KI-Agent, Chatbot oder feste Regel? 8 Beispiele aus der Praxis

Es gibt drei Werkzeuge, und die Wahl entscheidet über Kosten, Verlässlichkeit und Nerven: eine feste Regel, ein Chatbot mit eigenem Wissen oder ein KI-Agent. Der häufigste Fehler in KI-Projekten ist nicht das falsche Modell. Es ist ein Agent für eine Aufgabe, die eine feste Regel besser erledigt hätte.

Dieser Beitrag gibt die Entscheidungshilfe und acht Beispiele aus dem Alltag mittelständischer Unternehmen.

Die drei Werkzeuge in je drei Sätzen

Feste Regel (klassische Automatisierung). Wenn A, dann B. Sie läuft in Millisekunden, kostet im Betrieb fast nichts und macht bei gleicher Eingabe immer dasselbe. Sie scheitert, sobald die Eingabe nicht in das erwartete Schema passt.

Chatbot mit eigenem Wissen (RAG). Er sucht in Ihren Dokumenten, Produktdaten und Seiten und formuliert die Antwort aus den Funden, mit Quelle. Er antwortet, er ändert nichts. Sein Wert hängt fast vollständig von der Qualität Ihrer Quellen ab, nicht vom Modell.

KI-Agent. Er bekommt eine Aufgabe, holt sich Daten aus Ihren Systemen, entscheidet innerhalb seiner Regeln über die nächsten Schritte und führt sie aus. Er kann mit freiem Text und ungleichen Dokumenten umgehen. Dafür braucht er Rechte, Freigabestufen und ein Protokoll jeder Aktion — sonst ist er ein Risiko.

Die zwei Fragen, die die Entscheidung tragen

1. Ist die Eingabe strukturiert oder frei? Ein CSV-Export ist strukturiert. Eine E-Mail, in der drei Anliegen in einem Absatz stehen, ist frei. Ein Lieferschein, der bei jedem Lieferanten anders aussieht, ist frei.
2. Soll etwas geantwortet oder etwas getan werden? Antworten heißt: Text zurückgeben. Tun heißt: Daten in einem System ändern, Geld bewegen, etwas nach außen senden.

Daraus ergibt sich die Wahl:

	Antworten	Tun
Eingabe strukturiert	Abfrage oder Textbaustein, kein Modell nötig	feste Regel — Schnittstelle, Skript, n8n
Eingabe frei	Chatbot mit eigenem Wissen (RAG)	KI-Agent mit Freigabestufen

Zwei Dinge dazu, die in der Praxis wichtiger sind als die Tabelle:

• Die meisten echten Aufgaben sind gemischt. Der gute Aufbau besteht fast immer aus einem Gerüst aus festen Regeln, in dem das Sprachmodell genau die Schritte übernimmt, die Sprachverständnis brauchen. Das hält die Sache schnell, günstig und prüfbar.
• Je mehr der Agent tun darf, desto enger muss sein Mandat sein. Ein Agent pro Aufgabe. „Macht den Posteingang“ ist kein Mandat, „liest Statusanfragen, holt den Sendungsstatus, schreibt einen Antwortentwurf“ ist eines.

Acht Beispiele

1. Bestellbestätigung nach dem Kauf verschicken. → Feste Regel. Die Daten sind strukturiert, der Text ist immer gleich. Ein Sprachmodell würde hier nur Kosten, Latenz und eine Fehlerquelle hinzufügen.

2. Preise und Bestände zwischen Shop und Warenwirtschaft abgleichen. → Feste Regel. Beide Systeme haben Schnittstellen und feste Felder. KI wird erst interessant, wenn Artikel in beiden Systemen unterschiedlich benannt sind und zugeordnet werden müssen — dann übernimmt das Modell genau diesen einen Schritt.

3. „Wo ist meine Lieferung?“ auf der Website. → Chatbot mit Anbindung. Die Frage kommt frei formuliert, die Antwort steht strukturiert im System. Der Chatbot versteht die Frage, holt den Status über eine feste Schnittstelle und antwortet. Er ändert nichts, also braucht er keine Freigabe.

4. „Welche Reisekostenregel gilt für Bahnfahrten?“ im Intranet. → Chatbot mit eigenem Wissen (RAG). Die Antwort steht in Ihren Richtlinien, nicht im Modell. Wichtig sind hier Berechtigungen: Jeder sieht nur, was er sehen darf. Und eine ehrliche Antwort „steht nicht in den Unterlagen“, statt einer erfundenen.

5. Eingangsrechnungen auslesen und in die Buchhaltung übertragen. → KI-Agent mit Freigabe. Jeder Lieferant baut seine Rechnung anders. Das Auslesen braucht KI, das Buchen ist eine feste Regel. Bis die Trefferquote nachweislich stimmt, prüft ein Mensch jede Buchung; danach nur noch die unsicheren Fälle.

6. Kundin schreibt per Mail: Lieferadresse ändern, Rechnung reklamieren, Liefertermin erfragen. → KI-Agent mit Freigabe. Drei Anliegen in einem Absatz, zwei davon ändern Daten. Der Agent erkennt die Anliegen, holt Bestellung, Sendung und Rechnung, legt einen Antwortentwurf und die Adressänderung zur Freigabe vor. Zwei Minuten statt zwanzig.

7. Produktbeschreibungen aus Herstellerdatenblättern erzeugen. → KI im Stapel, mit Freigabe. Kein laufender Agent, sondern ein Lauf über viele Artikel: Datenblätter lesen, Attribute und Texte erzeugen, Lücken und Widersprüche melden, freigegebene Daten in den Shop übertragen. Das Nadelöhr ist nie das Modell, sondern die Freigabe durch den Fachbereich.

8. Wettbewerberpreise beobachten. → Feste Regel plus ein KI-Schritt. Das Abholen der Seiten und das Speichern der Preise ist klassische Technik. Das Modell braucht man nur dort, wo ein fremder Artikel dem eigenen zugeordnet werden muss.

Fünf von acht Aufgaben kommen ohne Agenten aus. Das ist kein Zufall, sondern der Normalfall.

Woran Agenten in der Praxis scheitern

• Zu breites Mandat. „Übernimm den Kundenservice“ endet in unvorhersehbarem Verhalten. Enge Aufgabe, klares Ziel, messbares Ergebnis.
• Fehlende Schnittstellen. Ein Agent ist nur so gut wie seine Zugänge. Wenn die Warenwirtschaft keine API hat, ist das erste Projekt der Bau dieser Schnittstelle — und niemand hat das im Budget.
• Keine Freigabestufen. Alles, was Geld kostet, Daten löscht oder nach außen geht, braucht am Anfang die Freigabe durch einen Menschen. Gelockert wird erst, wenn die Fehlerquote gemessen und niedrig ist.
• Keine Messung. Ohne Zahlen von vorher (Bearbeitungszeit, Fehlerquote, Reaktionszeit) lässt sich hinterher nicht sagen, ob es sich gelohnt hat. Diese Zahlen kostet es zwei Tage zu erheben, und sie entscheiden später über Ausbau oder Abschaltung.
• Daten in schlechtem Zustand. Unvollständige Produktdaten, Dubletten im CRM, Richtlinien in drei Versionen. Ein Agent macht diese Mängel nicht weg, er macht sie sichtbar — schnell und in großer Zahl.

Was das kostet, grob eingeordnet

Die Modellkosten überraschen die meisten in die andere Richtung: Bei typischen Aufgaben im Mittelstand liegen sie bei wenigen Cent pro Vorgang. Der Aufwand steckt woanders — in den Schnittstellen, in der Aufbereitung der Daten und im Betrieb. Wer die Entscheidung über ein KI-Projekt am Preis pro Anfrage aufhängt, rechnet die falsche Spalte.

Der zweite Punkt: Eine feste Regel ist im Betrieb praktisch kostenlos und fällt nie anders aus. Allein das ist ein guter Grund, sie zu nehmen, wo sie reicht.

Die vier Fragen, mit denen wir jedes Projekt anfangen

1. Welche Aufgabe kommt am häufigsten vor und kostet am meisten Zeit?
2. Woran würden wir in vier Wochen erkennen, dass es funktioniert? (Eine Zahl, nicht ein Gefühl.)
3. Welche Systeme müssen mitspielen, und haben die eine Schnittstelle?
4. Was darf das System allein tun, was braucht eine Freigabe, was ist tabu?

Wer diese vier Fragen beantworten kann, braucht für die Entscheidung zwischen Regel, Chatbot und Agent keine Beratung mehr. Wer sie nicht beantworten kann, sollte kein Projekt starten — in beiden Fällen ist das eine nützliche Erkenntnis.

Und wenn es doch ein Agent sein soll

Dann eng anfangen: eine Aufgabe, Freigabe durch Menschen bei jedem Schritt, Protokoll von allem, vier Wochen messen. Danach entweder Freigaben lockern oder abschalten. Dieses Vorgehen kostet wenig, kann wenig kaputt machen und liefert eine belastbare Entscheidung.

Mehr dazu auf unseren Seiten zu KI-Agenten und Automatisierung und zu Chatbots mit eigenem Wissen. Wenn Sie nicht sicher sind, welche Aufgabe in Ihrem Unternehmen die richtige erste ist: Genau das ist der Zweck der KI-Beratung — und das Erstgespräch kostet nichts: Kontakt.

Häufige Fragen

Was ist der Unterschied zwischen einem KI-Agenten und einem Chatbot?

Ein Chatbot antwortet, ein Agent handelt. Der Chatbot sucht in Ihren Quellen und formuliert eine Antwort. Der Agent ändert Daten in Ihren Systemen: er legt ein Ticket an, bucht einen Termin, überträgt eine Rechnung. Deshalb braucht ein Agent Rechte, Freigabestufen und ein Protokoll, ein Chatbot nicht.

Wann reicht eine feste Regel ohne KI?

Wenn die Eingabe strukturiert ist und die Regeln klar sind. Zwei Systeme abgleichen, eine Bestätigung verschicken, eine Datei umwandeln: dafür ist eine klassische Automatisierung schneller, günstiger und vollständig prüfbar. KI lohnt sich erst, wo Texte frei formuliert sind, Dokumente unterschiedlich aussehen oder es viele Ausnahmen gibt.

Was ist RAG und wann brauche ich das?

RAG heißt Retrieval-Augmented Generation: Das System sucht zuerst in Ihren Dokumenten und formuliert die Antwort nur aus dem, was es gefunden hat. Sie brauchen es, sobald Antworten auf Ihrem eigenen Wissen beruhen müssen — Lieferzeiten, Rückgaberegeln, interne Richtlinien. Ohne RAG erfindet ein Sprachmodell plausibel klingende, falsche Antworten.

Womit sollte man anfangen?

Mit einer einzigen Aufgabe, die häufig vorkommt, viel Zeit kostet und ein klares Erfolgskriterium hat. Vier Wochen messen, dann entscheiden. Wer mit fünf Aufgaben gleichzeitig anfängt, kann hinterher nicht sagen, was gewirkt hat.