Amplifa – KI-Vertriebsplattform für die Industrie

KI Agenten: Trend-Report für den Mittelstand

KI-Strategie · 11. November 2026 · Anthony Filipiak

KI Agenten verändern Prozesse im Mittelstand. Lesen Sie, welche Trends, Kosten und Risiken Geschäftsführer 2026 konkret einplanen müssen.

Ein KI Agent ist Software, die ein Ziel bekommt und Arbeitsschritte ausführt. So steht es in vielen Präsentationen, und als Definition ist das nicht falsch. Nur lässt sie den Teil weg, der Geschäftsführer nachts wach hält: Der Agent ist kein Chatbot mehr, sondern ein softwarebasierter Mitarbeiter ohne Bauchgefühl, ohne Haftung und mit Zugriff auf Systeme. Genau deshalb werden KI Agenten im Mittelstand nicht an der Modellqualität scheitern, sondern an Freigaben, Daten und Kosten pro akzeptiertem Ergebnis. Meine Prognose: 2026 wird nicht das Jahr der vollautonomen KI, sondern das Jahr der begrenzten Workflow-Agenten mit Protokoll, Stoppknopf und klarer Ergebnisrechnung.

Das klingt weniger sexy als die Folien aus San Francisco. Ist aber wirtschaftlich brauchbarer. Ich spreche jede Woche mit Geschäftsführern, CTOs und Vertriebsleitern aus DACH-Unternehmen zwischen 50 und 500 Mitarbeitern, und fast alle stellen dieselbe Frage, nur in anderer Verpackung: Wo fangen wir an, ohne uns eine Blackbox in den Maschinenraum zu schieben? Meine Antwort ist inzwischen ziemlich hart geworden. Wer mit maximaler Autonomie startet, baut kein KI-Programm. Er baut ein Haftungsproblem mit API-Zugang.

KI Agenten: Die überraschende Prognose für 2026

Die Überraschung ist nicht, dass Agentic AI kommt. Die Überraschung ist, wie unspektakulär die ersten Gewinner aussehen werden. Es werden nicht die Mittelständler sein, die einen digitalen Kollegen mit Namen, Avatar und Firmen-E-Mail feiern, sondern Firmen wie Festo, Phoenix Contact oder ein Werkzeugbauer aus Ostwestfalen, der 18 Minuten pro Auftrag spart und nach sechs Monaten merkt: Das ist mehr wert als die Demo mit Sprachsteuerung.

Ich glaube, dass bis Ende 2027 in vielen DACH-Mittelständlern die ersten produktiven KI Agenten laufen werden - aber nicht als freie Entscheider. Eher als Schichtleiter für Büroprozesse: Sie lesen Mails, holen Daten aus ERP und CRM, prüfen Regeln, bauen Vorschläge, eskalieren Grenzfälle und dokumentieren jeden Schritt. Naja, fast. Der Mensch bleibt im System, aber nicht mehr als Copy-Paste-Maschine.

Der Unterschied ist entscheidend. Ein Copilot beantwortet eine Frage. Ein Workflow-Agent übernimmt einen Teilprozess. Ein Multi-Agent-System verteilt Aufgaben zwischen mehreren spezialisierten Agenten. Ein vollautonomer Agent handelt ohne Freigabe. Im europäischen Mittelstand ist der wirtschaftlich sinnvolle Einstieg fast immer Stufe zwei: definierter Workflow, begrenzte Rechte, Human-in-the-Loop, Qualitätsziel, Audit-Log.

Status quo: Agentic AI im Mittelstand ist früher, als viele behaupten

Die öffentliche Wahrnehmung rennt der Realität voraus. Laut einer Lünendonk-Auswertung, die in einer Minglabs-Analyse zur hybriden Organisation zitiert wird, nutzen nur 1 Prozent der befragten Unternehmen in Deutschland, Österreich und der Schweiz KI Agenten bereits End-to-End über mehrere Kernprozesse hinweg. Ein Prozent. Das ist keine Revolution im Maschinenraum, das ist eher ein einzelner Prüflauf auf einer Nebenlinie.

Gleichzeitig ist die Investitionslaune hoch. Eine KPMG-Erhebung meldete 2025, dass 62 Prozent der IT-Führungskräfte Agenten entwickelten, einführten oder aufbauten. Diese Zahl klingt groß, aber sie vermischt Absicht, Pilot und Produktion. Genau dort liegt die Managementfalle. Ein Proof of Concept in Microsoft Teams ist kein produktiver Agent in SAP S/4HANA, der eine Auftragsposition vorbereitet und die Preisabweichung mit sauberem Grund in Dynamics dokumentiert.

Ich habe im März 2025 mit Thomas, Geschäftsführer eines Zulieferers in Heilbronn, über genau diese Lücke gesprochen. Er sagte: "Unsere Leute glauben, KI ist schon überall. In der Auftragsabwicklung sehe ich davon nichts." Der Mann hat recht. Zwischen ChatGPT im Browser und einem belastbaren Agenten, der mit Artikelstammdaten, Lieferterminen, Rabattlogik und Debitorensperren umgehen kann, liegen Berechtigungen, Schnittstellen, Testfälle und ein Stapel Prozessausnahmen, der im Besprechungsraum nach altem Papier riecht.

Der Status quo im Mittelstand ist damit widersprüchlich. Strategisch reden viele über Agentic AI. Operativ stehen die meisten bei Piloten, internen Assistenzsystemen und halbautomatischen Workflows. Das ist nicht peinlich. Es ist normal. Peinlich wird es erst, wenn ein Vorstand 2026 eine autonome KI fordert, aber niemand die Datenqualität der Lieferantenstammsätze kennt.

ReifegradTypischer Zustand im DACH-MittelstandKennzahl oder BeobachtungManagementrisiko
InteresseWorkshops, Ideensammlungen, erste FachbereichsdemonstrationenKPMG 2025: 62 Prozent der IT-Führungskräfte bauen oder planen AgentenErwartungen steigen schneller als Fähigkeiten
PilotEinzelprozess mit kuratierten Daten, oft ohne echte SystemaktionMehrheit laut Lünendonk-Auswertung noch in PilotphasenDemo wird mit Produktion verwechselt
Begrenzte ProduktionWorkflow-Agent mit Freigaben in Service, Vertrieb oder AuftragsbearbeitungSTREIT-Fall: 40 bis 50 Prozent automatisierte Auftragsvorbereitung laut FallbeschreibungKontrollkosten fressen Nutzen
End-to-End über KernprozesseMehrere integrierte Prozesse mit Governance und MonitoringLünendonk/Minglabs: nur 1 Prozent der befragten DACH-UnternehmenSkalierung ohne Eigentümermodell

Trend 1: Der Chatbot stirbt, der Workflow-Agent bleibt

Der erste Trend ist simpel: Chatbots verlieren im B2B ihren Glanz. Nicht weil sie nutzlos sind. Sie sind nur zu oft ein hübsches Interface für dieselbe alte Handarbeit. Wenn ein Vertriebsinnendienstler einen Chatbot fragt, welche Ersatzteile zu einer Maschine passen, dann die Antwort kopiert, in SAP prüft, dem Kunden schreibt, eine Rückfrage an die Technik stellt und später eine Aufgabe in HubSpot anlegt, dann hat die KI nicht gearbeitet. Sie hat geholfen. Das ist ein Unterschied.

Ein Workflow-Agent geht weiter. Er interpretiert ein Ziel, zerlegt es in Schritte, nutzt Werkzeuge, liest Kontext, prüft Regeln und bereitet Folgeaktionen vor. Technisch besteht so ein System aus Zielinterpretation, Planung, Tool-Zugriff, Retrieval, Entscheidungslogik und Governance. Klingt trocken. Ist es auch. Aber genau diese Trockenheit macht es für den Mittelstand interessant, weil der Wert nicht im Gespräch liegt, sondern in der Reduktion von Liegezeit, Rückfragen und manueller Nacharbeit.

Nehmen wir Auftragsvorbereitung. Beim deutschen Unternehmen STREIT bereitet ein Agent laut veröffentlichter Fallbeschreibung bereits 40 bis 50 Prozent der Bestellungen automatisch vor. Genannt werden bis zu 120 frei werdende Arbeitsstunden pro Monat und ein langfristiges Ziel von bis zu 80 Prozent Automatisierung. Wenn man mit Vollkosten von 35 bis 55 Euro pro Stunde rechnet, dann entspricht das rechnerisch einem Kapazitätswert von 4.200 bis 6.600 Euro pro Monat. Stimmt nicht ganz. Es ist kein gesparter Euro, solange die Zeit nicht produktiv genutzt wird. Aber es ist freie Kapazität in einem Bereich, in dem viele Firmen seit zwei Jahren keine guten Sachbearbeiter finden.

In Gesprächen mit Vertriebsleitern höre ich inzwischen weniger "Kann die KI gute Texte schreiben?" und häufiger "Kann sie unsere Standardfälle vorqualifizieren?" Das ist ein Reifezeichen. Markus, CSO eines Maschinenbau-Zulieferers in Augsburg, sagte mir im April 2025: "Wenn der Agent mir nur die fünf sauberen Fälle von den zwanzig chaotischen trennt, hat er seinen Job gemacht." Genau. KI im Mittelstand muss nicht zaubern. Sie muss Sortierarbeit übernehmen, ohne neue Fehlerketten zu bauen.

Der Fehler vieler Unternehmen ist, Agentic AI wie einen besseren Chat zu behandeln. Der wirtschaftliche Wert entsteht aber erst, wenn der Agent in einem begrenzten Prozess echte Systemarbeit vorbereitet und jede Aktion erklärbar bleibt.

— Anthony Filipiak, CEO & Co-Founder bei Amplifa

Warum Human-in-the-Loop kein Bremsklotz ist

Viele Gründer in der KI-Szene tun so, als sei menschliche Freigabe ein Zeichen mangelnder Ambition. Ich halte das für Quatsch. Human-in-the-Loop ist im Mittelstand nicht die Bremse, sondern die Kupplung. Ohne sie würgt der Motor ab oder springt in die falsche Richtung. Besonders in Einkauf, Service, Auftragsbearbeitung und Qualitätsmanagement sind Freigaben der Mechanismus, mit dem ein Agent produktiv werden kann, bevor er perfekt ist.

Der Punkt ist nicht, jeden Vorgang für immer manuell zu prüfen. Der Punkt ist, anfangs sauber zu messen, welche Fälle der Agent zuverlässig bearbeitet. Dann kann man Standardfälle schrittweise freigeben. Erst Vorschlag. Dann Entwurf mit Bestätigung. Dann autonome Ausführung für risikoarme Fälle. Dann Entscheidung innerhalb harter Grenzen. Vollautonomie? Nur dort, wo Fehler reversibel, Kosten begrenzt und Verantwortung geklärt ist. Also seltener, als manche Folie behauptet.

Die überraschendste Statistik: Laut Lünendonk-Auswertung nutzen nur 1 Prozent der befragten DACH-Unternehmen KI Agenten End-to-End über mehrere Kernprozesse. Der Markt ist laut, aber produktiv noch früh.

Trend 2: Kosten wandern von Tokens zu Kontrolle

Der zweite Trend wird viele CFOs ernüchtern. Die Modellkosten sind selten das Problem. Ja, Agenten können viele Tokens verbrauchen. Ja, eine aktuelle Analyse agentischer Softwareaufgaben berichtet Kostenabweichungen bis zum Faktor 30 bei ähnlichen Läufen. Aber in realen Mittelstandsprojekten sind Integration, Datenqualität, Monitoring und menschliche Prüfung meist schwerer als die Rechnung des Sprachmodells.

Eine illustrative Kalkulation mit Engineering-Sätzen von 45 bis 65 Euro pro Stunde nennt für einen einfachen werkzeugfähigen Agenten 14.400 bis 31.200 Euro. Ein mehrstufiger Workflow-Agent mit Freigaben liegt grob bei 32.400 bis 62.400 Euro. Ein Agent mit mehreren Geschäftssystemen bei 54.000 bis 93.600 Euro. Das sind keine Fantasiezahlen, sondern plausible Größenordnungen, wenn man drei Entwickler über 6 bis 12 Wochen ansetzt. Und noch ist kein Betriebsrat überzeugt, kein Testdatensatz bereinigt, kein nächtlicher ERP-Batch entschärft.

Noch wichtiger sind die laufenden Kosten pro akzeptiertem Ergebnis. Ein veröffentlichtes Beispiel kommt auf 18,90 Euro je akzeptiertem Ergebnis: 2,00 Euro Modell- und Servicekosten, 1,20 Euro fixe Softwarekosten, 12,50 Euro menschliche Prüfung und Freigabe, 3,20 Euro laufender Support. Das ist der Moment, in dem manche Business Cases leise sterben. Nicht mit Knall. Eher mit Excel-Geräusch.

AgententypTypischer UmfangZeitrahmenRichtwert ImplementierungWas oft fehlt
Einfacher Assistent mit WerkzeugzugriffEin Tool, begrenzter Prozess, geringe Systemtiefeca. 3 bis 5 Wochen14.400 bis 31.200 Euro laut illustrativer Elitics-KalkulationProduktionsmonitoring, Rechtekonzept, echte Testdaten
Workflow-Agent mit FreigabenMehrere Schritte, Human-in-the-Loop, definierte Eskalation6 bis 8 Wochen mit drei Entwicklern32.400 bis 62.400 EuroProzessneugestaltung, Akzeptanzmessung, Freigabelogik
Multi-System-AgentERP, CRM, DMS oder Serviceplattformen integriert10 bis 12 Wochen mit drei Entwicklern54.000 bis 93.600 EuroStammdatenharmonisierung, API-Härtung, Incident-Prozess
Multi-Agent-SystemSpezialisierte Agenten für Analyse, Prüfung, Kommunikationabhängig von Orchestrierung und Risikomeist oberhalb einfacher Workflow-AgentenDebugging, Kostenlimits, Übergabekontrolle

Was wir bei Amplifa konkret sehen: In den letzten 12 Monaten lagen die erfolgreichen Agenten-Piloten bei mittelständischen B2B-Kunden fast nie an der Modellantwort. Die härtesten Engpässe waren in 7 von 10 Fällen fehlende Systemgrenzen: Wer darf Preise sehen? Wer darf eine Kunden-E-Mail vorbereiten? Ab welchem Rabatt muss der Vertriebsleiter freigeben? Sobald diese Grenzen definiert waren, stieg die First-pass-Akzeptanz in mehreren Projekten von grob jedem dritten Vorschlag auf deutlich über die Hälfte. Nicht weil das Modell plötzlich klüger wurde. Weil der Prozess enger wurde.

Das ist eine unbequeme Wahrheit für Unternehmen, die KI wie Softwarekauf behandeln. Ein Agent ist kein Plug-in. Ein Agent ist Prozessdesign plus Datenzugriff plus Kontrollarchitektur. Wenn man nur Lizenzen einkauft, aber niemand die Ausnahmefälle sortiert, bekommt man einen fleißigen Praktikanten mit Generalschlüssel. Klingt lustig. Ist es nicht.

Kosten pro akzeptiertem Ergebnis schlagen Automatisierungsquote

Ich mag Automatisierungsquoten nicht, wenn sie alleine stehen. 70 Prozent automatisiert kann gut sein. Oder Müll. Wenn von zehn automatisch vorbereiteten Fällen vier zurück in die manuelle Korrektur laufen, dann wurde Arbeit nicht gespart, sondern versteckt. Die bessere Kennzahl ist Kosten pro akzeptiertem Ergebnis. Akzeptiert heißt: Der Output kann ohne relevante Nacharbeit in den Zielprozess. Nicht "sieht gut aus". Nicht "war beeindruckend". Akzeptiert.

Für Geschäftsführer heißt das: Vor dem Pilot muss die manuelle Vergleichsbasis stehen. Wie lange dauert ein Vorgang heute? Wie oft fehlt ein Feld? Wie viele Rückfragen entstehen? Was kostet ein Fehler? Wenn diese Zahlen fehlen, wird der Agenten-Business-Case zur Glaubensfrage. Und Glaubensfragen gehören in die Kirche, nicht in die Budgetrunde eines Maschinenbauers in Schwäbisch Hall.

Trend 3: Echtzeitdaten werden zur neuen KI-Infrastruktur

Der dritte Trend ist der am meisten unterschätzte. Agenten brauchen keine schöneren Dashboards. Sie brauchen aktuelle Ereignisse. Eine IDC-Erhebung unter mehr als 620 Technologieverantwortlichen berichtet, dass 90 Prozent der Organisationen mit Agenten ihre Aufmerksamkeit auf Echtzeitdaten verstärkt haben. Unternehmen mit Echtzeitfähigkeiten waren mehr als dreimal so häufig in der Lage, messbare Ergebnisse zu erzielen. Führende Unternehmen nutzten Event-Driven Architecture in 76 Prozent ihrer Workflows, Nachzügler nur in 7 Prozent.

Das ist für produzierende Mittelständler brutal relevant. Bestände aus dem letzten Nachtlauf sind für einen Agenten oft zu alt. Liefertermine ohne verlässlichen Zeitstempel sind geraten. Maschinenmeldungen, die erst im Wochenreport auftauchen, sind für Service-Priorisierung beinahe wertlos. Ein Agent, der einen Kunden wegen Ersatzteilen informiert, muss wissen, ob Webasto-ähnliche Lieferketten gerade eng sind, ob das Teil reserviert wurde und ob der Auftrag schon blockiert ist. Sonst schreibt er höflich falsche Mails.

Ich habe mit Andrea, Head of Sales bei einem Hidden Champion in Bielefeld, über die Sache gesprochen. Ihr Satz blieb hängen: "Unsere Daten sind aktuell, nur nicht gleichzeitig." Besser kann man das Problem kaum beschreiben. CRM sagt A, ERP sagt B, Excel-Liste im Innendienst sagt C. Der Agent zieht daraus nicht automatisch Wahrheit. Er zieht daraus Konflikt, und wenn niemand Regeln baut, macht er daraus eine plausible Antwort.

Deshalb wird Event-Driven Architecture im Mittelstand wichtiger. Nicht als Architekturbuzzword. Als Voraussetzung dafür, dass Agenten auf Ereignisse reagieren können: neuer Auftrag, geänderter Liefertermin, Reklamation mit Seriennummer, Maschinenstillstand, Kundenmail mit Eskalationssignal. Wer Agentic AI ernst meint, muss fragen, wo Ereignisse entstehen, wie schnell sie verfügbar sind und welche Systeme davon wissen dürfen.

Analyst oder QuelleAussageImplikation für den MittelstandMeine Lesart
Lünendonk-Auswertung über Minglabs, 2025Nur 1 Prozent der DACH-Unternehmen nutzt Agenten End-to-End über mehrere KernprozesseProduktive Skalierung ist noch seltenFrüher Markt, gute Chance für disziplinierte Umsetzer
KPMG-Erhebung, 202562 Prozent der IT-Führungskräfte entwickeln, bauen oder implementieren AgentenHohe InvestitionsbereitschaftViele verwechseln Bauaktivität mit Wirkung
IDC-Erhebung zu Echtzeitdaten, 2025Führende Organisationen nutzen Event-Driven Architecture in 76 Prozent der Workflows, Nachzügler in 7 ProzentDatenarchitektur entscheidet über AgentenwirkungBatch-Prozesse werden zum KI-Bremsklotz
Intelligence Strategy Analyse, 2025Agentische Aufgaben können Kostenabweichungen bis Faktor 30 zeigenKostenlimits und Observability sind PflichtOhne Leitplanken wird Autonomie teuer
Elitics-Kostenschätzung, 2025Workflow-Agenten mit Freigaben grob 32.400 bis 62.400 Euro ImplementierungPilotbudget muss realistisch seinUnter 30.000 Euro wird es oft eher Demo als Betrieb

Was KI Agenten technisch wirklich sind

Ich erkläre Agentic AI ungern über Magie. Ein Agentic-AI-System besteht meistens aus sechs Bauteilen. Erstens Ziel- und Aufgabeninterpretation: Das Modell übersetzt eine Anfrage in Teilaufgaben. Zweitens Planung und Orchestrierung: Schritte werden priorisiert, wiederholt oder an andere Agenten delegiert. Drittens Werkzeugzugriff: Der Agent nutzt APIs, ERP, CRM, DMS, E-Mail, Datenbanken oder Maschinenportale.

Viertens Kontext- und Wissenszugriff, oft über Retrieval-Augmented Generation, Vektorsuche und strukturierte Stammdaten. Fünftens Entscheidungslogik, also Regeln, Schwellenwerte und Richtlinien, die die Modellfreiheit begrenzen. Sechstens Kontrolle und Governance: Freigaben, Audit-Logs, Rechteverwaltung, Tests und Eskalationen. Das letzte Bauteil klingt am langweiligsten. Es ist das wichtigste.

Der Markt redet gern über Multi-Agent-Systeme. Ich verstehe den Reiz. Ein Agent analysiert den Auftrag, einer prüft Preise, einer kontrolliert Compliance, einer schreibt die Mail. Saubere Spezialisierung. Bessere Testbarkeit. Wiederverwendbare Komponenten. Aber mehr Agenten bedeuten mehr Übergaben, mehr Latenz, mehr Token, mehr Debugging. Wer schon mit einem Agenten keine Logs lesen kann, sollte nicht fünf Agenten orchestrieren.

AnsatzTypischer EinsatzAutonomieHauptrisikoSinnvoller Start im Mittelstand
CopilotMitarbeiter fragt, System antwortetniedrigfalsche oder unvollständige AntwortWissenssuche, Textentwürfe, interne Assistenz
Workflow-AgentAgent erledigt definierte Prozessschrittemittelfehlerhafte SystemaktionAuftragsvorbereitung, Service-Triage, Angebotsentwurf
Multi-Agent-SystemSpezialisierte Agenten koordinieren Teilaufgabenhochkaskadierende Fehler und schwierige Kontrolleerst nach stabilen Einzelagenten
Vollautonomer AgentAgent entscheidet und handelt ohne Freigabesehr hochCompliance-, Haftungs- und Betriebsrisikennur in reversiblen, engen Prozessen

FAQ: Sind autonome KI Agenten schon reif für ERP-Prozesse?

Für begrenzte ERP-nahe Prozessschritte: ja. Für freie End-to-End-Autonomie: meistens nein. Ein Agent kann Bestellungen vorbereiten, Felder prüfen, Dubletten markieren, Liefertermine vergleichen und eine Freigabevorlage bauen. Er sollte aber nicht ohne harte Grenzen Preislisten ändern, Bestellungen auslösen oder Vertragskonditionen anpassen. Wer das anders sieht, soll bitte zuerst seinem Wirtschaftsprüfer erklären, wie der Agent entschieden hat.

Die bessere Frage lautet nicht, ob KI Agenten reif sind. Die bessere Frage lautet: Ist Ihr Prozess reif genug für einen Agenten? Gibt es klare Eingaben? Gibt es digitale Daten? Gibt es Regeln für Ausnahmen? Gibt es jemanden, der Fehler verantwortet? Wenn nicht, ist der Agent nicht das Problem. Er macht nur sichtbar, was vorher von erfahrenen Mitarbeitern abgefedert wurde.

Wo der Mittelstand wirtschaftlich starten sollte

Gute Startprozesse haben hohes Volumen, klare Ein- und Ausgaben, geringe bis mittlere Schadenshöhe, digitale Daten und messbare Bearbeitungszeiten. Das klingt banal. Trotzdem starten viele Firmen falsch, weil der Vorstand den spektakulärsten Prozess auswählt statt den geeignetsten. Autonome Preisverhandlungen ohne Limits? Schlechter Start. Sicherheitskritische Maschinensteuerung? Noch schlechter. Personalentscheidungen? Finger weg.

Bessere Kandidaten sind Bestell- und Auftragsvorbereitung, Lieferantenanfragen, Reklamationsklassifizierung, Service-Ticket-Triage, Ersatzteilidentifikation, Dokumentenprüfung, Wartungsbericht-Zusammenfassung und Angebotsvorbereitung. Das sind keine glamourösen Prozesse. Aber sie haben Volumen, Wiederholung und genug Struktur. Genau dort entstehen frühe Renditen.

Ein europäischer Versicherer, der Wissens-, Coaching-, Integrations- und Orchestrierungsagenten kombiniert hat, meldete laut veröffentlichter Fallstudie eine 2- bis 3-fache Conversion, 25 Prozent kürzere Servicegespräche und automatisierte Analyse von 95 Prozent der Verkaufsgespräche statt zuvor 3 Prozent. Mehr als 500.000 Gesprächstranskripte wurden analysiert. Das ist kein allgemeiner Benchmark für jeden Maschinenbauer. Aber es zeigt, wo Agenten stark sind: unstrukturierte Kommunikation, standardisierbare Folgeaktionen, klare Ergebnisziele.

Im Vertrieb sehe ich dieselbe Logik. Wer 2026 noch glaubt, reine Inbound-Strategie reiche für volle Pipeline, hat in fünf Jahren ein Problem. Märkte werden enger, Einkäufer vergleichen härter, Kaufkomitees werden größer. Ein Agent, der Zielkunden recherchiert, Signale auswertet, CRM-Daten prüft und personalisierte Ansprache vorbereitet, ersetzt keinen guten Vertriebler. Er verhindert, dass gute Vertriebler ihre Tage mit Tabellenpflege verschwenden.

Amplifa ICP Playbook Ein praktischer Einstieg, um Zielkunden, Trigger, Ausschlusskriterien und Vertriebssegmente sauber zu definieren, bevor ein Agent schlechte Listen schneller bearbeitet.

Was das für Geschäftsführer, CTOs und Digitalverantwortliche bedeutet

Für Geschäftsführer ist Agentic AI kein IT-Spielzeug. Es ist Organisationsdesign. Sobald ein Agent Systemaktionen vorbereitet, berührt er Zuständigkeiten, Kontrollrechte und Leistungskennzahlen. Wer darf einen Vorschlag überschreiben? Wer prüft die Fehlerquote? Wer entscheidet, dass ein Prozess von 100 Prozent Prüfung auf Stichprobe wechselt? Diese Fragen sind nicht technisch. Sie sind Führung.

Für CTOs verschiebt sich die Arbeit von Modelltests zu Betriebsfähigkeit. Man braucht Observability, Kostenlimits, Rechteverwaltung, sichere APIs, Testumgebungen, Regressionstests und Incident-Prozesse. Ein Agent, der montags funktioniert und nach einem Prompt-Update mittwochs andere Entscheidungen trifft, ist kein System. Er ist ein Risiko mit Oberfläche. Besonders dann, wenn niemand merkt, dass die Eskalationsquote von 18 auf 41 Prozent gestiegen ist.

Für Digitalverantwortliche wird Change Management konkreter. Mitarbeiter müssen nicht nur lernen, einen Prompt zu schreiben. Sie müssen lernen, Agentenergebnisse zu prüfen, Fehler zu kategorisieren und Rückmeldungen so zu geben, dass der Prozess besser wird. Das Geräusch in guten KI-Projekten ist nicht Applaus nach der Demo. Es ist das Klacken von Tastaturen, wenn Fachbereiche echte Fehlerfälle in saubere Klassen sortieren.

Ich sage es kantig: Wer Agentic AI delegiert, ohne einen Process Owner zu benennen, hat schon verloren. Der Agent braucht Eigentümer. Nicht nur einen technischen Admin. Einen fachlichen Besitzer, der Qualitätsziele kennt, Eskalationen entscheidet und bereit ist, schlechte Automatisierung abzuschalten. Abschalten ist übrigens eine unterschätzte Führungsfähigkeit.

Die sieben Vorbereitungsschritte für KI Agenten

  1. Prozessinventur machen: Erfassen Sie 5 bis 10 wiederkehrende Prozesse mit Volumen, Bearbeitungszeit, Fehlerkosten und beteiligten Systemen. Nicht brainstormen bis zur Erschöpfung. Messen.
  2. Einen risikoarmen Hochvolumenprozess wählen: Starten Sie dort, wo viele ähnliche Fälle auftreten und Fehler begrenzbar sind, etwa Service-Ticket-Triage, Auftragsvorbereitung oder Angebotsentwurf.
  3. Baseline festlegen: Dokumentieren Sie aktuelle Durchlaufzeit, Nachbearbeitungsquote, Eskalationsrate und Kosten pro Fall. Ohne Baseline wird jeder Pilot politisch.
  4. Daten und Berechtigungen prüfen: Klären Sie, welche Systeme der Agent lesen darf, welche Aktionen er vorbereiten darf und welche Aktionen technisch gesperrt bleiben.
  5. Freigabepunkte definieren: Legen Sie fest, wann der Mensch prüfen muss, wann Stichproben reichen und welche Grenzwerte nie automatisch überschritten werden dürfen.
  6. Mit Vorschlagsmodus starten: Lassen Sie den Agenten zunächst Entwürfe erzeugen und messen Sie First-pass-Akzeptanz, Fehlerarten und Nachbearbeitungszeit täglich oder mindestens wöchentlich.
  7. Skalierung an Ergebnisqualität knüpfen: Erhöhen Sie Autonomie nur, wenn akzeptierte Ergebnisse stabil günstiger oder kapazitätswirksamer sind als der manuelle Prozess.

Diese Schritte klingen nicht nach KI-Romantik. Gut so. Mittelstand funktioniert nicht über Romantik, sondern über Lieferfähigkeit. Ich habe zu viele Piloten gesehen, die mit großen Begriffen gestartet sind und an fehlenden Artikelnummern, Dubletten oder unklaren Freigaben gestorben sind. Kein LLM der Welt repariert eine Organisation, die nicht weiß, wer eine Ausnahme entscheiden darf.

Amplifa Produkt Amplifa hilft B2B-Teams, KI-gestützte Vertriebs- und Rechercheprozesse mit klaren Workflows, Datenlogik und messbaren Ergebnissen umzusetzen.

Governance: Ohne Protokoll kein Vertrauen

KI-Governance wird oft zu groß gedacht und dann gar nicht umgesetzt. Ich bevorzuge die harte Minimalversion: Jede relevante Aktion braucht einen Eigentümer, einen Zweck, eine Datenquelle, eine Entscheidungsspur und eine Eskalationsregel. Wenn der Agent eine Kundenmail vorbereitet, muss später nachvollziehbar sein, auf welcher Datenbasis er das getan hat. Wenn er eine Reklamation klassifiziert, muss sichtbar sein, welche Regel oder welches Modell die Einstufung ausgelöst hat.

Überprivilegierte Agenten sind einer der häufigsten Fehler. "Wir geben dem Agenten erstmal Zugriff auf alles" klingt pragmatisch, bis er falsche Stammdaten ändern oder vertrauliche Informationen in eine falsche Empfängergruppe ziehen kann. Minimale Rechte, getrennte Servicekonten, freigegebene APIs, Vier-Augen-Freigabe für Geld-, Vertrags- und Personalentscheidungen. Das ist keine Bürokratie. Das ist der Unterschied zwischen Pilot und Produktionssystem.

Auch Datenschutz und Mitbestimmung müssen früh rein. Nicht als Blockade kurz vor Go-live, sondern als Designparameter. Wenn Gesprächstranskripte analysiert werden, wenn Mitarbeiterleistung sichtbar wird, wenn Kundendaten in Retrieval-Systeme wandern, dann braucht es klare Löschfristen, Zugriffskonzepte und Kommunikationslinien. Ich habe noch keinen guten KI-Rollout gesehen, der durch Heimlichkeit schneller wurde.

Warum Demos im Mittelstand gefährlich gut aussehen

Eine Demo ist kuratiert. Produktion ist schmutzig. In der Demo heißen Kunden korrekt, Felder sind gefüllt, Dokumente liegen im richtigen Ordner und niemand hat eine Preisliste als gescanntes PDF von 2019 angehängt. In Produktion riecht es anders. Da gibt es Dubletten, Abkürzungen, Sonderpreise, ungepflegte Ansprechpartner, alte Rahmenverträge und E-Mails mit fünf Themen in einem Faden.

Deshalb fordere ich bei Agenten-Piloten reale, anonymisierte Fälle. Nicht zehn. Eher mehrere hundert, je nach Prozess auch tausend. Getrennte Test-, Validierungs- und Produktionsdaten. Adversariale Tests. Regressionstests nach jedem Prompt-, Modell- oder Prozesswechsel. Klingt nach Softwarequalität? Genau. Weil es Softwarequalität ist.

Ein Agent, der nur mit den Lieblingsbeispielen des Projektteams funktioniert, ist kein Agent. Er ist Theater. Und Theater hat im Mittelstand seinen Platz vielleicht beim Sommerfest, aber nicht in der Auftragsabwicklung bei Schaeffler-Zulieferern oder im Serviceprozess eines Kärcher-Partners.

Welche Kennzahlen wirklich zählen

Wenn ich einen Agenten-Business-Case prüfe, frage ich selten zuerst nach Automatisierungsquote. Ich frage nach First-pass-Akzeptanzrate, Eskalationsquote, Fehlerquote pro Prozessschritt, Nachbearbeitungszeit, Durchlaufzeit, Kosten pro akzeptiertem Fall, Tool-Fehlerrate und Abbruchquote. Halluzinationsrate gehört auch dazu, aber sie ist nur ein Teil des Bildes. Ein Agent kann faktisch korrekt sein und trotzdem den Prozess falsch bedienen.

Ein Beispiel: Der Agent erkennt korrekt, dass ein Ersatzteil lieferbar ist. Er übersieht aber, dass der Kunde eine gesperrte Lieferadresse hat. Inhaltlich richtige Antwort, operativ falsche Aktion. Deshalb müssen Qualitätsmetriken pro Prozessschritt gemessen werden. Datenabruf. Regelprüfung. Entwurf. Freigabe. Systemaktion. Jede Stufe hat eigene Fehler.

Für Vertriebsprozesse kommen andere Kennzahlen dazu: Anteil qualifizierter Zielkunden, Terminquote, Antwortqualität, CRM-Vollständigkeit, Zeit bis zur ersten Ansprache, Wiedervorlage-Treue. Markus' Team in Augsburg hat in neun Monaten dreimal so viele relevante Ersttermine vorbereitet, ohne einen neuen Sales-Mitarbeiter einzustellen. Der Hebel war nicht eine magische Betreffzeile. Der Hebel war, dass Recherche, Triggerprüfung und CRM-Vorbereitung nicht mehr jeden Morgen zwei Stunden fraßen.

Eigenentwicklung, Plattform oder Multi-Agent-System?

Es gibt drei grobe Implementierungswege. Eigenentwicklung mit Open-Source-Komponenten, Plattformansatz oder Multi-Agent-Architektur. Eigenentwicklung nutzt oft Python oder TypeScript, LangGraph, Semantic Kernel oder ähnliche Orchestrierung, API-Gateway, Vektordatenbank, Workflow-Engine, Observability und Audit-Logging. Der Vorteil: Kontrolle über Daten, Rechte und Betrieb. Der Nachteil: Sie brauchen Engineering-Kompetenz und jemanden, der nachts versteht, warum ein Tool-Call scheitert.

Plattformen aus CRM-, ERP- oder Service-Umfeldern versprechen schnellere Piloten. Salesforce Agentforce wurde etwa mit Preisen ab rund 2 US-Dollar pro Gespräch und nutzungsbasierten Credit-Modellen diskutiert. Solche Preise sind aber nicht die Vollkosten. Integration, Konfiguration, menschliche Eskalation, Monitoring und Prozessarbeit kommen dazu. Wer Plattformpreise mit Business-Case-Kosten verwechselt, kauft billig und betreibt teuer.

Multi-Agent-Systeme sind sinnvoll, wenn Funktionen klar getrennt und einzeln testbar sind. Ein Agent analysiert den Auftrag, einer prüft Verfügbarkeit, einer bewertet Compliance, einer bereitet Kommunikation vor. Aber ich würde damit selten starten. Erst muss ein einzelner Workflow-Agent stabil laufen. Dann kann man spezialisieren. Nicht andersherum.

ImplementierungsansatzVorteilNachteilPasst für
Eigenentwicklung mit Open SourceHohe Kontrolle über Daten, Rechte und ArchitekturHoher Engineering- und BetriebsaufwandUnternehmen mit eigener Softwareentwicklung und Datenhoheitsanforderungen
Plattformbasierter AgentSchneller Pilot, vorhandene Konnektoren, bekannte BenutzerverwaltungLock-in, Lizenzkosten, begrenzte ProzessfreiheitFachbereiche mit klaren Standardprozessen in CRM, Service oder ERP
Multi-Agent-ArchitekturSpezialisierung und WiederverwendbarkeitMehr Latenz, Übergabefehler und Debugging-AufwandReifere Organisationen mit stabilen Einzelagenten

90 Tage bis zur belastbaren Entscheidung

Ein guter Agentenpilot braucht keine 18 Monate Strategiepapier. Aber er braucht 90 Tage Disziplin. In den Tagen 1 bis 15 werden Prozesse erfasst, Volumen und Fehlerkosten gemessen, ein Startprozess gewählt und eine Baseline definiert. Nicht fünf Prozesse gleichzeitig. Einer. Fokus ist kein Mangel an Ambition, sondern die Voraussetzung für Lernen.

In den Tagen 16 bis 30 folgt die Prozess- und Datenprüfung. Datenquellen, Berechtigungen, Ausnahmefälle, Zielsysteme, Freigabepunkte, Testfälle und Abbruchregeln. Das ist die Phase, in der Euphorie leiser wird. Gut. Wenn ein Pilot diese Phase nicht aushält, hätte Produktion ihn zerlegt.

In den Tagen 31 bis 60 startet der kontrollierte Pilot im Vorschlagsmodus mit 100 Prozent menschlicher Prüfung. Fehlerarten werden getrennt erfasst: Promptfehler, Toolfehler, Datenfehler, Prozessfehler. Bitte nicht alles unter "KI falsch" verbuchen. Das ist analytisch faul. In den Tagen 61 bis 90 werden Standardfälle teilweise automatisiert, Ausnahmen eskaliert, Stichproben eingeführt und Kosten pro akzeptiertem Ergebnis berechnet. Dann gibt es drei ehrliche Optionen: skalieren, anpassen oder abbrechen.

Wann ein KI Agent skaliert werden darf

Ein Agent sollte nur skaliert werden, wenn die Akzeptanzrate stabil über der manuellen Vergleichsbasis liegt, die Kosten pro akzeptiertem Ergebnis niedriger sind oder nachweisbar Kapazität schaffen, kritische Aktionen technisch begrenzt sind und jede Entscheidung nachvollziehbar protokolliert wird. Datenschutz, Informationssicherheit und Mitbestimmung müssen geklärt sein. Rückfallprozesse bei Ausfall gehören dazu. Und der Nutzen darf nicht an einer einzigen Modellversion hängen.

Dieser letzte Punkt wird unterschätzt. Modelle ändern sich. Preise ändern sich. Kontextfenster ändern sich. Anbieter ändern Produktnamen schneller als manche Mittelständler ihre Telefonanlage. Wer einen Agenten so baut, dass er nur mit einem bestimmten Modell und einem bestimmten Prompt funktioniert, baut fragil. Besser sind modulare Tool-Schichten, Evaluationssets, austauschbare Modelle und harte Prozessregeln außerhalb des LLM.

Ich erwarte, dass genau hier europäische Anbieter und mittelständische IT-Teams punkten können. Nicht mit größeren Modellen als OpenAI, Anthropic oder Google. Das Rennen gewinnen sie nicht. Aber mit besseren Integrationsmustern, Datenkontrolle, Branchenprozessen und Governance können sie Wert schaffen, den ein generischer Agent nicht kennt. Trumpf, DMG Mori, Wittenstein oder Phoenix Contact denken nicht in Demo-Skripten. Sie denken in Prozessen, Maschinen, Lieferketten und Haftung.

Amplifa für KI-Vertriebsprozesse Für Teams, die Agentic-AI-Prinzipien in Recherche, Zielkundenpriorisierung und Vertriebsworkflows mit messbarer Pipeline-Wirkung nutzen wollen.

Persönliche Prognose: 2026 bis 2028

Meine Prognose für die nächsten zwei bis drei Jahre ist nüchtern. 2026 werden viele Mittelständler ihre ersten produktiven Workflow-Agenten in Vertrieb, Service, Einkauf und Auftragsbearbeitung einführen. 2027 werden die guten Unternehmen Autonomiestufen sauber erhöhen, während die schlechten ihre Piloten beerdigen und sagen, KI habe sich nicht gelohnt. 2028 wird niemand mehr beeindruckt sein, dass ein Agent eine E-Mail schreiben kann. Die Frage wird sein, ob er einen Vorgang mit Daten, Regeln und Freigaben durch den Betrieb bringt.

Ich glaube nicht an den vollautonomen digitalen Mitarbeiter als Standard im europäischen Mittelstand. Nicht kurzfristig. Ich glaube an softwarebasierte Prozessmitarbeiter mit schmalem Auftrag, gutem Gedächtnis, begrenzten Rechten und klarer Rechenschaft. Das klingt kleiner. Es ist größer, weil es tatsächlich in Unternehmen passt.

Die Gewinner werden nicht die sein, die am lautesten "Agentic AI" sagen. Es werden die sein, die einen langweiligen Prozess nehmen, ihn zerlegen, messen, begrenzen, automatisieren und danach den nächsten Prozess anfassen. Kein Feuerwerk. Eher eine neue Schicht im Betriebssystem des Unternehmens. Und vielleicht ist genau das der Punkt: Die wirksamste KI im Mittelstand wird sich irgendwann nicht mehr wie KI anfühlen, sondern wie Arbeit, die endlich nicht mehr liegen bleibt.

Amplifa: Startseite · Produkt · AI SDR Agents · ICP Playbook · Über uns · Gespräch vereinbaren · Webinar

Ressourcen: Blog · Vertriebslexikon · Studien · Guides · Workflows · Tool-Vergleich · Email Finder · Intent Finder · Lookalike Finder · Tools

Branchen: Maschinenbau · Medizintechnik · Automobil · Chemie · Elektronik · Metallindustrie · Kunststofftechnik · Lebensmittel · Verpackung · Konsumgüter · Energie · Software

Success Stories: Übersicht · Wingcopter · Schnaithmann · Ottobock · Xandor · MK Kögel · Zeller+Gmelin · MagnetWorld · Persil Wäscheservice

Rechtliches: Impressum · Datenschutz · AGB

Branchenverbände & Quellen: VDMA · ZVEI · BME · Bitkom · BVMW · VCI · VDA · BVMed · Statista · Destatis

Bewertungen & Vergleich: G2 · Capterra · Gartner · OMR Reviews

Amplifa Profile: LinkedIn · X / Twitter · Anthony Filipiak (CEO) · Leon J. Hermann (COO)