Auf jeder SaaS-Roadmap steht 2026 eine Zeile mit dem Wort „Agent“. Kunden fragen danach, Wettbewerber kündigen es an, Investoren wollen es hören. Trotzdem gehen die meisten agentischen Funktionen als Demo live und scheitern dann leise in der Produktion: Sie sind langsam, irren sich selbstbewusst, kosten mehr als das Abo, in dem sie stecken, oder tun etwas, das kein Nutzer freigegeben hat.
Dieser Artikel richtet sich an Gründer, CTOs und Produktverantwortliche, die agentische Funktionen wollen, die echte Kunden überleben. Wir zeigen fünf bewährte Muster, die Architektur dahinter, Unit Economics und Pricing, Compliance und die Stolperfallen, die wir am häufigsten sehen.
Warum der Druck real ist – und warum so viele Projekte scheitern
Das Geld bewegt sich. Gartner erwartet, dass die Ausgaben für agentische Fähigkeiten innerhalb von Software 2026 auf 201,9 Mrd. US-Dollar steigen und bis 2028 mehr als die Hälfte der Ausgaben für Anwendungssoftware ausmachen (Software Strategies). Investoren finanzieren die These, dass KI klassischer Software Budget abnimmt: Ema sammelte genau mit diesem Argument 77 Mio. US-Dollar ein (TechCrunch).
Die Ausfallquote ist ebenso real. Gartner prognostiziert, dass mehr als 40 % der Agentic-AI-Projekte bis Ende 2027 eingestellt werden, und schätzt, dass nur rund 130 von Tausenden selbsternannten Agenten-Anbietern echte Agentenfähigkeit liefern (Gartner). Laut Menlo Ventures sind nur 16 % der Unternehmenseinsätze echte Agenten (Menlo Ventures). In der LangChain-Umfrage ist Qualität für 32 % der Teams die größte Hürde auf dem Weg in die Produktion, Latenz folgt mit rund 20 % (State of Agent Engineering).
Die Lehre daraus lautet nicht, Agenten zu meiden. Sondern: das passende Muster für die Aufgabe wählen und es wie jedes andere Produktivsystem engineeren.
Fünf Muster – vom sichersten zum ambitioniertesten
| Muster | Was der Nutzer erlebt | Risiko | Typischer Aufwand |
|---|---|---|---|
| 1. Kontextueller Assistent | Stellt im Produkt Fragen zu eigenen Daten und Ihrer Dokumentation | Gering: nur lesend | Wochen |
| 2. Entwürfe und Vorschläge | KI entwirft Bericht, E-Mail, Konfiguration oder Datensatz; Nutzer bearbeitet und speichert | Gering bis mittel | Wochen |
| 3. Aktionen mit Bestätigung | „Erstelle Rechnungen für alle überfälligen Projekte“: Der Agent zeigt eine Vorschau, der Nutzer bestätigt | Mittel | 1–2 Monate |
| 4. Hintergrund-Agenten | Mehrstufige Aufgaben laufen asynchron, mit Freigabestufen für riskante Schritte | Hoch | 2–4 Monate |
| 5. Produkt als Werkzeug für externe Agenten | Ihr Produkt per MCP-Server für ChatGPT, Claude oder eigene Agenten des Kunden verfügbar | Mittel, abhängig von den Scopes | Wochen bis Monate |
1. Kontextueller Assistent
Der sicherste Einstieg: Das Modell darf lesen, was der Nutzer lesen darf – nicht mehr. Es beantwortet Fragen wie „Warum ist der Umsatz im März gesunken?“ oder „Wie richte ich SSO ein?“ aus Ihren Daten und Ihrer Dokumentation. Analytik und Reporting sind der Bereich, in dem Teams Agenten am wirksamsten erleben: 60 % nennen ihn als effektivsten Einsatz, 41 % das Wissensmanagement (Anthropic).
2. Entwürfe und Vorschläge
Das Modell erstellt eine erste Version, die dem Nutzer gehört: einen Projektplan, eine Support-Antwort, ein Dashboard, ein Set von Automatisierungsregeln. Der Nutzer behält die Kontrolle, die Funktion wirkt magisch, und Fehler sind billig, weil ohne Klick nichts passiert.
3. Aktionen mit Bestätigung
Das Modell übersetzt eine Absicht in API-Aufrufe und zeigt genau, was sich ändern wird, bevor etwas passiert. Hier beginnt echter agentischer Nutzen – und hier brauchen Sie eine saubere Werkzeugschicht, Berechtigungen und idempotente Operationen. Massenaktionen verdienen einen Probelauf und ein Rückgängig.
4. Hintergrund-Agenten
Lang laufende, mehrstufige Arbeit: Datensätze abgleichen, eine Warteschlange stündlich sortieren, den Plan für nächste Woche vorbereiten. KPMG zufolge haben 49 % der großen Unternehmen ausdrücklich festgelegt, in welchen Szenarien ein Agent nicht allein entscheiden darf (KPMG). Ihr Produkt sollte diese Grenzen für Kunden konfigurierbar machen.
5. Ihr Produkt als Werkzeug für andere Agenten
Das Model Context Protocol ist zum Standard geworden, über den Agenten Software nutzen. Es ging im Dezember 2025 an die Agentic AI Foundation unter dem Dach der Linux Foundation, die Spezifikation vom 28.07.2026 stellte auf einen zustandslosen Kern um, und es gibt über 10.000 öffentliche MCP-Server (MCP-Blog, AAIF). Das Agent-zu-Agent-Protokoll A2A erreichte Version 1.0 mit Unterstützung von über 150 Organisationen (Analyse). Für B2B-Produkte wird ein MCP-Server zur erwarteten Integration – so wie vor zehn Jahren eine API. Das Sicherheitsmodell erklären wir in MCP erklärt: KI-Agenten sicher an Ihre Systeme anbinden.
Architektur, die Produktion überlebt
Werkzeuge bilden Ihre API ab, nicht Ihre Datenbank. Jede Aktion des Agenten sollte ein bestehender, getesteter Endpunkt mit Validierung, Rate Limits und Audit-Log sein. Braucht der Agent etwas, das die API nicht kann, erweitern Sie die API.
Der Agent handelt mit den Rechten des Nutzers. Verwenden Sie Token und Rolle des Nutzers, begrenzt auf den Mandanten. Geben Sie dem Agenten nie ein Servicekonto mit Admin-Rechten, „damit es funktioniert“. Allein diese Regel verhindert die meisten unangenehmen Vorfälle.
Behandeln Sie alle Inhalte als nicht vertrauenswürdig. Support-Tickets, E-Mails, Dokumente und Webseiten, die der Agent liest, können Anweisungen eines Angreifers enthalten. Prompt Injection ist nicht gelöst; OpenAI räumt ein, dass sie womöglich nie vollständig beseitigt werden kann (Analyse). Verteidigen Sie sich mit engen Werkzeugen, Bestätigung bei riskanten Aktionen und der Trennung von Lesen und Handeln. Details in Prompt Injection und Agentensicherheit.
Ein Gateway zwischen Produkt und Modellen. Einfache Aufgaben an günstige Modelle, anspruchsvolles Schlussfolgern an starke; Budgets pro Mandant durchsetzen; Fallbacks, wenn ein Anbieter langsam ist oder ausfällt.
Evals und Observability vom ersten Tag an. Jeden Lauf nachvollziehbar machen: Prompt, abgerufener Kontext, Werkzeugaufrufe, Kosten und Latenz. Langfuse oder Helicone, Sentry und PostHog sind in gut gebauten Stacks verbreitet (HouseofMVPs). Halten Sie ein Testset echter Aufgaben vor und lassen Sie es bei jeder Prompt- oder Modelländerung erneut laufen. Siehe Evals: KI-Qualität vor und nach dem Start messen.
Für Latenz gestalten. Zwischenergebnisse streamen, zeigen, was der Agent gerade tut, langsame Schritte in den Hintergrund verlagern. Nutzer verzeihen Warten, wenn sie Fortschritt sehen – einen eingefrorenen Ladekreisel verzeihen sie nicht.
Bauen oder kaufen – Komponente für Komponente
Die Frage lautet selten „Agent bauen oder kaufen?“, sondern: Welche Schichten sind Standard und welche sind Ihr Produkt?
| Schicht | Meist kaufen oder Open Source | Meist selbst bauen |
|---|---|---|
| Modelle | Gehostete Frontier-Modelle, Open-Weight-Modelle für sensible Mandanten | Routing-Regeln und Fallbacks für Ihre Workloads |
| Tracing und Eval-Werkzeuge | Langfuse, Helicone oder vergleichbar | Ihre Testsets, Bewertungsraster und Freigabekriterien |
| Vektorsuche | Gemanagte Vektordatenbank oder Postgres-Erweiterung | Chunking, Berechtigungsfilter und Mandantentrennung |
| Werkzeuge | Nichts – sie sind Ihre API | Werkzeugdefinitionen, Validierung, Vorschau und Rückgängig |
| Agentenschleife | Ein Framework, sofern es nicht im Weg steht | Fachlogik, Freigabestufen, Limits je Tarif |
| MCP-Server | SDKs aus dem Protokoll-Ökosystem | Scopes, Authentifizierung und Auswahl der freigegebenen Aktionen |
Berechtigungs-Checkliste, bevor eine Aktion live geht
- Der Agent nutzt das Token und den Mandanten-Scope des angemeldeten Nutzers.
- Jedes Werkzeug hat eine explizite Freigabeliste je Rolle und je Tarif.
- Destruktive und Massenaktionen erfordern Bestätigung und unterstützen Rückgängig oder Probelauf.
- Admins können Agenten-Aktionen je Workspace abschalten und ein vollständiges Audit-Log einsehen.
- Rate Limits und Ausgabenobergrenzen gelten je Nutzer und je Mandant.
- Inhalte, die der Agent liest, werden nie als Anweisung zum Werkzeugaufruf behandelt.
Unit Economics und Pricing
KI-Funktionen verändern die SaaS-Ökonomie. Nach Bessemer-Daten liegen KI-Firmen bei 50–60 % Bruttomarge gegenüber 80–90 % bei klassischem SaaS; ICONIQ meldet eine Verbesserung der KI-Margen von 41 % auf 52 % (SaaS Mag). Im Betrieb verbraucht ein durchschnittlicher Agent 50–500 US-Dollar im Monat an Modellkosten (Lets-Viz). Multiplizieren Sie das mit der Zahl Ihrer aktiven Kunden, bevor Sie „unbegrenzte KI“ versprechen.
| Preismodell | Marktbeispiel | Passt, wenn |
|---|---|---|
| Add-on pro Nutzer | Agentforce-Add-ons bei Salesforce für 125 $ pro Nutzer und Monat | Nutzung je Nutzer vorhersehbar ist |
| Pro Aktion | Agentforce für 0,10 $ pro Aktion | Aktionen klar abgrenzbar und vergleichbar sind |
| Pro Konversation | Agentforce für 2 $ pro Konversation | Konversationen ähnlich lang sind |
| Pro Ergebnis | Intercom Fin 0,99 $ pro Lösung; HubSpot 0,50 $ pro gelöster Konversation; Zendesk 1,50–2,00 $ pro automatischer Lösung | Ergebnis klar definiert und überprüfbar ist |
| Credits | Microsoft Copilot Studio für 200 $ pro 25.000 Credits | Funktionen mit unterschiedlichen Kosten gemischt werden |
Quellen: Salesforce, Intercom Fin, Resolve247 zu HubSpot, Macha zu Zendesk, CloudZero.
Käufer haben gelernt, nach Kosten zu fragen: 74 % der großen Unternehmen prüfen bei der Freigabe von KI die Kosten, 43 % haben Token-Budgets (KPMG). Nutzungs-Dashboards und Ausgabenlimits für Admins sind Funktionen, die Abschlüsse bringen. Mehr zu ergebnisbasierten Preisen lesen Sie in Ergebnisbasierte Preise für KI.
Compliance, nach der Ihre Kunden fragen werden
- Kennzeichnung. Nach Artikel 50 der KI-Verordnung müssen Nutzer seit dem 2. August 2026 erfahren, dass sie mit einer KI interagieren.
- Hochrisiko-Nutzung durch Ihre Kunden. Wird Ihr Produkt für Personalauswahl, Kreditwürdigkeit oder Bildungsentscheidungen eingesetzt, fallen diese Nutzungen unter Anhang III – mit Pflichten ab dem 2. Dezember 2027. Rechnen Sie mit Kundenanfragen nach Dokumentation, Protokollierung und Funktionen für menschliche Aufsicht.
- DSGVO. Jeder Modellanbieter ist Unterauftragsverarbeiter. Veröffentlichen Sie die Liste, schließen Sie AVV ab und bieten Sie, wo möglich, Verarbeitung in der EU an.
- Souveränität. In Europa achten 77 % der Unternehmen auf das Herkunftsland eines KI-Anbieters, 66 % sorgen sich um Abhängigkeit von ausländischer KI (Deloitte via DEV Community). Modellwahl je Mandant kann ein Verkaufsargument sein – gerade im deutschen Mittelstand.
Fahrplan über 6–10 Wochen
- Woche 1: die Aufgabe wählen. Support-Tickets und Nutzungsdaten nach wiederkehrenden, mehrstufigen Aufgaben durchsuchen, die Nutzer hassen. Eine mit messbarem Ergebnis wählen – etwa Zeit bis zur fertigen Einrichtung, Klicks für den Monatsbericht oder Tickets zu einer unverständlichen Funktion.
- Wochen 2–3: Muster 1 oder 2 bauen – für genau diese Aufgabe, mit Tracing, Kostenerfassung und einem Testset aus 50–100 echten Aufgaben.
- Wochen 4–5: Beta mit Design-Partnern. Fünf bis zehn Kunden, wöchentliche Analyse fehlgeschlagener Läufe, Korrekturen an Prompts und Werkzeugen.
- Wochen 6–7: Aktionen mit Bestätigung ergänzen – für die Schritte, die Nutzer am häufigsten freigeben.
- Wochen 8–10: Pricing und Limits. Abrechnungseinheit festlegen, Obergrenzen setzen, mit Nutzungs-Dashboards öffentlich starten. Den MCP-Server als nächsten Schritt einplanen.
Typische Fehler
- Einen „Agenten“ ausliefern, der ein umbenannter Chatbot ist. Nutzer merken das. Starten Sie bei der Aufgabe, nicht beim Modell.
- Admin-Zugangsdaten für den Agenten. Eine Prompt Injection vom Datenleck entfernt.
- Kein Eval-Set. Ohne Testset wird jedes Modell-Update zum Glücksspiel.
- Unbegrenzte KI im Flatrate-Tarif. Wenige Intensivnutzer können die Marge auslöschen.
- KI-generierten Code für Produktionscode halten. In einer Studie waren erfahrene Entwickler mit KI 19 % langsamer, glaubten aber, 20 % schneller zu sein (METR), und 19,7 % der von Modellen vorgeschlagenen Pakete existierten nicht (Cloud Security Alliance). Code-Review wird wichtiger, nicht unwichtiger.
- Latenz ignorieren. Eine richtige Antwort nach 20 Sekunden fühlt sich kaputt an.
Fazit
Agentische Funktionen können ein SaaS-Produkt deutlich wertvoller machen – aber nur, wenn sie wie Infrastruktur gebaut werden: enge Werkzeuge auf Ihrer API, die Rechte des jeweiligen Nutzers, Evals und Tracing ab dem ersten Release, klare Kostenlimits und ein Pricing, das die Marge schützt. Beginnen Sie mit lesenden und entwerfenden Mustern, gewinnen Sie Vertrauen, und ergänzen Sie dann Aktionen, Hintergrund-Agenten und einen MCP-Server.
Unser Bereich Build liefert agentische Funktionen in bestehende Produkte, unser Bereich Systems kümmert sich um Gateways, MCP-Server und Observability. Buchen Sie ein kostenloses 15-Minuten-Audit – wir helfen Ihnen, die erste agentische Funktion mit dem besten Verhältnis von Nutzerwert zu Risiko auszuwählen.