KI-Agenten in der DACH-Region 2026

Die meisten Berichte über KI-Agenten beschreiben Prototypen. Dieser Bericht betrachtet, was nach der Demo passiert: wie Teams in Deutschland, Österreich und der Schweiz Agenten entwickeln, auslösen und betreiben, sobald diese echten Traffic verarbeiten. Entscheidend sind technische Integration, Zuverlässigkeit und Compliance. Diese Ebenen bestimmen, ob sich ein Agent im Produktivbetrieb bewährt.

Die wichtigsten Zahlen

Die meisten Agenten erreichen den Produktivbetrieb und bleiben ereignisgesteuert

Der größte Anteil der Agenten ist live statt experimentell. 61% sind in Betrieb, 28% befinden sich noch in einer Prototyp- oder Pilotphase, und nur 11% wurden pausiert oder eingestellt. Teams mit kurzer Zeit bis zum Produktivbetrieb binden Agenten früh an eine echte Ereignisquelle an und testen sie nicht dauerhaft nur hinter einem manuellen Prompt.

Diese Gewohnheit zeigt sich darin, wie Runs starten. 72% der Agenten im Produktivbetrieb werden ereignisgesteuert durch eine Inbound-Verbindung aktiviert. Weitere 9% arbeiten synchron: Eine Verbindung im synchronen Modus oder ein Chat-Call wartet auf das Ergebnis. 19% laufen zeitgesteuert über die Cron-Verbindung. In jedem Fall steuert eine Verbindung den Run. Die Aufteilung erfolgt nach der Art des Triggers. Sie legt die Zustellgarantien des Agenten fest, nicht das KI-Modell. Unser Vergleich der Verbindungsmuster erläutert die Trade-offs.

Wie Agenten ausgelöst werden

Webhooks führen mit großem Abstand, weil sie für einen bestehenden Service der einfachste Weg sind, einen Agenten aufzurufen. Danach folgen zeitgesteuerte Cron-Runs; bei Teams mit höherem Durchsatz kommen Kafka und Postgres hinzu. Der kleinere Anteil entfällt auf Queue-, Datei- und Messaging-Quellen. Die vollständige Auswahl steht auf der Seite zu Verbindungen. Unser Vergleich vorgefertigter Verbindungen erklärt ihre Vorteile gegenüber individuell programmierten Integrationen.

Der KI-Modell-Mix

Kein einzelnes KI-Modell dominiert. Die Arbeit verteilt sich auf die Claude-, GPT- und Gemini-Familien. Teams setzen günstige, schnelle KI-Modelle für Schritte mit hohem Volumen ein und setzen die stärksten KI-Modelle für Aufgaben mit hohem Reasoning-Anteil ein.

Angepasste und offene KI-Modelle im Vergleich zu großen Providern

Die meisten Agenten verwenden ein kommerzielles Frontier-KI-Modell unverändert, eine relevante Minderheit jedoch nicht. 39% betreiben ein angepasstes oder offenes KI-Modell: 16% führen ein Fine-Tuning eines Provider-KI-Modells auf eigenen Daten durch, und 23% setzen direkt auf Open-Weight- oder selbst gehostete KI-Modelle. Bei produktiv eingesetzten KI-Modellen ist der Anteil angepasster und offener Modelle bemerkenswert hoch. Das spiegelt den hohen Stellenwert der Datensouveränität in der Region wider.

Die Aufteilung ist eine Abwägung zwischen Kontrolle und Komfort. Ein großes kommerzielles KI-Modell ist der schnellste Weg zu einem funktionierenden Agenten, und die meisten Teams wählen ihn. Zu KI-Modellen mit Fine-Tuning oder selbst gehosteten KI-Modellen wechseln vor allem Teams in stark regulierten Bereichen und bei überwiegend deutschsprachigen Aufgaben. Dort ist ein kleineres, angepasstes KI-Modell bei hohem Volumen günstiger, ermöglicht Inferenz auf kontrollierter Infrastruktur und beseitigt die Abhängigkeit von einem einzelnen US-Anbieter. Der Betrieb ist aufwendiger, doch für diese Teams rechtfertigen die Daten den Aufwand. Den regulatorischen Hintergrund erläutert unser Artikel über den Betrieb von Agenten in der EU.

Was Teams tatsächlich entwickeln

Die Einsatzbereiche sind klar operativ. An erster Stelle stehen Support und Ticket-Triage, gefolgt von Dokumentenverarbeitung und Datenanreicherung. Diese Agenten sind Teil eines bestehenden Workflows und arbeiten einen Rückstand an Routineaufgaben ab; es sind keine kundenorientierten Chatbots.

Nutzung nach Branche

Die Nutzung konzentriert sich auf regulierte, dokumentenintensive Branchen. Versicherungen, Banken und Fertigung stellen den größten Anteil der DACH-Teams, die Agenten auf Connic betreiben; Logistik und Telekommunikation folgen knapp dahinter. In diesen Branchen sind ein klarer Audit-Trail und Datenverarbeitung in der EU keine Option, sondern Voraussetzung.

Was zuerst ausfällt

Wenn Agenten im Produktivbetrieb ausfallen, ist das KI-Modell selten die Ursache. Integrations- und Tool-Fehler führen die Liste an, gefolgt von Timeouts und fehlerhaftem Output. Die Ursachen ähneln damit denen anderer verteilter Systeme. Prompt-Injection-Versuche sind real, werden bei aktivierten Guardrails jedoch abgefangen statt ausgeführt.

Kosten und Token-Verbrauch

Die Kosten für KI-Modelle pro Run sind niedrig, aber ungleich verteilt. Ein typischer Run (Median) verursacht geschätzte Kosten von 0,038 € bei 7,4k Tokens. Der Großteil der Ausgaben konzentriert sich jedoch auf mehrstufige Agenten mit Tool-Calls, die mehrere KI-Modell-Calls durchlaufen. RAG-basiertes Retrieval bildet den nächstgrößeren Kostenblock. Bei der Kostenoptimierung ist die Anzahl der Schritte der entscheidende Hebel, nicht der Preis pro Token. Unser Observability-Leitfaden zeigt, wie sich die Verteilung der Ausgaben nachvollziehen lässt.

Verteilung der Ausgaben nach Agentenmuster:

Operative Reife

Die fortschrittlichsten Teams behandeln Agenten wie Software. 66% sichern Deployments durch automatisierte Tests ab, und 41% leiten kritische Aktionen zur menschlichen Freigabe weiter, bevor der Agent fortfährt. Beide Werte steigen mit der Sensitivität des Workloads: Je eher ein Agent Geld bewegen oder Kundendaten berühren kann, desto wahrscheinlicher wird er getestet und durch Freigaben abgesichert.

Compliance ist der entscheidende Faktor

Für DACH-Teams ist der Betriebsort eines Agenten zunächst eine Frage der Beschaffung und erst danach eine technische. Vorbereitung auf den EU AI Act und Datenresidenz sind die beiden am häufigsten genannten Treiber, noch vor Geschwindigkeit und Kosten. Das Muster ist in regulierten Branchen konsistent: Ein leistungsfähiger Agent ohne nachweisbare EU-Datenverarbeitung wird nicht bereitgestellt. Die regulatorische Seite erläutern unsere Leitfäden zur Compliance mit dem EU AI Act für Agenten und zum Betrieb von Agenten in der EU. Bei der Wahl des Betriebsorts hilft unser Vergleich von EU-Agentenplattformen für 2026.

Was den DACH-Markt unterscheidet

Die DACH-Region unterscheidet sich vom übrigen Markt für Agenten darin, wer einen Agenten freigeben muss und wo seine Daten liegen dürfen. In Deutschland, Österreich und der Schweiz entscheidet selten allein das Entwicklungsteam über den Einsatz eines Agenten. Vor dem Release sind eine Datenschutzprüfung und häufig die Zustimmung des Betriebsrats erforderlich; in regulierten Branchen kommt eine zuständige Aufsichtsbehörde hinzu. Beim Übergang in den Produktivbetrieb begegnen DACH-Teams am häufigsten folgenden Anforderungen:

Die Käufer stammen überwiegend aus dem Mittelstand: mittelgroße Unternehmen, die Zuverlässigkeit und einen klar benannten, verantwortlichen Anbieter höher gewichten als Neuheitswert. Das zeigt sich in der Präferenz für einen Vertrag mit einer EU- oder deutschen Gesellschaft, für den Betrieb in einer EU-Region und für eine klare Ausrichtung am EU AI Act. Diese Kriterien sind wichtiger als der niedrigste Preis oder das neueste KI-Modell und sprechen für eine regionale Plattform.

Muster für den Produktivbetrieb

Der Einsatz von KI-Agenten in der DACH-Region ist 2026 operativ geprägt. Agenten gelangen in den Produktivbetrieb, wenn Teams sie wie Produktivdienste behandeln: Sie werden durch echte Ereignisse ausgelöst, von Guardrails und Judges überwacht, vor dem Deployment getestet und in der jeweils rechtlich erforderlichen Region betrieben. Das KI-Modell ist inzwischen der weniger aufwendige Teil; der Großteil der Arbeit und des Wettbewerbsvorteils liegt heute im umgebenden System.

Wie die Teile zusammenspielen, zeigt die Verbindungsübersicht. Als Einstieg dient der Quickstart.