KI-Agent in 90 Tagen einführen, bei 50 bis 200 Mitarbeitern

Was passt in 90 Tage und was nicht?

In 90 Tagen bringt ein Unternehmen mit 50 bis 200 Mitarbeitern genau einen eng abgegrenzten Prozess mit einem KI-Agenten in den Produktivbetrieb, mit menschlicher Freigabe vor jedem unumkehrbaren Schritt. Nicht hinein passen drei Prozesse parallel, der Betrieb ohne Aufsicht, die Ablösung des ERP sowie alles, wofür die Daten heute auf Papier oder in Köpfen liegen.

Die 90 Tage sind keine magische Zahl. Es ist ein Budgetquartal, und damit der längste Zeitraum, den eine Geschäftsführung finanzieren kann, ohne das Projekt auf halber Strecke vor dem Controlling verteidigen zu müssen. Einen Neunmonatsplan frisst die erste Umorganisation oder das erste schwache Quartal.

Produktiv heißt hier: echte Anwender, echte Daten, ein echter Arbeitstag, und ein dokumentierter Weg zurück. Es heißt weder Demo noch Vorstandsfolie.

Das Team bleibt klein. Eine entscheidungsbefugte Person, die den Umfang verteidigt, ein Prozessverantwortlicher, der die Ausnahmen wirklich kennt, ein Entwickler und eine freigebende Person aus dem Fachbereich. Vier Personen mit je ein paar Stunden pro Woche. Wird das Gremium größer, verschwinden drei der dreizehn Wochen in Abstimmungen, während sich der Umfang im ersten Monat verdoppelt. Nach unserer Erfahrung verzögert ein fehlender Prozessverantwortlicher Projekte häufiger als fehlende Entwicklerkapazität.

Warum scheitern die meisten KI-Pilotprojekte?

Drei Gründe kommen immer wieder. Vor dem Start steht kein in Zahlen formuliertes Erfolgskriterium fest. Das System läuft außerhalb des Arbeitsablaufs, in dem die Arbeit tatsächlich passiert, deshalb nutzt es niemand. Und die Kosten sind während des Betriebs unsichtbar, sie erscheinen erst auf der Monatsrechnung. Keiner der drei Gründe ist technischer Natur.

Die 95 Prozent stammen aus der MIT-Project-NANDA-Erhebung vom Sommer 2025, die mehr als 300 angekündigte Unternehmenseinführungen, 52 Interviews und 153 Führungskräftebefragungen ausgewertet hat. Ihr Fazit lautete, dass nicht die Modelle das schwache Glied sind, sondern die Steuerung der Einführung. Das sind Daten aus 2025, und so sollten sie beim Zitieren auch datiert werden.

Der deutsche Markt liefert dazu den passenden Hintergrund. Nach der ifo-Konjunkturumfrage vom 5. Juni 2026 setzen 54,5 % der deutschen Unternehmen KI ein, ein Jahr zuvor waren es 40,9 %. Nur 18,7 % der Anwender entwickeln etwas Eigenes. Der KI-Index Mittelstand 2026 des Deutschen Mittelstands-Bunds (veröffentlicht am 9. März 2026, rund 700 befragte Mittelständler) beziffert den Einsatz autonomer KI-Systeme auf 16,6 %, nach 8,7 % im Jahr 2024. Die Agenten kommen also an, überwiegend als eingekauftes Produkt, und die oben genannte Scheiterquote gilt für sie genauso.

Dazu passt eine Zahl aus einer Zusammenfassung der DIHK-Digitalisierungsumfrage 2026: 81 % der befragten Unternehmen halten es für schwierig, den Ertrag ihrer KI-Vorhaben zu beziffern, und über 75 % haben noch keine messbare Rendite gesehen (Sekundärquelle zur DIHK-Umfrage, die Originalveröffentlichung haben wir nicht öffnen können). Das ist kein Argument gegen KI-Projekte, sondern eines für die Messung im Projekt selbst.

1. Kein festgeschriebenes Erfolgskriterium

Die meisten Pilotprojekte starten mit der Absicht, erst einmal zu schauen, was das System kann. Am Ende gibt es dann nichts, womit sich das Ergebnis vergleichen ließe. Schreiben Sie es in Woche null in einem Satz auf: wie lang die Durchlaufzeit heute ist, wie hoch die Fehlerrate ist, und ab welcher Verbesserung Sie weitermachen. Lässt sich dieser Satz nicht formulieren, sollte das Projekt nicht starten. Für die Zahlen ist unser KI-ROI-Rechner ein brauchbarer Einstieg, weil er den Amortisationsmonat und den Nettonutzen über drei Jahre ausgibt.

2. Der Agent steht außerhalb des Arbeitsablaufs

Wenn die Kollegin nur an das System kommt, indem sie eine separate Oberfläche öffnet, Text hineinkopiert und das Ergebnis wieder herauskopiert, hört sie in Woche drei damit auf. Der Agent muss dort auftauchen, wo ohnehin gearbeitet wird: im Freigabebildschirm des ERP, im Ticket, im Postfach. Das ist Integrationsarbeit und keine Modellauswahl. Die Aufwandsverteilung dafür steht in unserem Beitrag zur KI-Integration in Bestandssysteme.

3. Die Laufzeitkosten sind unsichtbar

Ein TechCrunch-Bericht vom 5. Juni 2026 beschreibt, wie Uber sein gesamtes KI-Coding-Budget für 2026 bereits im April aufgebraucht hatte, und zitiert den Geschäftsführer der FinOps Foundation mit Unternehmen, die ihr Jahresbudget für Tokens bis zum Frühjahr um das Dreifache überschritten hatten. Bei 50 bis 200 Mitarbeitern reden wir über kleinere Beträge. Die Glaubwürdigkeit des Projekts kostet es trotzdem. Eine monatliche Kostengrenze schützt nicht, weil sie erst im Nachhinein greift. Nötig ist eine harte Token-Grenze pro Durchlauf plus eine Begrenzung der Schrittzahl.

Woche 1 bis 2: Mit welchem Prozess fangen Sie an?

Die ersten beiden Wochen enthalten eine einzige Entscheidung: welcher Prozess der Pilot wird. Bewerten Sie die Kandidaten nach fünf Kriterien mit je 1, 3 oder 5 Punkten. Volumen, Regelgrad, Fehlerkosten, Datenverfügbarkeit sowie Messbarkeit zeigen zusammen, wo sich die Arbeit rechnet und wo nicht.

Starten Sie mit allem über 21 Punkten. Der Bereich zwischen 13 und 20 gehört in die zweite Runde, weil dort zuerst die Daten oder die Regeln in Ordnung gebracht werden müssen. Unter 12 Punkten hilft keine KI, dort fehlt nicht die Automatisierung, sondern der Prozess. Einen Katalog möglicher Anwendungsfälle finden Sie in unserem Beitrag zu künstlicher Intelligenz im Unternehmen.

Unser häufigster Rat in dieser Phase lautet, gar keinen Agenten zu bauen. Steht die Reihenfolge der Schritte vorab fest, ist ein deterministischer Ablauf billiger, schneller und testbar. Das ist nicht unsere Idee: Anthropic schreibt in Building Effective Agents (19. Dezember 2024) dasselbe, nämlich dass für die meisten Aufgaben ein fest kodierter Ablauf den autonomen Agenten schlägt. Agenten lohnen sich dort, wo die Zahl der Schritte von Fall zu Fall variiert.

Woche 3 bis 4: Welche Daten und welche Berechtigungen braucht der Agent?

Hier scheitern die meisten Projekte, und hier sieht die Arbeit am wenigsten nach Fortschritt aus. Zwei Fragen müssen geschlossen werden: woher die Daten maschinell kommen, und mit welchen Rechten der Agent läuft. Wer diese zwei Wochen überspringt, steht in Woche sechs still, weil das benötigte Feld nur in einer PDF existiert.

Berechtigungen gehören außerhalb des Modells gelöst. OWASP LLM01 stellt klar, dass der Systemprompt keine Sicherheitskontrolle ist: Autorisierung ist deterministisch und gehört in eine Schicht außerhalb des Modells. In der Praxis heißt das, dass der Datenbankbenutzer oder der API-Schlüssel auf Werkzeugebene eingeschränkt, lesend und auf einen Mandanten begrenzt ist. Sie bitten das Modell nicht im Prompt darum, die Daten anderer Kunden in Ruhe zu lassen.

Die Formulierung der lethal trifecta von Simon Willison (16. Juni 2025) taugt gut als Prüfliste. Hat der Agent gleichzeitig Zugriff auf private Daten, liest er nicht vertrauenswürdige Inhalte wie eingehende E-Mails oder Kundennachrichten, und kann er nach außen kommunizieren, dann wird aus einem vergifteten Textstück ein Datenabfluss. Die Abwehr ist architektonisch: Trennen Sie die drei Eigenschaften. Schreibende Werkzeuge kommen in einen eigenen Agenten, der keine externen Inhalte liest.

Parallel dazu läuft in dieser Phase die vertragliche Seite. Ein deutscher Auftraggeber braucht für die Verarbeitung personenbezogener Daten durch einen Dienstleister einen Auftragsverarbeitungsvertrag nach Art. 28 DSGVO mit Unterauftragsverarbeiterliste. Dass die Frage früh kommt, ist erwartbar: im Bitkom Cloud Report 2026 (603 befragte Unternehmen ab 20 Mitarbeitern, veröffentlicht am 17. Juni 2026) sagen 98 %, dass die Herkunft des Anbieters eine Rolle spielt. Klären Sie in Woche drei, wo die Daten liegen und welche Unterauftragsverarbeiter beteiligt sind, nicht in Woche zwölf.

Nicht englischsprachige Daten brauchen eine eigene Messung

Läuft der Prozess auf deutschen Dokumenten, sagen globale Modell-Ranglisten wenig aus. Die Messung von Péter Harang vom Januar 2025 an 2.132 ungarischen Satzpaaren fand eine deutliche Überlappung zwischen den Ähnlichkeitsverteilungen verwandter und nicht verwandter Paare. Auf dieser Sprache trennt reine Embedding-Suche also schlechter. Für nicht englische Korpora behandeln wir hybride Suche, also Stichwort und Semantik zusammen, plus ein Reranking-Modell als Standard und nicht als Option.

Wie viel das bringt, ist gemessen. In Anthropics Arbeit zu contextual retrieval sank die Fehlerquote der Suche von 5,7 % auf 2,9 %, als lexikalische und semantische Suche kombiniert wurden, und auf 1,9 % nach zusätzlichem Reranking. Das sind 67 % Verbesserung auf demselben Korpus, ohne Modellwechsel.

Woche 5 bis 8: Wie bauen Sie den Piloten?

Vier Wochen Bauzeit gehen in die schmalste Fassung, die funktioniert. Ein Vorgangstyp, ein Kanal, zwei bis drei Werkzeuge, menschliche Freigabe vor jedem riskanten Schritt. Das Ziel ist keine beeindruckende Demo, sondern dass am Ende von Woche acht 100 bis 300 reale Fälle vorliegen, an denen sich messen lässt.

Werkzeugaufrufe laufen über ein strukturiertes Schema, nicht über das Zerlegen von freiem Text. Das Modell ruft per JSON-Schema beschriebene Werkzeuge auf, und die Antwort ist konstruktionsbedingt verarbeitbar. Das alte ReAct-Muster mit Textparsing wirft bei einem Formatfehler einen Laufzeitfehler, und ein Produktivsystem ist der falsche Ort, um das zu debuggen. Das Konzept ist geblieben, die Übertragungsschicht hat sich geändert.

Halten Sie den Werkzeugsatz so schmal wie möglich. Der Agent sieht nur, was der Pilot-Vorgangstyp verlangt, der Code-Interpreter läuft im isolierten Container mit Freigabeliste für ausgehende Verbindungen, und schreibende Operationen gehören in einen eigenen Durchlauf. Binden Sie Systeme über ein Protokoll an, bringt die MCP-Spezifikation vom 28. Juli 2026 einen zustandslosen Kern, Routing über Header und eine Erweiterung für unternehmensweite Autorisierung mit. Damit passt sie auf Ihr vorhandenes API-Gateway und Ihre Protokollierung. Das zählt, weil eine so geschriebene Integration einmal entsteht und danach modellunabhängig bleibt.

Wie viel menschliche Freigabe planen Sie ein?

Zu Beginn überall mehr, als sich bequem anfühlt. Bei unumkehrbaren Schritten bleibt es dauerhaft bei 100 %: Geldbewegungen, alles was an Kunden hinausgeht, Löschungen oder Änderungen im Produktivsystem sowie juristische und regulatorische Ergebnisse.

Die Bewerbervorauswahl ist ein Sonderfall. Nach Art. 22 DSGVO hat die betroffene Person bei einer ausschließlich automatisierten Entscheidung mit rechtlicher Wirkung das Recht auf menschliches Eingreifen, und Anhang III Nummer 4(a) des AI Act stuft die Bewerberauswahl als Hochrisikoanwendung ein. Den Fristenplan dazu haben wir in unserem Beitrag zu EU AI Act, DSGVO und KI-Sicherheit aufgeschlüsselt.

Kostengrenze vor Woche acht setzen

Den Preis eines Agenten bestimmt nicht das Modell, sondern die Zahl der Durchläufe. Nach der offiziellen Anthropic-Preisliste kosten dieselben 1.000 Dokumente mit einem einstufigen Extraktionsaufruf rund 8,70 US-Dollar und mit einer achtstufigen Agentenschleife auf derselben Modellfamilie 232 US-Dollar. Das 27-Fache für dieselbe Aufgabe. Deshalb brauchen Sie eine harte Token-Obergrenze pro Durchlauf, ein Schrittlimit und einen Timeout je Schritt, und zwar während des Pilotprojekts statt danach.

Woche 9 bis 10: Was messen Sie am Piloten?

Führen Sie vier Zahlen, dazu die Kosten. Trefferquote auf dem Golden Dataset, Halluzinationsrate, Abschlussquote und Korrekturquote der freigebenden Person. Diese vier entscheiden, ob das System produktiv gehen kann. Sie sind auch das, womit eine Geschäftsführung entscheiden kann, statt Eindrücke auszutauschen.

Das Golden Dataset ist das Billigste, was Sie bauen können, und die meisten Teams lassen es weg. Nehmen Sie 100 bis 300 abgeschlossene reale Fälle, schreiben Sie zu jedem die korrekte Ausgabe von Hand auf, und Sie haben einen Regressionstest. Ab dann läuft er vor jeder Promptänderung, jedem Modellwechsel und jedem Werkzeugtausch. Ohne ihn sagt der Entwickler, es sei seiner Einschätzung nach besser geworden, und das reicht für einen Produktivstart nicht.

Der Entwickler sollte das Golden Dataset nicht selbst zusammenstellen. Der Prozessverantwortliche und die freigebende Person wissen, was die korrekte Ausgabe ist und welche Fälle schwer sind. Zwei Tage Arbeit, typischerweise zu Beginn von Woche neun. Nehmen Sie bewusst unbequeme Fälle auf: ein unvollständiges Dokument, ein falsch formatiertes Datum, einen unbekannten Lieferanten. Auf den leichten Fällen ist jedes System gut. Entschieden wird an den schweren.

Am meisten lernen Sie aus der Korrekturquote. Schreibt die freigebende Person jeden dritten Vorschlag um, liegt das Problem meistens nicht am Modell, sondern an einer Regel, die nie jemand aufgeschrieben hat. In unseren Projekten hat diese Zahl die Arbeit am häufigsten zurück in die Prozessdiskussion geschickt, und das ist ein gutes Ergebnis und kein Misserfolg. Welche Schwellenwerte sich pro Kennzahl lohnen, steht in unserem Beitrag zur Messung von KI-Agenten.

Für die Beobachtbarkeit brauchen Sie kein teures Werkzeug. Langfuse steht unter MIT-Lizenz und kostet selbst betrieben keine Lizenzgebühr, die Cloud-Variante beginnt laut offizieller Preisliste bei 29 US-Dollar im Monat. Wer Ihnen für Monitoring eine Größenordnung mehr berechnet, verkauft Bequemlichkeit.

Woche 11 bis 13: Wie gehen Sie produktiv und wie kommen Sie zurück?

Die letzten drei Wochen sind eine gestufte Erweiterung der Berechtigungen. Der Agent liest zuerst nur, dann schreibt er mit Freigabe jeder Schreiboperation, und zuletzt arbeitet er bei den risikoärmsten Vorgangstypen ohne Freigabe. Vor jeder Stufe schauen Sie auf die vier gemessenen Zahlen, und jede Stufe lässt sich zurücknehmen.

Schalten Sie den alten Prozess nicht am ersten Tag ab. Halten Sie ihn 30 Tage parallel am Leben, mit einzeln abschaltbaren Werkzeugen, damit eine schlechte Ausgabe nicht den Arbeitstag stoppt. Schreiben Sie vorher auf, wer abschalten darf und was mit halbfertigen Vorgängen passiert. Ein Satz, aber ohne ihn traut sich am siebten Tag niemand, den Stecker zu ziehen.

Auch das Team braucht Vorbereitung. Die Rolle der freigebenden Person ist neue Arbeit, und schlecht gemacht verkommt sie zum Abnicken: ein Blick, ein Klick auf OK. Das ist das schlechteste Ergebnis, weil die Verantwortung formal beim Menschen liegt, die Entscheidung aber nicht. Ein halber Tag, an dem die freigebenden Personen echte Fehlerfälle durchgehen, ist die Kalenderzeit wert.

Hier schließen auch die regulatorischen Fristen. Die Transparenzpflichten nach Artikel 50 des AI Act gelten seit dem 2. August 2026: Interagiert das System mit einer natürlichen Person, muss offengelegt werden, dass sie mit einer KI spricht. Die Frist für Hochrisikosysteme nach Anhang III verschob sich auf den 2. Dezember 2027 durch die Verordnung (EU) 2026/1744. Die Transparenzfrist hat sich nicht verschoben.

Was passiert im sechsten Monat?

Drei Dinge, die in den wenigsten Angeboten kalkuliert sind. Das Modell wird aktualisiert und die Ausgabe verändert sich. Die Prompts driften, weil fünf Personen daran gearbeitet haben. Und die tatsächlichen Betriebskosten entpuppen sich nicht als Tokenrechnung, sondern als Arbeitszeit.

Ein Modellwechsel ist nicht nur eine Qualitätsfrage. Anthropic hat mit Claude 4.7 einen neuen Tokenizer eingeführt, der für denselben Text rund 30 % mehr Tokens erzeugt, womit der Durchlauf auch bei unverändertem Millionen-Token-Preis teurer wird. Die offizielle Preisliste von Google weist für Gemini 3.6 und 3.7 Flash Einführungspreise bis zum 31. Dezember 2026 aus, danach verdoppeln sie sich. Wer den Betriebsplan für 2027 mit heutigen Preisen rechnet, rechnet falsch.

Gegen Prompt-Drift hilft dasselbe wie gegen Modellwechsel: das Golden Dataset. Prompts kommen in die Versionsverwaltung, jede Änderung läuft über einen Pull Request, und der Regressionslauf ist Bedingung für den Merge. Dieselbe Disziplin wie bei jedem anderen Code. Wer das auslässt, kann in einem halben Jahr nicht mehr sagen, warum das System schlechter geworden ist.

Zu den Kosten: Unsere Preisliste sieht für den Betrieb einer Prozessautomatisierung 30.000 bis 150.000 Ft im Monat vor, beim Umrechnungskurs von 385 HUF/EUR also rund 78 bis 390 EUR. Der Aufbau liegt bei 1.000.000 bis 3.000.000 Ft (2.600 bis 7.800 EUR) für einen Chatbot oder eine Prozessautomatisierung und bei 3.000.000 bis 8.000.000 Ft (7.800 bis 20.800 EUR) für eine RAG-Wissensdatenbank. Die EUR-Werte sind Richtwerte, weil der Kurs schwankt. Die Modellnutzung ist darin der kleinere Posten. Der größere ist, dass jede Woche jemand die fehlerhaften Fälle durchsieht.

Wann sollten Sie kein KI-Agenten-Projekt starten?

In fünf Situationen raten wir selbst ab. Wenn der Prozess ein paar Dutzend Mal im Monat läuft. Wenn die Daten maschinell nicht existieren. Wenn es keinen benannten internen Verantwortlichen gibt. Wenn sich der Prozess innerhalb eines Quartals ohnehin ändert. Und wenn das eigentliche Ziel die Ankündigung einer Personalentscheidung ist.

• Geringes Volumen. Unter 50 Vorgängen im Monat kosten Einführung und Wartung mehr als die eingesparte Zeit. Schreiben Sie diesen Prozess lieber ordentlich auf und automatisieren Sie ihn mit Regeln.
• Die Daten liegen auf Papier oder in Köpfen, und niemand hat Zeit, das zu ändern. Datenaufbereitung ist ein eigenes Projekt. Ohne Kapazität dafür verdeckt die KI-Schicht das Problem nur.
• Kein interner Verantwortlicher. Sie brauchen eine benannte Person, zu deren Wochenarbeit die Durchsicht fehlerhafter Ausgaben gehört. Der Abstand zwischen 22 % und 67 % in den MIT-NANDA-Zahlen dreht sich genau darum.
• Der Prozess ändert sich innerhalb von drei Monaten. Ein Agent, der während einer ERP-Migration, einer Umorganisation oder einer Gesetzesänderung entsteht, muss zweimal geschrieben werden.
• Das Ziel ist die Kommunikation von Stellenabbau. Dann übergeben Kolleginnen und Kollegen ihr Wissen nicht, freigebende Personen melden Fehler nicht, und das Projekt stirbt leise. Das ist ein menschliches Problem, kein technisches.

Es gibt einen sechsten Fall, der kein Scheitern ist, sondern eine andere Lösung verlangt. Ist die Reihenfolge der Schritte immer dieselbe, brauchen Sie keinen Agenten, sondern einen kodierten Ablauf mit ein bis zwei KI-Aufrufen darin. Billiger, schneller, testbar, und er dreht nachts keine vierzig überflüssigen Runden.

Zusammenfassung und häufige Fragen

Wenn Sie einen Prozess haben, der auf der Tabelle über 21 Punkte kommt, sagen wir Ihnen in 30 Minuten, was in 90 Tage passt und was nicht. Aus den ersten beiden Wochen kommt bei uns ein schriftlicher Umfang, ein Messplan und ein Preisrahmen, keine Präsentation. Wir arbeiten aus Budapest, in derselben Zeitzone wie München und Wien, was mehr zählt, als es klingt, wenn die freigebende Person um neun Uhr morgens eine Frage hat. Wie das Liefermodell aussieht, steht auf unserer Seite zur Nearshore-Softwareentwicklung in Ungarn.