„Dein KI-Agent ist ja toll, aber kann der auch eine Retoure anlegen? Diese Frage kam letzte Woche von einem Kundin, und ich muss erst mal tief durchatmen. War sie ihre „KI-Agenten name, war ein FAQ-Chatbot. Acht vordefinierte Antwortblöcke, ein Link zur Versandstatus-Seite, das war’s. Kein Zugriff auf irgendein System, keine Entscheidungsbefugnis, nichts. Und das ist völlig okay! Nur schwirren die Begriffe gerade so durcheinander, dass kaum noch jemand auseinanderhält, war immer war ist.
Auch machen wir das hier sauber: KI-Agent vs. Chatbot, der Unterschied, erklärt echte Projekte aus unserer Arbeit. Mit Tools, mit Zahlen, mit den Dingen, die daneben gegangen sind. Falls du tiefer einsteigen willst, haben wir zusammengestellt, wie KI-Agenten im Arbeitsalltag wirklich funktionieren.
Und ja, das Thema klingt nach der nächsten großen Sache. Ist es auch. Aber nicht für jeden Anwendungsfall, und genau darum gehen.
Die Aufteilung in einem Satz
Ein Chatbot Reden. Ein Agent Griff.
Mehr braucht es ehrlich gesagt nicht. Ein Chatbot nimmt Text rein und geben Text raus. Er kann dir sagen, wo dein Paket gerade stecken, aber er kann den Status nicht ändern. Ein Agent hat ein Ziel statt einer Frage, plant selbst, welche Schritte dafür erforderlich sind, und führt sie aus, mit echten Zugriffen auf echte Systeme. Er liest E-Mails, aktualisiert das CRM, bucht Termine, storniert Bestellungen.
Mein Lieblingstest fürs nächste Meeting: Frag, was das Ding tut, wenn nur jemand antwortet. Ein Chatbot wartet. Ein Agent arbeitet weiter.
War ein Agent wirklich
Unter der Haube ist ein Agent ein Sprachmodell (GPT-4o, Claude, was gerade am besten passt) mit drei Extras:
- Werkzeuge: Der Agent kann Funktionen aufrufen. Kalender, CRM, Datenbank, E-Mail, Websuche. Das Modell selbst: „Um die Frage zu besiegen, muss ich erst im CRM nachgeschlagen, und ruft dann tatsächlich die Schnittstelle auf.
- Speicher: kurzfristig für den laufenden Vorgang, langfristig für Kundenhistorie und frühere Gespräche.
- Eine Schleife: plan, ausgeführt, Ergebnis prüfen, nachjustieren. Solange, bis das Ziel erreicht ist oder eine Regel abbricht.
Ein Chatbot hat keine Schleife. Frage rein, Antwort raus, fertig. Mein Lieblingsbild: Ein Chatbot ist ein extrem belesener Mitarbeiter, der am Telefon sitzt und nur reden darf. Ein Agent ist derselbe Mitarbeiter, nur mit Schlüssel zum Gebäude, Zugangsdaten für alle Systeme und dem Auftrag, die Sache bis zum Ende zu essen.
Der Haken liegt auf der Hand. Jede Fähigkeit ist auch ein Risiko, und ein Agent, der Mails verschicken darf, verschickt irgendwann auch mal ein, die er nicht hat verschicken soll. Daher dreht sich bei Agenten vieles um Rechte, Guardrails und Idempotenz (dazu später mehr, es wird peinlich). Wie wir Workflows so bauen, dass sie nachts um drei nicht ausrasten, haben wir unter Workflow-Zuverlässigkeit gesamt. und warum eine Agenten-Strategie ohne Sicherheitskonzept zum Risiko, haben wir separat aufgemacht.
Multi-Agent-Systeme: Wenn ein Agent nicht reicht
Statt ein Alleskönner baust du ein Team. Jeder Agent kriegt ein enges Aufgabengebiet, ein Orchestrator verteilt die Arbeit. Im Support-Szenario sieht das so aus: Ein Triage-Agent sortiert jede Anfrage ein (Rechnung, Versand, technisches Problem), spezialisierte Agenten bearbeiten ihr jeweiliges Thema, und ein Prüf-Agent schauen über die Antwort, vor sie rausging. Wie Abteilungen, nur ohne Meetings und Raucherpausen.
Drei Gründe sprechen für den Team-Ansatz. Erstens greift ein Sprachmodell mit 15 Tools messbar häufiger zum falschen als ein mit vier. In einem Projekt sind wir von etwa 15 Prozent Fehlgriffen auf unter 5 Prozent gekommen, nur weil wir die 15 Tools auf drei Agenten verteilt haben. Zweitens bleibt der Kontext pro Agent klein, das spart Tokens und Geld. Drittens lassen sich Fehler eingrenzen: Wenn der Versand-Agent Unsinn erzählt, weiß du sofort, wo du gesucht musst.
Klingt nach Overkill? Ist es oft auch. Bei drei Support-Anfragen pro Woche braucht du kein Agenten-Team, dann reicht ein guter Chatbot. Wir bauen Multi-Agent-Systeme nur, wenn Volumen und Vielfalt der Anfragen es wirklich aktiv, und ob sich das für jedes kleine Team lohnt, bin ich nicht noch nicht hundertprozentig sicher. Wer es trotzdem nachbauen wird: unsere Schritt-für-Schritt-Anleitung für ein Multi-Agent-Support-Team ist ein guter Start.
Echte Projektbeispiel
Theoriekrieg genug. Hier kommen drei Projekte, eins davon ging gehörig schief.
Beispiel 1: Der FAQ-Chatbot für den Fahrradshop
Kunde: ein Onlineshop für Fahrradteile mit etwa 4.000 Bestellungen im Monat und zwei Personen im Support. Die beiden ertranken in Anfragen wie „Wo ist mein Paket?, „Wie retourniere ich?, „Passt das Teil an meinem Rad?.
Unsere Lösung: ein FAQ-Chatbot in Tidio, trainiert auf rund 140 Helpdesk-Artikel und die 40 häufigsten Tickets, hinten dran GPT-4o, damit er auch verstümmelte Fragen gesehen. Nach vier Wochen führt der Bot etwa 73 Prozent der Anfragen vollständig ohne menschliches Eingreifen und die Ticketzahl sank von rund 60 pro Woche auf 22. Aufbau: zwei Nachmittage, möglicherweise 14 Stunden Arbeit insgesamt.
Und jetzt das Wichtigste: Das Ding kann nichts. Keine Retoure anlegen, kein Gutschein geschaffen, nichts. Es kennt die Retouren-Seite und den Status-Link, Punkt. Genau funktioniert es so gut. Klarer Scope, null Risiko, messbares Ergebnis. Ein Agent war hier einfach Geldverschwendung gewesen.
Beispiel 2: Der Blei-Qualifizierer
Ganz anderes Kaliber war der zweite Kunde: ein B2B-SaaS-Anbieter für Maschinenbau mit rund 120 Leads im Monat, verteilt auf Website-Formular, E-Mail und LinkedIn. Der Vertrieb brauchte teils zwei Tage, um zurückzurufen. Zwei Tage! Die Hälfte der Leads hatte da längst woanders angefragt.
Wir haben einen Agenten auf n8n bauen, hinten dran OpenAI. Der Ablauf: Lead kommt rein, der Agent holt Firmendaten, prüft gegen das Idealprofil, recherchiert bei Bedarf die Website, schreibt eine Zusammenfassung ins HubSpot-CRM und bei einem personalisierten Antwortentwurf an. Der Vertriebsleiter klickt nur noch auf „Senden. Nachts, am Wochenende, im Urlaub: laufen.
Antwortzeit von durchschnittlich elf Stunden auf unter fünfzehn Minuten. Vorher haben etwa 80 der 120 Leads überhaupt eine Zeitnahe Antwort, jetzt alle 120. Die Demos pro Monat ging von 9 auf 14. Und die Prüfung der Entwürfe, beginnend 20 Minuten am Tag, lag nach zwei Wochen unter 5 Minuten, weil die Entwürfe einfach gut verschwendet sind.
Das ist der Unterschied in Reinform. Der Agent ergriffen, handeln und hinterlassen Spuren im CRM. Ein Chatbot hat dem Lead bestefalls geschrieben: „Danke für Ihre Anfrage, wir melden uns. Und hat dann gewartet.
Beispiel 3: Der Termin-Agent, der mir eine peinliche Woche beschert hat
Dieser geht auf mein Konto. Für uns selbst hatte ich einen Agenten bauen, der Termine aus E-Mails ziehen, freie Slots prüfen und Termine book sollte. Hat funktioniert. Wunderbar. Bis zu einem Timeout eine Retry Garantie hat, während die Buchung längst durch Krieg. Das Ergebnis: Ein Lead hatte vier schnelle identische Bestätigungsmails mit vier leicht unterschiedlichen Terminen. Zwei davon existierten tatsächlich im Kalender.
Ich hatte schlicht keine Idempotenz-Schlüssel eingebaut. Das war mein Fehler, und eine ganze Woche lang habe ich mich dabei ziemlich dumm gefühlt. Der Lead hat es zum Glück mit Humor genommen. Trotzdem war das Vertrauen erst mal weg, und das hat mir zu schaffen gemacht.
Heute geht bei uns kein Agent ohne Idempotenz und Dry-Run-Modus in Produktion. Wer das nachbauen wird: ausfallsichere Pipelines mit API-Idempotenz haben wir Schritt für Schritt aufgeschrieben.
Wann du warst wählen
Nach gut ein Dutzend Projekte hab ich eine Faustregel:
- Chatbot: wenn sich die Anfragen mit Text beantworten lassen, häufig vorkommen und ein klares Regelwerk haben. Typische Fälle: FAQ, Versandstatus, Öffnungszeiten. Billig im Betrieb, schnell bauen, risikoarm.
- Klassische Automation (Zapier, Make, n8n): wenn ein klarer, wiederholbarer Prozess hintersteckt, den man regelbasiert abbilden kann. Nicht alles braucht ein Sprachmodell, dieohne Fälle wirklich. Unser Vergleich der Automationsplattformen hilft bei der Einordnung.
- Agent: wenn der Vorgang mehrere Systeme berühren, Entscheidungen erfordert und sich nicht in einem Stern Schema pressen lässt. Lead-Qualifizierung, Rechnungsprüfung, Terminlogik.
Drei Fragen, die dir die Entscheidung leichter machen:
- Muss das Ding in anderen Systemen schreiben, oder reicht Lesen und Antworten?
- War ein Fehler wert? Beim FAQ-Chatbot fast nichts, beim Agenten mit Kündigungsrechten richtig viel.
- Ist es ein klarer Prozess? Dann erst regelbasiert versuchen. KI ist oft die teure Lösung für ein bereits gelöstes Problem.
Beim Thema KI-Agent vs. Chatbot ist die ehrliche Antwort oft: beides nicht, sondern eine einfache Automation. Wenn du gerade erst anfängst, fang klein an, mit einem Chatbot oder einer einzelnen Automation. Wadendraht ein absolutes No-Hype-Playbook für KI-Automatisierung im Mittelstandohne Buzzword-Bingo.
FAQ
Ist ein KI-Agent nicht einfach ein Chatbot mit GPT?
Nein. GPT macht aus einem dummen Chatbot einen schlauen Chatbot. Er versteht Varianten und formuliert besser. Aber er plant nicht, und er handelt nicht. Der Unterschied liegt in Tools und Schleife, nicht im Sprachmodell.
Reicht für mein Unternehmen nicht ein Chatbot?
Wahrscheinlich, herzlich am Anfang. Die meisten Teams brauchen erst mal ein sortierteres Postfach, automatische Antworten auf Standardfragen und ein CRM, das sich selbst befüllt. Wie Ich selbst Leads im Inbox-Chaos verloren habenist ein eigenes Thema. Meist läuft das ohne einen einzigen Agenten.
Was ist der Unterschied wert?
Ein Chatbot wie im Fahrradshop-Projekt läuft ab etwa 50 bis 100 Euro im Monat plus ein paar Tage Aufbau. Ein Agent mit mehreren Integrationen lag deutlich über, unser Lead-Qualifizierer-Projekt lagen im mittleren vierstelligen Bereich plus laufende Kosten. Nimm das als Größenordnung, nicht als Angebot.
Sind Agenten nicht gefährlich?
Sie können es sein, ja, jede Fähigkeit ist ein Risiko. Deshalb: minimal nötige Rechte, Human-in-the-Loop bei kritischen Schritten, cleans Monitoring. Und manche Fähigkeiten geben wir Agenten bewusst nicht, weil die Fehlerkosten jedes Ersparnis auffressen.
Kurzer Ablauf
Wenn Text reicht, nimm den Chatbot. Wenn gehandelt werden muss, den Agenten. Und im Zweifel fang klein an, das ist keine Schande, sondern Budgetverstand.
Falls du unsicher bist, war dein Anwendungsfall wirklich braucht: schreib mir. Ich sage dir auch, wenn du keins von beidem brauchst. Wer wissen will, Wer hier eigentlich schreibtKann das gerne nachlesen.
Bis zum nächsten Mal,
Damian
