KI-Agenten sinnvoll in Unternehmens-Workflows integrieren

Dieser Leitfaden führt dich von der Auswahl einer geeigneten Aufgabe über den Aufbau aus Auslöser, Kontext, Verarbeitung und Aktion bis zur kontrollierten Einführung als wiederholbarer Teamprozess.

KI-Agent bedeutet mehr als ein Chatfenster mit langem Prompt

Ein KI-Agent bearbeitet eine abgegrenzte Aufgabe, greift dabei auf bereitgestellte Informationen zu und kann definierte Werkzeuge verwenden. Ein Werkzeug kann eine API, eine Datenbankabfrage, eine Suchfunktion oder eine Aktion in einem internen System sein. Das Sprachmodell formuliert also nicht nur eine Antwort, sondern entscheidet innerhalb eines vorgegebenen Rahmens über Arbeitsschritte.

Genau darin liegt der derzeit relevante Entwicklungsschritt: weg von reiner Assistenz, hin zur Ausführung mehrstufiger Aufgaben. OpenAI nennt dafür Unternehmenskontext, Tool-Zugriff, Berechtigungen, Governance und menschliche Prüfung als zentrale Voraussetzungen. Für kleine Unternehmen und Agenturen folgt daraus keine automatische Empfehlung für möglichst viele Agenten. Es folgt eine nüchternere Erkenntnis: Der Prompt ist nur ein Teil des Systems.

Ein brauchbarer KI-Workflow muss auch dann verständlich bleiben, wenn das Modell eine unpassende Antwort liefert, Daten fehlen oder ein angebundenes System nicht erreichbar ist. Deshalb beginnt die Integration nicht mit der Modellauswahl. Sie beginnt mit einem bestehenden Arbeitsablauf, dessen Eingaben, Entscheidungen und Ergebnisse du bereits beschreiben kannst.

Wähle eine Aufgabe mit klaren Grenzen

Geeignete Aufgaben kommen regelmäßig vor, verwenden zugängliche Daten und erzeugen ein überprüfbares Ergebnis. Dabei muss nicht jeder Fall identisch sein. Eine gewisse sprachliche oder inhaltliche Varianz ist sogar der Bereich, in dem ein Modell helfen kann. Die fachliche Aufgabe selbst braucht jedoch erkennbare Grenzen.

Als durchgängiges Beispiel eignet sich die interne Wissenspflege aus abgeschlossenen Supportfällen. Nach dem Schließen eines Tickets soll geprüft werden, ob die Lösung für ähnliche Fälle nützlich ist. Falls ja, entsteht ein Entwurf für einen internen Wissensartikel. Die KI kann den Fall zusammenfassen, das betroffene Produkt zuordnen und einen strukturierten Entwurf erstellen. Veröffentlichen sollte sie zunächst nicht.

Prüfe eine mögliche Automation anhand dieser Fragen:

• Gibt es einen eindeutigen Startpunkt? Im Beispiel ist das der Statuswechsel eines Supporttickets auf „geschlossen“.
• Sind die benötigten Informationen erreichbar? Dazu gehören Ticketverlauf, Produktzuordnung, vorhandene Wissensartikel und gegebenenfalls interne Notizen.
• Lässt sich ein zulässiges Ergebnis beschreiben? Der Entwurf braucht etwa Titel, Problembeschreibung, Lösungsschritte, Einschränkungen und Quellen zum ursprünglichen Fall.
• Kann jemand das Ergebnis mit vertretbarem Aufwand prüfen? Eine fachkundige Person muss erkennen können, ob der Entwurf stimmt und keine vertraulichen Kundendaten enthält.
• Bleibt ein Fehler beherrschbar? Ein unpassender Entwurf kann verworfen werden. Eine automatisch veröffentlichte falsche Anleitung wäre deutlich problematischer.

Ungeeignet sind zunächst Aufgaben, deren Ziel ständig neu ausgehandelt wird, deren Datengrundlage nicht zugänglich ist oder deren Fehler unmittelbar schwer rückgängig zu machende Folgen haben. Dazu können eigenständige Zahlungen, verbindliche Zusagen, das Löschen von Daten oder weitreichende Änderungen an Kundenkonten gehören. Solche Aktionen benötigen mindestens engere Regeln und meist eine menschliche Entscheidung.

Beschreibe zuerst den Workflow, dann den Agenten

Ein Einzelprompt vermischt häufig Eingabe, Fachwissen, Entscheidung und gewünschte Ausgabe in einem großen Textblock. Das funktioniert bei einem Testfall und wird unübersichtlich, sobald Sonderfälle, Systemzugriffe und Fehlerbehandlung hinzukommen. Ein Workflow trennt diese Bestandteile.

Für die Planung reichen fünf Bausteine:

1. Auslöser: Welches Ereignis startet den Ablauf?
2. Kontext: Welche Daten und Regeln braucht die KI für diesen konkreten Fall?
3. Verarbeitung: Welche Einschätzung oder sprachliche Arbeit soll das Modell übernehmen?
4. Aktion: Was darf der Workflow anschließend in welchem System tun?
5. Ergebnis: Wo landet das Resultat, und woran ist ein erfolgreicher Durchlauf erkennbar?

Beim Supportbeispiel könnte der Ablauf so aussehen: Ein geschlossenes Ticket startet den Workflow. Das System lädt Tickettext, Produktbereich und bestehende Wissensartikel. Das Modell beurteilt, ob der Fall wiederverwendbares Wissen enthält, und erstellt bei Eignung einen Entwurf. Der Entwurf wird mit einem Verweis auf das Ursprungsticket im Redaktionsbereich gespeichert. Dort wartet er auf fachliche Prüfung.

Diese Beschreibung enthält noch keine Entscheidung über Anbieter, Modell oder Automatisierungsplattform. Das ist Absicht. Wenn der Ablauf nur mit dem Namen eines bestimmten Tools erklärbar ist, wurde meist das Werkzeug beschrieben, nicht der Prozess.

Gib der KI nur den Kontext, den sie für den Fall braucht

Unternehmenswissen besteht selten aus einem einzigen Dokument. Es verteilt sich auf Tickets, Handbücher, Projektakten, Datenbanken und die Köpfe der Beteiligten. Für einen KI-Workflow musst du nicht sofort den gesamten Bestand zentralisieren. Du brauchst einen zuverlässigen Weg, den für die jeweilige Aufgabe relevanten Ausschnitt bereitzustellen.

Im Beispiel sollte die KI nicht pauschal alle Kundentickets durchsuchen dürfen. Der Workflow kann das konkrete Ticket laden, anhand einer feststehenden Produkt-ID passende Dokumentation abrufen und eine begrenzte Suche in freigegebenen Wissensartikeln ausführen. Das reduziert irrelevanten Kontext und begrenzt zugleich den Datenzugriff.

Trenne dabei drei Arten von Informationen:

• Falldaten: die aktuellen Inhalte, etwa Tickettext, Kategorie und beteiligte Produktversion;
• Fachwissen: freigegebene Dokumentation, Begriffslisten und vorhandene Lösungsartikel;
• Arbeitsregeln: Vorgaben zu Aufbau, Ton, Datenschutz, Ausschlusskriterien und zulässigen Aktionen.

Diese Trennung erleichtert spätere Änderungen. Eine neue Formatvorgabe gehört in die Arbeitsregeln. Eine überarbeitete Produktanleitung gehört ins Fachwissen. Der aktuelle Supportfall bleibt Falldatum. Du musst dann nicht bei jeder Änderung den gesamten Workflow neu erfinden.

Binde Tools mit schmalen Berechtigungen an

Ein Agent benötigt keine allgemeine Bedienoberfläche für jedes angebundene System. Er braucht wenige, klar benannte Funktionen mit begrenzten Parametern. Statt eines universellen Datenbankzugriffs kann der Workflow beispielsweise Funktionen wie „Ticket anhand der ID laden“, „freigegebene Wissensartikel durchsuchen“ und „Entwurf anlegen“ erhalten.

Jede Funktion sollte Eingaben prüfen, Berechtigungen durchsetzen und ein vorhersehbares Ergebnis liefern. Das Modell darf vorschlagen, welche Funktion mit welchen zulässigen Parametern verwendet wird. Die technische Schnittstelle entscheidet weiterhin, ob der Aufruf gültig ist. Ein Agent mit Vollzugriff ist selten ein Zeichen besonderer Reife.

Ob du solche Funktionen über eine direkte API oder über das Model Context Protocol bereitstellst, hängt von deinen vorhandenen Systemen und den geplanten Clients ab. Der Beitrag MCP oder direkte API-Anbindung für KI-Tools? ordnet diese technische Entscheidung getrennt vom eigentlichen Workflow ein.

Für jede schreibende Funktion solltest du festlegen, welche Datensätze geändert werden dürfen, ob die Aktion wiederholbar ist und wie ein fehlgeschlagener Aufruf behandelt wird. Wiederholbar bedeutet hier: Ein erneuter Aufruf erzeugt keine unkontrollierten Duplikate. Beim Wissensentwurf kann beispielsweise die Ticket-ID als eindeutige Referenz dienen.

Lass das Modell urteilen und normalen Code rechnen

Sprachmodelle sind nützlich, wenn Inhalte eingeordnet, zusammengefasst oder formuliert werden müssen. Filtern, Sortieren, Pflichtfelder prüfen, IDs abgleichen und Ergebnisse aus mehreren API-Aufrufen zusammenführen lassen sich dagegen meist verlässlicher mit normalem Programmcode erledigen. Auch OpenAI empfiehlt, deterministische Aufgaben wie Filtern, Aggregieren und die Orchestrierung von Tool-Ergebnissen programmatisch auszuführen, damit das Modell sich auf Beurteilungen konzentrieren kann.

Deterministisch bedeutet, dass bei gleicher Eingabe nach festen Regeln das gleiche Ergebnis entsteht. Ob ein Ticket eine gültige Produkt-ID besitzt, ist keine Frage für ein Sprachmodell. Ob der beschriebene Lösungsweg wahrscheinlich auch anderen Supportfällen hilft, kann dagegen eine inhaltliche Beurteilung erfordern.

Für das Beispiel ergibt sich folgende Aufteilung:

• Code prüft, ob das Ticket geschlossen ist und alle Pflichtdaten enthält.
• Code entfernt oder maskiert Felder, die nicht an das Modell übergeben werden dürfen.
• Das Modell beurteilt die Wiederverwendbarkeit und formuliert den Artikelentwurf.
• Code prüft Struktur, zulässige Kategorien und vorhandene Quellenangaben.
• Code speichert den Entwurf im richtigen Bereich und protokolliert den Durchlauf.

Diese Aufteilung macht Fehler lokalisierbar. Fehlt die Produkt-ID, liegt kein mysteriöses KI-Problem vor. Ist die Zusammenfassung fachlich falsch, betrifft das den Modellschritt oder seinen Kontext. Landet der Entwurf im falschen Bereich, ist die speichernde Funktion zu prüfen.

Zerlege komplexe Abläufe in überprüfbare Abschnitte

Ein Modellaufruf, der gleichzeitig Daten recherchiert, Relevanz bewertet, einen Artikel schreibt, Kategorien vergibt und eine Veröffentlichung vorbereitet, ist schwer zu testen. Teile den Ablauf an Stellen, an denen ein sinnvolles Zwischenergebnis entsteht.

Beim Wissensworkflow bieten sich drei Abschnitte an: Zuerst wird entschieden, ob der Fall grundsätzlich geeignet ist. Danach werden passende interne Quellen zusammengestellt. Erst dann entsteht der Entwurf. Jeder Abschnitt erhält eine definierte Eingabe und Ausgabe. Dadurch kannst du erkennen, ob eine falsche Antwort aus einer fehlerhaften Auswahl, unpassenden Quellen oder der eigentlichen Formulierung stammt.

Mehrere spezialisierte Agenten sind erst sinnvoll, wenn Teilaufgaben wirklich unterschiedliche Kontexte, Werkzeuge oder parallele Bearbeitung benötigen. Ein Recherche-Agent könnte Quellen sammeln, während ein anderer Agent sensible Inhalte prüft. Ein koordinierender Schritt führt beide Ergebnisse zusammen. Für einen linearen Ablauf mit wenigen Entscheidungen reicht meist ein einzelner Agent innerhalb eines normalen Workflows.

Die Zahl der Agenten ist kein Reifegrad. Jeder zusätzliche Agent bringt eigene Anweisungen, mögliche Fehlentscheidungen, Laufzeit und Protokolle mit. Beginne daher mit der kleinsten Aufteilung, bei der du Zwischenergebnisse noch klar prüfen kannst.

Plane menschliche Kontrolle nach dem möglichen Schaden

Menschliche Prüfung ist besonders dann nötig, wenn eine Aktion Außenwirkung hat, Rechte verändert, Geld bewegt, Daten löscht oder eine fachlich schwer überprüfbare Entscheidung vorbereitet. Sie ist außerdem sinnvoll, wenn die Eingabedaten unvollständig sind oder das Modell selbst widersprüchliche Hinweise findet.

Beim internen Wissensartikel ist eine Prüfung vor der Veröffentlichung angemessen. Die KI darf einen Entwurf anlegen, Kategorien vorschlagen und auf das Ursprungsticket verweisen. Eine verantwortliche Person prüft fachliche Richtigkeit, Verständlichkeit und mögliche Kundendaten. Erst danach wird der Inhalt veröffentlicht.

Definiere zusätzlich Fälle, in denen der Workflow gar keinen Entwurf erzeugen soll. Dazu gehören etwa fehlende Quellen, unklare Produktzuordnung, widersprüchliche Lösungsschritte oder Inhalte mit besonderen Vertraulichkeitsmerkmalen. In solchen Fällen sollte das Ergebnis nicht möglichst kreativ sein, sondern „nicht bearbeitbar“ lauten und einen nachvollziehbaren Grund enthalten.

Auch Tool-Berechtigungen sind eine Form der Kontrolle. Ein Agent, der nur Entwürfe erstellen kann, braucht keine zusätzliche Verhaltensregel, die ihm das Veröffentlichen höflich untersagt. Er besitzt die Funktion schlicht nicht.

Teste den Ablauf mit echten Fallklassen statt mit einem Vorzeigebeispiel

Ein funktionierender Einzelfall zeigt lediglich, dass der Workflow unter diesen Bedingungen funktioniert hat. Für die Einführung brauchst du unterschiedliche Fallklassen: einen normalen Fall, unvollständige Daten, widersprüchliche Angaben, einen ungeeigneten Inhalt und einen technischen Fehler beim Tool-Aufruf.

Prüfe dabei nicht nur die Qualität des Textes. Kontrolliere ebenso, ob der Workflow korrekt abbricht, keine unzulässigen Daten weitergibt, Aktionen nicht doppelt ausführt und sein Ergebnis am erwarteten Ort speichert. Eine elegante Zusammenfassung hilft wenig, wenn sie zum falschen Kundenkonto gehört.

Halte für jeden Test fest, welche Eingabe verwendet wurde, welche Zwischenergebnisse entstanden und welches Verhalten erwartet war. So kannst du nach Änderungen an Arbeitsregeln, Wissensquellen oder Modell den gleichen Ablauf erneut prüfen. Aus einer gelungenen Demonstration wird dadurch ein wartbarer Prozess.

Überführe die Einzelautomation in einen Teamstandard

Bevor der Workflow regelmäßig läuft, braucht er einen fachlichen Eigentümer. Diese Person muss nicht jede Ausführung prüfen, trägt aber die Verantwortung für Regeln, Quellen und zulässige Aktionen. Technische Betreuung und fachliche Verantwortung können bei unterschiedlichen Personen liegen.

Dokumentiere den Standardprozess knapp und konkret:

• welches Ereignis den Workflow startet;
• welche Datenquellen und Tools er verwenden darf;
• welche Entscheidungen das Modell trifft;
• welche Schritte durch festen Code ausgeführt werden;
• welche Ergebnisse automatisch übernommen werden dürfen;
• wann der Ablauf abbricht oder an einen Menschen übergibt;
• wer Regeln, Quellen und Berechtigungen ändern darf.

Führe den Workflow zunächst in einem begrenzten Arbeitsbereich ein. Beim Beispiel kann er Entwürfe nur für eine Produktkategorie erstellen. Das Team sammelt ungeeignete Ergebnisse und Abbruchgründe nicht als lose Beschwerden, sondern ordnet sie dem jeweiligen Workflow-Schritt zu. Erst wenn die Grenzen verständlich sind, wird der Anwendungsbereich erweitert.

Wichtig ist außerdem ein geregelter Änderungsweg. Neue Datenquellen, zusätzliche Schreibrechte oder veränderte Ausschlussregeln sind fachliche Änderungen am Prozess. Sie sollten dokumentiert und anhand der vorhandenen Fallklassen geprüft werden. Ein Prompt, den jeder spontan verbessert, ist noch kein Teamstandard.

Ein robuster KI-Workflow bleibt absichtlich unspektakulär

KI-Agenten lassen sich sinnvoll in bestehende Unternehmens-Workflows integrieren, wenn du mit einer begrenzten, überprüfbaren Aufgabe beginnst. Das Modell übernimmt sprachliche Arbeit und inhaltliche Beurteilungen. Fester Code kümmert sich um Regeln, Validierung und vorhersehbare Systemaktionen. Kontext, Tools und Berechtigungen werden pro Aufgabe zugeschnitten.

Der praktische Maßstab ist nicht, wie selbstständig der Agent wirkt. Entscheidend ist, ob du seinen Ablauf erklären, seine Zwischenergebnisse prüfen und seine Befugnisse begrenzen kannst. Wenn daraus ein dokumentierter Prozess mit klaren Abbruchfällen und Verantwortlichkeiten entsteht, kann aus einer einzelnen KI-Demonstration ein belastbarer Arbeitsablauf für das Team werden.