Wann Sie keinen KI-Agenten brauchen – und was stattdessen funktioniert

Die Idee klingt verlockend: Ein KI-Agent, der selbstständig Aufgaben erledigt, Daten abruft und Entscheidungen trifft. Doch für die meisten B2B-SaaS-Unternehmen ist dieses Versprechen ein teures und unnötiges Unterfangen. Ein Fallbeispiel zeigt, warum oft schon ein präziser Prompt ausreicht – und wie Sie Agenten-Pitches richtig einordnen.

Was einen KI-Agenten überhaupt ausmacht

Marketingbegriffe verschleiern oft, was ein KI-Agent wirklich ist. Im Kern besteht er aus drei zentralen Komponenten, die eine klassische LLM-Abfrage erweitern:

• Tools: Die Fähigkeit, externe Funktionen aufzurufen – etwa Datenbankabfragen, Dateioperationen oder API-Aufrufe.
• Speicher (Memory): Der Agent behält den Kontext über mehrere LLM-Aufrufe hinweg bei, um eine Aufgabe schrittweise zu bearbeiten.
• Autonomie: Das Modell entscheidet selbst, welcher Schritt als Nächstes ausgeführt wird, statt einer vordefinierten Logik zu folgen.

Die Autonomie ist der entscheidende Unterschied zu herkömmlichen Systemen wie Retrieval-Augmented Generation (RAG). Während RAG in einem festen Ablauf Daten abruft und eine Antwort generiert, kann ein Agent dynamisch zwischen verschiedenen Aktionen wählen: weitere Recherche, Tool-Nutzung, Rückfragen an den Nutzer oder abschließende Antwort. Diese Flexibilität hat jedoch ihren Preis.

Der entscheidende Test: Brauchen Sie wirklich einen Agenten?

Die meisten vermeintlichen Use Cases für KI-Agenten lassen sich mit einfacheren Mitteln lösen. Sapota empfiehlt ein dreistufiges Prüfverfahren, um unnötige Komplexität zu vermeiden:

1. Einzelner Prompt reicht aus?

Wenn eine einzige, gut formulierte Prompt-Anweisung die Aufgabe erledigen kann, ist ein Agent überflüssig. Ein Beispiel: Ein Kundensupport-Chatbot, der häufige Fragen wie „Wie lade ich meine Rechnung als PDF herunter?“ beantwortet. Hier genügt eine präzise Antwort im Prompt, um 80 % der Anfragen automatisiert zu bearbeiten.

1. Feste Pipeline (RAG) ausreichend?

Falls der erste Schritt nicht ausreicht, prüfen Sie, ob ein zweistufiger Prozess – etwa Datenabruf gefolgt von Antwortgenerierung – die Aufgabe löst. Nur wenn auch das nicht funktioniert, sollte ein Agent in Betracht gezogen werden.

1. Echte Entscheidungsfreiheit notwendig?

Oft steckt hinter dem Wunsch nach einem Agenten lediglich Unsicherheit über die optimale Abfolge von Schritten. In solchen Fällen hilft es, den Prozess manuell zu definieren – statt ihn der KI zu überlassen. Die vermeintliche „Intelligenz“ eines Agenten ist kein Ersatz für klare Logik.

Erst wenn alle drei Fragen mit „Ja“ beantwortet werden, ist ein Agenten-System gerechtfertigt. Laut Sapota trifft dies jedoch nur auf etwa 30 % der Fälle zu – die restlichen 70 % lassen sich mit einfacheren Lösungen umsetzen.

Ein konkretes Beispiel: Vom Agenten-Pitch zur effizienten Lösung

Ein SaaS-Gründer wurde von seinem CTO mit einem Agenten-Plan konfrontiert: 18 Agenten, ein Planungs-LLM, ein Ausführungs-LLM, ein Kritik-LLM, sechs Monate Entwicklungszeit und eine Verfünffachung der Modellkosten. Das bestehende Produkt war ein Chatbot, der FAQs zur Rechnungsverwaltung beantwortete. Rund 80 % der Anfragen betrafen die PDF-Export-Funktion, 20 % wurden an menschliche Mitarbeiter weitergeleitet.

Die Lösung war denkbar einfach: Ein zusätzlicher Satz im Prompt reichte aus, um 80 % der Anfragen zu bearbeiten:

Wenn der Nutzer nach dem Export seiner Rechnung fragt, antworte:
„Gehen Sie zu Einstellungen → Abrechnung → Export. Wählen Sie das PDF-Format und den gewünschten Zeitraum aus.“
Frage anschließend, ob weitere Hilfe benötigt wird.

Die verbleibenden 20 % der Anfragen teilten sich in zwei Kategorien auf:

• 12 % erforderten einen Datenbankzugriff, um kundenspezifische Informationen abzurufen.
• 8 % waren seltene Edge Cases, die ohnehin an menschliche Mitarbeiter hätten weitergeleitet werden sollen.

Die optimale Architektur bestand somit aus:

• Einem Chatbot mit präzisem Prompt
• Einem einzigen Tool für den Datenbankzugriff
• Einem Fallback für menschliche Unterstützung

Die Umsetzung dauerte zwei Tage, die Kosten pro Abfrage blieben unter 0,005 $. Der ursprüngliche Agenten-Plan hätte dagegen 0,05 $ pro Abfrage und sechs Monate Entwicklungszeit erfordert.

Wann KI-Agenten tatsächlich sinnvoll sind

Nicht alle Use Cases sind mit einfachen Prompts oder RAG-Pipelines lösbar. Sapota identifiziert drei Szenarien, in denen Agenten ihre Stärken ausspielen:

• Mehrstufige Entscheidungsprozesse:

Wenn jede Aktion von den vorherigen Ergebnissen abhängt, lohnt sich ein Agent. Beispiele:

• Forschungssynthese: Die nächste Suche basiert auf den Ergebnissen der vorherigen.
• Code-Refaktorierung: Jede Änderung beeinflusst die nächsten Schritte.
• Kundensupport-Triage: Die Routing-Entscheidung hängt von Daten aus mehreren Systemen ab.

• Koordinierung mehrerer Tools:

Ein einzelner Tool-Aufruf macht noch keinen Agenten aus. Erst wenn das Modell zwischen drei und sieben Tools wählt und deren Ergebnisse kombiniert, wird der Aufwand gerechtfertigt. Beispiele:

• Support-Systeme, die CRM, Wissensdatenbank, Abrechnungssystem und Versandtracker nutzen.
• Vertriebsrecherche, die LinkedIn, Nachrichtenquellen, Finanzdaten und CRM-Historie kombiniert.

• Kosten-Nutzen-Rechnung:

Agenten erhöhen die LLM-Kosten pro Aufgabe um 0,02 bis 0,20 $. Das ist vertretbar, wenn die Lösung täglich zehnmal von Vertriebsmitarbeitern genutzt wird. Für Chatbots, die 50.000 Anfragen pro Monat bearbeiten, summiert sich das jedoch schnell zu einem sechsstelligen Betrag.

Der häufigste Fehler: Agenten als „Upgrade“ missverstanden

Der größte Irrtum vieler Gründer ist die Annahme, Agenten seien ein Zeichen von technologischer Reife – statt eines spezialisierten Tools mit klaren Grenzen. Die Marketingversprechen klingen verlockend: autonom, intelligent, selbstlernend, anpassungsfähig. Doch in der Praxis sind die meisten B2B-SaaS-Use Cases repetitiv, die Datenquellen begrenzt und die Nutzererwartungen vorhersehbar.

Für 80 % der vermeintlichen KI-Features gilt: Ein präziser Prompt mit einem einzigen Tool und einer klaren Fehlerbehandlungslogik schlägt einen Agenten in puncto Kosten, Latenz und Zuverlässigkeit. Die verbleibenden 20 % sind zwar wichtig, aber nicht repräsentativ für die Mehrheit der Anwendungsfälle.

Verkäufer agentischer KI-Plattformen haben wenig Anreiz, diese Unterscheidung zu betonen. Ihr Ziel ist es, „Agenten-KI als Zukunft“ zu positionieren – und gleichzeitig ihr eigenes Produkt zu verkaufen. Beide Aussagen können wahr sein, ohne dass das Produkt für den konkreten Anwendungsfall geeignet ist.

Die Empfehlung von Sapota: So vermeiden Sie teure Fehlinvestitionen

Bevor Sie sich für einen agentischen Ansatz entscheiden, sollten Sie folgende Schritte durchführen:

• Führen Sie den Ein-Test durch:

Prüfen Sie ehrlich, ob Autonomie wirklich notwendig ist. Oft reicht eine einfache Prompt-Optimierung.

• Kalkulieren Sie die Kosten im Produktivbetrieb:

Multiplizieren Sie die geschätzten Kosten pro Abfrage mit Ihrer geplanten Nutzungsrate. Vergleichen Sie das Ergebnis mit Ihren aktuellen Ausgaben.

• Überprüfen Sie bestehende Prompts und Tools:

Die meisten „Lücken“ in KI-Features entstehen durch unpräzise Prompts oder fehlende Tool-Integrationen – nicht durch fehlende Agenten-Funktionalität.

KI-Agenten sind kein Allheilmittel. Sie sind ein mächtiges, aber kostspieliges Werkzeug mit spezifischen Anwendungsfällen. Bevor Sie in komplexe Architekturen investieren, fragen Sie sich: Braucht mein Produkt wirklich diese Intelligenz – oder reicht ein besserer Prompt?

Die Zukunft der KI liegt nicht allein in Agenten, sondern in der intelligenten Kombination aus einfachen Lösungen und spezialisierten Tools – dort, wo sie ihren größten Nutzen entfalten.