Auf einer Konferenz für produzierende Unternehmen hörten wir vor einigen Monaten denselben Satz von drei verschiedenen CTOs: „Wir wollen einen KI-Agenten." Auf die Frage, was sie damit meinen, beschrieb jeder etwas anderes. Der erste wollte einen Chatbot für interne Fragen zu Vorschriften. Der zweite wollte einen Assistenten, der ihm im ERP-System den nächsten Schritt bei einer Reklamation vorschlägt. Der dritte wollte ein System, das selbstständig Bestellungen durchsucht, Lieferanten kontaktiert und Unstimmigkeiten ohne menschliche Eingabe löst.
Drei verschiedene Dinge. Drei verschiedene Preise. Drei verschiedene Risikoniveaus. Das synonyme Verwenden der Begriffe Chatbot, Copilot und Agent ist heute eine der häufigsten Quellen enttäuschter Erwartungen in KI-Projekten. Dieser Artikel gibt den Begriffen konkreten Inhalt — und hilft Ihnen zu erkennen, was Ihr Unternehmen wirklich braucht und wann weniger ausreicht.
Drei Schichten, keine drei Produkte
Chatbot, Copilot und Agent sind keine drei verschiedenen Produkte aus einem Katalog. Es sind drei verschiedene Autonomiestufen, jede mit einem anderen Interaktionsmodell, einem anderen Risikoprofil und unterschiedlichen Bereitstellungskosten.
Den Unterschied lässt sich in einer Frage ausdrücken: Wer handelt?
- Chatbot: Die KI antwortet. Der Mensch handelt.
- Copilot: Die KI schlägt vor. Der Mensch entscheidet und handelt.
- Agent: Die KI plant, entscheidet und handelt. Der Mensch überwacht (oder nicht).
Diese Unterscheidung ist nicht akademisch. Sie bestimmt, welche Infrastruktur benötigt wird, wo die Fehlergrenzen liegen und wem im Unternehmen Sie erklären müssen, was das System tut.
Chatbot: antwortet, handelt nicht
Ein Chatbot ist ein konversationelles System, das auf Basis einer Frage eine Textantwort zurückgibt. Er ruft keine externen Systeme auf, ändert keine Daten, erzeugt keine Aktionen in der Welt. Er liest und antwortet.
Typische Einsatzgebiete:
- Internes Q&A über Unternehmensdokumentation (Vorschriften, ISO-Normen, Servicehandbücher)
- FAQ für Kunden — Antworten auf Standardfragen zu Produkt, Lieferzeit, Preisliste
- Onboarding-Assistent für neue Mitarbeiter
Technisch: LLM (entweder Cloud-API oder lokales Modell) kombiniert mit einer RAG-Pipeline — Retrieval-Augmented Generation, also das Abrufen relevanter Inhalte aus der Wissensbasis vor der Antworterzeugung. Der Chatbot verfügt über keine Werkzeuge, führt keinen Code aus und schreibt nicht in Datenbanken.
Wann ein Chatbot ausreicht
Ein Chatbot reicht immer dann aus, wenn der Wert im schnellen Zugriff auf Information liegt, nicht in einer Aktion. Wenn Ihre Techniker täglich 20 Minuten mit der Suche in PDF-Handbüchern verbringen, reduziert ein Chatbot über dieselben Dokumente diese Zeit — ohne jeglichen Zugriff auf Produktionssysteme.
Der Chatbot ist die günstigste, schnellste und risikoärmste Variante. Wenn ein Unternehmen noch keine KI-Implementierung hat, ist dies in der Regel der richtige Einstiegspunkt. Bereitstellung vom Prototyp bis zur Produktion: typischerweise 4–8 Wochen.
Wo ein Chatbot nicht ausreicht
Ein Chatbot ändert keinen Systemzustand. Er beantwortet die Frage „Was ist der Status von Bestellung 4572?", kann die Bestellung aber nicht aktualisieren, keinen Techniker zuweisen und keine Benachrichtigung senden. Wenn Sie das von ihm erwarten, brauchen Sie einen Copilot oder Agenten.
Copilot: assistiert, entscheidet nicht
Ein Copilot ist ein System, das aktiv neben dem Menschen arbeitet — es liest den Kontext, ruft Daten aus integrierten Systemen ab, schlägt konkrete Schritte vor oder bereitet Aktionen zur Genehmigung vor. Der Mensch bleibt der Entscheidungsträger; der Copilot reduziert die kognitive Last und beschleunigt die Arbeit.
Der Unterschied zum Chatbot: Der Copilot hat Werkzeuge (Tool Calling — die Fähigkeit, externe APIs aufzurufen, aus Datenbanken zu lesen, Dokumentenentwürfe zu erstellen), aber diese Werkzeuge dienen überwiegend der Vorbereitung, nicht der direkten Ausführung. Jeder Vorschlag läuft über den Menschen.
Typische Einsatzgebiete:
- Vertriebsmitarbeiter: Der Copilot lädt die Kommunikationshistorie mit dem Kunden, schlägt Gesprächspunkte für das Meeting vor, bereitet einen Angebotsentwurf vor — der Vertriebsmitarbeiter genehmigt oder passt an
- Servicetechniker: Der Copilot schlägt auf Basis der Fehlerbeschreibung und Maschinenhistorie die drei wahrscheinlichsten Ursachen mit Links zur Dokumentation vor
- Finanzcontroller: Der Copilot zieht Daten aus dem ERP, identifiziert Budgetabweichungen, bereitet einen Kommentar vor — der Controller bestätigt vor dem Versand
Copilot in der Industrie — ein Praxisbeispiel
Bei einem Kunden aus dem Bereich Maschinenwartung haben wir einen Copilot für Disponenten eingesetzt. Das System rief bei jeder gemeldeten Störung automatisch die Servicehistorie, die Technikerverfügbarkeit und den Ersatzteilkatalog ab und bereitete dem Disponenten einen Zuweisungsvorschlag vor. Der Disponent sah die Begründung und bestätigte oder änderte mit einem Klick. Die Dispositionszeit sank um mehr als die Hälfte — und der Disponent blieb vollständig für die Entscheidung verantwortlich.
Der entscheidende Punkt: Der Copilot hat den Techniker nicht selbst eingeteilt. Das wäre ein Agent.
Wo ein Copilot ausreicht
Ein Copilot ist die richtige Wahl, wenn: - Der Wert in der Beschleunigung der Entscheidung liegt, nicht in ihrer Eliminierung - Ein KI-Fehler keine direkten Folgen ohne menschliche Bestätigung haben darf (regulierte Umgebungen, Verträge, Finanztransaktionen) - Sie das Vertrauen in KI schrittweise aufbauen wollen — die Mitarbeiter lernen, Vorschläge zu prüfen, statt blind zu vertrauen
Ein Copilot ist auch die natürliche erste Schicht vor einem Agenten: Setzen Sie den Copilot ein, beobachten Sie, wie gut die KI Vorschläge macht, und erwägen Sie erst bei ausreichender Genauigkeit die Automatisierung ausgewählter Schritte.
Agent: plant, handelt, berichtet
Ein Agent ist ein System, das ein Ziel erhält (keine Schritt-für-Schritt-Anweisung), selbstständig einen Ablauf plant, die notwendigen Werkzeuge aufruft, Ergebnisse verarbeitet und iteriert, bis das Ziel erreicht ist — oder bis es auf eine Situation trifft, die es nicht lösen kann und menschliche Eingabe benötigt.
Technisch gesehen implementiert ein Agent typischerweise eines der Orchestrierungsmuster — ReAct-Schleife, Plan-and-Execute oder eine Multi-Agent-Architektur, bei der mehrere spezialisierte Agenten unter einem Supervisor zusammenarbeiten. Detaillierter behandeln wir dieses Thema im Artikel über KI-Agentenarchitekturen.
Typische Einsatzgebiete:
- Der Agent überwacht das Reklamations-E-Mail-Postfach, extrahiert Schlüsseldaten, verifiziert diese im ERP, erstellt ein Ticket und benachrichtigt die zuständige Person — ohne menschliche Eingabe für Standardfälle
- Der Agent durchsucht eine Reihe technischer Dokumente, erstellt eine Übersicht der Unstimmigkeiten und schlägt Revisionen vor
- Der Agent lädt nachts Daten aus mehreren Quellen, führt Analysecode aus, erstellt einen Bericht und sendet ihn morgens an das Management
Gartner prognostizierte 2025, dass bis Ende 2026 rund 40 % der Enterprise-Anwendungen aufgabenspezifische Agenten integriert haben werden — gegenüber weniger als 5 % im Jahr 2025. Die Akzeptanz wächst schnell, aber die meisten Unternehmen, mit denen wir sprechen, befinden sich noch in der Pilotphase.
Wo ein Agent echten Mehrwert bringt
Ein Agent macht Sinn bei Aufgaben, bei denen: - Der Ablauf mehrere Schritte umfasst und jeder vom Ergebnis des vorherigen abhängt - Die Aufgabe wiederkehrend und klar definiert ist (nicht kreativ, nicht jedes Mal einzigartig) - Menschliche Zeit bislang der einzige limitierende Faktor war (nicht die Entscheidungskomplexität) - Die Fehlertoleranz den Betrieb ohne Bestätigung jedes Schritts erlaubt
Was Unternehmen bei Agenten falsch verstehen
Der häufigste Irrtum: Einen Agenten mit einem Chatbot mit Werkzeugen zu verwechseln. Einem Chatbot ein Werkzeug zum Datenbankzugriff hinzuzufügen macht daraus noch keinen Agenten. Ein Agent zeichnet sich durch die Fähigkeit zur mehrstufigen Planung und Iteration aus — nicht durch einen einzelnen Werkzeugaufruf im Rahmen einer Antwort.
Der zweite Irrtum: Zu glauben, ein Agent sei „intelligenter" und daher zuverlässiger. Das Gegenteil kann zutreffen. Ein Agent trifft mehr Entscheidungen — und jede Entscheidung ist eine Gelegenheit für einen Fehler. Ohne Guardrails und Observability kann ein Agent ohne Beschränkungen Tausende von Aufrufen generieren und eine entsprechende Rechnung in Höhe von Tausenden von Euro — ein Risiko, das wir in der Praxis beobachten. Grundlegende Einschränkungen: Limits für die Schrittanzahl, maximale Kosten pro Lauf, obligatorisches HITL (Human-in-the-Loop) für unumkehrbare Aktionen.
Vergleich: Was wählen?
Vergleich der wichtigsten Dimensionen:
Autonomie: Chatbot — keine (antwortet). Copilot — teilweise (schlägt vor, wartet auf Bestätigung). Agent — hoch (handelt selbstständig im definierten Scope).
Bereitstellungskosten: Chatbot — niedrig (RAG + LLM, 4–8 Wochen). Copilot — mittel (Integrationen, Tool Calling, UI, 2–4 Monate). Agent — hoch (Orchestrierung, Monitoring, Guardrails, Edge-Case-Tests, 3–6+ Monate).
Fehlerrisiko: Chatbot — niedrig (Fehler = schlechte Antwort, keine Aktionen). Copilot — niedrig bis mittel (Aktion erst nach menschlicher Bestätigung). Agent — hoch (Fehler kann den Systemzustand ändern, bevor er entdeckt wird).
Geeignet für: Chatbot — Wissenszugang, FAQ, interne Dokumentation. Copilot — Beschleunigung von Entscheidungsprozessen, Entwurfserstellung, Assistenz bei komplexen Aufgaben. Agent — Automatisierung wiederkehrender mehrstufiger Prozesse mit klar definiertem Ziel.
Agentwashing: Wie Sie es erkennen
In Angeboten von Anbietern taucht das Wort „Agent" auch dort auf, wo es sich um einen Chatbot mit einem einzigen Werkzeug handelt. Einige Fragen, die einen echten Agenten von einem Marketingbegriff unterscheiden:
- 1.Plant das System den Ablauf selbst, oder führt es ein vorgefertigtes Skript aus? — Ein Skript ist Automatisierung, kein Agent.
- 2.Kann das System auf unerwartete Werkzeugausgaben reagieren? — Wenn nicht, ist es ein Workflow, kein Agent.
- 3.Wie viele Schritte bewältigt das System ohne menschliche Eingabe und welche Werkzeugtypen ruft es auf? — Ein Schritt = Chatbot mit Werkzeug.
- 4.Wo sind die Guardrails und was passiert bei einem Fehler? — Wenn der Anbieter das nicht beantworten kann, ist das Produkt nicht produktionsreif.
Entscheidungsrahmen für die Praxis
Statt der Frage „Wollen wir einen Agenten?" empfehlen wir, beim Prozess anzufangen:
1. Beschreiben Sie den Prozess, den Sie verbessern wollen. Wer erledigt ihn heute? Wie viele Schritte hat er? Wo verbringt der Mensch die meiste Zeit — bei der Informationssuche, bei der Entscheidungsfindung oder bei der mechanischen Ausführung?
2. Identifizieren Sie die Art des Mehrwerts. - Schnellerer Zugriff auf Information → Chatbot - Schnellere Entscheidungsfindung mit weniger Aufwand → Copilot - Eliminierung wiederkehrender manueller Arbeit → Agent
3. Prüfen Sie die Fehlertoleranz. Ein Agent, der 95 % der Entscheidungen richtig trifft, klingt gut — aber was sind diese 5 % Fehler? Wenn es falsch versendete Bestellungen oder falsch zugewiesene Ressourcen sind, reichen 95 % nicht. Ein Copilot mit derselben Genauigkeit ist weitaus akzeptabler, weil der Mensch die 5 % abfängt.
4. Prüfen Sie, ob Sie Daten für die Evaluierung haben. Copilot und Agent benötigen eine Evaluierung — also eine Methode, um zu messen, ob die KI richtig vorschlägt bzw. handelt. Ohne das sind es Blackboxes. Ein Chatbot ist leichter zu evaluieren (War das Ergebnis relevant?).
5. Beginnen Sie mit der einfachsten Schicht. Wenn Sie unsicher sind, starten Sie mit einem Chatbot. Die Daten darüber, wo Menschen Fragen stellen und wo der Chatbot versagt, zeigen Ihnen, wo ein Copilot oder Agent das größte Potenzial hat. Dieses Vorgehen hat so manchen Kunden vor einem teuren Agentic-Projekt bewahrt, das im Schubladenarchiv geendet hätte.
Häufige Fragen
Ist der Unterschied zwischen Copilot und Agent nur der, wer klickt?
Nicht ganz. Ein Copilot ist so konzipiert, dass menschlicher Input ein natürlicher Bestandteil des Ablaufs ist — UI, Bestätigungsschritte, Anzeige der KI-Begründung. Ein Agent ist für den autonomen Betrieb ausgelegt; menschlicher Input (HITL) ist die Ausnahme, nicht die Regel. Architektur, Monitoring und Tests sind bei einem Agenten erheblich komplexer.
Kann ein System gleichzeitig Chatbot und Copilot sein?
Ja, und in der Praxis werden diese Schichten kombiniert. Ein Vertriebssystem kann einen Chatbot für Kunden haben (beantwortet FAQ) und gleichzeitig einen Copilot für Vertriebsmitarbeiter (schlägt den nächsten Schritt im Deal vor). Wichtig ist, nicht dieselbe Komponente für beide Zwecke ohne klare Trennung zu verwenden — unterschiedliche Sicherheitsrichtlinien, unterschiedlicher Datenzugriff.
Wann lohnt es sich, in einen Agenten statt in einen Copilot zu investieren?
Dann, wenn Sie verifiziert haben, dass der Copilot in mindestens 95–98 % der Fälle richtige Entscheidungen vorschlägt (je nach Ihrer Fehlertoleranz), wenn der menschliche Engpass den Prozess tatsächlich bremst und wenn Sie die Infrastruktur für Monitoring und Guardrails haben. Ein Agent ohne vorherige Copilot-Phase ist in den meisten Fällen eine verfrühte Optimierung.
Was kostet die Bereitstellung jeder Schicht?
Chatbot (internes RAG): in der Größenordnung von Zehntausenden Euro, 1–2 Monate. Copilot mit Integrationen: in der Größenordnung von Hunderttausenden Euro, 3–6 Monate. Agent in der Produktion: ähnlich wie Copilot oder mehr — der Großteil der Kosten liegt nicht im Modell, sondern in Orchestrierung, Tests und Monitoring. Genaue Zahlen hängen vom Umfang der Integrationen, der Qualität der vorhandenen Daten und den Compliance-Anforderungen ab.
Gilt der Unterschied lokal vs. Cloud-LLM auch für diese drei Typen?
Ja, und für regulierte Branchen kann das entscheidend sein. Ein Chatbot über interne Dokumente kann vollständig lokal ohne Datenleck betrieben werden. Ein Copilot mit ERP-Zugriff erfordert eine sichere Integration — ein lokales LLM macht hier Sinn. Ein Agent, der aktiv Daten in Systemen ändert, benötigt strenge Audit-Logs, unabhängig davon, ob er in der Cloud oder lokal läuft. Mehr zu dieser Entscheidung: Lokales LLM vs. Cloud.
Fazit
*Die meisten Unternehmen, mit denen wir sprechen, brauchen keinen Agenten — zumindest noch nicht. Sie brauchen klare Definitionen, realistische Erwartungen und einen ersten Schritt, der Mehrwert ohne übermäßiges Risiko bringt. Bei MP Industrial Solutions helfen wir Unternehmen, vom vagen „Wir wollen KI" zu einem konkreten Auftrag zu gelangen: Was einzusetzen ist, wo zu beginnen ist und was auf später verschoben werden sollte. Wenn Sie eine ähnliche Frage beschäftigt, sprechen wir gerne 30 Minuten darüber.*