Vom Chatbot zur autonomen KI-Recherche

Einleitung

Unternehmen stehen vor einem wachsenden Problem: Relevante Informationen sind vorhanden – aber verteilt, unstrukturiert und schwer zugänglich. Teams jonglieren zwischen Portalen, PDFs, langen Leistungsbeschreibungen und heterogenen Suchmasken, ohne jemals eine vollständige Sicht auf das relevante Feld zu erhalten. Gerade bei Themen wie Ausschreibungen, Marktanalysen und Wettbewerbsbeobachtung ist der manuelle Aufwand hoch – und trotzdem bleibt vieles unentdeckt, weil niemand die Kapazität hat, jede Quelle in gleicher Tiefe zu prüfen.

KI-Agenten lösen genau dieses Problem, indem sie eigenständig Quellen durchsuchen, Informationen extrahieren und Ergebnisse strukturieren und bewerten. Sie arbeiten nicht wie ein einmaliger Chat, sondern wie ein Recherche- und Auswerteprozess, der über viele Schritte hinweg Qualität sichert, Dubletten erkennt und Kriterien konsistent anwendet. Dadurch wird aus verstreuten Rohdaten ein nutzbarer Entscheidungs-Output – wiederholbar und skalierbar.

Dieses Whitepaper zeigt, was KI-Agenten sind, wie sie sich von klassischen LLMs unterscheiden, welche Rolle technische Bausteine und Frameworks spielen und wie sich damit konkrete Business-Prozesse automatisieren lassen. Es richtet sich an Fach- und IT-Verantwortliche, die Informationsarbeit produktiv machen wollen – ohne den Fehler zu wiederholen, Technologie allein einzuführen und die Prozess- und Datenlogik auszuklammern.

1. Das Problem: Informationsarbeit als Engpass

Informationsbeschaffung sieht in der Theorie nach „ein paar Recherchestunden“ aus – in der Praxis frisst sie zwischen Geschäftsführung, Vertrieb und Fachabteilungen Wochenkapazität. Jede neue Quelle bedeutet andere Login-Strukturen, andere Suchlogik und andere Exporte. Im Mittelstand fehlt selten das Interesse an Markt- und Wettbewerbsinformation; es fehlt die gleichmäßige Durchführung bei laufendem Tagesgeschäft.

Typische Realität in Unternehmen:

• 10+ Plattformen für Ausschreibungen
• Unterschiedliche Formate (PDF, HTML, Portale)
• Keine zentrale Suche
• Hoher manueller Screening-Aufwand

Die Folgen: Zeitverlust, verpasste Opportunities und inkonsistente Bewertung. Zwei Kollegen bewerten dieselbe Ausschreibung unterschiedlich streng, weil sie unterschiedlich viel Zeit hatten; strategisch relevante Signale gehen unter, weil niemand systematisch alle Kanäle gleichzeitig im Blick behält.

2. Was ist ein KI-Agent?

Wenn vom KI-Agenten die Rede ist, geht es nicht um einen einzelnen Prompt an ein Chat-Frontend. Es geht um ein System, das ein Ziel kennt, dafür einen mehrstufigen Plan verfolgt, auf echte Datenquellen und Werkzeuge zugreift und Zwischenstände verarbeitet, bis ein brauchbares Ergebnis vorliegt – vergleichbar mit einem erfahrenen Analysten, nur mit der Konsistenz und Ausdauer einer Maschine.

Ein KI-Agent ist ein System, das:

• Ziele versteht (z. B. „Finde relevante Ausschreibungen“)
• Eigenständig Aktionen ausführt
• Mehrere Schritte kombiniert (Reasoning + Tools)
• Ergebnisse iterativ verbessert

Im Unterschied zu klassischer RPA folgt der Agent nicht nur einem starren Skript: Er kann auf unstrukturierte Inhalte reagieren, neu bewerten, wenn neue Fakten auftauchen, und Schritte wiederholen oder anpassen, bis die Qualitätskriterien erfüllt sind.

3. KI-Agent vs. ChatGPT / klassische LLMs

Ein großes Sprachmodell im Browser ist ein mächtiges Werkzeug für Text und Denkhilfen – aber es lebt in der Isolation einer Unterhaltung. Es öffnet keine internen Systeme, crawlt nicht zuverlässig Ihre relevanten Portale und baut keinen dauerhaften Arbeitsstand auf, den Sie morgen weiterverwenden können. Für echte Informationsarbeit brauchen Sie Planung, Speicher und Werkzeugzugriff.

Die folgende Gegenüberstellung fasst den praktischen Unterschied zusammen – der im Alltag oft entscheidet, ob etwas bei einer Powerpoint-Skizze bleibt oder in den Produktivbetrieb kommt.

In Kombination sind beide Welten stark: Das LLM liefert Sprachverständnis und Abstraktion, der Agent-Rahmen liefert Prozess, Daten und Nachvollziehbarkeit. Genau diese Trennung ist wichtig, wenn Ergebnisse nicht nur „klingen“, sondern revisionssicher und wiederholbar sein sollen.

4. Wie KI-Agenten funktionieren

Ein moderner Agent besteht typischerweise aus vier Kernkomponenten, die zusammenspielen wie Teile eines gut geführten Projekts: eine Instanz, die Entscheidungen trifft, ausführbare Fähigkeiten nach außen, ein Gedächtnis für den Fortschritt und eine Steuerung, die Ausnahmen und Qualität abfängt. Ohne eines dieser Teile kollabiert der praktische Nutzen – dann bleibt entweder reines Ratespiel oder starre Automatisierung ohne Flexibilität.

Reasoning Engine (LLM)

Die Reasoning Engine entscheidet: Was ist der nächste Schritt? Sie analysiert den aktuellen Zustand, bewertet Optionen und wählt die beste Aktion.

In Research-Szenarien heißt das konkret: Soll zuerst eine breite Quelle durchsucht oder ein Dokument vertiefend analysiert werden? Soll bei widersprüchigen Funden nachgesteuert oder ein Mensch eingeschaltet werden? Je besser Ziele und Constraints formuliert sind, desto stabiler wird diese Schicht – und desto weniger driftet der Prozess in irrelevante Nebenpfade ab.

Tools und Aktionen

Agenten nutzen konkrete Werkzeuge: Web Scraping, API Calls, Datenbankabfragen und Dokumentenanalyse. Jedes Tool ist eine definierte Fähigkeit, die der Agent bei Bedarf einsetzt.

Aus Sicherheits- und Governance-Sicht sind das die Hebel: Sie bestimmen, wo der Agent überhaupt hin darf, welche Daten er sieht und welche Aktionen schreibend sind. Gut modellierte Tools machen den Unterschied zwischen einem interessanten Demo und einer Lösung, die der Betrieb verantworten kann.

Memory und State

Der Agent behält Kontext über mehrere Schritte hinweg und speichert Zwischenergebnisse. Dadurch kann er Aufgaben über längere Zeiträume verfolgen, ohne den Faden zu verlieren.

Praktisch bedeutet das: bereits geprüfte Quellen werden nicht sinnlos erneut durchwühlt, Zwischenfazite bleiben referenzierbar, und spätere Schritte können auf extrahierte Fakten zurückgreifen – statt alles in einem einzigen überlangen Prompt zusammenzudrücken.

Orchestrierung

Die Orchestrierung steuert komplexe Abläufe, übernimmt Fehlerhandling und koordiniert Wiederholungen. Sie sorgt dafür, dass der Agent nicht im Kreis läuft, sondern systematisch auf sein Ziel hinarbeitet.

Hier werden Timeouts, Retries, Logging und Eskalationen verankert – also alles, was in echten Umgebungen beim ersten API-Ausfall oder bei kaputten PDFs nicht optional ist. Produktionsreife entsteht nicht im Modell allein, sondern in dieser Schicht.

5. Frameworks und Bausteine

KI-Agenten brauchen mehr als ein Sprachmodell im Browser: Sie brauchen ein technisches Rückgrat, das Quellen zuverlässig anbindet, Schritte planbar verketten kann und Zwischenstände speichert, statt jede Antwort neu zu erfinden. Üblicherweise kommen dabei Frameworks zum Einsatz – also Werkzeugkästen und Standards aus dem Open-Source-Umfeld, mit denen sich Datenbanken, APIs und Dokumentenpipelines sauber einhängen lassen.

Entscheidend für Geschäftsanwender ist weniger der einzelne Produktname als die Funktion: Solche Bausteine ermöglichen klare Abläufe mit Verzweigungen und Qualitätsschritten, mehrere Rollen im Prozess (z. B. sammeln, bewerten, prüfen) und Betriebseigenschaften wie Protokollierung und Wiederholbarkeit. Ohne diese Schicht bleibt eine Agenten-Idee schnell eine fragile Demo – mit ihr wird daraus ein System, das Messung, Fehlerbehandlung und Weiterentwicklung erlaubt.

6. Vom Chatbot zum Research-Agent

Ein Research-Agent geht weit über einfache Fragen hinaus. Chatbots beantworten Sätze; Research-Agenten arbeiten eine Fragestellung ab. Während ein klassischer Ansatz bei „Zeig mir Ausschreibungen“ eine einmalige Suche liefert und damit endet, ist ein agentenbasierter Ansatz eine Kette aus Entscheidungen: Welche Quelle ist gerade am aussichtsreichsten? Welche Dokumente verdienen Tiefenlesung? Wo lohnt Nachfassen, weil Fristen oder Budgets unklar blieben?

Diese Arbeitsschritte lassen sich für viele informationsintensive Themen übertragen – nicht nur Vergabeportale, sondern auch Patentmails, Lieferantenpublikationen, Branchen-News oder interne Wissensdatenbanken. Entscheidend ist immer die gleiche Idee: vom einmaligen Snapshot zu einem prozessualen Research, das Qualität und Vollständigkeit aktiv verfolgt.

Ein typischer mehrstufiger Ablauf sieht so aus:

1. Identifiziert relevante Plattformen
2. Crawlt mehrere Quellen
3. Extrahiert Inhalte (PDF, HTML, APIs)
4. Klassifiziert nach Relevanz
5. Entfernt Dubletten
6. Bewertet nach definierten Kriterien
7. Liefert strukturierte Ergebnisse

Am Ende steht nicht eine flächige Linkliste, sondern ein Set aus priorisierten, begründeten und maschinell wie menschlich weiter verwertbaren Informationen – bereit für CRM, ERP, BI oder die nächste Entscheidungsrunde im Team.

7. Use Case: Automatisierte Ausschreibungsanalyse

Ausgangssituation

Manuelles Durchsuchen mehrerer Plattformen, hoher Zeitaufwand und inkonsistente Ergebnisse. Relevante Ausschreibungen werden übersehen, weil die Kapazität für systematisches Screening fehlt.

Zusätzlich verschärft sich das Problem durch heterogene Dokumentqualität: Mal steckt der Kern in einem 80-seitigen PDF, mal in einem HTML-Kurztext, mal nur in einem Portal-Abstract. Wer nicht jeden Spezialfall kennt, entscheidet zu früh – oder zu spät. Genau hier lohnt sich die Kombination aus maschineller Breite und domänennaher Bewertung.

Lösung durch KI-Agenten

Datenquellen: Vergabeplattformen, öffentliche Datenbanken und Webseiten bilden traditionell drei getrennte Welten. Der Agent bündelt sie in einem gemeinsamen Verarbeitungsstrom – vorausgesetzt, die rechtlichen und technischen Rahmenbedingungen sind geklärt (Nutzungsbedingungen, Rate-Limits, interne Policies).

• Vergabeplattformen
• Öffentliche Datenbanken
• Webseiten

Adapter & Konnektoren: Ohne belastbare Anbindung bleibt jedes Modell blind. Plattform-spezifische Adapter normalisieren Listen und Detailseiten; APIs und Scraper liefern Rohfutter; Dokumentenparser (PDF, DOCX) heben Inhalte aus Dateien, die Menschen sonst Seite für Seite lesen müssten.

• Plattform-spezifische Schnittstellen
• APIs und Scraper
• Dokumentenparser (PDF, DOCX)

Verarbeitung: Sobald Texte verfügbar sind, übernimmt die Agent-Pipeline Extraktion (Leistungsbeschreibung, Fristen, Budget), Normalisierung und Klassifikation nach Relevanz, Region und Branche – immer mit den im Vorfeld abgestimmten Bewertungskriterien, damit keine implizite „Black Box“ entsteht.

• Extraktion von Leistungsbeschreibung, Fristen und Budget
• Klassifikation nach Relevanz, Region und Branche

Output: Der Nutzen entfaltet sich erst im Arbeitsalltag: eine strukturierte Datenbank als System-of-Record für alle gefundenen Objekte, ergänzt um Alerts und Notifications, sobald neue Treffer ein Kriterium erfüllen – und ein Dashboard, das Management und Fachbereich dieselbe Wahrheit zeigt.

• Strukturierte Datenbank
• Alerts und Notifications
• Dashboard

8. Architektur eines Agentensystems

Ein produktionsreifes Agentensystem folgt einer klaren Schichtenarchitektur: Die Grenzen zwischen den Layern sind nicht akademisch, sondern praktisch – sie trennen Verantwortlichkeiten für Betrieb, Compliance und Weiterentwicklung. So lässt sich z. B. die Ingestion schließen oder die Extraktion verbessern, ohne jedes Mal die gesamte Agentenlogik neu zu deployen.

Die folgende Aufteilung ist ein bewährtes Gerüst für Teamarbeit zwischen Data Engineering, ML/AI und Fachseite:

• Ingestion LayerAPIs, Scraper und Dokumentenuploads nehmen die Rohdaten auf.
• Processing LayerLLM-basierte Extraktion und Klassifikation verarbeiten die Informationen.
• Agent LayerSteuerung der Workflows und Entscheidungslogik mit State Machine.
• StorageStrukturierte Datenbank und Vektordatenbank für semantische Suche.
• InterfaceDashboard, Alerts und API-Zugriff machen die Ergebnisse nutzbar.

Wer später skalieren will, plant diese Schichten von Anfang an mit: Observability (was hat der Agent getan?), Zugriffskontrolle (wer darf welche Quelle sehen?) und Revisionsfähigkeit (welche Version der Logik produzierte dieses Ergebnis?). Das kostet etwas Vorarbeit – verhindert aber teure Nacharbeit, sobald der erste Pilot zur Standardsoftware wird.

9. Warum Standard-LLMs nicht ausreichen

Ein LLM kann Texte verstehen und Inhalte zusammenfassen – und ist damit die zentrale Intelligenzschicht moderner Agenten. Ohne Agent bleibt diese Intelligenz aber eingesperrt in statische Textfenster: Kein wiederholbarer Lauf über Nacht, keine zuverlässige Anbindung an Ihre Systemlandschaft, kein Protokoll, das bei Rückfragen von Aufsicht oder Kunden standhält.

Ein isoliert betrachtetes LLM kann in der Praxis typischerweise nicht:

• Eigenständig recherchieren
• Komplexe Workflows steuern
• Kontinuierlich arbeiten
• Daten persistent organisieren

Wer Informationsarbeit automatisieren will, braucht deshalb ein orchestriertes Zusammenspiel aus Modell, Framework, Konnektoren und Infrastruktur. Genau dort entsteht der Unterschied zwischen einer beeindruckenden Demo und einem Werkzeug, das sich jeden Morgen zuverlässig meldet.

10. Erfolgsfaktoren in der Praxis

Viele Piloten scheitern nicht am Modell, sondern an unklaren Zielen, brüchigen Datenpfaden oder fehlendem Betrieb. Sechs Faktoren ziehen sich wie ein roter Faden durch erfolgreiche Projekte – unabhängig davon, ob Sie mit Ausschreibungen, Marktdaten oder internem Know-how starten:

• Klare Use-Case-Definition: Was genau soll besser, schneller oder vollständiger werden – und wie messen Sie das?
• Hochwertige Datenquellen: Welche Quellen sind autoritativ, welche nur ergänzend – und wie gehen Sie mit Lücken um?
• Stabile Konnektoren: APIs, Scraper und Parser müssen Ausfälle und Formänderungen aushalten, sonst frisst der Betrieb jeden Mehrwert auf.
• Domänenspezifische Logik: Branchenregeln, Ausschlusskriterien und Bewertungsraster gehören explizit in das Design – nicht versteckt im Prompt vom letzten Freitag.
• Kontinuierliche Verbesserung: Modelle, Regeln und Quellen ändern sich; Ihr System braucht einen Rhythmus für Updates und Qualitätsmessung.
• Monitoring der Agentenprozesse: Laufzeiten, Fehlerquoten, Trefferqualität und Eskalationen sollten von Anfang an sichtbar sein – für IT und Fachbereich gemeinsam.

Ohne diese Grundlagen bleibt ein Agent ein Prototyp. Mit ihnen wird er zum produktiven Werkzeug – und die Organisation behält Kontrolle über Kosten, Risiken und den nächsten Ausbauschritt.

11. Fazit

KI-Agenten markieren den Übergang von „Ich frage ein Modell“ zu „Ein System arbeitet für mich“. Besonders in informationsintensiven Prozessen entsteht ein massiver Effizienzhebel: Information wird nicht nur beschrieben, sie wird beschafft, verglichen, bewertet und aufbereitet – in einem Rhythmus, den reine Sachbearbeitung kaum dauerhaft halten kann.

Der technische Unterbau (Frameworks, Daten, Orchestrierung) ist dabei mindestens so wichtig wie die Wahl des Modells. Unternehmen, die beides ernst nehmen, gewinnen nicht nur Zeit, sondern auch bessere Entscheidungsqualität – weil weniger unter Zeitdruck weggeschaut wird und mehr systematisch geprüft wird.