Der Einsatz von KI-Agenten verspricht Effizienzgewinne und Kostensenkungen. In der Praxis zeigt sich jedoch, dass unstrukturierte Ansätze schnell zu steigenden Betriebskosten führen. Entscheidend ist nicht die Leistungsfähigkeit der Agenten, sondern das Systemdesign, in das sie eingebettet sind. Ein Praxisbeispiel aus dem Hypotheken-Onboarding verdeutlicht, wie klar definierte Aufgaben und Datenflüsse den Unterschied machen. Unternehmen profitieren vor allem dann, wenn sie Prozesse gezielt strukturieren, statt ganze Rollen ersetzen zu wollen.

Der Einsatz von KI-Agenten wird in vielen Unternehmen als nächster Schritt der Automatisierung gesehen. Häufig steht dabei die Erwartung im Raum, komplette Rollen substituieren zu können. Doch dieser Ansatz greift zu kurz. Denn die eigentliche Herausforderung liegt nicht in der Leistungsfähigkeit der Technologie, sondern in der Gestaltung der Prozesse, in denen sie eingesetzt wird.

„Der tatsächliche Wert eines Agenten wird nicht dadurch bestimmt, was der Agent leisten kann. Entscheidend ist die Gestaltung des Systems, das ihm die richtigen Informationen für sein Handeln bereitstellt. Agenten machen Architektur nicht überflüssig. Sie machen sie umso wichtiger“, erklärt Nick Carr, Director of Pre-Sales beim Technologieanbieter Abbyy.

Ohne klare Leitplanken entwickeln sich agentenbasierte Workflows schnell zu komplexen, schwer kontrollierbaren Abläufen. Jeder zusätzliche Verarbeitungsschritt – von Prompt-Ketten über Tool-Aufrufe bis hin zu Speicherabfragen – erhöht den Ressourcenverbrauch. Gleichzeitig nimmt die Variabilität der Ergebnisse zu. Statt stabiler Automatisierung entsteht ein exploratives Systemverhalten, das Prozesse nicht reproduzierbar abbildet.

Erste Unternehmen beobachten bereits, dass die Betriebskosten solcher unstrukturierten Agentensysteme deutlich steigen können – in Einzelfällen bis auf das Niveau menschlicher Arbeitsleistung oder darüber hinaus. Die Ursache liegt dabei weniger in der Technologie selbst als vielmehr in fehlender Struktur und unklar definierten Zuständigkeiten.

Warum die Abbildung kompletter Rollen scheitert

Ein zentraler Grund für diese Entwicklung ist die Komplexität menschlicher Arbeit. Mitarbeitende übernehmen nicht nur klar definierte Aufgaben, sondern treffen Entscheidungen, bewerten Ausnahmen und navigieren durch Sonderfälle. Diese Vielzahl an Kontextwechseln und impliziten Regeln lässt sich nicht ohne Weiteres auf einen einzelnen Agenten übertragen.

Erfolgsversprechender ist es daher, Prozesse in klar abgegrenzte Aufgaben zu zerlegen. Nur wenn Eingaben, Ausgaben und Entscheidungsgrenzen eindeutig definiert sind, können Agenten konsistent arbeiten. Fehlt diese Struktur, verlagert sich der Fokus von der Ausführung hin zur Erkundung des Prozesses.

KYC-Prozess als Beispiel für strukturierte Agentennutzung

Wie sich ein solcher Ansatz in der Praxis umsetzen lässt, zeigt ein agentengesteuerter KYC-Prozess im Hypotheken-Onboarding. Statt die gesamte Rolle zu automatisieren, wird der Ablauf in klar definierte Stufen unterteilt.

Zunächst werden eingereichte Dokumente mithilfe von Intelligent Document Processing (IDP) strukturiert erfasst. Anschließend folgt eine Betrugsprüfung, die manipulierte oder synthetische Inhalte identifiziert und bei Bedarf alternative Prozesspfade auslöst.

In einem dritten Schritt werden die Daten deterministisch validiert. Dabei wird geprüft, ob Dokumente konsistent sind und zusammengehören. Erst wenn diese Prüfungen erfolgreich sind, kommt ein Large Language Model (LLM) zum Einsatz – und auch dann nur in klar begrenztem Umfang, etwa zur Analyse von Transaktionsdaten.

Dieses gestufte Vorgehen stellt sicher, dass der Agent ausschließlich auf validierten und strukturierten Informationen arbeitet. Er übernimmt keine Extraktion oder Validierung, sondern konzentriert sich auf die Kommunikation und Ableitung von nächsten Schritten.

Klare Zuständigkeiten als Grundlage für Skalierbarkeit

Der entscheidende Vorteil dieses Ansatzes liegt in der Trennung der Verantwortlichkeiten. Jede Komponente erfüllt eine klar definierte Aufgabe: Datenextraktion, Validierung, Betrugserkennung und Analyse sind voneinander entkoppelt. Der Agent agiert ausschließlich auf Basis geprüfter Ergebnisse.

Dadurch bleibt das System nicht nur nachvollziehbar und testbar, sondern auch effizient. Der Einsatz von LLMs wird auf relevante Szenarien beschränkt, was den Token-Verbrauch reduziert und unnötige Verarbeitung vermeidet. Gleichzeitig sorgt die konsistente Datenstruktur für vorhersehbare Ergebnisse – unabhängig davon, ob ein Antrag genehmigt, abgelehnt oder zur Nachbearbeitung zurückgegeben wird.

Systemdesign als entscheidender Erfolgsfaktor

Der Ansatz zeigt, dass Skalierbarkeit nicht durch die bloße Erweiterung von Agentenfähigkeiten entsteht, sondern durch ein durchdachtes Systemdesign. Neue Dokumenttypen oder zusätzliche Prüfmechanismen lassen sich nur dann sinnvoll integrieren, wenn Daten strukturiert und zum richtigen Zeitpunkt verfügbar sind.

Damit verschiebt sich der Fokus: Weg vom Ersatz kompletter Rollen, hin zur gezielten Automatisierung klar definierter Aufgaben. Der praktische Nutzen von KI-Agenten liegt somit weniger in ihrer Autonomie als in ihrer Einbettung in robuste, strukturierte Prozesse.

Weitere Informationen zu Abbyy finden Sie hier.