AI Agents

Wann ein Agent Sinn macht

Wenn dein Prozess mehrere Tools, Entscheidungen und Datenquellen verkettet — und Menschen heute den Kleber spielen. Klassiker im Mittelstand: Ticket-Routing, KYC, Vertragsprüfung, Lead-Qualifizierung, Lager-Abgleich, B2B-Preisabfragen aus PDF-Anfragen.

Typisches Muster: eine Anfrage kommt rein (Mail, Webformular, ERP-Ticket), muss klassifiziert werden, dann werden Daten aus zwei oder drei Systemen zusammengezogen, eine Entscheidung gefällt, und am Ende landet eine Antwort, ein Eintrag oder ein neuer Workflow-Status irgendwo. Heute macht das jemand manuell — mit Kontextwechsel, copy-paste und 60 % Wartezeit auf andere Systeme. Ein gut gebauter Agent erledigt genau diese Verkettung, ohne dass jemand zugucken muss.

Was wir konkret bauen

• ERP-Agenten für Odoo, SAP, Microsoft Dynamics und Sage — strukturiert lesen und schreiben, mit Rollback und Audit-Log
• Ticket-Agenten, die eingehende Service-Anfragen klassifizieren, Stammdaten anreichern und an die richtigen Teams routen (mit Auto-Antwort, wo der Fall klar ist)
• Lead-Qualifier, die Webformulare gegen Firmendatenbanken matchen und nur qualifizierte Leads ans Sales-Team weitergeben
• B2B-Angebots-Agenten, die Preis-Anfragen aus PDFs oder Mails parsen, gegen Kondit­ions-Logik prüfen und einen Angebotsentwurf erzeugen
• Lager- und Bestandsabgleich zwischen ERP, Shopsystem und Marketplace, inklusive Anomalie-Erkennung

In jedem Fall: Memory zwischen Schritten, typisierte Tool-Schnittstellen, strukturiertes Error-Handling und vollständige Audit-Trails.

Architektur

Wir bauen nicht “ein LLM-Chatbot mit ein paar APIs daran”, sondern saubere Agent-Pipelines: zentrale Orchestrierung über LangGraph oder das OpenAI Agents SDK, typisierte Tools (Python-Funktionen mit JSON-Schemas), klar definierte Memory-Schichten (Session, Long-Term, Tool-State) und durchgehende Observability über LangSmith, Logfire oder eigenes Telemetrie-Setup.

Für regulierte Branchen läuft der Agent auf eurer Infrastruktur — on-prem oder in einer EU-Region eures Cloud-Providers — und nutzt nur Modelle, die mit eurem Compliance-Setup vereinbar sind (Azure OpenAI EU, lokale Llama-/Mistral-Modelle, oder eine Mischung).

ERP-Integration

Wir docken direkt an dein ERP an — Odoo, SAP, Microsoft Dynamics, Sage, oder Custom. Agents lesen und schreiben strukturiert, mit Rollback und Audit-Log. Kein Frontend-Hack, sondern saubere API/RPC-Layer.

Konkret heißt das: pro Agent-Aktion erzeugen wir einen ERP-Datensatz mit Quelle, Zeitstempel, eingesetztem Modell und User-Kontext. Wer im Nachhinein nachvollziehen will, warum der Agent etwas getan hat, klickt im ERP auf den Datensatz und sieht den vollständigen Reasoning-Pfad. Das ist nicht optional, sondern in jedem Audit, jeder DORA-Prüfung und jedem EU-AI-Act-konformen Setup die einzige Antwort, die zählt.

Human-in-the-Loop

Nicht jede Entscheidung darf der Agent autonom treffen. Wir definieren zusammen mit euch Schwellen: bis zu welchem Auftragsvolumen, welcher Kundenkategorie oder welchem Risiko-Score darf der Agent durchziehen — ab wann muss ein Mensch bestätigen. Die Schwelle wandert oft im Lauf der ersten Monate, weil das Vertrauen mit den ersten messbaren Ergebnissen wächst.

Wann nicht

Wenn dein Prozess deterministisch ist (Regelwerk reicht) oder wenn die Fehlerkosten höher sind als jede Effizienzgewinnung. Wir sind ehrlich darin — auch wenn das heißt: kein Projekt.

Auch nicht sinnvoll: Agenten als Marketing-Showcase, ohne echten Backoffice-Pain. Wer “irgendwas mit AI” will, sollte erst die schmerz­vollsten Workflows identifizieren und dann fragen, ob ein Agent dort wirklich schneller ist als ein RPA-Skript, eine Automatisierung in n8n oder eine saubere Excel-Vorlage. Oft ist die Antwort: nein, vorerst nicht — und das ist auch okay.

Häufige Fragen

Woran erkenne ich, ob mein Prozess einen KI-Agenten braucht oder ob eine einfache Automatisierung reicht?

Ein Agent lohnt sich, wenn ein Prozess mehrere Tools, Datenquellen und echte Entscheidungen verkettet — und heute ein Mensch den Kleber spielt. Ist der Ablauf deterministisch (klares Regelwerk), reicht eine Automatisierung in n8n oder ein RPA-Skript, und das ist meist billiger und robuster. Wir sagen ehrlich, wenn kein Agent nötig ist — auch wenn das heißt: kein Projekt.

Läuft ein Agent DSGVO-konform und kann er on-premise betrieben werden?

Ja. Für regulierte Branchen läuft der Agent auf eurer Infrastruktur — on-prem oder in einer EU-Region eures Cloud-Providers — und nutzt nur Modelle, die zu eurem Compliance-Setup passen (Azure OpenAI EU, lokale Llama-/Mistral-Modelle oder eine Mischung). Jede Agent-Aktion erzeugt einen Audit-Datensatz mit Quelle, Zeitstempel, Modell und User-Kontext.

Was passiert, wenn der Agent eine falsche Entscheidung trifft?

Wir definieren mit euch Schwellen für Human-in-the-Loop: bis zu welchem Auftragsvolumen, welcher Kundenkategorie oder welchem Risiko-Score der Agent autonom handeln darf — ab wann ein Mensch bestätigen muss. Dazu kommen strukturiertes Error-Handling, Rollback im ERP und ein vollständiger Reasoning-Pfad pro Aktion, sodass jede Entscheidung nachvollziehbar bleibt.

Wie lange dauert es, bis ein Agent produktiv ist?

Das hängt von der Zahl der angebundenen Systeme und der nötigen Compliance-Tiefe ab. Ein klar umrissener Einzelprozess (z. B. Ticket-Triage oder B2B-Preisabfrage) ist typischerweise in wenigen Wochen produktiv; die Human-in-the-Loop-Schwelle wandert dann in den ersten Monaten nach unten, sobald die Ergebnisse messbar sind.

Ersetzt ein Agent Mitarbeiter?

Er ersetzt die Verkettungs- und Wartearbeit — Kontextwechsel, Copy-Paste, das Zusammenziehen von Daten aus mehreren Systemen. Die Entscheidungen mit echtem Risiko bleiben beim Menschen. In der Praxis verschiebt sich Backoffice-Kapazität von Routine hin zu den Fällen, die Urteilsvermögen brauchen.