Wann ein Agent Sinn macht

Wenn dein Prozess mehrere Tools, Entscheidungen und Datenquellen verkettet — und Menschen heute den Kleber spielen. Klassiker im Mittelstand: Ticket-Routing, KYC, Vertragsprüfung, Lead-Qualifizierung, Lager-Abgleich, B2B-Preisabfragen aus PDF-Anfragen.

Typisches Muster: eine Anfrage kommt rein (Mail, Webformular, ERP-Ticket), muss klassifiziert werden, dann werden Daten aus zwei oder drei Systemen zusammengezogen, eine Entscheidung gefällt, und am Ende landet eine Antwort, ein Eintrag oder ein neuer Workflow-Status irgendwo. Heute macht das jemand manuell — mit Kontextwechsel, copy-paste und 60 % Wartezeit auf andere Systeme. Ein gut gebauter Agent erledigt genau diese Verkettung, ohne dass jemand zugucken muss.

Was wir konkret bauen

ERP-Agenten für Odoo, SAP, Microsoft Dynamics und Sage — strukturiert lesen und schreiben, mit Rollback und Audit-Log
Ticket-Agenten, die eingehende Service-Anfragen klassifizieren, Stammdaten anreichern und an die richtigen Teams routen (mit Auto-Antwort, wo der Fall klar ist)
Lead-Qualifier, die Webformulare gegen Firmendatenbanken matchen und nur qualifizierte Leads ans Sales-Team weitergeben
B2B-Angebots-Agenten, die Preis-Anfragen aus PDFs oder Mails parsen, gegen Konditions-Logik prüfen und einen Angebotsentwurf erzeugen
Lager- und Bestandsabgleich zwischen ERP, Shopsystem und Marketplace, inklusive Anomalie-Erkennung

In jedem Fall: Memory zwischen Schritten, typisierte Tool-Schnittstellen, strukturiertes Error-Handling und vollständige Audit-Trails.

Architektur

Wir bauen nicht “ein LLM-Chatbot mit ein paar APIs daran”, sondern saubere Agent-Pipelines: zentrale Orchestrierung über LangGraph oder das OpenAI Agents SDK, typisierte Tools (Python-Funktionen mit JSON-Schemas), klar definierte Memory-Schichten (Session, Long-Term, Tool-State) und durchgehende Observability über LangSmith, Logfire oder eigenes Telemetrie-Setup.

Für regulierte Branchen läuft der Agent auf eurer Infrastruktur — on-prem oder in einer EU-Region eures Cloud-Providers — und nutzt nur Modelle, die mit eurem Compliance-Setup vereinbar sind (Azure OpenAI EU, lokale Llama-/Mistral-Modelle, oder eine Mischung).

ERP-Integration

Wir docken direkt an dein ERP an — Odoo, SAP, Microsoft Dynamics, Sage, oder Custom. Agents lesen und schreiben strukturiert, mit Rollback und Audit-Log. Kein Frontend-Hack, sondern saubere API/RPC-Layer.

Konkret heißt das: pro Agent-Aktion erzeugen wir einen ERP-Datensatz mit Quelle, Zeitstempel, eingesetztem Modell und User-Kontext. Wer im Nachhinein nachvollziehen will, warum der Agent etwas getan hat, klickt im ERP auf den Datensatz und sieht den vollständigen Reasoning-Pfad. Das ist nicht optional, sondern in jedem Audit, jeder DORA-Prüfung und jedem EU-AI-Act-konformen Setup die einzige Antwort, die zählt.

Human-in-the-Loop

Nicht jede Entscheidung darf der Agent autonom treffen. Wir definieren zusammen mit euch Schwellen: bis zu welchem Auftragsvolumen, welcher Kundenkategorie oder welchem Risiko-Score darf der Agent durchziehen — ab wann muss ein Mensch bestätigen. Die Schwelle wandert oft im Lauf der ersten Monate, weil das Vertrauen mit den ersten messbaren Ergebnissen wächst.

Wann nicht

Wenn dein Prozess deterministisch ist (Regelwerk reicht) oder wenn die Fehlerkosten höher sind als jede Effizienzgewinnung. Wir sind ehrlich darin — auch wenn das heißt: kein Projekt.

Auch nicht sinnvoll: Agenten als Marketing-Showcase, ohne echten Backoffice-Pain. Wer “irgendwas mit AI” will, sollte erst die schmerzvollsten Workflows identifizieren und dann fragen, ob ein Agent dort wirklich schneller ist als ein RPA-Skript, eine Automatisierung in n8n oder eine saubere Excel-Vorlage. Oft ist die Antwort: nein, vorerst nicht — und das ist auch okay.