Arten von AI Agents: Eine praktische Taxonomie für Unternehmen

„AI agent" wird für alles Mögliche verwendet, vom Chatbot bis zum System, das über Nacht Ihre Kreditorenbuchhaltung erledigt. Diese Unschärfe macht es schwer zu entscheiden, was zuerst gebaut werden soll. Deshalb sortiert diese Seite agents in eine Taxonomie, die Sie tatsächlich nutzen können, um ein Projekt abzugrenzen.

Es gibt nicht die eine richtige Art, agents zu klassifizieren. Es gibt vier nützliche, und jede beantwortet eine andere Frage, die ein Käufer stellt. Wie viel Freiraum gebe ich ihm? Wie viele bewegliche Teile hat er? Wie breit ist seine Aufgabe? Und welches Team besitzt ihn? Schneiden Sie den Raum auf diese vier Arten, und aus einer vagen Kategorie wird eine Shortlist. Für jeden Typ unten nennen wir einen echten Blueprint, den Sie öffnen und kopieren können.

Wenn Sie zuerst das Fundament wollen, legt was Business AI eigentlich ist das Vokabular fest, auf dem der Rest dieser Taxonomie aufbaut.

Nach Autonomie: Wie viel er selbst entscheidet

Der erste und wichtigste Schnitt. Autonomie ist, wie weit ein agent gehen darf, bevor ein Mensch eingreifen muss. Niedrige Autonomie ist sicher und vorhersehbar. Hohe Autonomie ist mächtig und riskanter. Die meisten realen Deployments liegen in der Mitte und verdienen sich mit der Zeit mehr Freiraum.

Drei Bänder decken fast alles ab:

Ein reaktiver agent ist die Tagging-Schicht auf einem geteilten Posteingang: Nachricht kommt rein, er labelt und routet, fertig. Ein deliberativer agent recherchiert einen Account, entwirft eine Sequence und wartet, bis ein Rep auf Senden klickt. Ein autonomer agent nimmt eine eingehende Rechnung, gleicht sie mit einer Bestellung ab, bucht sie und zeigt nur die Ausnahmen an. Der Blueprint AI Invoice AP Agent ist ein klares Beispiel für dieses letzte Band, mit den Leitplanken, die es sicher machen, es unbeaufsichtigt laufen zu lassen.

Die praktische Regel: Starten Sie ein Band niedriger, als Sie denken zu brauchen. Ein agent, der bei seinen ersten hundert Aktionen um Freigabe bittet, baut das Vertrauen und den Audit-Trail auf, den Sie wollen werden, bevor Sie ihn allein laufen lassen. Für das tiefe Ende dieses Spektrums behandelt das Autonomous Agent Pattern, wo volle Autonomie sich auszahlt und wo sie Ihnen schadet.

Nach Architektur: Ein Agent vs. viele, die zusammenarbeiten

Der zweite Schnitt betrifft die Struktur. Ist das ein agent, der eine Aufgabe erledigt, oder ein Team von agents, koordiniert von einem Manager? Die Antwort ändert, wie Sie bauen, debuggen und budgetieren.

Ein einzelner agent hat eine Rolle, einen Satz Tools und einen Prompt. Er ist leichter zu durchschauen, günstiger im Betrieb und die richtige Standardwahl für eine abgegrenzte Aufgabe. Die meisten Blueprints in dieser Library sind Single Agents. Wenn eine Person die Aufgabe in einem Satz beschreiben könnte, kann ein einzelner agent sie meist erledigen.

Ein Multi-Agent-System teilt eine größere Aufgabe auf Spezialisten auf. Die gängige Form ist Orchestrator-Worker: Ein Lead-Agent zerlegt das Ziel in Teile, gibt jedes an einen Worker-Agent weiter und fügt die Ergebnisse wieder zusammen. Denken Sie an eine Rechercheaufgabe, bei der ein agent Quellen sammelt, ein anderer Fakten prüft und ein dritter die Zusammenfassung schreibt. Das bringt Ihnen Spezialisierung und Parallelität. Es vervielfacht aber auch die Fehlerquellen, die Token-Kosten und die Debugging-Fläche.

Greifen Sie nicht zu Multi-Agent, weil es fortschrittlich klingt. Greifen Sie dazu, wenn der Prompt eines einzelnen agents lang und widersprüchlich wird oder wenn Teile der Arbeit tatsächlich parallel laufen. Bis dahin schlägt ein guter Single Agent ein fragiles Komitee aus mehreren.

Nach Scope: Enge Task-Agents vs. breite autonome Agents

Der dritte Schnitt ist die Breite der Aufgabe, und er wird leicht mit Autonomie verwechselt. Sie sind unterschiedlich. Ein enger agent kann innerhalb seiner Spur trotzdem hochautonom sein; ein breiter agent kann trotzdem um Freigabe bitten. Scope geht darum, wie viele Aufgabentypen der agent besitzt.

Ein enger Task- oder Workflow-Agent besitzt eine wiederholbare Aufgabe mit klaren Inputs und Outputs. Er kennt seine Spur und bleibt darin. Der AI CRM Hygiene Agent ist ein gutes Bild davon: Datensätze deduplizieren, Lücken füllen, veraltete Deals kennzeichnen. Er versucht nicht, Ihren Sales-Prozess zu führen. Er hält die Daten sauber, jeden Tag, und genau dieser Fokus macht ihn zuverlässig.

Ein breiter agent umfasst viele Aufgabentypen auf ein größeres Ergebnis hin und entscheidet unterwegs, welche Teilaufgabe als Nächstes ansteht. Das kommt dem Pitch vom „digitalen Kollegen" näher. Es ist auch dort, wo sich Scope Creep versteckt: Je breiter das Mandat, desto schwerer ist es, für jeden Fall Regeln zu schreiben, und desto öfter sollte er übergeben.

Für ein Business-Team gewinnt eng zuerst. Enge agents sind leichter zu messen, leichter zu vertrauen und zeigen ROI schneller. Reihen Sie mehrere enge agents aneinander, und Sie erhalten den größten Teil des Werts eines breiten, mit weit weniger Risiko. Wählen Sie die Breite passend zum Problem, nicht zum Ehrgeiz, und nutzen Sie choosing the right AI pattern, um sie ehrlich zu dimensionieren.

Nach Geschäftsfunktion: Agents auf das Organigramm gemappt

Der letzte Schnitt ist der, nach dem Käufer tatsächlich einkaufen. Niemand fragt nach einem „deliberativen Single-Agent". Sie fragen: „Was kann KI für mein Support-Team tun?" Hier also die Taxonomie, gemappt auf den Besitzer des agents, anhand der Blueprint-Gruppen in dieser Library.

Zwei Dinge sind hier bemerkenswert. Erstens hat jede Funktion sowohl eingehende als auch ausgehende Arbeit. Auf der Sales-Seite treibt der AI SDR Agent das Outbound voran, während der AI Reply Agent die eingehende Seite desselben Posteingangs übernimmt. Beide zu koppeln ist besser, als einen einzigen agent über beide hinweg zu spannen.

Zweitens ist die Funktionssicht diejenige, mit der Sie Ihr Kaufgespräch beginnen sollten, um dann nach unten zu übersetzen. Wählen Sie das Team mit der repetitivsten, regelintensivsten Arbeit, wählen Sie den engen agent, der eine schmerzhafte Aufgabe besitzt, und setzen Sie seine Autonomie ein Band niedriger, als sich angenehm anfühlt. Das ist ein abgegrenztes Projekt, kein Wissenschaftsexperiment.

Wie die vier Schnitte zusammenwirken

Das sind keine konkurrierenden Systeme. Es sind vier Dimensionen desselben agents, und eine echte Spezifikation nennt alle vier. Der AI Invoice AP Agent ist autonom (nach Autonomie), Single Agent (nach Architektur), eng (nach Scope) und Finance (nach Funktion). Schreiben Sie diese vier auf, und Sie haben die Sache präzise genug beschrieben, um sie zu bauen oder zu kaufen.

• Autonomie legt Ihr Risiko- und Freigabemodell fest.
• Architektur legt Ihre Baukosten und Debugging-Fläche fest.
• Scope legt fest, wie leicht er zu messen und zu vertrauen ist.
• Funktion legt fest, wer ihn besitzt und wo der ROI sichtbar wird.

Der häufigste Fehler ist, allein nach Funktion auszuwählen und dann zu spät festzustellen, dass die Aufgabe mehr Autonomie brauchte, als das Team bereit war zu gewähren, oder einen Multi-Agent-Bau, den das Budget nicht abdeckte. Nennen Sie alle vier von Anfang an, und die Überraschungen schrumpfen.

Was die Zahlen darüber sagen, wohin das führt

Die Richtung der Entwicklung ist wichtig dafür, wie viel Autonomie Sie einplanen, und die ehrliche Lesart ist, dass der Wert zuerst in den vielbeschäftigten, regelintensiven Funktionen aus der Tabelle oben sichtbar wird.

Gartner legt echte Stunden dahinter. Eine Gartner-Umfrage unter 210 Chief Sales Officers Anfang 2026 ergab, dass KI Verkäufern fast fünf Stunden pro Woche spart, aber 72 % der Sales-Organisationen diese Zeit nicht in wertschöpfende Arbeit reinvestieren. Die Lehre für Käufer von agents: Die Zeiteinsparungen sind real, aber ein enger agent zahlt sich nur aus, wenn Sie die freigewordenen Stunden auf die Gespräche umlenken, die ein agent nicht führen kann.

McKinsey legt Zahlen auf den Nutzen. Seine Forschung zu KI-gestütztem Marketing und Sales berichtet, dass reife Implementierungen Leads um mehr als 50 % steigern und Prospecting-Kosten um bis zu 60 % senken können. Diese Zuwächse landen in denselben Sales- und Marketing-Funktionen, auf die die Taxonomie mappt, weshalb der Funktionsschnitt der ist, wo sich die Investition für die meisten Teams zuerst amortisiert. Die Taxonomie ist nicht akademisch. Sie verfolgt, wo der Wert sichtbar wird.