehr. Nicht die Funktionalität kostet das. Der Sicherheitsapparat kostet es.

Betriebskosten sind davon getrennt und schwanken stärker, als Anbieter andeuten. Modellaufrufe, Abrufinfrastruktur, Überwachung und die Entwicklungszeit, um die Auswertungen zu pflegen, während sich die Modelle unter Ihnen verändern. Kalkulieren Sie Letzteres ausdrücklich ein, denn Modellanbieter stellen nach eigenem Zeitplan ein und überarbeiten, und das Verhalten Ihres Agenten ändert sich dabei.

Wie Sie ein erstes Projekt zuschneiden

Wählen Sie eine Aufgabe, deren heutige Leistung Sie bereits messen können. Wenn Sie nicht wissen, wie lange der manuelle Ablauf dauert oder wie oft er schiefgeht, können Sie nicht sagen, ob der Agent geholfen hat, und das Projekt wird nach Eindrücken beurteilt.

Halten Sie die erste Kette kurz. Drei Schritte, die funktionieren, sind ein besseres Fundament als zehn, die meistens funktionieren, und sie lehren dieselben Lektionen über Ihre Datenqualität.

Bauen Sie die Auswertungsmenge vor dem Agenten. Zwanzig bis fünfzig echte Fälle mit bekannten guten Ergebnissen, festgehalten bevor jemand mit Prompts beginnt. Diese eine Praxis trennt Projekte, die konvergieren, von Projekten, die schwanken.

Entwerfen Sie die Übergabe ausdrücklich. Was geschieht, wenn der Agent unsicher ist, was der Mensch sieht und wie der Fall zurück in die Warteschlange kommt. Teams, die das als Randfall behandeln, stellen fest, dass es der Großteil des interessanten Verkehrs ist.

Instrumentieren Sie vom ersten Tag alles. Sie wollen für jeden Lauf die vollständige Eingabe, die Begründung, die aufgerufenen Werkzeuge und das Ergebnis, denn die Fehler, die Sie verstehen müssen, sind die, die Sie nicht erwartet haben.

Wann Sie keinen bauen sollten

Wenn der Prozess, den Sie automatisieren wollen, stabil und regelbasiert ist, ist herkömmliche Software billiger, schneller, zuverlässiger und leichter zu prüfen. Vieles, was derzeit als agentisch gebaut wird, könnte ein geplanter Job mit ein paar Bedingungen sein und wäre damit besser dran.

Wenn Ihre Daten verstreut, uneinheitlich oder undokumentiert sind, beheben Sie das zuerst. Ein Agent erbt jedes Problem der zugrunde liegenden Daten und verstärkt es, weil er auf schlechte Eingaben selbstbewusst handelt, statt anzuhalten.

Bevor Sie einem Agenten Schreibzugriff auf irgendetwas geben, lohnt sich ein Blick in die OWASP Top 10 für Anwendungen mit großen Sprachmodellen , die die Fehlerklassen katalogisiert, die zählen, sobald ein Modell handeln und nicht nur antworten kann. Und wenn die ehrliche Antwort auf die Frage, was bei einem Fehler passiert, lautet, dass es eine Woche lang niemand merken würde, geben Sie ihm keinen Schreibzugriff. Lesende Agenten, die für menschliche Freigabe entwerfen, holen den größten Teil des Nutzens bei einem Bruchteil des Risikos, und das ist die Variante, die den Kontakt mit echter Last übersteht.

Einen realistischen Zuschnitt finden

Diese Projekte gehen am häufigsten dadurch schief, dass man sich auf einen ehrgeizigen Agenten festlegt, bevor geklärt ist, ob Daten und Prozesse darunter ihn tragen können, und das ist eine Frage, die eine kurze Vorstudie günstig beantwortet.

Mecanik baut produktive Agenten über unsere KI-Integrationsleistungen , wobei Auswertungsgerüst, Überwachung und Rücknahme als Ergebnisse und nicht als Zusätze behandelt werden, und übernimmt die umgebende Anwendungsarbeit über unser Team für Softwareentwicklung . Wenn Sie einen Piloten haben, der gut vorführt und nicht stabil wird, ist das ein konkretes und lösbares Problem, über das sich reden lohnt.

Siehe auch: Healthcare-Software in UK: Regeln und Kosten , Kimi K3 selbst hosten: Hardware, Kosten, Souveränität , Fremde API integrieren: Kosten und Fehlerbilder , OpenAI-API-Integration: GPT in eine bestehende App .

Häufig gestellte Fragen

Was unterscheidet einen KI-Agenten von einem Chatbot? Ein Chatbot erzeugt Text, mit dem ein Mensch etwas tut. Ein Agent handelt selbst, ruft Systeme auf, schreibt Datensätze und verschickt Nachrichten. Diese Verschiebung führt vom Risiko der Peinlichkeit zum Risiko der Folge, weshalb die nötige Ingenieursdisziplin eher dem Bau eines Zahlungssystems gleicht als dem eines Content-Werkzeugs.

Was kosten KI-Agenten ein Unternehmen? Ein interner Agent für eine begrenzte Aufgabe mit menschlicher Prüfung kostet £5,000 bis £12,000. Einer mit Abruf über eigene Dokumente und mehreren Werkzeugen kostet £12,000 bis £30,000. Ein mehrstufiger Agent mit Schreibzugriff auf Produktivsysteme, Überwachung und Rücknahme beginnt bei etwa £30,000 und übersteigt häufig £75,000.

Warum schaffen es KI-Agenten-Piloten nicht in die Produktion? Zuverlässigkeit multipliziert sich ungünstig über Schritte hinweg, eine Kette aus fünf Schritten mit je fünfundneunzig Prozent gelingt nur zu etwa siebenundsiebzig Prozent. Die meisten Geschäftsprozesse kennen zudem keine Rücknahme, und ein Auswertungsgerüst zu bauen dauert typischerweise so lange wie der Agent selbst.

Muss ich offenlegen, dass Kunden mit einer KI sprechen? Nach der EU-KI-Verordnung traten die Transparenzpflichten des Artikels 50 am 2. August 2026 in Kraft und verlangen eine Offenlegung, wenn eine Person mit einem KI-System interagiert, sowie eine Kennzeichnung KI-erzeugter Inhalte. Sie richten sich danach, was das System tut, nicht nach seiner Risikostufe, und erfassen Unternehmen mit EU-Kunden unabhängig vom Sitz.

Wurden die Hochrisikoregeln der EU-KI-Verordnung verschoben? Ja. Die Verordnung 2026/1744, der Digital Omnibus zur KI, trat am 27. Juli 2026 in Kraft und verschob die Pflichten für eigenständige Hochrisikosysteme nach Anhang III vom 2. August 2026 auf den 2. Dezember 2027 und für KI in regulierten Produkten auf den 2. August 2028. Die Transparenzpflichten des Artikels 50 wurden nicht verschoben.