Vier KI-Agenten, die einen Test wert sind

Die meisten Menschen nutzen künstliche Intelligenz nach wie vor als Anlaufstelle, um Fragen zu stellen. Sie öffnen ein Chat-Fenster, fordern eine Zusammenfassung oder einen Entwurf an, kopieren die Antwort und erledigen den Rest der Arbeit selbst.

AI Agenten verändern diese Beziehung. Anstatt nur eine einzige Reaktion zu erzeugen, kann ein Agent ein Ziel in mehreren Schritten verfolgen. Er kann Dateien öffnen, nach Informationen suchen, Quellen vergleichen, eine Tabellenkalkulation aktualisieren, ein Dokument erstellen oder über eine andere Anwendung kommunizieren. Manche Agenten warten auf direkte Anweisungen, andere überwachen bestimmte Auslöser und handeln automatisch.

Diese zusätzliche Autonomie erklärt sowohl das Interesse als auch das Unbehagen, das sie hervorrufen. Ein KI-Assistent, der eine E-Mail entwirft, stellt nur ein begrenztes Risiko dar. Ein Agent mit Zugriff auf den Posteingang, die Kundendatenbank und das gemeinsame Laufwerk kann jedoch weitreichende Änderungen vornehmen, bevor jemand einen Fehler bemerkt.

OpenClaw Es zeigte sich, wie leistungsfähig diese Systeme werden können, wenn sie umfassenden Zugriff auf einen Computer, persistenten Speicher und eine Reihe externer Tools erhalten. Das Open-Source-Modell machte jedoch auch die Schwierigkeiten deutlich: Die Installation ist nach wie vor technisch anspruchsvoll, es kann zu übermäßigen Berechtigungen kommen, und Agenten können auf bösartige Anweisungen stoßen, die in Webseiten, Dateien oder Softwarekomponenten versteckt sind. Sicherheitsforscher betrachten die indirekte Eingabe von Befehlen weiterhin als eine grundlegende Schwachstelle bei Agenten, die Tools nutzen.

Unternehmen müssen nicht gleich mit diesem Maß an Autonomie beginnen. Vier leichter zugängliche Plattformen bieten ganz unterschiedliche Möglichkeiten, agentische Arbeit zu testen – von einer beaufsichtigten Desktop-Aufgabe bis hin zu einem kontrollierten Unternehmens-Workflow.

Verstehen Sie zunächst, was einen Makler von anderen unterscheidet

Der Begriff wird recht weit gefasst verwendet. Manche Produkte, die als „Agents“ bezeichnet werden, sind kaum mehr als maßgeschneiderte Chatbots. Andere können eigenständig Tools auswählen, entscheiden, welche Zwischenschritte erforderlich sind, und Aktionen in externen Systemen ausführen.

Eine nützliche Definition ist ganz einfach: Ein KI-Agent erhält ein Ziel, interpretiert, was dafür geschehen muss, nutzt die ihm zur Verfügung stehenden Werkzeuge und Informationen und arbeitet die Aufgabe mit weniger ständiger Anleitung ab als ein gewöhnlicher Chatbot.

Drei Faktoren spielen eine Rolle.

Erstens das Modell, das Anweisungen interpretiert und Entscheidungen trifft. Zweitens der Kontext: Dokumente, Datenbanken, frühere Interaktionen oder organisatorisches Wissen. Drittens der Zugriff auf Tools wie einen Browser, ein E-Mail-Konto, ein CRM-System, eine Tabellenkalkulation oder das lokale Dateisystem.

Die letzte Komponente birgt den größten Nutzen, aber auch das größte Risiko. Sobald das System handlungsfähig ist, kann eine ungenaue Antwort zu einem fehlerhaften Datenbankeintrag, einer unbefugten E-Mail oder einer überschriebenen Datei führen.

Welcher Akteur geeignet ist, hängt daher weniger davon ab, welches Modell am intelligentesten erscheint, sondern vielmehr davon, wo die Arbeit stattfindet, wie reproduzierbar sie ist und wie viel Entscheidungsbefugnis die Organisation bereit ist, zu delegieren.

Für die Arbeit am Computer: Claude Cowork

Claude Cowork ist eines der anschaulichsten Beispiele dafür, wie ein Agent mit einem Menschen zusammenarbeitet. Anthropic positioniert es als System für mehrstufige Wissensarbeit, darunter die Zusammenfassung von Forschungsergebnissen, die Erstellung von Dokumenten sowie Aufgaben, bei denen Dateien oder Desktop-Anwendungen zum Einsatz kommen. Es ist im Rahmen kostenpflichtiger Tarife über die Claude-Desktopumgebung verfügbar.

Cowork ist dann sinnvoll, wenn die Aufgabe umfangreich, aber dennoch unregelmäßig ist. Das Tool kann eine definierte Sammlung von Dokumenten prüfen, Material organisieren und Ergebnisse liefern, ohne dass der Nutzer eine dauerhafte Automatisierung einrichten muss.

Ein sinnvoller erster Versuch wäre eine vierteljährliche Wettbewerbsanalyse. Geben Sie dem Berater Kopien von fünf Wettbewerbsberichten, einen Ordner mit Pressemitteilungen und ein früheres internes Briefing. Bitten Sie ihn, wesentliche Veränderungen zu identifizieren, bestätigte Fakten von Unternehmensangaben zu unterscheiden und eine Präsentation mit zehn Folien für die Geschäftsleitung vorzubereiten.

Dieser Test gibt mehr Aufschluss, als wenn man den Agenten lediglich bitten würde, einen Desktop aufzuräumen. Er zeigt, ob das System verschiedene Dateiformate verarbeiten, einen einheitlichen Analysestandard einhalten und aus fragmentiertem Quellmaterial etwas Brauchbares erstellen kann.

Der Zugriff sollte streng beschränkt bleiben. Cowork-Nutzer können in festgelegten Ordnern arbeiten, wobei diese Begrenzung eher als Mindestmaßnahme denn als vollständige Sicherheitsvorkehrung zu betrachten ist. Ein Testordner sollte Kopien und keine Originaldokumente enthalten und keine Verträge, Zugangsdaten, personenbezogene Daten sowie geschäftlich sensible Dokumente umfassen, die nicht im Zusammenhang mit der jeweiligen Aufgabe stehen.

Auch die Anweisung muss klar abgegrenzt sein. Legen Sie die zulässigen Dateien, das gewünschte Ergebnis, die maximale Anzahl der Quellen sowie die Aktionen fest, die einer Genehmigung bedürfen. “Überprüfen Sie diesen Ordner” lässt zu viel Interpretationsspielraum. “Verwenden Sie ausschließlich diese 12 Dokumente, nehmen Sie keine Änderungen an den Originalen vor, identifizieren Sie fünf wesentliche Entwicklungen und erstellen Sie einen Präsentationsentwurf in diesem Ausgabeordner” ist wesentlich sicherer.

Cowork lässt sich am besten als beaufsichtigter Agent für Wissensarbeit verstehen. Es bietet einen anschaulichen Einstieg in das Verhalten von Agenten, sollte jedoch nicht mit einem Mitarbeiter verwechselt werden, den man unbeaufsichtigt lassen kann.

Für Prozesse mit klaren Regeln: Zapier-Agenten

Viele Büroaufgaben erfordern nicht, dass ein Mitarbeiter den Computer durchforstet. Sie folgen einem erkennbaren Ablauf: Es passiert etwas, Informationen werden gesammelt, eine Entscheidung wird getroffen und ein anderes System wird aktualisiert.

Zapier-Agenten ist speziell für diese Umgebung konzipiert. Es kann einen KI-Agenten mit dem Unternehmenswissen und Tausenden von Anwendungen verbinden, sodass dieser nicht in einer uneingeschränkten Desktop-Umgebung, sondern über etablierte Geschäftstools hinweg arbeiten kann. Zapier unterstützt derzeit Integrationen mit mehr als 9.000 Apps.

Nehmen wir eine eingehende Anfrage bezüglich einer Partnerschaft als Beispiel. Ein Zapier-Mitarbeiter könnte die Anfrage prüfen, kontrollieren, ob das Unternehmen vordefinierte Kriterien erfüllt, den Datensatz mit öffentlich zugänglichen Unternehmensinformationen ergänzen, eine kurze Bewertung erstellen und eine Opportunity im CRM anlegen. Anfragen mit hohem Potenzial könnten an einen leitenden Manager weitergeleitet werden; unvollständige oder irrelevante Anfragen könnten in eine separate Prüfungswarteschlange verschoben werden.

Dies ist ein besserer Einstufungstest, als einem Agenten zu erlauben, Besprechungsaufgaben automatisch zu verteilen. Das Unternehmen kann die Kriterien im Voraus festlegen und die Entscheidungen des Agenten mit denen einer Person vergleichen. Außerdem zeigt sich so, in welchen Bereichen ein Agent eine herkömmliche Automatisierung verbessert. Ein Standard-Workflow kann Informationen von einem Feld in ein anderes übertragen; ein Agent kann eine unstrukturierte Nachricht interpretieren und entscheiden, welchen Weg sie nehmen soll.

Zapier ist relativ leicht zugänglich, da der Ablauf in Form miteinander verknüpfter Schritte sichtbar ist. Die Nutzer können nachvollziehen, welche Anwendung den Workflow auslöst, welche Informationen an das Modell übergeben werden und welche Aktion darauf folgt.

Diese Transparenz macht Kontrollen jedoch nicht überflüssig. Ein schlecht konzipierter Prozess kann nach wie vor in großem Umfang falsche Informationen an das falsche System senden. In der Anfangsphase sollten Workflows eher Entwürfe erstellen als Daten zu versenden, eher Empfehlungen aussprechen als Genehmigungen erteilen und Überprüfungswarteschlangen anlegen, anstatt irreversible Änderungen vorzunehmen.

Zapier eignet sich für Teams, die bereits wissen, welchen wiederkehrenden Prozess sie verbessern möchten. Es ist weniger nützlich, wenn die Aufgabe selbst noch nicht genau verstanden wird. Automatisierung führt in der Regel dazu, dass operative Unklarheiten bestehen bleiben, anstatt sie zu beseitigen.

Für Teams, die mehr technische Kontrolle benötigen: n8n

Zapier und n8n werden oft in einen Topf geworfen, da beide es den Nutzern ermöglichen, Anwendungen über visuelle Workflows miteinander zu verknüpfen. Ihr praktischer Nutzen ist jedoch unterschiedlich.

n8n bietet technischen Teams mehr Kontrolle über den Workflow, die zugrunde liegende Logik und die Bereitstellungsumgebung. Die Agenten der Plattform können verbundene Anwendungen als Werkzeuge nutzen, Entscheidungen innerhalb eines Workflows treffen und KI mit herkömmlichen Regeln kombinieren. Die Plattform kann zudem selbst gehostet werden, wodurch ein Unternehmen mehr Kontrolle über die Infrastruktur und die Datenflüsse behält.

Das macht n8n zu einem attraktiveren Kandidaten, wenn ein Unternehmen mehr als nur ein kurzes No-Code-Experiment durchführen möchte, aber noch nicht bereit ist, eine vollständig maßgeschneiderte Agentenplattform in Auftrag zu geben.

Ein nützlicher Test wäre ein Frühwarnsystem für den Bereich Kommunikation oder Öffentlichkeitsarbeit. Der Workflow könnte neue behördliche Veröffentlichungen aus zugelassenen Quellen erfassen, diese mit den strategischen Prioritäten der Organisation abgleichen, ihre voraussichtliche Relevanz einstufen und eine tägliche Benachrichtigung erstellen. Nur Einträge, die einen festgelegten Schwellenwert überschreiten, würden an das zuständige Team weitergeleitet.

Dieses Beispiel testet mehrere wichtige Fähigkeiten: Quellenbeschränkung, Klassifizierung, Ermittlung des internen Kontexts und Eskalation. Außerdem entsteht dadurch ein natürlicher Prüfpfad. Das Team kann überprüfen, warum ein Eintrag markiert wurde, und die Regeln anpassen, wenn der Bearbeiter nur unzureichende Ergebnisse liefert.

n8n erfordert mehr Aufwand als Zapier. Auch technisch weniger versierte Nutzer können visuelle Workflows erstellen, doch für den Einsatz in der Produktion ist es von Vorteil, wenn jemand mit API-Kenntnissen, Zugangsdaten, Fehlerbehandlung und Datenarchitektur vertraut ist. Diese zusätzliche Komplexität ist oft der Preis für mehr Kontrolle.

Dies ist insbesondere für Unternehmen relevant, die in regulierten oder datensensiblen Umgebungen tätig sind, vorausgesetzt, das Eigenhosting geht mit einem angemessenen Sicherheitsmanagement einher. Die interne Bereitstellung eines Systems macht dieses nicht automatisch sicher. Zugriffsrechte, Protokolle, Modellanbieter und verbundene Tools müssen weiterhin geregelt werden.

Für den unternehmensweiten Wissensaustausch: Langdock

Manche Unternehmen sind weniger an autonomer Arbeit am Arbeitsplatz interessiert als daran, ihren Mitarbeitern eine kontrollierte Möglichkeit zu bieten, KI im Umgang mit internen Informationen einzusetzen.

Langdock betrachtet Agenten als konfigurierbare Unternehmensspezialisten. Ein Team kann die Anweisungen für einen Agenten festlegen, ein Modell auswählen, genehmigtes Wissen hinzufügen und Tools oder Aktionen zuweisen. Die Agenten können dann innerhalb eines Arbeitsbereichs mit differenzierten Bearbeitungs- und Nutzungsberechtigungen freigegeben werden.

Der überzeugendste Anwendungsfall ist nicht der eines universellen Unternehmensassistenten, sondern der eines eng gefassten internen Experten.

Ein Dienstleistungsunternehmen könnte einen Tool zur Angebotsprüfung entwickeln, das auf genehmigten Leistungsbeschreibungen, Compliance-Regeln, früheren Angeboten und Markenrichtlinien basiert. Die Mitarbeiter würden einen Entwurf einreichen und eine strukturierte Bewertung erhalten, in der unbegründete Behauptungen, fehlende Belege, inkonsistente Terminologie und Abschnitte, die einer rechtlichen Genehmigung bedürfen, aufgezeigt werden.

Dies ist von großem Nutzen, da der Mitarbeiter auf eine sorgfältig zusammengestellte Wissensdatenbank zurückgreift, anstatt wahllos im gesamten Unternehmen zu suchen. So lässt sich die Konsistenz verbessern, ohne dass uneingeschränkter Zugriff auf alle Unternehmenssysteme gewährt werden muss.

Langdock richtet sich in erster Linie an Teams und Unternehmen, wobei der Schwerpunkt auf den europäischen Datenschutzanforderungen und einer kontrollierten Nutzung innerhalb der Organisation liegt. Unternehmen sollten dennoch die genaue Konfiguration prüfen, anstatt sich auf allgemeine Zusicherungen hinsichtlich der Compliance zu verlassen. Zu den relevanten Fragen gehören unter anderem, wo die Daten verarbeitet werden, welche Modellanbieter Aufforderungen erhalten, wie lange Inhalte aufbewahrt werden und ob Administratoren die Aktivitäten der Agenten einsehen können.

Dieses Modell funktioniert am besten, wenn die Organisation über zuverlässiges internes Material verfügt. Ein Mitarbeiter, der anhand veralteter Richtlinien, doppelter Dokumente und widersprüchlicher Anweisungen geschult wurde, wird das zugrunde liegende Informationsproblem mit noch größerer Selbstsicherheit reproduzieren.

Für allgemeine Online-Aufgaben: ChatGPT-Agent

Eine vierte Option ist nützlich für Nutzer, die agentische Arbeit ausprobieren möchten, ohne zuvor einen speziellen Workflow aufbauen zu müssen.

ChatGPT Der Agent kann auf Websites navigieren, mit hochgeladenen Dateien arbeiten, verbundene Datenquellen nutzen, Formulare ausfüllen und Tabellenkalkulationen bearbeiten, während er zwischen Recherche und Aktion wechselt. OpenAI beschreibt ihn als ein System für komplexe Online-Aufgaben, das den Nutzer in die entscheidenden Schritte einbezieht.

Seine Stärke liegt in Aufgaben, die Recherche, Urteilsvermögen und ein begrenztes Ergebnis miteinander verbinden.

Eine relevante Aufgabe für ein Führungsteam wäre beispielsweise die Vorbereitung auf ein Meeting zu einem neuen Markt. Bitten Sie den Mitarbeiter, eine bestimmte Gruppe von Wettbewerbern zu recherchieren, deren Positionierung und Preisgestaltung zu vergleichen, relevante Marktkennzahlen zu ermitteln, die Ergebnisse in einer Tabelle zusammenzufassen und ein prägnantes Briefing zu erstellen. Fordern Sie ihn auf, seine Quellen anzugeben und zunächst eine Pause einzulegen, bevor er auf verbundene Konten zugreift oder Informationen übermittelt.

Dies geht über die strukturierten Arbeitsabläufe hinaus, für die Zapier oder n8n geeignet sind, ist aber dennoch eingeschränkter als die Möglichkeit, einen lokal installierten Open-Source-Agenten die Kontrolle über den Computer übernehmen zu lassen.

ChatGPT bietet außerdem Workspace-Agenten für die Tarife „Business“, „Enterprise“, „Edu“ und „Teachers“ an. Diese sind für gemeinsam genutzte, wiederholbare Arbeitsabläufe innerhalb der Berechtigungsstrukturen einer Organisation konzipiert, obwohl sich die Funktion bei ihrer Ankündigung im April 2026 noch in der Forschungsvorschau befand.

Für individuelle Tests bietet der allgemeine Agent den einfacheren Einstieg. Bei der Bereitstellung im Unternehmen müssen Administratoren die Berechtigungen für Arbeitsbereiche, die verbundenen Quellen und die Aktionen, die einer Bestätigung durch den Benutzer bedürfen, prüfen.

Der erste Test sollte bewusst langweilig sein

Die überzeugendsten Vorführungen von Mitarbeitern beinhalten oft anspruchsvolle Aufgaben: Marktforschung betreiben, eine Präsentation erstellen, Lieferanten kontaktieren oder ein Projekt neu organisieren. Diese Beispiele zeugen zwar von Kompetenz, sind jedoch schlechte Ausgangspunkte für die Unternehmensführung.

Ein erster Test sollte nur wenige Daten umfassen, ein messbares Ergebnis liefern und einen einfachen Weg zur Wiederherstellung bieten. Das Unternehmen sollte bereits wissen, wie eine gute Antwort aussieht.

Zu den geeigneten Aufgaben gehören beispielsweise die Klassifizierung von 50 anonymisierten Kundenanfragen, der Abgleich eines Berichtsentwurfs mit einem genehmigten Quellenpaket oder die Übertragung ausgewählter Felder aus Musterdokumenten in eine temporäre Tabelle. Das Ergebnis des Mitarbeiters kann anschließend hinsichtlich Genauigkeit, Auslassungen, unangemessener Maßnahmen und des Umfangs der erforderlichen manuellen Korrekturen bewertet werden.

Bei der Bewertung sollte mehr als nur die Zeitersparnis untersucht werden. Hat der Agent Informationen außerhalb des zulässigen Rahmens verwendet? Konnten die Prüfer seine Entscheidungen nachvollziehen? Hat er zum richtigen Zeitpunkt um Genehmigung gebeten? Was geschah, wenn eine Quelle widersprüchliche oder böswillige Anweisungen enthielt? Ist der Prozess sicher fehlgeschlagen?

Besondere Aufmerksamkeit verdient die Prompt-Injektion. Ein Agent, der online recherchiert, könnte auf Text stoßen, der ihn anweist, seine ursprüngliche Aufgabe zu ignorieren, Informationen preiszugeben oder ein anderes Tool zu verwenden. Da Sprachmodelle Anweisungen und externe Inhalte über verwandte Mechanismen verarbeiten, ist es nach wie vor schwierig, beides vollständig voneinander zu trennen. In Anthropics eigener Erörterung zur Eindämmung von Agenten wird Sicherheit eher als eine sich weiterentwickelnde architektonische Herausforderung denn als eine bereits gelöste Aufgabe beschrieben.

Die praktische Lösung besteht nicht darin, Beauftragte gänzlich zu meiden, sondern darin, ihre Befugnisse einzuschränken.

Wählen Sie den Agenten anhand der Grenze aus, die Sie verteidigen können

Claude Cowork ist besonders dann überzeugend, wenn jemand Hilfe bei einer begrenzten Anzahl von Desktop-Dateien benötigt. Zapier ist die einfachere Wahl für wiederkehrende Prozesse über vertraute Geschäftsanwendungen hinweg. n8n bietet eine umfassendere Kontrolle über Workflows und Infrastruktur. Langdock eignet sich für gemeinsam genutzte Spezialisten, die auf geprüftem Unternehmenswissen basieren. Der ChatGPT-Agent bietet einen umfassenden Einstieg in Recherche- und Aktionsaufgaben, ohne dass zuvor ein Workflow erstellt werden muss.

Das ist wichtig, weil Unternehmen ihre Vertreter oft anhand der eindrucksvollsten Vorführung auswählen. Eine bessere Entscheidung beginnt mit den Berechtigungen.

Welche Informationen kann der Agent einsehen? An welchen Systemen kann er Änderungen vornehmen? Welche Entscheidungen liegen weiterhin bei einem Menschen? Wie schnell kann ein Fehler erkannt und behoben werden?

Ein Agent sollte zunächst nur die Mindestberechtigungen erhalten, die erforderlich sind, um seinen Nutzen unter Beweis zu stellen. Weitere Zugriffsrechte können gewährt werden, sobald die Organisation ein Verständnis dafür entwickelt hat, wie sich der Agent verhält. Wenn man mit weitreichenden Berechtigungen beginnt und erst später versucht, das System einzuschränken, kehrt man die sinnvolle Reihenfolge um.

KI-Agenten entwickeln sich zu praktischen Geschäftswerkzeugen. Ihr kommerzieller Wert wird nicht darin liegen, dass Software überall zum Einsatz kommt. Er wird vielmehr darin liegen, jene wenigen Prozesse zu identifizieren, bei denen begrenzte Autonomie, zuverlässige Informationen und klare Aufsicht zu besseren Ergebnissen führen.