Posteingang-Agenten
Lesen, kategorisieren, weiterleiten, archivieren. Für E-Mail, Ticket-Systeme, Dokumenteneingänge. Mandanten-Zuordnung, Anhangs-Verarbeitung, Ablage-Automatisierung. Der Lohnbuchhaltungs-Use-Case oben gehört in diese Klasse.
Leistung · AI Agents
Spezialisierte KI-Agenten, die echte Arbeit übernehmen.
Ein AI Agent ist kein Chatbot. Er liest Daten, trifft Entscheidungen, führt Aktionen aus. Wir bauen Agenten, die in Ihrem konkreten Workflow funktionieren, nicht in einer Demo-Umgebung.
Integriert in Microsoft 365, Google Workspace, n8n, eigene Systeme.
Grundlagen
Mehr als ein Chatbot. Weniger Magie, als Sie denken.
Ein Chatbot antwortet. Ein AI Agent erledigt. Er liest Eingangsdaten (E-Mail, Dokumente, Datenbank-Einträge), reasoniert über die Aufgabe, ruft Tools auf (zum Beispiel APIs, Suchfunktionen, Dateisysteme), und liefert ein Ergebnis oder triggert eine Aktion. Im Kern ist ein Agent ein LLM, das mit Werkzeugen ausgestattet wurde.
- 01
Input
E-Mail, Datei, API-Aufruf, Zeitplan, Webhook.
- 02
Reasoning
Das LLM analysiert, plant Schritte, entscheidet.
- 03
Tools
Datenbank, Suche, Dateisystem, externe APIs.
- 04
Output
Datei, Antwort, Datenbank-Eintrag, Folge-Aktion.
Use Case · Lohnbuchhaltung
Wie ein AI Agent das Postfach einer Lohnbuchhalterin sortiert.
Ein konkretes Beispiel aus dem Live-Betrieb. Selbständige Lohnbuchhalterin, 40 Mandate, ungefähr 80 eingehende Kundenmails pro Tag. Vorher manuelle Ablage. Nachher: zwei Sekunden pro Mail.
Ausgangssituation
Vorher: 90 Minuten pro Tag für Ablage.
Jeden Morgen 50 bis 100 neue E-Mails von Mandanten. Jede mit Anhang: Rechnungen, Lohnsteuerbescheinigungen, Krankmeldungen, Verträge. Jede Datei muss erkannt, umbenannt und im richtigen Mandantenordner und Unterordner abgelegt werden. Manuelle Routinearbeit, die jeden Tag wiederkehrt.
Was der Agent macht
Was der Agent jetzt erledigt.
- Pollt das Outlook-Postfach im 60-Sekunden-Takt
- Identifiziert den Mandanten anhand der Absenderadresse
- Entpackt ZIP-Anhänge, falls vorhanden
- Liest PDF-Inhalte via OCR aus
- Klassifiziert das Dokument anhand von Betreff, Dateiname und Inhalt
- Benennt die Datei nach Standardschema um (zum Beispiel "2026-04_Lohnsteuerbescheinigung_Mueller.pdf")
- Legt die Datei im richtigen OneDrive-Unterordner ab
- Loggt jeden Schritt revisionssicher in einem internen Audit-Log
- Markiert unklare Fälle für manuelle Prüfung statt zu raten
Technischer Stack
Womit wir das gebaut haben.
n8n als Workflow-Engine, Microsoft Graph API für Outlook und OneDrive, Claude für Klassifikation und Umbenennungslogik, Tesseract für OCR. Alles selbst gehostet, weil Lohndaten besonders schützenswert sind. Keine Daten verlassen die kontrollierte Umgebung mehr als nötig.
Ergebnis
Was sich gemessen verändert hat.
Statt 90 Minuten täglicher Ablagearbeit jetzt zehn bis fünfzehn Minuten Review der wenigen unklaren Fälle. Über 95 Prozent der Mails laufen vollautomatisch durch. Fehler in der Ablage sind seit Live-Gang fast vollständig verschwunden, weil der Agent konsistent benennt und nicht müde wird. Frei gewordene Zeit fließt in Beratung neuer Mandate.
Skalierung
Ähnlichen Agent für Ihr Unternehmen besprechenWas sich daraus ergibt.
Der Agent läuft heute für eine Person mit 40 Mandaten. Architektur und Code sind so gebaut, dass die gleiche Logik für drei oder zehn weitere Lohnbuchhalter direkt nutzbar ist. Der Aufwand pro neuem Mandat: ein paar Stunden Konfiguration, kein Neubau.
Agent-Typen
Vier Klassen von Agenten, die wir produktiv betreiben.
Recherche-Agenten
Aus 50 Quellen wird ein strukturiertes Briefing in unter 10 Minuten. Marktanalysen, Wettbewerber-Updates, Lieferanten-Recherchen. Der Agent durchsucht definierte Quellen und liefert ein konsolidiertes Ergebnis im gewünschten Format.
Daten-Klassifikations-Agenten
Tickets, Anfragen, Dokumente automatisch kategorisieren und routen. Mit Genauigkeit über 95 Prozent, validiert auf Ihren Daten. Spart manuelle Zuordnungsarbeit und beschleunigt Antwortzeiten.
Multi-Step-Workflow-Agenten
Mehrstufige Prozesse, in denen der Agent zwischen Systemen vermittelt. Daten holen, anreichern, validieren, ablegen. Beispiel: Angebots-Generierung aus Briefing, CRM und Produktkatalog.
Unser Vorgehen
Vom ersten Use Case zum produktiven Agent in vier bis acht Wochen.
- Schritt 01
Use Case schärfen
Zwei Workshops mit den Endnutzern und der IT. Welche Aufgabe genau, welche Inputs, welche Outputs, welche Edge Cases. Ergebnis: ein präzises Pflichtenheft.
- Schritt 02
Prototyp
Erster lauffähiger Agent in zwei Wochen, getestet auf historischen Daten. Sie sehen früh, wie der Agent sich verhält, und können iterativ nachjustieren.
- Schritt 03
Integration und Härtung
Anbindung an Ihre Systeme, Fehlerbehandlung, Logging, Monitoring, Rollback-Mechanismen. Ein produktiver Agent muss auch dann sauber laufen, wenn Daten unsauber ankommen.
- Schritt 04
Go-Live und Übergabe
Schulung Ihrer Admins, Dokumentation, Übergabe-Protokoll. Nach Go-Live begleiten wir die ersten zwei Wochen Live-Betrieb intensiv und übergeben dann in den Normalbetrieb.
Womit wir bauen
Wir nehmen, was funktioniert.
Modell- und Tool-Auswahl folgt dem Use Case. Wir sind kein Anthropic-Shop und kein OpenAI-Shop. Welche Komponente wo eingesetzt wird, entscheidet die Aufgabe.
Reasoning-Modelle
- Anthropic Claude
- OpenAI GPT
- Google Gemini
Workflow-Engines
- n8n
- Make
- Eigene Implementierungen
Vektor und Datenhaltung
- Supabase
- PostgreSQL
- Pinecone
- Cloudflare D1
Frameworks
- LangGraph
- LangChain
- Vercel AI SDK
Hosting
- Cloudflare Workers
- Vercel
- On-Premise
Ergänzungs-APIs
- Microsoft Graph
- Google Workspace
- CRM-Systeme
Datenschutz nach DSGVO. Selbst-Hosting möglich, wo nötig.
Passgenau
Diese Leistung passt zu Ihnen, wenn:
Passt zu Ihnen
- Sie haben einen klar abgrenzbaren Workflow mit hohem Volumen.
- Die Aufgabe ist regelbasiert oder folgt erkennbaren Mustern.
- Ihre Daten sind digital verfügbar (E-Mail, Dateisystem, Datenbank, API).
- Sie wollen Mitarbeiter entlasten, nicht ersetzen.
- Sie sind bereit, in Setup und Härtung zu investieren, nicht nur in einen Demo.
Passt nicht zu Ihnen
- Sie suchen einen allgemeinen "AI Assistant" ohne spezifische Aufgabe.
- Der Workflow ist hochgradig variabel und kreativ (Agenten brauchen Struktur).
- Ihre Daten sind nur in Papier oder Köpfen vorhanden.
- Sie erwarten 100-Prozent-Automatisierung von Tag eins.
- Sie wollen einen Chatbot, kein operatives Tool.
Häufige Fragen
Antworten auf Fragen, die wir oft hören.
- Ein einfacher Workflow-Agent (zum Beispiel der Posteingangs-Agent oben) startet bei circa 8.000 bis 15.000 Euro netto für den initialen Bau. Komplexere Multi-Step-Agenten mit Anbindung an mehrere Systeme liegen typischerweise zwischen 20.000 und 60.000 Euro. Plus laufende Hosting- und Modellkosten ab 50 Euro pro Monat.
- Wir bauen Agenten so, dass sie unklare Fälle nicht raten, sondern zur manuellen Prüfung vorlegen. Das ist die wichtigste Sicherheitsmaßnahme. Im Lohnbuchhaltungs-Beispiel landen ungefähr 5 Prozent der Mails täglich im Review-Ordner statt im Automatik-Pfad.
- Das hängt vom Setup ab. Bei sensiblen Use Cases wie Lohnbuchhaltung hosten wir alles selbst (n8n auf Ihrem Server, lokales OCR). Externe LLM-APIs nutzen wir nur, wo es sinnvoll und mit DPA abgesichert ist. Bei Bedarf können wir komplett mit lokalen Modellen arbeiten.
- Auf typischen Workflows erreichen wir nach Tuning Genauigkeiten zwischen 92 und 98 Prozent. Restliche Prozent landen im Review. Wichtig: Genauigkeit ist nicht Null-oder-Eins, sondern abhängig von Datenqualität und Vielfalt der Eingaben. Wir messen das vor Go-Live auf Ihren echten Daten.
- Wir bauen Agenten so, dass das Reasoning-Modell austauschbar ist. Heute Claude, morgen GPT, übermorgen Gemini, ohne den Workflow neu zu bauen. Diese Modell-Unabhängigkeit ist Architektur-Kernprinzip bei uns.
- Ja. Wir liefern Code und Workflows so, dass Ihre IT oder ein anderer Dienstleister sie übernehmen kann. Keine proprietären Black-Boxes, keine Lock-in-Abhängigkeit von uns. Sauber dokumentiert, idealerweise in n8n oder Standard-Frameworks.
- Für den Betrieb meistens nicht, ein technikaffiner Admin reicht. Für Weiterentwicklung hilft eine Person, die Python oder JavaScript grundlegend versteht. Falls Sie das nicht haben, übernehmen wir die Wartung als Service.
Was gut dazu passt
Selten kommt der Agent allein.
Nächster Schritt
Welche wiederkehrende Aufgabe in Ihrem Unternehmen würden Sie gerne nie wieder selbst machen?
Erzählen Sie uns davon. Wir sagen Ihnen ehrlich, ob ein Agent dafür der richtige Weg ist und was er kostet.
Use Case besprechen