Ein Agent ist kein Chatbot. Er ist ein digitaler Kollege mit klar beschriebener Aufgabe.
Wir bauen einen Agenten, der ein Dokument lesen, nach Ihren Regeln entscheiden und überall dort an einen Menschen übergeben kann, wo Urteilsvermögen gefragt ist. Das funktioniert aber nur dann, wenn er eine exakt definierte Rolle, einen Input, einen Output und Leitplanken hat. Genau das tun wir — und hier zeigen wir, wie.
Was ein KI-Agent eigentlich ist — und worin er sich von gewöhnlicher Automatisierung unterscheidet
Automatisierung fährt auf einem festen Gleis: Kommt X, mach Y. Großartig für das, was sich nie ändert. Ein Agent bekommt ein Ziel und einen Kontext und entscheidet selbst, welche Schritte dorthin führen — er liest ein Dokument, findet Ähnlichkeiten, führt ein Gespräch, und wenn er an seine Grenzen stößt, eskaliert er an einen Menschen. Das ist der Unterschied zwischen einem Skript und einem digitalen Kollegen.
Automatisierung = festes Gleis
Fester Ablauf, keine Entscheidungen. Kommt eine Rechnung im erwarteten Format, wird sie ins System übertragen. Zuverlässig, günstig, aber blind für die Ausnahme. Ein anderes Layout genügt, und sie steht still.
Agent = Ziel plus Urteilsvermögen
Wir sagen ihm „lege aus dieser Bestellung Positionen im ERP an", und er kommt auch damit zurecht, dass jeder Kunde seine Mail anders schreibt. Er versteht den Inhalt, nicht nur das Format. Unser E-Mail-to-Order-Agent liest kein Formular — er versteht die Bestellung.
Warum das für Entscheider zählt
Ein Agent bewältigt Prozesse, bei denen früher ein Mensch sitzen musste, weil es um Urteilsvermögen über Texte und Dokumente ging. Genau diese teure, zermürbende Routine ließ sich nicht „skripten" — und genau hier gehen heute Zeit und Know-how verloren.
Das ist keine Magie, das ist Ingenieurskunst
Ein Agent funktioniert nur dann zuverlässig, wenn er einen handwerklich gebauten Rahmen hat: Rolle, Inputs, Outputs, Regeln, Anbindung und Metriken. Ohne das ist es eine effektvolle Demo, die im scharfen Betrieb abstürzt. Wir bauen das Erstere.
Woraus ein zuverlässiger Agent besteht — Schritt für Schritt
Das ist der Kern der gesamten Arbeit. Ein Agent ist kein einzelnes „cleveres Modell", sondern ein System aus klar beschriebenen Bestandteilen. Lassen Sie auch nur einen davon weg, und der Agent läuft Ihnen langfristig nicht — deshalb ist es keine günstige Arbeit, sondern ein Projekt mit Gewicht. So bauen wir ihn.
Rolle — was er tut und was er NICHT tut
Zuerst beschreiben wir den Prozess und seine Abhängigkeiten genau, dann die Rolle des Agenten. „Lade die Hauptposition, lies das Schriftfeld und die Stückliste, lege die Komponentenstruktur an." Und genauso wichtig: was er nicht tun soll. Die Grenze der Rolle ist die halbe Zuverlässigkeit.
Input und Output in jedem Schritt
Was der Agent bekommt (PDF-Zeichnung, E-Mail, Anfrage) und was er genau zurückgibt (Zeilen ins ERP, Antwort-Draft, CSV zum Import). Klarer Input und Output bedeuten, dass sich das Ergebnis prüfen und messen lässt — nicht nur „irgendwie läuft es".
Regeln und Leitplanken — darf / darf nicht
Wozu der Agent befugt ist, es selbst zu tun, und wo er anhalten muss. Leitplanken sind keine zusätzliche Einschränkung, sie sind die Gleise, auf denen man dem Agenten vertrauen kann. Ohne sie geben Sie einem Agenten niemals Zugriff auf das scharfe ERP.
Werkzeuge und Integrationen — die Hände des Agenten
Ein Agent ergibt nur Sinn, wenn er an die Realität der Firma angebunden ist. Wir binden ihn an ERP (K2, Helios, Business Central), SharePoint, M365, CRM, PDM/CAD, E-Mail, WhatsApp an — über API und über RPA dort, wo es keine API gibt. Eine zentrale Datenschicht als Nervensystem, über dem die Agenten arbeiten.
Gedächtnis und Kontext — RAG
Damit der Agent über Firmendaten antwortet, konsolidieren wir Dokumente aus ERP/SharePoint/DMS/NAS in eine Vektordatenbank (Qdrant, Weaviate, pgvector). Eingescannte und PDF-Dokumente durchlaufen OCR (ABBYY, Tesseract). Der Agent antwortet dann aus dem Kontext der Firma — und immer mit Quelle.
Human-in-the-loop — wo der Mensch entscheidet
Der Agent empfiehlt, der Mensch genehmigt. Wir definieren die genauen Punkte, an denen die Arbeit übergeben wird: Der Technologe ergänzt das, was nur er aus der Zeichnung sieht; die Unterschrift macht ein Mensch, keine Maschine. Das ist der Unterschied zwischen einem vertrauenswürdigen Werkzeug und einer Black Box.
Metriken — wonach ausgewertet wird
Fehlerquote, Reaktionszeit, wie viel Arbeit er einspart, wie die Adoption wächst. Ein Agent wird nicht ausgerollt und vergessen — er wird ausgewertet und nachjustiert. Ohne Baseline und Definition des Nutzens bauen wir keinen Agenten.
Governance und Sicherheit von Anfang an
Regeln, was in die KI darf und was nicht (KI-Ampel), wer der Eigentümer ist, wie auf Daten zugegriffen wird. Für sensible Daten private KI auf eigener Infrastruktur (on-prem, lokales Llama/LLaVA, NVIDIA-Stack). Sicherheit ist Teil des Entwurfs, kein Anhängsel am Ende.
Was der Agent nicht tut: Er sendet ohne Freigabe nichts aus dem Unternehmen. Er löscht keine Daten. Er entscheidet nicht über Geld — die Freigabe bleibt bei den Menschen. Er lernt nicht auf Ihren Daten für irgendjemand anderen.
Technologie unter der Haube
Was Agenten in unserer Praxis real können
Das sind keine abstrakten Kategorien aus einer Präsentation. Jeden Typ haben wir in einem realen Projekt gebaut. Modell und Werkzeug wählen wir nach Aufgabe und Datensensibilität — Claude, GPT, Gemini, Copilot, Azure OpenAI oder ein lokales Modell — nicht nach Mode.
Lese- / Extraktionsagent
Liest eine PDF-Zeichnung, das Schriftfeld, die Stückliste, eine Rechnung, einen Vertrag und extrahiert daraus strukturierte Daten. Die Basis sowohl für den Maschinenbau als auch für das Auslesen von Anhängen.
E-Mail-Agent
Die Bestellung kommt per Mail, der Agent extrahiert daraus die Positionen und legt sie im ERP an — statt manuellem Abtippen Position für Position. Er beherrscht auch Antwort-Drafts auf wiederkehrende Anfragen.
Wissens- / RAG-Agent
Antwortet über der Firmendokumentation in natürlicher Sprache und zeigt immer die Quelle. Service-Know-how, das früher mit den Technikern abwanderte, bleibt in der Firma.
Prozessagent
Aus dem Protokoll einer Besprechung macht er Aufgaben und Eskalationen. Ein Self-Service-Skill, den jeder Mitarbeiter selbst startet, nicht nur die IT.
Reporting-Agent
Daten aus dem ERP oder dem Data Warehouse in natürlicher Sprache. Statt sich durch Exporte zu klicken, fragt der Vertriebsmitarbeiter und bekommt eine gefilterte Antwort.
Kommunikationsagent / Chatbot
Web, WhatsApp, 24/7. Bearbeitet eine Anfrage, filtert die Post, beantwortet eine wiederkehrende Frage und schickt den Rest an einen Menschen.
Wie wir einen Agenten bauen, dem man vertrauen kann
Zuverlässigkeit ist kein Versprechen, sie ist eine Arbeitsweise. Ein ehrlicher Agent kann „das weiß ich nicht" sagen und kann „das überlasse ich einem Menschen" sagen. Bestimmen zu können, wo man die Maschine einsetzt und wo man den Menschen lässt, ist für sich genommen eine Expertise, die Geld kostet — und der häufigste Grund, warum günstige Lösungen im Betrieb scheitern.
Antwort immer mit Quelle
Der RAG-Agent antwortet nicht „aus dem Kopf". Zu jeder Antwort zeigt er, aus welcher Preisliste, Zeichnung oder welchem Dokument er schöpft. Die Firma sieht, woher die Antwort stammt — und das ist der Schlüssel zum Vertrauen, keine Dekoration.
Bewusstes Zurückweichen dort, wo OCR es nicht schafft
Beim Maschinenbau haben wir uns entschieden, keine Maße aus komplexen Zeichnungen zu lesen — OCR ist dort unzuverlässig. Wir lesen nur das Schriftfeld und die Stückliste, wo die Erkennung zuverlässig ist. Den Rest ergänzt der Mensch. Zu wissen, was man dem Agenten nicht anvertraut, ist Teil des Handwerks.
Dokumenten-Audit vor der Bepreisung
Bevor Enter IT irgendetwas bepreist, gehen wir 5–10 reale PDFs durch und prüfen, ob verschiedene Abnehmer unterschiedliche Schriftfeld-Layouts haben. Davon hängen Zuverlässigkeit und Preis ab. Keine Versprechen ins Blaue hinein.
Der Mensch bei der Entscheidung, nicht bei der Routine
Der Agent übernimmt das Abtippen und Anlegen, der Mensch behält das Urteilsvermögen und die Genehmigung. Das ist kein Kompromiss — das ist der Entwurf, der in regulierten Branchen (Energiewirtschaft, Produktion, sensible Verträge) den KI-Einsatz überhaupt erst ermöglicht.
Was ein Agent misst und wie wir ihn langfristig betreuen
Ein Agent wird ausgerollt, vor allem aber wird er ausgewertet und nachjustiert. Ohne Baseline und Definition des Nutzens bauen wir hier keinen — das unterscheidet ein ernsthaftes Projekt von einer kleinen Demo. Und wir übergeben ihn nicht und verschwinden: Betrieb und langfristige Betreuung sind Teil der Vereinbarung.
Was jeder Agent misst
Reaktionszeit und Zeit des gesamten Prozesses, Fehlerquote und Rework, wie viel Arbeit er real einspart, wie die Adoption wächst. Zahlen, keine Gefühle — gegen den gemessenen Ausgangswert vor dem Einsatz.
Typische Amortisation 3–12 Monate
Wir bauen so, dass der Ertrag auch die weitere Entwicklung deckt. Ein Agent ist kein einmaliges Spielzeug, sondern eine langfristig betreute Schicht der Firma, die sich im Betrieb verbessert.
Betrieb und Feintuning, nicht Übergabe und Tschüss
Wir beobachten, wo der Agent Fehler macht, ergänzen Regeln, erweitern den Umfang. Pilot bei einem Abnehmer mit erprobter Logik, dann Ausweitung dort, wo es sich rechnet.
Die Daten bleiben bei der Firma
Verschlüsselte Übertragung und Speicherung, DSGVO und tschechische Gesetzgebung, On-prem-Option für sensible Daten. Governance und Sicherheitsrahmen laufen vom ersten Tag an, nicht als Flicken am Ende.
TPV-Agent im ERP Helios — Maschinenbau- und Konstruktionsfirma
Der Schmerz, den wir gelöst haben
Die technologische Produktionsvorbereitung bedeutete täglich Stunden an Routine. Ein Auftrag kam herein, im ERP nur die Hauptposition des Projekts mit hochgeladenen Daten (PDF + DWG + DXF). Der Technologe lud dann bei jedem Teil manuell das PDF herunter, legte danach in Helios die Komponentenpositionen an, erstellte die Positionsstruktur, speicherte zu jeder Position die Zeichnung und ergänzte den technologischen Ablauf und die Zeitnorm. Immer wieder sehr ähnliche Positionen — wöchentlich 15–25 Baugruppen, also 70–120 Positionen, alles tippt und legt ein Mensch an.
Eingangs-Audit statt Versprechen
Bevor wir irgendetwas bepreist haben, gingen wir 5–10 reale Zeichnungen durch und prüften, ob verschiedene Abnehmer unterschiedliche Layouts der Schriftfelder haben. Davon hängen Zuverlässigkeit und Preis ab. Den Piloten haben wir bewusst auf einem Hauptabnehmer aufgebaut — dasselbe Schriftfeld bedeutet höhere Lesezuverlässigkeit.
Bewusste Entscheidung, was wir dem Agenten NICHT anvertrauen
Wir haben uns entschieden, keine Maße aus komplexen Zeichnungen zu lesen — OCR ist dort unzuverlässig. Der Agent liest nur das Schriftfeld und die Stückliste (Bezeichnung, Zeichnungsnummer, Stahlgüte, Gewicht), wo die Erkennung zuverlässig ist. Diese Grenze ist für sich genommen eine Expertise: Sie hält den Unterschied zwischen einer funktionierenden und einer nicht funktionierenden Lösung.
Was der Agent selbst tut
Er lädt das PDF der Hauptposition, liest das Schriftfeld und die Stückliste, findet anhand der Stückliste bereits existierende ähnliche Positionen im ERP und legt die Komponentenstruktur an — einschließlich der Übernahme des technologischen Ablaufs und der Zeitnorm von der ursprünglichen ähnlichen Position. Die Ähnlichkeit sucht er anhand der Felder auf der Stammkarte und der Metadaten aus dem Formular.
Human-in-the-loop bei dem, was nur der Mensch sieht
Dort, wo Daten in der Zeichnung maschinell nicht lesbar sind (Anzahl der Biegungen, Blechdicke), öffnet sich ein Dialog mit PDF-Vorschau und einem Zahlenfeld. Der Technologe ergänzt den Wert aus der Zeichnung. Die ergänzten Metadaten werden in einer CSV gesammelt und per Import wird in Helios automatisch die Positionsstruktur angelegt. Der Agent empfiehlt und legt an, der Technologe prüft und ergänzt das Urteilsvermögen.
Anbindung und Phasierung
Der Agent steht auf dem ERP Helios (über API gemäß der Wiki-Dokumentation), liest PDF/DWG/DXF-Zeichnungen, nutzt OCR auf Schriftfeld und Stückliste sowie CSV-Import ins ERP. Wir haben es in zwei Phasen aufgeteilt: zuerst die gefertigten Positionen, in der zweiten Phase die zugekauften und normierten Teile — mit der Möglichkeit der Erweiterung bis hin zur Bepreisung.
Das Ergebnis
Von Stunden routinemäßigen Abtippens bei 70–120 Positionen wöchentlich zu einem Agenten, der die Struktur anlegt und die Normen überträgt. Der Technologe prüft und ergänzt nur noch das, was wirklich menschliches Urteilsvermögen erfordert. Der Pilot läuft auf einem Hauptabnehmer mit erprobter Logik und Raum für Erweiterung. Das Konkurrenzangebot für denselben Use Case war zudem teurer.
Haben Sie einen Prozess, der Menschen Zeit raubt?
Sagen Sie uns, was bei Ihnen immer wieder von Hand gemacht wird. Wir entwerfen eine Lösung und rechnen aus, wie viel sie zurückbringt.