Was ist Agentic AI?
Agentic AI (auf Deutsch auch „agentische KI“) bezeichnet KI-Systeme, die nicht nur antworten, sondern eigenständig Ziele verfolgen und mehrstufige Handlungen planen und ausführen.
Der Unterschied von Agentic AI zu klassischen Chatbots liegt genau hier: handeln statt reagieren. Ein Agentic-AI-System erkennt ein Kundenanliegen und verknüpft Informationen aus mehreren Systemen, um eine Entscheidung zu treffen und den Fall abzuschließen. Das kann z. B. die Änderung einer Bestellung, eine Terminbuchung oder eine Vertragsabschließung sein.
"Je mehr Schnittstellen dem KI-Agenten zur Verfügung stehen, um mit der Umgebung des Kunden zu interagieren, desto höher ist das Potenzial, in Zukunft in der Kundenlösung die Anfrage eigenständig für den anfragenden Nutzer zu lösen."
Ein Beispiel aus dem Kundenservice: Eine Kundin ist umgezogen, ihre Bestellung wurde noch nicht verschickt. Sie möchte die Lieferadresse schnell ändern.
- Ein klassischer Chatbot verlinkt die FAQ-Seite zum Thema Adressänderung.
- Eine generative KI mit Wissensdatenbank erklärt verständlich, wie die Adressänderung funktioniert.
- Ein KI-Agent prüft den Bestellstatus im Shopsystem, erkennt, dass die Bestellung noch nicht versendet wurde, fragt die neue Adresse ab, ändert sie im System und bestätigt der Kundin die Änderung – direkt im Chat, ohne Medienbruch.
Das Anliegen ist gelöst, ohne dass ein:e Mitarbeiter:in eingreifen muss. Wie genau das funktioniert, haben wir hier als AI‑Workflow beschrieben.
Agentisch oder generativ? Die wichtigsten Begriffe im Überblick
Die vier Begriffe werden oft synonym verwendet, beschreiben aber unterschiedliche Ebenen:
Der Chatbot verschwindet nicht, er wird zum Interface, über das Kund:innen mit den KI-Agenten interagieren.
Wie funktioniert Agentic AI?
Die agentische KI arbeitet in einem wiederkehrenden Zyklus aus vier Schritten. Dieser Ablauf macht es möglich, komplexe Aufgaben eigenständig und zielgerichtet zu bewältigen:
- Erfassen: Der Agent erfasst das Anliegen inklusive Kontext mithilfe der Daten aus verschiedenen Quellen (z. B. CRM, Wissensbasis, Ticketsystem, Bestellsystem).
- Entscheiden: Das System bewertet die Situation abhängig vom Kontext und plant die nächsten Schritte entsprechend.
- Handeln: Über Integrationen wie APIs, Webhooks oder das Model Context Protocol (MCP) werden Aktionen eigenständig ausgeführt, z.B. eine Bestellung geändert.
- Optimieren: Die Ergebnisse sind die Basis für die weitere Optimierung. Dies erfolgt u.a. anhand von strukturiertem Feedback und definierten Freigabeprozessen.
Entscheidend ist: Der Agent kann nur die Aktionen nutzen, die ihm zur Verfügung gestellt und freigegeben wurden. So bleibt sein Handlungsspielraum jederzeit klar abgegrenzt.
Welche technischen Bausteine werden benötigt?
- Large Language Models (LLMs) liefern Sprachverständnis und Entscheidungslogik.
- Retrieval Augmented Generation (RAG) verankert Antworten in geprüften Unternehmensquellen, auch Grounding genannt: Der Agent antwortet dabei auf Basis der Wissensbasis.
- Integrationen und MCP geben Agenten Zugriff auf Systeme wie CRM, ERP, Shop oder Ticketing. MCP ist ein offener Standard, über den KI-Systeme strukturiert mit externen Tools und Datenquellen kommunizieren.
- Guardrails legen fest, was ein Agent darf und was nicht: welche Quellen er nutzt, welche Themen er meidet, welche Aktionen eine Freigabe brauchen.
- Human Takeover, die menschliche Übergabe, sorgt dafür, dass komplexe oder sensible Fälle mit vollständigem Kontext an Mitarbeiter:innen übergeben werden.
Einsatzbereiche: Wo Agentic AI im Unternehmen wirkt
Im Kundenservice entfaltet Agentic AI den größten Hebel, weil viele Anliegen standardisierte Prozesse sind, die bisher trotzdem manuell bearbeitet werden:
- Bestellstatus und Sendungsverfolgung in Echtzeit abfragen
- Adressen, Bestellungen oder Verträge ändern
- Retouren anlegen und Erstattungen anstoßen
- Termine buchen, verschieben oder stornieren
Für Sales und E-Commerce wird agentische KI vor allem für die individuelle Beratung und den intelligenten Verkauf eingesetzt:
- Produktberatung: Der Agent fragt Bedürfnisse ab, gleicht sie mit dem Sortiment ab und empfiehlt passende Produkte.
- Lead-Qualifizierung: Anfragen werden bewertet, angereichert und direkt ins CRM übertragen.
- Terminvereinbarung: Qualifizierte Leads erhalten sofort einen Beratungstermin im Kalender deines Vertriebsteams.
Im Marketing werden mithilfe der KI Formulare durch dialogbasierte Datenerfassung ersetzt und Kampagnen-Traffic gezielt in Gespräche und Conversions überführt. Besucher:innen werden kontextbezogen und in der passenden Tonalität angesprochen.
Die eigentliche Stärke zeigt sich, wenn spezialisierte Agenten entlang der Customer Journey zusammenarbeiten: Ein Agent berät vor dem Kauf, ein anderer begleitet den Kaufabschluss, ein dritter übernimmt den Post-Sales-Support. Der Kontext bleibt über alle Stationen erhalten, und Kund:innen müssen nichts doppelt erklären.
Warum Agentic AI 2026 über Wettbewerbsfähigkeit entscheidet
Die Erwartungen von Kund:innen haben sich verschoben, denn sie wollen, dass ihr Anliegen sofort gelöst wird, egal zu welcher Zeit und über welchen Kanal. Damit ändert sich auch die entscheidende Kennzahl: Statt der Antwortzeit zählt die Time-to-Resolution, also die Zeit, bis ein Anliegen tatsächlich erledigt ist. Unternehmen, die Agentic AI erfolgreich einsetzen, verschaffen sich dadurch drei Vorteile:
- Skalierung ohne linear wachsendes Team: Saisonale Spitzen und steigendes Anfragevolumen können abgefangen werden, ohne dass der Personalbedarf im gleichen Maß steigt.
- Service und Vertrieb wachsen zusammen: Dieselbe Plattform, die Supportanliegen löst, berät vor dem Kauf und qualifiziert Leads.
- Mehr Zeit für das, was Menschen besser können: Teams konzentrieren sich auf beratungsintensive, komplexe und emotionale Anliegen.
Ein Vorsprung wird durch die Qualität der Umsetzung entschieden. Genau hier scheitern jedoch viele Projekte: hohe Implementierungs- und Pflegekosten, ein unklarer Geschäftswert oder unzureichende Risikokontrollen sind klassische Hürden bei der KI‑Einführung. Hinzu kommt der regulatorische Rahmen: Der EU AI Act verpflichtet Unternehmen je nach Risikoklasse ihrer KI-Systeme zu unterschiedlichen Maßnahmen, im Kundenkontakt etwa dazu, transparent zu machen, dass Nutzer:innen mit einer KI interagieren (mehr dazu in unserem Artikel zum EU AI Act).
Die drei häufigsten Hürden und wie du sie löst:
Hürde 1: Kontrollverlust
Agentic AI im Unternehmen bedeutet nicht, die KI unkontrolliert handeln zu lassen, sondern ihr einen klar abgesteckten Handlungsspielraum zu geben. Guardrails, Quellensteuerung und Eskalationsregeln sollten von Beginn an Teil der Architektur sein und nicht nachträglich aufgesetzt werden. Damit legst du Tonalität und erlaubte Aktionen fest, per Monitoring wird jede Interaktion nachvollziehbar und auswertbar. Sensible Aktionen, etwa Erstattungen ab einem bestimmten Betrag, laufen über eine menschliche Freigabe. Alles Wichtige dazu haben wir in unserem Artikel zu Guardrails zusammengefasst.
Hürde 2: Fehlende Akzeptanz im Team
Mit der Zunahme von KI-Lösungen wächst bei vielen Mitarbeiter:innen die Sorge, dass Arbeitsplätze wegfallen. Kommuniziere deshalb von Beginn an klar, für welchen Use Case und mit welchen Auswirkungen agentische KI eingeführt wird. Agentic AI übernimmt vor allem repetitive Aufgaben, damit dein Team mehr Zeit für komplexe, beratungsintensive Fälle hat. Das Prinzip heißt Mensch und KI, nicht Mensch gegen KI.
Hürde 3: Datenqualität und fragmentiertes Wissen
Viele Unternehmen unterschätzen, wie viel Aufwand in der Aufbereitung der Wissensbasis steckt, bevor ein Agentic-AI-System über alle Kanäle hinweg zuverlässig entscheiden kann. Uneinheitliche oder veraltete Informationen in CRM, Produktdatenbank oder Support-Doku sind einer der häufigsten Gründe, warum Automatisierungsraten in der Pilotphase niedrig bleiben.
6 Kriterien: Woran du eine echte Agentic-AI-Plattform erkennst
Die folgenden Kriterien helfen dir, Anbieter strukturiert zu vergleichen und zu erkennen, ob eine Lösung echte agentische Fähigkeiten bietet oder ob es sich um sogenanntes Agent Washing handelt (s. Gartner). Darunter versteht man, dass einfache Chatbots oder Automatisierungen als AI-Agents bezeichnet werden, ohne die entsprechenden Fähigkeiten zu besitzen. Welche Kriterien für dich am schwersten wiegen, hängt von deinen Use Cases, Kanälen und deiner Systemlandschaft ab.
- Grad der echten Agentic-Fähigkeit: Kann das System nur Antworten generieren, oder auch Ziele verstehen, Schritte planen und Aktionen in Backend-Systemen ausführen? Das ist der zentrale Unterschied zwischen Agent Washing und echter Agentic AI.
- End-to-End-Automatisierung: Wie viele Anliegen werden tatsächlich vollständig gelöst? Eine reine Weiterleitung oder FAQ-Beantwortung reicht nicht aus.
- Integration in bestehende Systeme: Ein Agent ist nur so gut wie seine Anbindung. Fertige Integrationen für CRM- und Ticketsysteme, flexible Webhooks und APIs sowie die Unterstützung offener Standards wie MCP sind essenziell. No-Code-Integrationen wie bei moinAI senken den Entwicklungsaufwand.
- DSGVO und Governance: Hosting- und Verarbeitungsort sollten als Standard in Europa liegen und die Datenschutzanforderungen erfüllt sein. Eine umfassende Kontrolle der autonomen Agenten ist unabkömmlich, denn ohne Guardrails und Berechtigungskonzept ist Agentic AI im Unternehmenskontext nicht sicher einsetzbar.
- Enterprise-Reife und Skalierbarkeit: Lässt sich die KI für den gewünschten Use Case im Unternehmen skalieren? Zuverlässigkeit, Monitoring, Testing und Versionsmanagement sind entscheidend für eine passende agentische Lösung.
- Qualität des Human Takeover: Ein gutes System erkennt, wann es nicht weiterkommt, und übergibt Kontext, Gesprächshistorie und bereits erhobene Informationen sauber an einen menschlichen Agenten.
Der Fahrplan: Agentic AI im Unternehmen einführen
Phase 1: Use Cases identifizieren
Analysiere deine Anfragen: Welche Anliegen kommen häufig vor und folgen einem klaren Ablauf? Typische Kandidaten sind Bestellstatus, Terminbuchungen, Adressänderungen oder Lead-Qualifizierung. Starte mit zwei bis drei Use Cases mit hohem Volumen und überschaubarem Risiko.
Phase 2: Ziele und KPIs festlegen
Was soll die KI entlang der Customer Journey konkret lösen: mehr qualifizierte Leads, kürzere Lösungszeiten, ein geringeres Anfragevolumen im Service? Definiere vorab, woran du Erfolg misst, zum Beispiel an Automatisierungsquote, Time-to-Resolution, Kundenzufriedenheit (CSAT) oder Conversion-Rate.
Phase 3: Wissensbasis konsolidieren
Bevor die KI live geht, müssen Inhalte aus Produktseiten, Support-Dokumentation, FAQs und internen Systemen an einem Ort zusammengeführt und aktuell gehalten werden. Kläre zudem Datenschutz- und Compliance-Anforderungen und lege fest, welche Systeme der Agent anbinden soll. Definiere verbindlich, welche Themen der Agent eigenständig lösen darf und wann ein Fall an einen Menschen übergeben wird.
Phase 4: Pilotieren und testen
Setze die ersten Agenten in einem begrenzten Rahmen live, etwa auf einer bestimmten Seite oder für einen Kanal. Der Modus: klein starten, schnell lernen. Ein Basis-Agent für die häufigsten Anliegen ist oft schon nach wenigen Tagen testbereit. Bei moinAI-Kund:innen liegt die Zeit bis zum ersten Go-Live typischerweise bei rund vier Wochen; weitere Rollouts, etwa in Tochtergesellschaften, gelingen deutlich schneller.
Phase 5: Skalieren
Automatisierungsraten steigen typischerweise über Monate. Wenn die ersten Use Cases stabil laufen, kannst du weitere Prozesse und zusätzliche Kanäle abdecken sowie spezialisierte Agenten aufsetzen. Die automatische Erkennung von Wissenslücken (bei moinAI über die Funktion „Dreaming“) reduziert dabei den manuellen Pflegeaufwand.
Praxisbeispiele: So entwickeln sich Automatisierungsraten
Ein Blick auf reale moinAI-Kundenprojekte zeigt, wie sich Automatisierungsraten über Zeit entwickeln. Der gemeinsame Nenner: Keiner dieser Werte wurde am ersten Tag erreicht, sondern durch kontinuierliche Weiterentwicklung und Optimierungen:
- ImmoScout24: Die Automatisierungsquote ist innerhalb von rund zwei Jahren von etwa 20 % auf ca. 75 % gestiegen, bei rund 300.000 Konversationen im Jahr. Langfristiges Ziel: über 90 %. → Zur Case Study
- Teleboy: Gestartet bei rund 53 %, liegt die durchschnittliche Automatisierungsquote heute bei 75 %. Allein 2024 wurden dadurch rund 2.588 Support-Stunden bzw. 288 Arbeitstage eingespart. → Zur Case Study
- Wollenhaupt: Seit dem Livegang Anfang 2026 bereits 78 % Automatisierungsquote bei unter drei Stunden Pflegeaufwand pro Woche. → Zur Case Study
zu den Lösungen von moinAI
Dos und Don’ts der KI-Adoption
Was funktioniert:
- Früh einbinden: Mitarbeiter:innen aus Marketing, Sales und Service von Anfang an beteiligen, damit Akzeptanz und Verständnis entstehen.
- Fokussiert starten: Mit einem klar abgegrenzten Anwendungsfall beginnen, statt sofort die komplette Journey zu automatisieren.
- Leitplanken zuerst: Guardrails und Eskalationswege ab Tag eins definieren, nicht nachträglich.
- Erfolge sichtbar machen: Fortschritt anhand konkreter KPIs messen und intern kommunizieren.
Was scheitert:
- Zu groß starten: Wer alles auf einmal automatisieren will, verliert den Überblick.
- Wissensbasis vernachlässigen: Veraltete Inhalte führen zu falschen Antworten.
- Keine Übergabe an Menschen: Kund:innen hängen in Schleifen fest, und die Frustration steigt.
- Autonomie ohne Kontrolle: Ohne klare Guardrails wird Agentic AI zum Risiko statt zum Vorteil.
Fazit
KI-Adoption gelingt nicht durch die "intelligenteste" KI, sondern durch eine kontrollierte, schrittweise Einführung: klare Ziele, eine saubere Wissensbasis, definierte Guardrails, tiefe Systemintegration und aktives Change Management. Der Wettbewerbsvorteil entsteht dort, wo Unternehmen Anliegen nicht mehr nur beantworten, sondern lösen und jederzeit die Kontrolle behalten.
moinAI ist die KI-Plattform für Kundenservice, Marketing und Sales, entwickelt und gehostet in Deutschland. Mit über 11 Jahren KI-Erfahrung und mehr als 170 Kund:innen unterstützen wir Unternehmen dabei, Agentic AI sicher und steuerbar einzusetzen.
