Die drei Kernunterschiede zum Chatbot
Ein klassischer Chatbot ist reaktiv: er antwortet auf Nutzerfragen. Ein KI-Agent ist proaktiv und werkzeugfähig: er kann Mails senden, Datenbanken aktualisieren, APIs aufrufen, Entscheidungen protokollieren, eskalieren. Der zweite Unterschied ist Autonomie: der Agent trifft innerhalb eines definierten Rahmens selbstständig Entscheidungen. Der dritte Unterschied ist Gedächtnis und Kontext: ein Agent kennt den Vorgang über mehrere Schritte hinweg, ein Chatbot beginnt meist bei jeder Interaktion neu. In der Schweizer KMU-Praxis 2026 ist das der entscheidende Schritt: ein Treuhand-Agent erinnert sich an die Mandanten-Historie, ein Immobilien-Agent kennt die Objekt-Pipeline, ein Versicherungs-Agent verfolgt einen Schadensfall vom Eingang bis zur Auszahlung.
Bestandteile eines produktiven KI-Agenten
Ein produktiver Agent besteht aus sechs Elementen: (1) dem Sprachmodell (z.B. Claude Opus 4.7, GPT-5, Apertus 70B), (2) einer Rollendefinition (System-Prompt mit klaren Aufgaben und Grenzen), (3) Werkzeug-Anbindungen (die APIs und Systeme, mit denen er arbeiten darf), (4) einem Gedächtnis-Mechanismus (für Kontext über Interaktionen hinweg — meist Vector-Store + strukturiertes Gedächtnis), (5) einer Eskalations-Logik (wann übergibt er an Menschen?) und (6) einem Audit-Trail (jede Aktion wird protokolliert, revidierbar gemacht). Stand Mai 2026 setzen die meisten produktiven Schweizer Agenten auf eine Kombination aus Claude für komplexes Reasoning und kleineren Modellen (Apertus 8B, Mistral, lokale Llama-Varianten) für deterministische Teilaufgaben.
Wann ein KI-Agent sinnvoll ist
Agenten machen Sinn bei Prozessen mit Kontext-Entscheidungen: ein klassisches Automatisierungs-Tool versagt, sobald eine Mail unstrukturiert ankommt, ein PDF anders aussieht als erwartet oder eine Anfrage Fachwissen zur Einordnung braucht. Für triviale API-zu-API-Flows ist ein Agent Overkill — dort genügt Zapier, Make oder n8n. Für Prozesse mit unstrukturierten Eingaben oder Bewertungs-Entscheidungen sind Agenten die passende Technologie. Die Faustregel: Wenn ein Mensch 30 Sekunden zum Lesen und Verstehen braucht, bevor er entscheidet, ist es ein Agent-Fall. Wenn es nur Klicks sind, reicht RPA.
Typische Agent-Muster in Schweizer KMU 2026
Im Schweizer KMU-Umfeld (20–500 MA) sind fünf Agent-Muster besonders produktiv: Offerten-Agent (erstellt Angebote aus Anfragen), Belegerfassungs-Agent (extrahiert und kontiert), Support-Triage-Agent (klassifiziert und routet), Terminvereinbarungs-Agent (koordiniert Kalender), und Daten-Extraktions-Agent (liest PDFs und strukturiert Informationen). Alle fünf lassen sich DSG-konform mit CH-Stack umsetzen. Neu in 2026: Voice-Agenten für Lead-Qualifizierung und Erst-Beratung, basierend auf gpt-realtime-2 oder vergleichbaren WebRTC-fähigen Modellen.
Was ein KI-Agent NICHT ist
Ein KI-Agent ist kein autonomes System ohne Kontrolle. Er ist kein Black-Box-Orakel. Er ist nicht ein One-Click-Wunder, das ohne Setup funktioniert. Jeder produktive Agent braucht: einen klaren Auftrag, eine definierte Daten-Grundlage, eine Eskalations-Regel, einen Audit-Trail und einen Verantwortlichen im Unternehmen, der ihn betreut. Wer sich einen Agent als Plug-and-Play vorstellt, verwechselt ihn mit einer SaaS-App. Agenten sind digitale Mitarbeitende — und Mitarbeitende brauchen Onboarding, Feedback und Führung.
Kosten und Time-to-Production
Ein produktiver KI-Agent für einen klar abgegrenzten Use-Case kostet zwischen 8'000 und 35'000 CHF Initialaufwand, je nach Komplexität der Integration. Time-to-Production: 14–28 Tage bei klar definiertem Scope. Laufende Modellkosten: 50–500 CHF/Monat für KMU-typische Volumina (10'000–50'000 Anfragen). Wartungs- und Monitoring-Retainer: typischerweise 800–2'500 CHF/Monat. Der ROI tritt meist binnen 3–6 Monaten ein, weil ein einzelner Agent oft 1–2 FTE-Äquivalent an Routinearbeit ablöst.
DSG-Aspekte beim Agent-Einsatz
Ein KI-Agent, der personenbezogene Daten verarbeitet, fällt unter das revidierte Datenschutzgesetz (revDSG). Wichtigste Punkte: Auftragsbearbeitungsvertrag (DPA) mit dem Modell-Anbieter, dokumentierte Zweckbindung, Transparenz gegenüber betroffenen Personen, technische und organisatorische Massnahmen, und das Recht auf manuelle Überprüfung automatisierter Entscheidungen. Bei besonders schützenswerten Daten (Gesundheit, Religion, Sexualität) gelten strengere Anforderungen. TYTOS-Agenten werden grundsätzlich mit DSG-konformer Architektur gebaut: EU-Hosting oder Schweizer Stack, Datenminimierung, Audit-Trail.