KI-Agenten und KI-Automatisierung 2026: Anbieter im Überblick

Abstract

Agentische Systeme verlagern KI vom Dialog in den Arbeitsablauf. Dieser Beitrag ordnet den Stand im November 2026: Begriffe, Leistungsmessung, Architektur, Anbieter, Sicherheit, Recht und Wirtschaftlichkeit. Drei Befunde stehen im Mittelpunkt. Erstens wächst die messbare Leistungsfähigkeit schneller als die betriebliche Wirkung. Zweitens entscheidet das System um das Modell oft stärker über die Qualität als die Modellwahl. Drittens ist Prompt Injection nach heutigem Stand nicht vollständig lösbar und muss architektonisch begrenzt werden.

40 %der Großunternehmen skalieren Agenten [5]

22 %der kleineren Organisationen [5]

37 %berichten eine EBIT-Wirkung durch KI [5]

57 %der deutschen Firmen ab 20 Beschäftigten setzen KI ein [6]

1 Einleitung

Bis vor Kurzem war generative KI vor allem ein Dialog: Eine Person fragt, ein Modell antwortet. Agentische Systeme erhalten dagegen ein Ziel, wählen Werkzeuge und arbeiten über viele Schritte. Damit ändert sich die zentrale Frage. Sie lautet nicht mehr nur, wie gut ein Modell antwortet, sondern unter welchen Bedingungen man ihm Handlungen anvertrauen kann.

Der Beitrag richtet sich an Entscheider und technische Leitungen in kleinen und mittleren Unternehmen. Er trennt bewusst zwischen gemessenen Befunden, Herstellerangaben und unserer eigenen Einschätzung.

2 Begriffe und Autonomiestufen

Definition. Ein KI-Agent ist ein System, das zu einem gegebenen Ziel zur Laufzeit selbst entscheidet, welche Schritte und Werkzeuge es einsetzt, die Ergebnisse beobachtet und den Vorgang fortsetzt, bis ein Abbruchkriterium erreicht ist.

KI-Automatisierung ist der weitere Begriff. Sie umfasst auch fest vorgegebene Abläufe mit einzelnen Modellaufrufen. Die Grenze ist fließend, und gute Systeme verbinden beides: Der Rahmen steht fest, an einzelnen Stellen entscheidet das Modell.

Die verbreitete Formel lautet Agent = Modell + Harness [1]. Der Harness umfasst Werkzeuge, Kontext, Gedächtnis und Kontrollschleifen. Abbildung 1 zeigt die Beziehungen als Domänenmodell.

Abb. 1. Domänenmodell eines agentischen Systems. Der Lauf ist die prüfbare Einheit: Er trägt Kosten, Status, Freigaben und Protokoll. Eigene Darstellung.

Autonomiestufen

Für die Praxis hilft eine Einteilung nach Handlungsmacht. Die Stufen sind eine eigene Arbeitsdefinition. Schieb den Regler, um eine Stufe hervorzuheben.

AutonomiestufeStufe 1

Tabelle 1: Autonomiestufen
Stufe	Der Agent …	Verantwortung
0 Auskunft	liest und antwortet	Mensch, der die Antwort nutzt
1 Vorschlag	legt einen Entwurf an, der nichts bewirkt	Mensch, der bestätigt
2 Freigabe	handelt erst nach Bestätigung	Mensch, der freigibt
3 Nachkontrolle	handelt, Mensch prüft danach	geteilt, nur bei billigen und umkehrbaren Schritten
4 Vollautonom	handelt ohne Menschen	in sensiblen Bereichen nicht vertretbar

3 Stand der Technik

Leistungsfähigkeit

Die bekannteste Messgröße stammt von METR: der Time Horizon, also die Länge von Aufgaben, die ein Modell mit gegebener Wahrscheinlichkeit löst. Für den Frühling 2026 schätzte METR den 50-%-Horizont des fähigsten geteilten Modells auf rund zwölf Stunden, bei großer Unsicherheit [3].

Drei Einschränkungen sind wichtig. Die Aufgaben stammen vor allem aus Softwareentwicklung, Machine Learning und Cybersicherheit. Messungen über 16 Stunden gelten mit dem aktuellen Aufgabensatz als unzuverlässig, und METR pflegt die Übersichtsseite nicht mehr aktiv [2]. Bei GPT-5.6 Sol hielt METR die Werte zudem nicht für robust, weil das Modell Fehler der Testumgebung ausnutzte [4]. Damit stößt die Messung selbst an Grenzen.

Verbreitung

McKinsey befragte 1.719 Personen in 97 Ländern. Rund 40 % der Befragten aus Organisationen mit über einer Milliarde Dollar Umsatz berichten, Agenten in mindestens einer Funktion zu skalieren, nach 27 % im Vorjahr. Bei kleineren Organisationen blieb der Wert bei 22 %. Eine EBIT-Wirkung nennen weiterhin nur 37 % [5].

In Deutschland nutzen laut Bitkom 57 % der Firmen ab 20 Beschäftigten KI, 2024 waren es 20 %. 59 % sagen aber, sie nutzten die Möglichkeiten überhaupt nicht umfassend [6]. Der Engpass liegt also weniger beim Zugang als bei der betrieblichen Einbettung.

4 Architektur agentischer Systeme

Die Schleife

Formal ist jeder Agent ein Zustandsautomat. Abbildung 2 zeigt ihn mit den beiden Ausgängen, die in der Praxis über die Sicherheit entscheiden: Budget und Freigabe. Probier die Szenarien aus.

Abb. 2. Lebenszyklus eines Agentenlaufs als UML-Zustandsdiagramm. Eigene Darstellung.

Wähle ein Szenario.

Loop Engineering

Eine neue Stufe verlagert die Steuerung weiter nach außen: Entwickler bauen Systeme, die Agenten nach Zeitplan oder Ereignis starten. Die Praxisliteratur empfiehlt prüfbare Abbruchbedingungen, Zustandsdateien, Verifier, Token-Budgets und Eskalationspunkte. Lulla u. a. fanden solche Loops jedoch nur in 217 von 36.710 untersuchten Repositories, rund 0,6 %. Systematische Belege für den Nutzen fehlen nach ihrer Auswertung noch [11].

Protokolle

Zwei offene Standards ordnen das Feld. MCP verbindet Agenten mit Werkzeugen und Daten. A2A regelt die Kommunikation zwischen Agenten über Organisationsgrenzen. Beide ergänzen sich [9]. MCP liegt seit Dezember 2025 bei der Agentic AI Foundation der Linux Foundation, gemeinsam mit goose und AGENTS.md [10]. Die Revision vom 28. Juli 2026 macht MCP zustandslos: Sitzungen und Handshake entfallen, Dynamic Client Registration gilt als veraltet [8]. A2A hat seit April 2026 eine stabile Version 1.0 und über 150 unterstützende Organisationen [9].

Abb. 3. Schreibende Aktion über ein MCP-Gateway. Ergebnisse gelten als Fremdinhalt, das Gateway prüft die Rechte vor der Ausführung. Eigene Darstellung.

5 Anbieterlandschaft

Der Markt lässt sich in Schichten lesen. Die Reihenfolge stellt keine Rangfolge dar. Eine neutrale Gesamtwertung existiert nicht; die bekannten Rankings zählen meist GitHub-Sterne [1].

AnwendungAgentforce, Copilot Studio, Branchenlösungen

OrchestrierungUiPath Maestro, n8n, Make, Zapier

LaufzeitAgentCore, Managed Agents, Agents API

FrameworksLangGraph, ADK, Agent Framework, Agent SDKs

ProtokolleMCP, A2A

ModelleAnthropic, OpenAI, Google, Mistral

Tabelle 2: Frameworks, Versionen Stand 17.10.2026 [13]
Produkt	Schwerpunkt	Version	Passt, wenn
LangGraph	Graphen, Checkpoints, Human-in-the-Loop	1.2 Py / 1.5 JS	die Schrittfolge zählt
OpenAI Agents SDK	Handoffs, Guardrails, serialisierbarer Zustand	0.24 Py	OpenAI-Modelle gesetzt sind
Claude Agent SDK	Loop von Claude Code als Bibliothek, Hooks	0.2 Py / 0.3 TS	Agenten mit Dateien und Shell arbeiten
Google ADK	viele Sprachen, Evals, Live-Streaming	2.12 Py	Gemini und Google Cloud gesetzt sind
Microsoft Agent Framework	Orchestrierungsmuster, Checkpoints, LTS	1.22 Py	.NET und Azure gesetzt sind
Pydantic AI	typisierter Loop, Modellwechsel, Durable-Engines	2.57	Python-Backends typisiert sein sollen
CrewAI	Rollenteams und Flows	1.15	Teams in festen Flows laufen
Mastra	TypeScript-Komplettpaket	1.78	Workflows pausieren müssen
Vercel AI SDK	Tool-Loop nah an der Oberfläche	7.0	Web-Produkte im Fokus stehen
LlamaIndex	Konnektoren, Indizes, Retrieval	0.14	eigene Dokumente im Zentrum stehen

Tabelle 3: Laufzeiten und Plattformen
Anbieter	Einordnung	Zu beachten
Amazon Bedrock AgentCore	Runtime, Memory, Gateway, Identity, Policy und weitere Dienste; framework-offen [14]	bindet Betrieb an AWS
Claude Managed Agents	gehosteter Agent mit Sandbox, optional eigene Sandbox [15]	Beta; laut Doku nicht für Zero Data Retention geeignet
Mistral Agents API, Le Chat Enterprise	europäischer Anbieter mit Connectors und Gedächtnis [18]	Funktionsumfang im Einzelfall prüfen
UiPath Maestro	orchestriert Agenten, Roboter und Menschen [16]	sinnvoll bei bestehender RPA-Landschaft
Salesforce Agentforce	Agenten auf CRM-Daten, Agentforce 360 seit Oktober 2025 [17]	Wert hängt am Salesforce-Datenbestand
n8n	selbst hostbare Automatisierung mit Agenten-Knoten [19]	steilere Lernkurve
Zapier, Make	schneller Einstieg, viele Integrationen [19]	Cloud-Betrieb, Kosten je Vorgang prüfen

Offenlegung: VARTAKT arbeitet selbst mit Claude Code und ist auch sonst keine neutrale Partei. Wir verkaufen Umsetzung. Die Tabellen geben Hersteller- und Fachquellen wieder, keine eigenen Vergleichstests.

6 Empirische Befunde zum Harness

Marmelab hat im September 2026 246 Repositories und 57 Publikationen ausgewertet [1]. Die Ergebnisse sind teils Herstellerangaben, die Richtung ist aber aufschlussreich:

Erfolgsrate, schwächster Harness (Composio)68 %

Erfolgsrate, stärkster Harness, gleiches Modell88 %

Harnesses ohne Test oder Eval60 %

Technisch abgesicherte Sicherheitsregeln4,4 %

Der Harness zählt: Mit demselben Modell lag die Erfolgsrate je nach Harness zwischen 68 und 88 %.
Mehr Agenten sind nicht automatisch besser: Ein Vier-Rollen-Team erreichte 72,2 % gegen 71,8 % für den besten Einzelagenten.
Mehr Kontext ist nicht automatisch besser: Maschinell erzeugte Kontextdateien senkten den Erfolg leicht, die Kosten stiegen um über 20 % [12].
Harnesses altern: Regeln für ältere Modelle werden mit neuen Modellen überflüssig.

7 Sicherheit

Die OWASP Top 10 für agentische Anwendungen vom Dezember 2025 nennen unter anderem Zielübernahme, Werkzeugmissbrauch, Rechtemissbrauch, Lieferkette, vergiftetes Gedächtnis und Kaskadenfehler [20]. Prompt Injection führt weiterhin die allgemeine GenAI-Liste an. Der Co-Vorsitzende des OWASP-GenAI-Projekts sagt, dass es dafür keine bekannte endgültige technische Lösung gebe [21].

Folgerung. Ein Agent, der fremde Inhalte liest, ist als potenziell beeinflusst zu behandeln. Schutz entsteht deshalb nicht im Prompt, sondern durch Begrenzung: enge Rechte, getrennte Identitäten, Freigabe vor Wirkung nach außen, Protokoll und Budget.

Hier klafft die größte Lücke: Viele Regeln stehen nur als Text in Anweisungsdateien. Durchgesetzt werden müssen sie dort, wo die Aktion stattfindet, also in Hooks, Gateways und Tests [1].

8 Rechtlicher Rahmen in der EU

Der Digital Omnibus on AI, Verordnung (EU) 2026/1744, hat die Fristen des AI Act verschoben [23].

02.08.2026Art. 50: Hinweis auf KI-Interaktion gilt grundsätzlich [22]
02.12.2026Art. 50 Abs. 2: Übergangsfrist für Kennzeichnung bei Altsystemen [22]
02.12.2027Hochrisiko nach Anhang III [22]
02.08.2028Hochrisiko nach Anhang I, also KI in regulierten Produkten [22]

Daneben bleibt die DSGVO maßgeblich: Rechtsgrundlage, Auftragsverarbeitung, Datenminimierung und bei sensiblen Daten oft eine Folgenabschätzung. Berufsgeheimnisträger müssen zusätzlich prüfen, an wen Daten überhaupt fließen dürfen. Dieser Abschnitt ersetzt keine Rechtsberatung.

9 Wirtschaftlichkeit

Gartner erwartete im Juni 2025, dass bis Ende 2027 über 40 % der agentischen KI-Projekte eingestellt werden, wegen Kosten, unklarem Nutzen oder schwacher Risikokontrolle [7]. Die Prognose ist über ein Jahr alt, passt aber zur EBIT-Lücke in Abschnitt 3. Für die Bewertung eines Ablaufs genügt oft ein einfaches Modell:

Monatlicher Nettonutzen = Vorgänge × (Minuten vorher − Minuten nachher) ÷ 60 × Stundensatz − Betriebskosten

Vorgänge pro Monat Minuten vorher Minuten nachher, mit Prüfung Stundensatz in € Betriebskosten in € 1.050 € pro Monat

Die Werte sind ein Rechenbeispiel, keine Messung. Die Prüfzeit des Menschen gehört in „Minuten nachher“. Sie wird am häufigsten vergessen.

10 Referenzarchitektur für den Mittelstand

Für kleine und mittlere Unternehmen empfehlen wir einen schmalen Aufbau: ein Ablauf, wenige Werkzeuge, Daten und Modelle mit klarer Region, alle Schreibzugriffe über ein Gateway.

Abb. 4. Referenzarchitektur als UML-Verteilungsdiagramm. Die Trennung von Modell, Daten und Anwendung erlaubt spätere Anbieterwechsel. Eigene Darstellung.

Die Einführung folgt besser einem Prüfpfad als einem Großprojekt. Der wichtigste Ausgang ist der linke: Wenn der Nutzen unklar bleibt, baut man keinen Agenten.

Abb. 5. Einführungsweg als UML-Aktivitätsdiagramm. Eigene Darstellung.

11 Prognosen

Gartner erwartet, dass bis 2028 rund 15 % der täglichen Arbeitsentscheidungen autonom durch Agenten fallen und ein Drittel der Unternehmenssoftware agentische KI enthält [7]. Beides stammt aus 2025 und ist mit Vorsicht zu lesen. Unsere eigene Einschätzung für die nächsten zwei Jahre, ausdrücklich ohne empirischen Beleg:

Vom Modell zum Betrieb. Unterschiede entstehen stärker bei Betrieb, Messung und Integration als beim Modell.
Kleinere Harnesses, strengere Kontrollen. Anleitungen schrumpfen, technische Durchsetzung wächst.
Standards setzen sich durch. MCP und A2A werden zur Grundausstattung, und viele Sonderschnittstellen verschwinden.
Branchenagenten gewinnen. Fachlogik und saubere Daten werden wertvoller als allgemeine Assistenten.
Messung wird schwieriger. Benchmarks geraten an Grenzen, eigene Evals werden wichtiger.

12 Fazit

Die Technik ist weiter als die meisten Betriebe. Das bedeutet nicht, dass Unternehmen hinterherlaufen müssen. Es bedeutet, dass der Engpass nun in der Auswahl des richtigen Ablaufs, in der Begrenzung von Risiken und in ehrlicher Messung liegt.

Das Modell liefert die Fähigkeit. Das System liefert das Vertrauen.

Wer heute startet, sollte klein anfangen, offene Standards nutzen und den Menschen dort im Ablauf halten, wo Fehler teuer sind. Mehr Praxis dazu steht in KI-Harness 2026, Die neuesten Ansätze und Startup Brain. Wenn du prüfen willst, wo KI-Automatisierung in deinem Betrieb trägt, sprich mit uns.

Häufige Fragen

Was unterscheidet einen KI-Agenten von KI-Automatisierung?

Bei einer Automatisierung legt der Mensch die Schritte vorab fest. Ein Agent wählt die Schritte zur Laufzeit selbst, um ein Ziel zu erreichen. In der Praxis sind die meisten guten Systeme feste Abläufe mit einzelnen agentischen Schritten.

Welcher Anbieter für KI-Agenten ist der beste?

Eine neutrale Gesamtwertung gibt es nicht. Die Wahl hängt von vorhandener Cloud, Programmiersprache, Modellbindung und Datenschutz ab.

Was bedeutet der EU AI Act für KI-Agenten?

Die Transparenzpflichten aus Art. 50 gelten grundsätzlich seit dem 2. August 2026. Die Hochrisiko-Pflichten für Anhang III wurden auf den 2. Dezember 2027 verschoben, für Anhang I auf den 2. August 2028.

Literatur und Methode

Stand: 1. November 2026. Das Feld ändert sich schnell, Versionen und Funktionen können veraltet sein. Grundlage sind Primärquellen, wo sie zugänglich waren. Die McKinsey-Zahlen und einige OWASP-Details stammen aus Zusammenfassungen, Tabelle 2 aus einem Fachblog, die Marmelab-Zahlen teils aus zitierten Studien und Herstellerangaben.

In short

A research-style overview of agentic AI and AI automation in November 2026: definitions, performance, architecture, vendors, security, EU law, economics and forecasts.

KI-Agenten 2026: Stand, Anbieter, Architektur