Chatbot, Automatisierung, Agent – drei Begriffe, die ständig verwechselt werden. Das hat Konsequenzen.
SerieKI-Agenten im Unternehmen
Teil 1 von 4
Ein Chatbot antwortet. Ein Agent handelt.
Wenn jemand sagt „Wir nutzen schon KI”, meint er in den meisten Fällen einen Chatbot. ChatGPT, ein internes Q&A-Tool, vielleicht ein Ticket-Assistent. Das ist nicht falsch – aber es ist auch nicht das, was gerade die Spielregeln verändert.
Der Unterschied zwischen einem Chatbot und einem KI-Agenten ist ungefähr so groß wie zwischen einem Taschenrechner und einem Buchhalter. Der eine rechnet, was man ihm gibt. Der andere versteht den Kontext, plant Schritte und handelt eigenständig.
Ein Chatbot:
- Reagiert auf eine Eingabe
- Gibt eine Antwort
- Vergisst den Kontext nach der Session
- Braucht für jede Aktion einen menschlichen Impuls
Ein KI-Agent:
- Erhält ein Ziel
- Plant die nötigen Schritte selbst
- Nutzt Werkzeuge (APIs, Datenbanken, andere Agenten)
- Arbeitet über mehrere Schritte hinweg autonom
- Kann Zwischenergebnisse bewerten und den Kurs korrigieren
Das klingt nach einer graduellen Verbesserung. Ist es nicht. Es ist ein Kategorienwechsel.
Der autonome Zeithorizont
Der entscheidende technische Unterschied heißt autonomer Zeithorizont: Wie lange kann das System eigenständig arbeiten, bevor es menschlichen Input braucht?
Chatbot – Zeithorizont: Sekunden. Eine Frage, eine Antwort, fertig. Kein Gedächtnis zwischen den Interaktionen, kein Zugriff auf externe Systeme.
Automatisierung – Zeithorizont: Minuten. Tools wie Zapier, Make oder n8n führen vordefinierte Schritte aus. Schnell und zuverlässig, aber starr: Wenn sich etwas ändert, bricht der Workflow ab, statt sich anzupassen.
Agent – Zeithorizont: Stunden bis Tage. Der entscheidende Unterschied: Ein Agent bekommt ein Ziel, nicht eine Anleitung. Er plant seine Schritte selbst, nutzt Werkzeuge, bewertet Zwischenergebnisse und passt seinen Kurs an. Wenn ein Schritt fehlschlägt, sucht er eine Alternative, statt aufzugeben.
Der Sprung von Automatisierung zu Agent ist kein gradueller Fortschritt. Es ist der Unterschied zwischen einem Rezept nachkochen und einem Koch, der improvisiert.
Konkretes Beispiel:
Ein Unternehmen will die Preise der Konkurrenz beobachten.
- Chatbot-Lösung: Du fragst „Was kostet Produkt X bei Anbieter Y?” und bekommst eine Antwort. Für den nächsten Anbieter fragst du erneut.
- Automatisierung: Ein Script prüft täglich 5 feste URLs und speichert die Preise in einer Tabelle.
- Agent-Lösung: Der Agent bekommt das Ziel „Beobachte die Preise der 10 relevantesten Wettbewerber für unsere Top-20-Produkte”. Er recherchiert selbst, welche Anbieter relevant sind, findet die richtigen Produktseiten, extrahiert Preise, erkennt Muster und schickt dir eine Zusammenfassung mit Handlungsempfehlung.
Der Agent trifft dabei dutzende Micro-Entscheidungen, die du ihm nie einzeln aufgetragen hast. Genau das macht ihn zum Agenten.
Von der Theorie zur Praxis: Claude Code Remote
Wie das konkret aussieht, zeigt Claude Code Remote. Damit lässt sich das Terminal eines Rechners aus der Ferne steuern – auch vom Smartphone. Der Agent erstellt Dateien und Ordner, schreibt und führt Code aus, generiert Web-Apps oder automatisiert Projektsetups.
Was früher ein Chatbot war, ist hier ein handlungsfähiger Remote-Assistent. Der Unterschied in der Praxis: Du gibst kein einzelnes Kommando ein und wartest auf eine Antwort. Du beschreibst ein Ziel – „Erstelle eine Astro-Landingpage mit drei Sektionen und deploye sie” – und der Agent plant die Schritte, legt die Dateistruktur an, schreibt den Code, führt den Build aus und meldet das Ergebnis.
Damit öffnen sich Anwendungsfelder, die mit einem Chatbot nicht denkbar wären: Remote-Build-Prozesse, automatisierte Projektscaffolds, forschungsbasierte Dateigenerierung oder die Steuerung systemnaher Abläufe aus der Ferne.
Gleichzeitig wächst mit der Autonomie das Risiko. Terminalzugriff ist die mächtigste, aber auch gefährlichste Ebene. Claude Code läuft deshalb in isolierten virtuellen Maschinen mit Netzwerkkontrollen – ein Sandboxing-Konzept, das Anthropic Anfang 2026 als Open Source veröffentlicht hat. Für den praktischen Einsatz gilt: Agenten in separaten Testumgebungen arbeiten lassen, Befehle erklären lassen, Terminal-Kommandos verstehen bevor sie ausgeführt werden. Sicherheit ist keine Feature-Frage, sondern eine Haltung.
Wann reicht ein Chatbot?
Nicht jede Aufgabe braucht einen Agenten. Chatbots sind weiterhin die richtige Wahl, wenn:
- Die Aufgabe in einer einzelnen Interaktion lösbar ist
- Der Kontext klar und begrenzt ist
- Keine Werkzeuge oder externen Systeme nötig sind
- Die Antwort sofort gebraucht wird
- Fehler in der Antwort unkritisch sind
Typische Chatbot-Aufgaben:
- FAQ beantworten
- Texte umformulieren
- Einfache Recherchefragen
- Brainstorming und Ideensammlung
- Code-Snippets generieren
Das sind wertvolle Anwendungen. Aber es sind Werkzeuge für den Moment, nicht für komplexe Prozesse.
Wann brauchst du einen Agenten?
Agenten werden relevant, sobald eine Aufgabe mehrere Schritte umfasst, Entscheidungen erfordert und über verschiedene Systeme hinweg arbeitet.
Typische Agent-Aufgaben:
- Daten aus mehreren Quellen zusammenführen und bewerten
- Mehrstufige Workflows ausführen (recherchieren → analysieren → aufbereiten → verteilen)
- Monitoring mit eigenständiger Reaktion
- Beschaffungsprozesse vorbereiten oder durchführen
- Code-Projekte planen und umsetzen
- Content erstellen, prüfen und optimieren
Die Entscheidungsmatrix ist einfacher als sie klingt:
| Kriterium | Chatbot | Agent |
|---|---|---|
| Schritte | 1 | Mehrere |
| Werkzeuge nötig | Nein | Ja |
| Entscheidungen | Keine | Mehrere |
| Fehlertoleranz | Hoch | Niedrig bis mittel |
| Zeithorizont | Sekunden | Minuten bis Stunden |
| Kontext | Begrenzt | Umfangreich |
Das Management-Missverständnis
In vielen Unternehmen herrscht ein gefährliches Missverständnis: Man hat ChatGPT freigeschaltet, vielleicht ein paar Lizenzen für Copilot gekauft, und denkt damit ist „KI-Integration” erledigt.
Das wäre so, als hätte man 2005 eine Website gebaut und gedacht, damit sei die Digitalisierung abgeschlossen.
Was tatsächlich passiert:
- Chatbots werden als „die KI” wahrgenommen
- Agenten werden nicht evaluiert, weil „wir das ja schon haben”
- Echte Prozessautomatisierung bleibt liegen
- Wettbewerber, die Agenten einsetzen, ziehen leise vorbei
Das Problem ist nicht technischer Natur. Es ist ein Wahrnehmungsproblem. Und es kostet Zeit und Wettbewerbsfähigkeit.
Was Agenten für die Wirtschaft bedeuten
KI-Agenten verändern nicht nur, wie Aufgaben erledigt werden. Sie verändern, was Software sein kann.
Agenten als wirtschaftliche Akteure:
Wenn ein Agent nicht nur recherchiert und analysiert, sondern auch bestellt, bucht und bezahlt, entsteht eine neue Ebene: die Agent Economy. Software, die nicht nur assistiert, sondern eigenständig wirtschaftlich handelt.
Das klingt nach Zukunftsmusik, passiert aber in Ansätzen bereits: Agenten, die Cloud-Ressourcen eigenständig skalieren und dafür bezahlen. Agenten, die API-Credits nachkaufen, wenn sie aufgebraucht sind. Die Infrastruktur dafür – Agent-Wallets, Budgetlimits, Audit-Trails – entsteht gerade.
Agenten als Anforderung an Software:
Wenn Agenten die neuen Power-User werden, muss Software anders gebaut sein. Ein Dashboard mit 47 Filtern und 12 Tabs ist für Menschen gemacht. Ein Agent braucht eine API. Software ohne API wird vom Agenten-Ökosystem abgeschnitten – und damit langfristig auch von den Unternehmen, die Agenten einsetzen.
Die drei Schichten der KI-Integration
Die meisten Unternehmen stehen auf Schicht 1. Das ist kein Versagen – es ist ein Anfang. Aber wer dort stehen bleibt, verpasst die eigentliche Transformation.
Diese Serie zeigt in vier Teilen, wie der Weg von Schicht 1 nach oben aussieht: Wann sich Agenten lohnen, wie man ihre Qualität sichert, und was Software können muss, damit Agenten sie überhaupt nutzen können.
Nicht alles braucht einen Agenten – aber mehr als du denkst
Die Frage ist nicht „Chatbot oder Agent?” – es ist „Welche Aufgabe hat welchen Reifegrad?”
Manche Aufgaben sind mit einem Chatbot bestens bedient. Andere schreien förmlich nach Autonomie, werden aber noch manuell erledigt, weil niemand die Alternative evaluiert hat.
Der nächste Artikel dieser Serie liefert eine pragmatische Matrix dafür: Welche Aufgaben sind reif für einen Agenten – und welche noch nicht.