KI-Agenten verändern den Wert von Rollen

Kurzfassung: Agentische Systeme ersetzen selten ganze Stellen. Sie zerlegen Arbeit in maschinell vorbereitete und menschlich verantwortete Teile. Für Führungskräfte zählt deshalb nicht die Autonomie eines KI-Agenten, sondern ob seine Ergebnisse fachlich verwendbar sind und Rollen, Datenquellen, Prüfung und Kundenwirkung sauber zusammenpassen.

KI-Agenten werden oft wie digitale Mitarbeitende beschrieben: Sie nehmen Aufgaben an, nutzen Werkzeuge, schreiben Entwürfe und lösen Folgeschritte aus. Für das Management ist dieses Bild zu grob. Der geschäftlich relevante Wandel liegt im Rollenumbau. Teile einer Tätigkeit wandern zum System: suchen, sortieren, zusammenfassen, vergleichen, entwerfen. Andere Teile gewinnen an Gewicht: prüfen, priorisieren, freigeben, gegenüber Kunden vertreten. Wer KI im Mittelstand oder in größeren Organisationen einführt, entscheidet deshalb nicht nur über Software. Er entscheidet darüber, wo menschliche Wertschöpfung künftig beginnt.

Agenten erben die Grenzen des Modells

Der wichtigste Sachverhalt hinter der aktuellen Debatte ist nüchtern: Agentische Arbeitsabläufe sind nur so belastbar wie das zugrunde liegende Modell und die Informationen, mit denen es arbeitet.

Der technische Bericht zu GPT-4 von OpenAI dokumentiert deutliche Leistungsunterschiede zwischen Modellgenerationen, unter anderem in Prüfungs- und Bewertungsaufgaben. Für das KI-Management folgt daraus: Ein mehrstufiger Ablauf macht aus unsicherer Modellleistung keine verlässliche betriebliche Entscheidung. Wenn ein System eine Anfrage falsch einordnet, eine Ausnahme übersieht oder Kontext verwechselt, kann ein Agentenablauf diesen Fehler über mehrere Schritte weitertragen.

Anthropic beschreibt in „Building Effective Agents“ einen ergänzenden Befund aus der Umsetzungspraxis: Einfache, klar kontrollierte agentische Systeme sind häufig tragfähiger als komplexe Konstruktionen. Mehr Werkzeuge, Schleifen und Zwischenschritte erzeugen nicht automatisch mehr Produktivität. Sie erhöhen auch die Zahl der Stellen, an denen Fehler entstehen oder schwerer nachvollziehbar werden.

SWE-bench liefert dazu einen Realitätsabgleich aus der Softwareentwicklung. Die Untersuchung prüft, ob Sprachmodelle reale GitHub-Probleme lösen können. Solche Aufgaben verlangen den Umgang mit bestehendem Code, Abhängigkeiten, Tests und überprüfbarer Korrektheit. Das ist für Unternehmen relevant, weil viele betriebliche Tätigkeiten ähnlich aufgebaut sind: Sie wirken wie Text- oder Sucharbeit, enthalten aber Preislogiken, Vertragsstände, Sonderregeln, Kundenvorgeschichte oder informelle Zuständigkeiten.

Die Managementeinsicht lautet daher: Der Agent ist keine eigene Leistungsklasse. Er ist eine Ausführungsform, die Arbeitsschritte verbindet. Entscheidend bleibt, ob Modellleistung, Datenbasis und betrieblicher Kontext für die konkrete Aufgabe ausreichen.

Rollen werden nach Wertbeiträgen neu lesbar

Die verbreitete Frage „Welche Jobs ersetzt KI?“ führt in die falsche Richtung. In den meisten Unternehmen verschwinden nicht ganze Rollen. Sie werden anders zusammengesetzt.

Im Vertrieb liegt ein erheblicher Teil der Arbeit im Zusammentragen von Informationen: Kundennotizen, frühere Angebote, E-Mails, Produktdaten, Preislisten, Liefertermine. Ein agentisches System kann diese Vorarbeit übernehmen und daraus einen Angebotsentwurf erstellen. Der Wert der Rolle verschwindet dadurch nicht. Er verlagert sich auf kaufmännische Beurteilung: Ist die Marge tragfähig? Gilt die Sonderkondition wirklich? Ist die Lieferzusage belastbar? Passt der Vorschlag zur Kundenbeziehung?

Im Kundenservice zeigt sich derselbe Umbau. Eine KI-Anwendung kann Anfragen klassifizieren, Wissensartikel vorschlagen und Antworttexte vorbereiten. Die menschliche Leistung liegt dann stärker im Erkennen von Grenzfällen: Ist der Vertrag aktiv? Greift Gewährleistung? Ist Kulanz angemessen? Sollte ein technischer Spezialist eingebunden werden? Darf diese Antwort mit Blick auf Kundenvertrauen und Folgeprozesse versendet werden?

In der Projektabwicklung können Protokolle, E-Mails und Statusmeldungen verdichtet werden. Der Beitrag des Systems besteht nicht darin, Projektverantwortung zu übernehmen. Nützlich ist es, wenn offene Punkte, Terminrisiken und fehlende Entscheidungen früher sichtbar werden. Die Rolle der Projektleitung verlagert sich damit von Sammlung und Formatierung stärker zu Bewertung, Priorisierung und Klärung.

So entsteht ein praktischer Rollenumbau: Routinen der Informationsarbeit werden teilweise maschinell vorbereitet. Verantwortung für Wirkung, Kundenversprechen und wirtschaftliche Entscheidung bleibt bei Menschen, wird aber sichtbarer und anspruchsvoller.

Verwendbarkeit zählt mehr als Autonomie

Viele Agenten wirken überzeugend, weil sie mehrere Schritte ausführen. Für das Betriebsmodell zählt jedoch nicht die Zahl der Schritte, sondern die Verwendbarkeit des Ergebnisses.

Ein Serviceagent erzeugt keinen Nutzen durch viele formulierte Antworten. Produktivität entsteht, wenn Mitarbeitende weniger recherchieren, Standardfälle schneller abschließen und schwierige Fälle zuverlässiger erkennen. Ein Angebotsagent schafft keinen Wert durch ein sauber formatiertes Dokument. Wert entsteht, wenn der Entwurf mit begrenzter Korrektur weiterverwendet wird, fehlende Angaben markiert und die verbindliche Datenquelle nutzt.

Daraus folgt eine andere Wirtschaftlichkeitslogik. Viele KI-Projekte messen Aktivität: erzeugte Texte, zusammengefasste Dokumente, bearbeitete Vorgänge. Für Führungskräfte sind andere Fragen aussagekräftiger: Wie oft wird ein Vorschlag übernommen? Wie viel fachliche Prüfung bleibt? Welche Fehler treten wiederholt auf? Welche Suchzeit entfällt tatsächlich? Verbessern sich Durchlaufzeit, Fehlerquote oder Kundenerlebnis?

Gerade bei KI im Mittelstand ist diese Unterscheidung wichtig. Lizenzkosten oder Modellpreise sind nur ein Teil der Rechnung. Hinzu kommen Einführung, Datenpflege, Schulung, fachliche Kontrolle, Fehlerkorrektur und laufende Anpassung. Ein enger agentischer Ablauf mit hoher Trefferquote kann wirtschaftlich sinnvoller sein als ein breiter Assistent, der viele Vorgänge nur teilweise vorbereitet.

Der bessere Maßstab lautet: Kosten pro verwendbarem Ergebnis. Nicht Kosten pro erzeugtem Text.

Datenklarheit und Anbieterwahl prägen den Rollenumbau

Agenten arbeiten mit dem Material, das ihnen zugänglich ist. Dadurch wird eine alte Führungsfrage operativ: Welche Information gilt?

In der Angebotserstellung ist das sofort geschäftsrelevant. Wenn CRM, ERP-System, Excel-Liste und Produktmanagement unterschiedliche Preise, Lieferzeiten oder Konditionen enthalten, löst ein KI-Agent diesen Widerspruch nicht von selbst. Er kann eine falsche Quelle professionell zusammenfassen und daraus einen plausiblen Entwurf bauen. Das Ergebnis sieht belastbar aus, obwohl die Grundlage nicht stimmt.

Im Service gilt dasselbe. Eine veraltete Wissensdatenbank oder uneinheitliche Kulanzpraxis wird durch KI nicht konsistenter. Das System macht vorhandene Informationen schneller auffindbar, ersetzt aber nicht die Klärung, welche Regel verbindlich ist, wer sie pflegt und wie Abweichungen entschieden werden.

Hinzu kommt die Beschaffungsfrage. Agentische Funktionen erscheinen nicht nur als Spezialsoftware, sondern zunehmend in bestehenden Büro-, CRM-, Service- und Projektplattformen. Dadurch entsteht Nutzung oft schrittweise im Alltag, bevor die Organisation bewusst festgelegt hat, welche Aufgaben das System vorbereiten darf und welche Entscheidungen beim Menschen bleiben.

Bei der Anbieterbewertung reicht deshalb eine Vorführung nicht aus. Entscheidend ist, ob Ergebnisse nachvollziehbar sind, ob Quellen sichtbar bleiben, ob Fachbereiche typische Fehler erkennen, ob Regeln angepasst werden und ob Nutzung, Qualität und Kosten ausgewertet werden. Ebenso wichtig ist die Frage, wie stark sich ein Prozess an eine Plattform bindet und wie aufwendig ein späterer Wechsel wäre.

Für eine Geschäftsführung im KMU ergibt sich daraus eine konkrete Konsequenz: Nicht den eindrucksvollsten Agenten auswählen, sondern einen wiederkehrenden Vorgang bestimmen, bei dem maschinelle Vorarbeit heute nachweisbar verwendbare Ergebnisse liefert. Erst wenn Datenquelle, Prüfaufwand, Rollenbeitrag und Kundenwirkung in diesem Vorgang stimmen, lohnt sich die Skalierung.