Warum KI-Agenten scheitern und wo sie tatsächlich Arbeit abnehmen können

KI-Agenten gelten als nächster Schritt nach dem Chatbot. Sie sollen Aufgaben planen, Systeme nutzen und Prozesse eigenständig bearbeiten. Doch zwischen diesem Anspruch und dem praktischen Nutzen klafft oft eine Lücke. Entscheidend ist nicht allein, was ein Agent technisch kann. Unternehmen müssen passende Probleme auswählen, Wissen zugänglich machen und Kosten sowie Risiken kontrollieren. Für Content-Verantwortliche ergibt sich daraus eine zentrale Frage: Wie wird aus verstreutem Wissen eine verlässliche Grundlage für KI-gestützte Arbeit?

KI-Agenten sind nicht für jede Aufgabe die richtige Antwort

Colleen Jones beschreibt in ihrem Beitrag bei Content Science den aktuellen Gegensatz rund um agentische KI: Die Technologiebranche setzt große Erwartungen in autonome Systeme, im Alltag nutzen viele Menschen aber weiterhin vor allem klassische Chatbots. Das muss kein Widerspruch sein. Es zeigt vielmehr, dass der Nutzen stark davon abhängt, für welche Aufgaben ein Agent eingesetzt wird.

Ein Chatbot beantwortet in der Regel Fragen oder erstellt Inhalte innerhalb eines einzelnen Gesprächs. Ein KI-Agent soll darüber hinaus mehrere Schritte planen, Informationen aus verschiedenen Quellen abrufen, Tools verwenden und gegebenenfalls Aktionen auslösen. Er kann beispielsweise Daten prüfen, eine Aufgabe weiterleiten, einen Entwurf erzeugen oder mehrere Systeme in einer festgelegten Reihenfolge bedienen.

Für private Alltagsaufgaben ist dieser zusätzliche Aufwand häufig nicht nötig. Wer eine Formulierung verbessern, eine Reiseidee sammeln oder einen Text zusammenfassen möchte, kommt oft mit einem Chatbot aus. Agenten können dagegen neue Komplexität schaffen. Nutzerinnen und Nutzer müssen ihnen Zugriffe einräumen, ihre Arbeit prüfen und verstehen, welche Folgen eine automatisierte Aktion haben kann.

Anders sieht es in Organisationen aus. Dort gibt es zahlreiche wiederkehrende und miteinander verbundene Aufgaben, die Zeit kosten: Recherche, Abstimmung, Dokumentation, Analyse, Freigaben oder das Suchen nach Informationen in unterschiedlichen Systemen. Genau dort könnten Agenten einen sinnvollen Einsatzbereich finden, wenn sie nicht als Selbstzweck eingeführt werden.

Der Ausgangspunkt sollte ein konkretes Arbeitsproblem sein

Die wichtigste Verschiebung betrifft laut Jones die Perspektive: Nicht die Frage „Was kann ein Agent?“ sollte am Anfang stehen, sondern ein konkretes Problem im Unternehmen. Erst danach lässt sich beurteilen, ob ein Agent die Arbeit tatsächlich verbessert.

Ein Beispiel liefert die Gesundheitsbranche. Tom Mihaljevic, CEO und Präsident der Cleveland Clinic, verweist laut dem Beitrag darauf, dass medizinisches Personal einen großen Teil seiner Zeit für Tätigkeiten aufwendet, die nicht direkt der Patientenversorgung dienen. Dazu zählen insbesondere das Eingeben und Abrufen von Daten in elektronischen Patientenakten. KI könnte helfen, diese Abläufe zu vereinfachen. Der mögliche Gewinn wäre nicht nur Effizienz, sondern mehr Zeit für die eigentliche fachliche Arbeit.

Auch Marriott-Chef Anthony Capuano beschreibt Technologie vor allem als Mittel, Kapazität für Mitarbeitende zu schaffen. Wenn Routineaufgaben automatisiert werden, könnten Beschäftigte sich stärker um Gäste und anspruchsvollere Anliegen kümmern.

Für Content-Teams lässt sich dieser Gedanke übertragen. Geeignete Fragen sind zum Beispiel:

• Wo suchen Mitarbeitende regelmäßig nach denselben Informationen?
• Welche Schritte in Produktion, Prüfung und Freigabe sind wiederkehrend?
• Wo gehen Zeit und Kontext bei Übergaben zwischen Teams verloren?
• Welche Aufgaben erfordern viele Quellen, folgen aber klaren Regeln?
• Bei welchen Entscheidungen fehlen verlässliche Standards oder aktuelle Grundlagen?

Ein Agent könnte etwa bestehende Richtlinien mit einem Content-Entwurf abgleichen, offene Punkte für eine Freigabe zusammenstellen oder Informationen aus Content-Management-System, Analysewerkzeug und Produktdokumentation für ein Briefing bündeln. Er sollte jedoch nicht ohne klare Vorgaben entscheiden, was veröffentlicht wird oder welche Aussagen fachlich korrekt sind.

Autonomie erhöht auch die Anforderungen an Kontrolle

Je mehr ein Agent selbstständig tun darf, desto wichtiger werden Regeln und Transparenz. Das betrifft technische Berechtigungen ebenso wie redaktionelle und organisatorische Leitplanken. Ein System, das nur einen Textvorschlag erstellt, birgt andere Risiken als ein Agent, der Inhalte in ein CMS schreibt, Daten verändert oder Nachrichten versendet.

Bill McDermott, Chairman und CEO von ServiceNow, beschreibt diese Entwicklung als Übergang von „KI-Chaos“ zu Kontrolle. Unternehmen brauchen demnach eine Infrastruktur, die KI, Daten, Workflows und Governance zusammenführt. Agenten sollen nicht außerhalb bestehender Prozesse agieren, sondern innerhalb nachvollziehbarer Grenzen.

In der Praxis gehören dazu vor allem vier Bereiche:

1. Berechtigungen: Der Agent darf nur auf Daten und Systeme zugreifen, die für seine Aufgabe notwendig sind. Rollen und Zugriffsrechte müssen eindeutig sein.
2. Arbeitsregeln: Unternehmen sollten festlegen, welche Schritte ein Agent selbst ausführen darf und wann eine Freigabe durch Menschen erforderlich ist.
3. Nachvollziehbarkeit: Teams müssen erkennen können, welche Quellen der Agent verwendet hat, welche Schritte er durchgeführt hat und warum er zu einem Ergebnis kam.
4. Qualitätssicherung: Ergebnisse brauchen Prüfmechanismen. Das gilt besonders für Inhalte mit rechtlichen, regulatorischen, medizinischen oder markenrelevanten Folgen.

Darüber hinaus bleibt menschliche Verantwortung unverzichtbar. KI kann Informationen ordnen, Muster erkennen und Vorschläge erstellen. Sie übernimmt aber nicht automatisch die redaktionelle, rechtliche oder strategische Verantwortung für eine Veröffentlichung.