Der Wettlauf um KI-Agenten für Unternehmen: Wer baut die Werkzeuge für autonome Arbeit?
Die Definition eines KI-Agenten ist tatsächlich umstritten – und genau das macht den Markt für KI-Agenten-Software so groß wie unübersichtlich. Im weitesten Sinne ist ein KI-Agent jedes System, das eine Anweisung entgegennimmt, eine Abfolge von Schritten plant, diese mithilfe von Tools oder APIs ausführt und ein Ergebnis liefert – ohne dass ein Mensch jeden Schritt bestätigen muss. Im engsten Sinne ist ein Agent nichts weiter als ein Sprachmodell mit einer Tool-Aufrufschleife. Die Lücke zwischen diesen Definitionen umfasst den Großteil dessen, was 2025 und 2026 entwickelt und finanziert wird.
Die Investitionszahlen sprechen eine klare Sprache. Laut dem AI-Report 2025 von Sequoia sind autonome Agenten die am stärksten finanzierte KI-Teilkategorie nach Deal-Anzahl, mit über 4 Milliarden US-Dollar, die allein 2024 und 2025 in Agenten-Plattformen geflossen sind. Salesforce Ventures, a16z, Lightspeed und Khosla haben jeweils mehrere Wetten auf Agenten platziert. Die strategische Logik ist simpel: Wenn KI von der Beantwortung von Fragen zur Erledigung von Aufgaben übergeht, verschiebt sich der wirtschaftliche Wert von den Inferenzkosten (die zunehmend zur Commodity werden) hin zur Orchestrierungsebene, den Integrationen, den Gedächtnissystemen und den Zuverlässigkeitsgarantien, die Agenten vertrauenswürdig genug machen, um sie unbeaufsichtigt laufen zu lassen.
Was Enterprise-Agenten tatsächlich leisten
Die Anwendungsfälle, die am meisten Anklang finden, sind erwartungsgemäß diejenigen mit dem klarsten Return on Investment. Sales Development – also KI-Agenten, die potenzielle Kunden recherchieren, Outreach-Texte verfassen, Sequenzen verwalten und qualifizierte Leads an menschliche Mitarbeiter weiterleiten – ist heute wahrscheinlich die am weitesten verbreitete Agenten-Kategorie in Unternehmen. 11x, Artisan und mehrere andere Startups haben sich genau hier positioniert und konkurrieren mit etablierten Sales-Automation-Anbietern wie Outreach und Salesloft, indem sie KI-Agenten statt regelbasierter Automatisierung anbieten.
Kundenservice ist die andere Kategorie mit hoher Akzeptanz. Sierra, gegründet von Bret Taylor und Clay Baird und mit 175 Millionen US-Dollar von Sequoia und anderen Investoren unterstützt, hat eine Conversational-AI-Plattform speziell für den Kundenservice entwickelt, die komplexe, mehrstufige Interaktionen abwickelt – von Retouren über Rechnungsstreitigkeiten bis hin zur technischen Fehlerbehebung. Das Unternehmen gibt an, dass Kunden über 70 % des Kontaktvolumens in Callcentern automatisieren. ServiceNow, Zendesk und Salesforce arbeiten mit Hochdruck daran, Agenten-Funktionen in ihre bestehenden Plattformen zu integrieren, um sich gegen Sierra und ähnliche Startups zu behaupten.
Software-Engineering-Agenten haben die meiste mediale Aufmerksamkeit erhalten: GitHub Copilot Workspace, Devin von Cognition, SWE-agent und ein Dutzend weiterer Produkte versprechen, Programmieraufgaben autonom auf Basis einer Spezifikation zu erledigen. Die Ergebnisse sind real, aber begrenzt: Aktuelle Agenten können gut abgegrenzte, isolierte Tickets zuverlässig bearbeiten, scheitern jedoch an großen Codebasen, komplexen Architekturentscheidungen und Aufgaben, die ein Verständnis für unausgesprochenen organisatorischen Kontext erfordern.
Die Infrastruktur-Ebene
Unterhalb der anwendungsorientierten Agenten-Startups hat sich ein Infrastruktur-Ökosystem entwickelt, das die gemeinsamen Probleme aller Agenten löst. LangChain und sein kommerzielles Angebot LangSmith bieten Orchestrierungs-Frameworks und Observability. Composio stellt Integrationsinfrastruktur bereit – vorgefertigte Konnektoren zu über 250 Enterprise-SaaS-APIs, sodass Agenten in Gmail, Salesforce, Slack, Jira und anderen Systemen agieren können, ohne dass Entwickler jedes Mal individuelle Integrationen bauen müssen. E2B bietet sichere Sandbox-Umgebungen für die Codeausführung, und Recall.ai kümmert sich um die Infrastruktur für Meeting-Bots, damit Agenten an Videocalls teilnehmen können.
Ein oft unterschätztes Problem für Agenten ist das Gedächtnis. Das Kontextfenster eines Sprachmodells ist begrenzt; ein Agent, der eine mehrtägige Aufgabe bearbeitet, muss sich daran erinnern, was er vor Stunden oder Tagen entschieden hat. Mehrere Startups – darunter Letta (ehemals MemGPT), Mem und andere – entwickeln explizite Gedächtnissysteme für Agenten: strukturierte Speicherung, Abruf und Aktualisierung des Agentenstatus, die über Sitzungen hinweg bestehen bleiben und die Grenzen des Kontextfensters überwinden.
Die Zuverlässigkeitslücke
Die zentrale Herausforderung der Branche ist ein Wort, das in Finanzierungsankündigungen zu selten fällt: Zuverlässigkeit. Ein Mensch, der eine Aufgabe erledigt, scheitert oder gelingt auf elegante Weise – wenn etwas Unerwartetes passiert, bemerkt er es und passt sich an. Ein autonomer KI-Agent in einem mehrstufigen Workflow kann dagegen stillschweigend scheitern, falsche Aktionen ausführen, die schwer rückgängig zu machen sind, oder in Wiederholungsschleifen stecken bleiben, die reale Konsequenzen haben (doppelt versendete E-Mails, doppelt eingereichte Transaktionen, fehlerhafte Daten in Systemen mit Aufzeichnungspflicht).
Produktive Enterprise-Einsätze haben ein Muster von Vorfällen offenbart, das zeigt, wo aktuelle Agenten versagen: wenn APIs unerwartete Antworten liefern, wenn die Aufgabenbeschreibung mehrdeutig ist, wenn eine erforderliche Berechtigung nicht im Voraus erteilt wurde oder wenn eine mehrstufige Aufgabe Kontext erfordert, der zu Beginn nicht verfügbar war. Die führenden Agenten-Plattformen haben stark in menschliche Eskalationsmechanismen investiert – sie entwickeln Agenten, die wissen, wann sie pausieren und um menschliche Bestätigung bitten sollten, statt mit geringer Sicherheit weiterzumachen.
Die Zuverlässigkeitsanforderungen an Unternehmenssoftware sind deutlich höher als bei KI für Endverbraucher. Ein Verbraucher, der einen Chatbot nutzt, der in 5 % der Fälle falsch liegt, ist leicht verärgert. Ein Enterprise-Agent, der Bestellungen bearbeitet und in 5 % der Fälle Fehler macht, ist ein Risiko. Etablierte Anbieter wie ServiceNow und SAP vermarkten ihre Agenten-Produkte daher gezielt mit Zuverlässigkeit und Nachvollziehbarkeit – und positionieren sich damit gegen KI-native Startups, deren beeindruckende Demos die Lücken in der Produktionsqualität kaschieren können.
Plattformen vs. Startups: Die Dynamik
Der bekannte Plattform-Wettbewerb spielt sich nun auch im Bereich KI-Agenten ab. Salesforce’s Agentforce, im September 2024 gestartet, ist ein direkter Versuch, die Enterprise-Agenten-Ebene für die 150.000 Kunden des Unternehmens zu besetzen. Microsofts Copilot für Microsoft 365, Ende 2024 mit autonomen Funktionen erweitert, zielt darauf ab, Agenten in die Office- und Teams-Workflows zu integrieren, in denen Unternehmensmitarbeiter bereits arbeiten. ServiceNows Now Assist mit Agenten-Funktionen richtet sich an IT-Operationen und HR-Workflows. Jede Plattform hat den Vorteil bestehender Integrationen, Datenhoheit, Vertrauen und Kundenbeziehungen.
Startups konkurrieren mit Innovationsgeschwindigkeit, Spezialisierung und der Fähigkeit, Anwendungsfälle zu bedienen, für die große Plattformen zu langsam sind. Die Frage für KI-Agenten-Startups ist, ob sie skalieren können, bevor Plattform-Anbieter ihren Kernwert zur Commodity machen – eine Frage, die jedes Enterprise-SaaS-Startup irgendwann stellt, die aber durch das hohe Tempo der KI-Entwicklung besonders dringlich wird.
Der Markt ist groß genug für mehrere erfolgreiche Modelle. Plattformen werden die generischen, horizontalen Anwendungsfälle dominieren. Spezialisierte vertikale Agenten – für Recht, Gesundheitswesen, Finanzdienstleistungen, Software-Engineering und wissenschaftliche Forschung – könnten als eigenständige Unternehmen in relevanter Größe bestehen bleiben. Und die Infrastruktur-Ebene – Orchestrierung, Gedächtnis, Integrationen, Observability – wird sich wahrscheinlich um einige wenige Standard-Tools konsolidieren, wie es zuvor bei Cloud-Infrastruktur und DevOps-Tooling der Fall war.
Die nächsten 18 Monate werden Klarheit bringen. Die Agenten-Produkte, die in produktiven Enterprise-Umgebungen messbaren ROI nachweisen, werden schnell wachsen. Diejenigen, die in Demos glänzen, aber mit den unauffälligen Zuverlässigkeitsanforderungen kämpfen, werden an natürliche Grenzen stoßen. Der Wettlauf um die besten Positionen findet jetzt statt – die Konsolidierung folgt.