Die Welt der Customer Relationship Management (CRM)-Systeme und der allgemeinen Arbeitswelt wird derzeit von einem brandaktuellen Thema dominiert: KI-Agenten. Überall tauchen Werbespots auf, die suggerieren, eine Person könne sich in "zig Klone" vervielfältigen und so die Arbeitsweise revolutionieren. Doch ist das wirklich eine Revolution vergleichbar mit der Elektrifizierung oder der industriellen Revolution, oder handelt es sich lediglich um einen vorübergehenden Hype?In dieser Podcastfolge beleuchten Stefan Wendt und Dominik Enzler den aktuellen Stand der Dinge, Anwendungsbereiche und Herausforderungen von KI-Agenten.
Im Gegensatz zu herkömmlichen Chatbots oder regelbasierten Automatisierungen (wie Workflows), die auf spezifische Auslöser reagieren ("Wenn A, dann B"), zeichnen sich KI-Agenten durch ihre Autonomie und Lernfähigkeit aus.
Ein KI-Agent:
Handelt eigenständig und erkennt Aufgaben proaktiv.
Trifft selbstständig Entscheidungen basierend auf dem Kontext.
Ist lernfähig und passt seine Aktionen und Entscheidungen auf Grundlage früherer Interaktionen und Erfahrungen an. Er erweitert sein "neuronales Netz" ständig.
Versteht Unternehmensumstände und kann lernen, wie im Unternehmen mit Kunden gesprochen wird oder Prozesse ablaufen.
Der Trend der KI-Agenten kommt maßgeblich aus Amerika. Große Technologieunternehmen wie Microsoft, Google, Apple, Salesforce und HubSpot sind auf den "Hype-Zug" aufgesprungen und haben eigene KI-Agenten oder Copiloten entwickelt.
Microsoft Copilot: Gut in die Office-Welt integriert und übergreifend nutzbar, auch wenn die Tiefgründigkeit der Lernfunktion kritisiert wird.
Google Copilot (basierend auf Gemini): Integriert in Anwendungen wie Gmail, schlägt Antworttexte vor. Die Qualität des Outputs wird jedoch oft als unzureichend empfunden.
Apple KI-Funktion: Bietet beispielsweise E-Mail-Zusammenfassungen und Priorisierungen in Apple-Apps.
HubSpot Agents: Direkt ins CRM integriert und anwendungsbasiert sehr hilfreich. Dazu gehören:
Customer Service Agent: Unterstützt bei Supportanfragen und nutzt Wissensdatenbanken.
Content Agent: Hilft bei der Erstellung von Landing Pages, Blog-Artikeln und der Recherche, greift dabei auf verschiedene LLMs wie Dolly, Midjourney, Perplexity oder Claude zu. Er ist im Marketing-Bereich besonders wertvoll.
Knowledge Base Agent: Durchsucht Unternehmens-Wissensdatenbanken und schlägt Artikel zur Reduzierung von Supportanfragen vor.
Prospecting Agent: Unterstützt im Outreach und bei der Unternehmensrecherche, kann individuelle E-Mails generieren. Aktuell funktioniert er aber nur auf Englisch, was die Nutzbarkeit für den deutschsprachigen Markt einschränkt.
Social Agent: Hilft bei Social Media, plant Beiträge und schlägt die beste Posting-Zeit vor.
Breeze: Ein allgemeiner, eingebauter Agent, der Vorschläge zur Gestaltung des Arbeitsalltags macht.
Salesforce Agent Force: Ähnlich den HubSpot-Agenten, z.B. der SDR (Sales Development Representative) Agent für Unternehmensrecherche und E-Mail-Erstellung.
Make (No-Code-Plattform): Ermöglicht das Erstellen eigener Agenten, die über verschiedene Tools hinweg agieren können (z.B. Slack, ChatGPT, Google Mail). Dies bietet weitreichende Use-Cases und große Flexibilität.
KI-Agenten bieten das Potenzial, bestimmte Aufgaben schneller und effizienter durchzuführen. Sie können die Arbeit durch den Tag besser strukturieren und sind besonders nützlich in Bereichen, die Deep Research erfordern oder personalisierte Interaktionen auf Basis von unstrukturierten Daten ermöglichen.
Besonders stark sind sie im:
Marketing: Der Content Agent kann Blogartikel und Landingpages mit passenden Bildern und generierten Inhalten auf den Kontext zugeschnitten erstellen. Diese Recherche-Arbeit ist sehr zeitintensiv und kann durch KI erheblich vereinfacht werden.
First-Level-Support: Da hier oft einfache, bereits dokumentierte Antworten benötigt werden, kann ein Customer Service Agent (z.B. der HubSpot Service Agent, gefüttert mit firmenspezifischen Dokumenten und Playbooks) sehr wertvoll sein.
Trotz des großen Potenzials gibt es erhebliche Hürden, die eine breite und unbedachte Nutzung von KI-Agenten erschweren:
Monetarisierung und Kosten: Die Entwicklung und der Betrieb von leistungsfähigen Large Language Models (LLMs) sind extrem rechenleistungs- und energieintensiv. Die Anschaffungskosten für Server sind sehr hoch, und Unternehmen haben noch keine wirklich gute Monetarisierungsstrategie.
Kredit-Systeme: Viele Anbieter, wie HubSpot, arbeiten mit Credits. Jede Aktion eines KI-Agenten verbraucht Credits, was schnell zu exponentiellem Kostenwachstum führen kann, wenn die Nutzung nicht sorgfältig geplant wird. Ein einziger Blogartikel oder eine einfache Service-Antwort kann mehrere Credits kosten.
ROI-Berechnung: Es ist entscheidend, individuell zu prüfen, wo der Einsatz eines KI-Agenten den Return on Investment (ROI) rechtfertigt und tatsächlich Stunden einspart.
Sprachbarrieren: Viele KI-Agenten, wie der HubSpot Prospecting Agent, funktionieren aktuell nur auf Englisch, was eine manuelle Übersetzung für den deutschsprachigen Markt erfordert und die autonome Arbeitsweise behindert.
Qualität des Outputs: Der Output von KI-Agenten, wie z.B. Google Gemini, erreicht nicht immer den gewünschten Qualitätsanspruch des Anwenders.
Datenschutz und Compliance: Ein sehr kritisches Thema, besonders für deutsche Unternehmen.
Datenverarbeitung: Bei der Nutzung von KI-Agenten sollte man darauf achten, dass sensible Informationen nicht unverschlüsselt an die LLM-Provider gelangen oder zum Trainieren der Modelle verwendet werden. Anbieter wie HubSpot und Google arbeiten daran, die Datenverarbeitung innerhalb Europas zu gewährleisten.
Achtung bei eigenen Agenten: Wenn man Agenten komplett selbst baut, werden Informationen oft direkt an Anbieter wie OpenAI geschickt. Es ist ratsam, die Option zur Modellweiterentwicklung zu deaktivieren.
Haftung: Ein entscheidender Punkt: Die Unternehmen, die den KI-Agenten nutzen, haften für falsche oder nicht rechtskonforme Informationen, die der Agent teilen sollte. Daher ist ein menschliches Überprüfen der Ergebnisse (z.B. bei Verträgen) unerlässlich.
KI-Agenten finden in jedem Geschäftsbereich des CRM Anwendung:
Vertrieb: Der Prospecting Agent kann unterstützen, doch der Vertrieb bleibt ein "People Business". Die Interaktionen sind oft zwischenmenschlich und qualitativ, was über quantifizierbare Daten hinausgeht. Der Einsatz muss hier gut überlegt sein, da viele Vertriebsaktivitäten hohe Kosten verursachen würden.
Marketing: Hier sind KI-Agenten, insbesondere der Content Agent, aufgrund ihrer Fähigkeit zur Deep Research und zur Generierung von Inhalten (Blogartikel, Landingpages) deutlich interessanter.
Service: Der Customer Service Agent kann bei Supportanfragen helfen und die Wissensdatenbank durchsuchen. Dies ist besonders sinnvoll für First-Level-Support und häufig gestellte Fragen.
Zusammenfassend lässt sich sagen: KI-Agenten sind kein reiner Hype, sondern bieten revolutionäre neue Möglichkeiten für die CRM-Welt und den Geschäftsalltag. Sie können die Arbeitsweise effizienter gestalten und neue Produkte ermöglichen.
Es ist jedoch entscheidend, KI-Agenten mit Bedacht zu nutzen und zu testen. Jedes Unternehmen muss individuell prüfen, welche Anwendungsbereiche sinnvoll sind, um einen positiven ROI zu erzielen und kein "exponentielles Kostenwachstum" zu verursachen. Themen wie Datenschutz, Compliance und die Notwendigkeit menschlicher Kontrolle und Haftung dürfen dabei niemals außer Acht gelassen werden.
Die CRM-Systeme werden deutlich intelligenter. Jetzt ist der beste Zeitpunkt, um "reinzuschnuppern" und Erfahrungen zu sammeln, denn die Entwicklung wird sich rasant fortsetzen.
Hast Du Fragen zu KI-Agenten und deren Nutzung iim CRM? Dann vereinbare einen individuellen Termin.
Wenn Du auch weiterhin zu den neuesten Trends rund um CRM auf dem Laufenden bleiben willst, dann abonniere jetzt hier unseren kostenfreien Newsletter.