Chatbot, Assistent, Automatisierung oder Agent?

Entscheidungssituation

Viele KI-Projekte starten mit unscharfen Begriffen. Chatbot, Assistent, Copilot, Automatisierung und Agent meinen nicht dasselbe. Für Führungskräfte zählt vor allem, wie viel ein System selbst entscheiden darf, wie stark es in bestehende Systeme integriert ist und ob ein Mensch jeden Schritt anstoßen muss (Niessner 2026).

Diese Unterscheidung schützt vor falschen Erwartungen. Ein allgemeiner Chatbot unterstützt einzelne Personen, ein spezialisierter Assistent kennt eine Aufgabe besser, eine Automatisierung folgt fixen Regeln, und ein echter Agent plant und handelt stärker selbstständig. Je mehr Autonomie und Systemzugriff Sie erlauben, desto stärker steigen Nutzenchance, Kontrollaufwand und Risiko (Niessner 2026).

Abbildung: Die Matrix ordnet Chatbots, spezialisierte Assistenten, klassische Automatisierung und echte Agenten entlang von Autonomie und Automatisierung ein. Sie ist als schnelle Begriffsklärung hilfreicher als eine reine Textfolie. Quelle: Niessner 2026.

Wichtige Bewertungskriterien

Eine zusätzliche Prüffrage lautet: Kann die Lösung nur Sprache erzeugen, oder kann sie kontrolliert handeln? Bornet et al. beschreiben Agenten über Wahrnehmen, Planen, Handeln und Reflektieren. Damit verschiebt sich die Managementfrage von „Wie gut ist die Antwort?“ zu „Welche Handlung darf das System ausführen, mit welchen Grenzen und mit welcher Kontrolle?“ (Bornet et al. 2025).

Ein allgemeiner Chatbot arbeitet manuell und braucht klare Eingaben. Mitarbeitende öffnen das Tool, schreiben einen Prompt und übernehmen das Ergebnis selbst in den nächsten Arbeitsschritt. Das eignet sich für Entwürfe, Recherche, Zusammenfassungen und einfache Textarbeit (Niessner 2026).

Ein spezialisierter KI-Assistent arbeitet ebenfalls meist manuell, bringt aber eigenes Wissen, feste Anweisungen oder einen definierten Stil mit. Ein Custom GPT für Instagram-Texte oder Angebotsentwürfe nimmt Nutzer:innen viel Prompt-Arbeit ab, löst aber nicht automatisch den gesamten Prozess aus (Niessner 2026).

Eine klassische Automatisierung läuft automatisch, folgt aber vorab definierten Regeln. Wenn eine E-Mail ankommt, kann ein Workflow Daten auslesen, prüfen und weiterleiten. Sobald einzelne KI-Schritte in einem solchen Workflow stecken, entsteht keine magische Agentenlösung, sondern meist eine Automatisierung mit KI-Bausteinen (Niessner 2026).

Ein echter KI-Agent erhält ein Ziel, plant Schritte selbst, nutzt Werkzeuge und kann Aktionen auslösen. Genau deshalb brauchen Unternehmen klare Grenzen: Welche Systeme darf der Agent lesen? Darf er schreiben, löschen, versenden oder Bestellungen auslösen? Ohne solche Grenzen kann ein Agent formal das Ziel erreichen und trotzdem massiven Schaden verursachen (Niessner 2026).

Bornet et al. unterscheiden mehrere Autonomiestufen: von manueller Arbeit über regelbasierte und intelligente Automatisierung bis zu agentischen Workflows und semi-autonomen Systemen. Für Entscheider:innen folgt daraus: Eine höhere Stufe ist nicht automatisch besser. Die richtige Stufe hängt vom Risiko, von der Prozessklarheit, von der Datenqualität und davon ab, ob ein Mensch prüfen oder freigeben muss (Bornet et al. 2025).

Architektur statt Etikett: fünf Muster

Für die technische und organisatorische Entscheidung ist nicht der Produktname ausschlaggebend, sondern wer den Lösungsweg festlegt. Zwingmann unterscheidet fünf Muster; Anthropic bestätigt die Grundtrennung zwischen vorab festgelegten Workflows und dynamisch vom Modell gesteuerten Agenten (Zwingmann 2025; Anthropic 2024):

Muster	Wer bestimmt den Ablauf?	Gute Einsatzlage	Managementfolge
Klassischer Workflow	Code und feste Regeln	stabile, vorhersehbare Schritte	günstigste und am leichtesten prüfbare Option
Fester KI-Workflow	Code legt die Reihenfolge fest; KI interpretiert oder erzeugt innerhalb einzelner Schritte	variable Inhalte bei stabilem Prozess	KI-Qualität je Schritt messen, Gesamtablauf bleibt kontrolliert
Agent in einem Workflow	Der Workflow begrenzt den Prozess; der Agent entscheidet nur in einem abgegrenzten Abschnitt	ein Teilproblem braucht flexible Recherche oder Entscheidung	Autonomie dort einsetzen, wo sie nachweisbar Mehrwert schafft
Einzelner Agent	Das Modell wählt Schritte und Werkzeuge innerhalb eines Ziels	offener Lösungsweg in engem, kontrollierbarem Problemraum	Toolrechte, Stopbedingungen, Monitoring und Eskalation werden zentral
Multi-Agent-System	Mehrere Agenten teilen Planung, Ausführung oder Prüfung	klar trennbare Spezialaufgaben mit belastbaren Übergaben	zusätzliche Koordination nur rechtfertigen, wenn sie messbar besser ist

Abbildung: Der Prüfpfad führt von einem stabilen oder variablen Lösungsweg zur einfachsten passenden Architektur und behandelt Multi-Agent-Systeme als begründungspflichtige Zusatzkomplexität. Quelle: eigene Darstellung nach Zwingmann 2025 und Anthropic 2024.

Die robuste Standardentscheidung lautet deshalb: Wählen Sie die einfachste Architektur, die das gewünschte Ergebnis zuverlässig erreicht. Wenn der Ablauf als stabile Checkliste beschrieben werden kann, ist ein Workflow meist angemessener. Agentische Komplexität ist erst gerechtfertigt, wenn der Lösungsweg tatsächlich variabel ist und einfachere Ansätze in Evaluationen nachweisbar nicht ausreichen (Zwingmann 2025; Anthropic 2024).

Hat der Auftrag ein prüfbares Ende?

Neben dem Lösungsweg zählt der Verantwortungshorizont. Ein fixer Zeitplan macht einen Ablauf noch nicht zu einem „Always-On“-Agenten: Einen Wochenbericht mit klaren Schritten kann ein Workflow ausführen, eine abgegrenzte Ergebnisaufgabe kann ein Agent in einem einzelnen Lauf bearbeiten. Ein dauerhaft betriebener Agent kommt erst dann als Option infrage, wenn ein fortlaufendes Ziel keine natürliche Endbedingung hat und das System die nächsten Schritte wegen neuer Ereignisse, Ausnahmen oder Abhängigkeiten laufend neu bewerten muss. Auch dann sollte das Team prüfen, ob periodische, klar beendete Läufe denselben Zweck mit weniger Zugriff, Kosten und Aufsichtsaufwand erfüllen (Zwingmann 2026).

„Always-On“ beschreibt damit keine validierte neue Architekturklasse, sondern eine Praxisheuristik für den Betriebs- und Verantwortungshorizont. Unternehmen sollten zusätzlich festlegen, wer das fortlaufende Ziel verantwortet, welche Inaktivität oder Abweichung eine Eskalation auslöst und wann das System pausiert oder endet. Rechte, Kostenlimits, Monitoring und Freigaben bleiben dieselben Grundkontrollen wie bei anderen Agenten; ihre Bedeutung wächst mit Dauer, Zugriff und möglicher Fehlerfolge (Zwingmann 2026).

KI zum Bauen oder zum Ausführen einsetzen?

Eine zweite Architekturfrage betrifft den Zeitpunkt des KI-Einsatzes. Ein Team kann KI beim Entwurf nutzen, ohne ein Sprachmodell in den späteren Betrieb einzubauen. Zwingmann bezeichnet dies als „Cheap Codification“: Fachleute beschreiben Regeln in Alltagssprache, ein KI-Werkzeug übersetzt sie in einen Entwurf für Code, Formeln, Entscheidungstabellen oder Workflow-Logik, und das freigegebene System führt danach nur die fixierte Logik aus. Der Begriff ist eine Praxisheuristik, kein empirisch validiertes Kostenmodell (Zwingmann 2026).

Ausgangslage	Passender Einsatz	Führungsfolge
Regeln und Ablauf sind klar und einfach	klassischen Workflow direkt bauen	kein Sprachmodell im Betrieb nötig
Regeln sind vorhanden, aber ihre Übersetzung ist aufwendig	KI erstellt einen prüfbaren Implementierungsentwurf; freigegebene Regeln laufen deterministisch	Fachlogik, Ausnahmen, Tests und Wartungsverantwortung ausdrücklich dokumentieren
Einzelne Inhalte brauchen Interpretation, der Ablauf bleibt stabil	KI nur in den betroffenen Schritten einsetzen	variable KI-Ausgabe und feste Routinglogik getrennt testen
Der Lösungsweg steht im konkreten Fall nicht vorab fest	begrenzten Agenten prüfen	Rechte, Stopbedingungen, Monitoring und menschliche Eskalation werden Teil der Architektur

Diese Trennung verändert die Wirtschaftlichkeitsprüfung. Jedes Sprachmodell im Ausführungspfad verursacht laufende Nutzung, Latenz, schwankende Ergebnisse sowie zusätzlichen Evaluations- und Monitoringaufwand. Dieser Aufwand ist gerechtfertigt, wenn ein Schritt tatsächlich semantische Interpretation, Generierung oder eine fallabhängige Wahl des Lösungswegs braucht. Wenn dieselben Regeln bei jedem Fall gelten, sollte das Team prüfen, ob KI nur die einmalige Übersetzung unterstützt und die freigegebene Logik danach ohne Modellaufruf läuft (Zwingmann 2026; Anthropic 2024).

KI-generierte Workflow-Logik ist noch keine belastbare Spezifikation. Fachverantwortliche müssen Regeln und Ausnahmen bestätigen, repräsentative Fälle samt Grenzfällen testen und Änderungen versionieren. Zusätzlich braucht jede Automation einen benannten Owner, der die Logik nach Prozessänderungen aktualisiert. Sonst beschleunigt KI nur den Bau einer schwer verständlichen Regelsammlung. „Leichter zu erzeugen“ darf deshalb nicht mit „produktionsreif“ verwechselt werden (Zwingmann 2026).

Unterschiedliche Perspektiven

Niessner ordnet Systeme über die Achsen manuell versus automatisch sowie heteronom versus autonom ein. Zwingmanns Ansatz nutzt Automatisierung und Integration als Achsen. Beide Einordnungen führen zur gleichen Managementregel: Unternehmen sollten nicht bei echten Agenten starten, sondern Erfahrung über Assistenten, Copilots und abgegrenzte Automatisierungen aufbauen (Niessner 2026; Zwingmann 2026).

Zwingmann hat die frühere Entwicklungslogik seines Frameworks 2026 ausdrücklich korrigiert. Die 2023-Fassung und das spätere Buch beschrieben Assistants, Copilots, Autopilots und Agents noch weitgehend als bevorzugte Fortschrittsrichtung. Das Update behandelt die rechte obere Ecke nicht mehr als Ziel: Entscheidend ist die einfachste Architektur, die das gewünschte Ergebnis erreicht und von der Organisation verlässlich betrieben werden kann. Diese Korrektur ist eine autoreneigene Praxiseinschätzung, kein validiertes Reifegradmodell (Zwingmann 2026; Zwingmann 2025).

Abbildung: Die Matrix trennt Assistenten, Copilots, Autopilots und Agenten nach Integration und Automatisierung und verbindet die Architekturtypen mit Ergebnisverantwortung und Betriebsaufwand. Quelle: eigene Darstellung nach Zwingmann 2026.

Architekturaufwand am Geschäftsergebnis ausrichten

Das aktualisierte Framework legt eine wirtschaftliche Grenze über die Matrix. Assistenten und Copilots unterstützen menschliche Arbeit; ein Mensch erzeugt und verantwortet das Ergebnis. Autopilots und Agenten führen Arbeit als betriebenes System aus. Damit wachsen Anforderungen an Ownership, Monitoring, Berechtigungen, Fehlerbehandlung und laufende Wartung (Zwingmann 2026).

Eine teure Fehlentscheidung entsteht, wenn ein Unternehmen eine aufwendige Systemarchitektur baut, aber nur einen kleinen persönlichen Produktivitätsnutzen realisiert. Das ist eine plausible Führungsheuristik, jedoch kein allgemeiner Beleg gegen komplexe RAG- oder Agentenarchitekturen. Entscheidend bleibt, ob Bedeutung und erwartete Wirkung des konkreten Ergebnisses den zusätzlichen Bau- und Betriebsaufwand rechtfertigen (Zwingmann 2026).

Prüfen Sie die Architektur deshalb mit drei Fragen aus dem aktualisierten Framework (Zwingmann 2026):

1. Wie viel Arbeit soll tatsächlich ohne menschlichen Eingriff ablaufen?
2. Wo schafft zusätzliche Integration in Daten, Werkzeuge und Prozesse einen messbaren Nutzen?
3. Rechtfertigt das Geschäftsergebnis die Architektur, Kontrollen und Betriebsfähigkeit, die dafür notwendig sind?

Die wirtschaftliche Messung für persönliche Unterstützung und betriebene KI-Systeme vertieft KI-Nutzen planen und messen.

Praktische Entscheidungshilfe

Starten Sie mit der Frage, ob der Prozess bereits klar beschrieben ist. Wenn ja, passt oft eine Automatisierung mit einzelnen KI-Schritten besser als ein Agent. Der Ablauf bleibt prüfbar, Ausnahmen lassen sich gezielt behandeln, und Fachbereiche behalten die Kontrolle über Regeln und Freigaben (Niessner 2026).

Prüfen Sie danach, ob der Mensch bewusst eingebunden bleiben soll. Bei Kommunikation, rechtlich relevanten Aussagen, Angeboten, Beschwerden oder Geldflüssen brauchen Unternehmen meist Freigaben. Dann passt ein Assistent oder Copilot besser als eine vollautomatische Agentenlösung (Niessner 2026).

Ein guter Einstieg bewertet Use Cases nach Wirkung, Machbarkeit und Aufwand. Bornet et al. empfehlen, nicht ganze Rollen zu automatisieren, sondern wiederkehrende Aufgaben mit klaren Daten, klaren Regeln und kontrollierbaren Fehlerfolgen auszuwählen. Erst danach lohnt sich die Frage, ob ein Chatbot, ein Assistent, ein Workflow oder ein Agent die passende Form ist (Bornet et al. 2025).

💡 Aus meiner Praxis: Das Wort „Agent“ verkauft sich gut. Für viele Unternehmensprozesse reicht aber ein sauber gebauter Workflow mit KI-Schritten. Der ist weniger spektakulär, aber besser kontrollierbar.

Wann welche Option passt

Ein Chatbot passt, wenn Mitarbeitende allgemeine Unterstützung brauchen. Ein Assistent passt, wenn eine wiederkehrende Aufgabe mit festen Regeln, Stilvorgaben oder Beispielen unterstützt werden soll. Eine Automatisierung passt, wenn der Ablauf stabil ist. Ein Agent passt erst dann, wenn Ziele, Rechte, Kontrollpunkte und Fehlerfolgen sauber geklärt sind (Niessner 2026).

Vermeiden Sie echte Agenten als erste KI-Stufe. Sie bündeln technische, organisatorische und rechtliche Risiken: falsche Planung, falsche Aktionen, zu breite Berechtigungen, schwer erklärbare Entscheidungen und hohen Monitoring-Aufwand. Unternehmen sollten diese Stufe erst angehen, wenn sie mit einfacheren KI-Systemen belastbare Erfahrung gesammelt haben (Niessner 2026).

Autopilots und Agents brauchen besonders klare Automationsgrenzen. Unternehmen sollten unterscheiden, welche Schritte sicher automatisiert werden dürfen, wo Human-in-the-loop nötig bleibt und welche Entscheidungen nie automatisch ausgelöst werden sollen. Logging, Audit Trails, Kostenlimits, Fallbacks und ein menschlicher Owner pro Workflow gehören deshalb nicht in die Nacharbeit, sondern ins Design (Zwingmann 2025; Bornet et al. 2025).

Mehr dazu: Agentische KI für Unternehmen, KI-Agenten sicher einführen und skalieren und als konkrete Anwendung KI im Kundenservice.