AI Agent Plattformen — Autonome KI-Agenten für Unternehmen

Was sind AI Agents für AI Automation?

AI Agents sind ein neues Paradigma in AI Automation. Während traditionelle Workflows wie Make oder n8n vordefinierte Schritte ausführen («wenn X, dann Y»), treffen AI Agents selbstständig Entscheidungen.

Ein Beispiel macht es klar:

Traditioneller Workflow:

Kundenanfrage → ChatGPT antwortet → E-Mail-Template senden
(Alle Schritte sind vorgeplant)

AI Agent:

Kundenanfrage
↓
Agent denkt: "Das ist eine technische Frage"
↓
Agent wählt selbst: "Ich brauche Zugang zu KB + Code"
↓
Agent ruft Daten ab, denkt, probiert, optimiert
↓
Agent sendet beste Antwort (oder eskaliert wenn nötig)
(Agent entscheidet den Weg)

Definition: Autonome KI-Systeme

AI Agents sind KI-Systeme, die:

• Autonom arbeiten ohne vordefinierte Workflows
• Entscheidungen treffen basierend auf Kontext
• Werkzeuge nutzen (APIs, Datenbanken, Code)
• Probleme lösen durch Iterationen
• Mit Menschen zusammenarbeiten (nicht ersetzen)

Das ist ein Paradigmenwechsel von der Automation zur Entscheidung.

Agents vs. traditionelle Workflows

Tabelle: Agents vs. traditionelle Workflows

Aspekt	Workflow (Make, n8n, Zapier)	AI Agent
Entscheidungen	Vorgeplant (If-Then)	Intelligent (LLM-basiert)
Flexibilität	Rigide	Adaptiv
Komplexe Probleme	Schwierig	Natürlich
Lernen	Nicht vorgesehen	Über den Kontext
Kontrolle	Präzise	Weniger vorhersehbar
Setup-Zeit	Schnell (Stunden)	Länger (Tage)

Die Setup-Zeiten in der letzten Zeile sind unsere eigene Einordnung, keine erhobenen Werte.

Metapher: Workflow = GPS mit vorgeplanter Route. Agent = Intelligenter Navigator, der das Ziel angibt und den Weg optimal findet.

---

Single-Agent vs. Multi-Agent Systeme

Für klar abgegrenzte Aufgaben genügt ein einzelner Agent. Multi-Agent-Systeme teilen ein komplexes Problem auf mehrere Spezialisten auf — sie lösen mehr, kosten aber mehr Aufrufe und sind schwerer zu prüfen.

Single-Agent (Ein spezialisierter Bot)

Ein Single-Agent ist ein einzelnes autonomes KI-System für eine spezifische Aufgabe.

Beispiel: Customer Service Agent

• Empfängt Kundenfragen
• Analysiert Anfrage-Typ
• Sucht in Knowledge-Base
• Antwortet oder eskaliert

Vorteile:

• Einfach zu implementieren
• Leicht zu testen und debuggen
• Hohe Kontrolle über Ausgaben

Nachteile:

• Begrenzt bei komplexen Problemen
• Spezialisiert auf eine Aufgabe

Multi-Agent-Systeme (Agentic AI)

Multi-Agent-Systeme sind mehrere spezialisierte Agents, die zusammenarbeiten.

Beispiel: Research Team aus Agents

Coordinator Agent (verwaltet Projekt)
  ├─ Researcher Agent (findet Informationen)
  ├─ Analyst Agent (wertet aus)
  ├─ Writer Agent (schreibt Zusammenfassung)
  └─ Reviewer Agent (QA-Check)

Workflow:

1. Coordinator bekommt Aufgabe: «Analysiere den Schweizer Markt für AI Automation»
2. Researcher findet relevante Daten
3. Analyst wertet sie aus
4. Writer schreibt Report
5. Reviewer überprüft Qualität
6. Coordinator liefert Endbericht

Vorteile:

• Löst komplexe Probleme durch Teamwork
• Jeder Agent spezialisiert
• Parallele Arbeit möglich
• Höhere Qualität durch Checks

Nachteile:

• Komplexer zu koordinieren
• Mehr API-Calls, höhere Kosten
• Schwerer zu debuggen

---

Führende AI Agent Plattformen

Vier Plattformen prägen das Feld: Lindy als visueller Builder für Business-User, CrewAI als Open-Source-Framework für Multi-Agent-Systeme in Python, AutoGen von Microsoft im Maintenance-Modus und LangGraph für graphbasierte Agent-Workflows. Die Landschaft der AI Agent Plattformen ist noch jung; hier die vier Steckbriefe im Einzelnen.

Lindy (visueller Agent-Builder für Business-User)

Lindy ist eine Plattform für Business-User, um AI Agents ohne Programmierung zu bauen. «No-Code» ist dabei unsere Einordnung — der Anbieter selbst verwendet den Begriff auf seiner Website nicht, er beschreibt Lindy dort als «Your next hire is AI».

• Zielgruppe: Business-User, Non-Techniker
• Stärke: Visuell, einfach, schnell
• Schwäche: Weniger leistungsfähig als Code-basiert
• Pricing: Plus 29.99, Pro 99.99, Max 199.99 USD je Nutzer und Monat
• Anbindung: Verbindung zu gängigen Geschäftsanwendungen

Workflow: Visueller Builder → Agent erstellen → trainieren → live schalten

Ideal für: Marketing, Kundenservice, kleine Automatisierungen.

CrewAI (Open-Source Multi-Agent)

CrewAI ist ein Open-Source-Framework für Multi-Agent-Systeme in Python.

• Zielgruppe: Entwickler, Tech-Teams
• Stärke: Open-Source, Multi-Agent, LLM-agnostic
• Schwäche: Braucht Python-Kenntnisse
• Pricing: Das Framework steht unter MIT-Lizenz und kostet nichts; es fallen nur die LLM-Kosten an. Für Betrieb, Beobachtbarkeit und Support bietet der Anbieter darüber hinaus die gehostete Plattform CrewAI AMP an — mit einem kostenlosen Basic-Tarif, gedeckelt auf «50 workflow executions/month», und darüber einem Enterprise-Tarif zum Individualpreis
• Deployment: Self-hosted oder Cloud

Architektur:

# CrewAI Beispiel
researcher = Agent(
    role="Researcher",
    goal="Find market insights",
    tools=[web_search, database_query]
)

writer = Agent(
    role="Writer",
    goal="Write high-quality reports"
)

crew = Crew(agents=[researcher, writer])
result = crew.kickoff(task="Analyze AI market")

Ideal für: aufwendige Recherchen, mehrstufige Automatisierung, Datenauswertung.

AutoGen (Microsoft Research)

AutoGen ist Microsofts Framework für Multi-Agent-Konversationen. Das Projekt steht im Maintenance-Modus (Stand August 2026); das Repository hält fest, es erhalte keine neuen Funktionen mehr und werde von der Community weitergeführt. Microsoft nennt das Microsoft Agent Framework als Nachfolger für neue Projekte.

• Zielgruppe: Forscher, Entwickler mit Bestandsprojekten
• Stärke: Konversations-Modell, flexibel
• Schwäche: Keine neuen Funktionen mehr; Neueinsteiger sollen zum Microsoft Agent Framework greifen
• Pricing: Kostenlos; es fallen nur die LLM-Kosten an
• Besonderheit: Human-in-the-Loop ist eingebaut

Besonderheit: Agents können untereinander chatten (Multi-Agent Conversations).

Ideal für: Forschung, komplexe Abläufe, Experimente.

LangGraph (LangChain Framework)

LangGraph ist LangChains Framework für Graph-basierte Workflows mit Agents.

• Zielgruppe: Entwickler mit LLM-Erfahrung
• Stärke: Flexibel, State Management, Kontrolle
• Schwäche: Technisch, Lernkurve
• Pricing: Das Framework steht unter MIT-Lizenz und kostet nichts; es fallen nur die LLM-Kosten an. Der gehostete Betrieb über LangSmith Deployment ist ein separates, kostenpflichtiges Angebot
• Integration: Natürlich mit dem LangChain-Ökosystem

Besonderheit: Die Graph-Struktur erlaubt komplexe Kontrollflüsse.

Ideal für: massgeschneiderte Agents, anspruchsvolle AI Automation, Grossunternehmen.

---

Praktische Anwendungen von AI Agents

AI Agents können einen Teil der Serviceanfragen ohne Menschen abschliessen, Recherchen bündeln, Code entwerfen und wiederkehrende Auswertungen vorbereiten — die vier Aufgabenfelder, um die es in diesem Abschnitt geht. Die folgenden Beispiele sind durchgerechnete Szenarien mit offengelegten Annahmen, keine Kundenprojekte. Jede Zeit- und Prozentangabe darin ist gesetzt, nicht gemessen.

Customer Service Agents

Szenario: 1'000 Support-Tickets pro Monat, zwei Mitarbeitende im Support.

Traditioneller Ablauf: Die Mitarbeitenden beantworten jedes Ticket manuell, angesetzt mit 20 Minuten. 1'000 Tickets ergeben 20'000 Minuten, also rund 333 Stunden im Monat. Auf zwei Personen verteilt sind das rund 167 Stunden pro Person und Monat. Gerechnet auf derselben Zeitbasis wie die ROI-Rechnung weiter unten — rund 1'900 Nettojahresstunden nach Ferien und Feiertagen, also rund 158 Stunden im Monat — sind die beiden Stellen damit rechnerisch mehr als ausgelastet: Die Tickets allein überschreiten die verfügbare Zeit um rund 8 Stunden je Person und Monat, im Team um rund 17 Stunden. Auf dieser Zeitbasis lässt sich das Szenario nicht zu zweit bewältigen — entweder liegt die Bearbeitungszeit tiefer als die angesetzten 20 Minuten, oder es braucht Überstunden beziehungsweise eine dritte Person. Auch die 20 Minuten je Ticket sind angesetzt, nicht gemessen.

AI Agent Lösung:

Ticket kommt an
  ↓
Support Agent liest Kontext
  ↓
Agent analysiert: "Ist das Billing oder Technical?"
  ↓
Fallbehandlung:
  - Billing: Knowledge-Base + CRM abrufen → Antwort senden
  - Technical: Code-Zugang + Logs analysieren → Debug senden
  - Komplex: Eskalieren an Mensch mit Zusammenfassung
  ↓
70-80% der Tickets vollautomatisch gelöst (Annahme des Beispiels)
20-30% smart eskaliert mit Kontext

Resultat bei diesen Annahmen: Bleiben 20 bis 30 Prozent der Tickets für Menschen, sinkt die manuelle Bearbeitung von rund 333 auf 67 bis 100 Stunden im Monat. Die beiden Stellen verschwinden nicht, ihre Support-Last fällt auf 20 bis 30 Prozent des bisherigen Aufwands. Ob die Quote von 70 bis 80 Prozent erreichbar ist, entscheidet sich an den eigenen Tickets — sie ist hier gesetzt, nicht gemessen.

Research und Data Analysis

Szenario: Marktforschung für neues Produkt.

Traditionell: Ein Analyst verbringt 2 Wochen mit der Recherche, also rund 80 Arbeitsstunden.

AI Agent Lösung:

Coordinator Agent bekommt: "Analysiere Schweizer Markt für AI Automation"
  ↓
Researcher Agent: Sucht 50+ Quellen (Web, Papers, Reports)
  ↓
Data Analyst Agent: Strukturiert Daten, findet Trends
  ↓
Writer Agent: Schreibt 20-Seiten Report
  ↓
Reviewer Agent: Fact-Check, Qualitätskontrolle
  ↓
Endbericht in 4-6 Stunden statt 2 Wochen

Resultat bei diesen Annahmen: 4 bis 6 Stunden Laufzeit statt rund 80 Arbeitsstunden, also über 90 Prozent weniger Zeit. Die Laufzeit ist eine Setzung des Beispiels, kein gemessener Wert.

Code-Generierung und Software Development

Szenario: Ein Startup mit 3 Entwicklern soll ein neues Feature in 2 Wochen bauen.

AI Agent Lösung:

Product Manager Agent: Anforderungen verstehen
  ↓
Architect Agent: System-Design überlegen
  ↓
Developer Agents (3-5): Code schreiben, sich gegenseitig prüfen
  ↓
QA Agent: Testen, Edge Cases finden
  ↓
DevOps Agent: Deployment vorbereiten
  ↓
Feature in 1 Woche statt 2 (+ Qualität oft besser)

Einordnung: Die Halbierung der Dauer ist eine Setzung dieses Beispiels. Veröffentlichte Messwerte zur Beschleunigung von Entwicklungsarbeit durch agentische Werkzeuge liegen nicht vor.

Business Operations Optimization

Szenario: Ein Finance-Team erstellt monatliche Reports, angesetzt mit 5 Arbeitstagen zu 8 Stunden, also rund 40 Stunden.

AI Agent Lösung:

Report Agent bekommt Deadline: "31. März 23:59"
  ↓
Agent sammelt Daten aus: SAP, Excel, Google Sheets, CRM
  ↓
Agent transformiert, validiert, findet Anomalien
  ↓
Agent erstellt 30-Seiten Report mit Visualisierungen
  ↓
Agent sendet an Finance-Leiter zur Genehmigung
  ↓
Automatisch fertig in 2-3 Stunden statt 5 Tagen

Resultat bei diesen Annahmen: 2 bis 3 Stunden Laufzeit statt rund 40 Arbeitsstunden — über 90 Prozent weniger Bearbeitungszeit. Dazu kommt die Freigabe durch die Finance-Leitung. Zur Fehlerquote liegen keine Messwerte vor.

---

Technische Architektur von AI Agents

Technisch besteht ein Agent aus drei Bausteinen: einer Denkschleife nach dem ReAct-Muster, einem Gedächtnis für den Kontext und einer Schnittstelle, über die er Werkzeuge aufruft.

ReAct Pattern (Reasoning + Acting)

Die meisten AI Agents funktionieren nach ReAct (Reasoning + Acting):

Observation (Frage/Auftrag)
  ↓
Thought (Agent denkt: "Was muss ich tun?")
  ↓
Action (Agent wählt Tool/API)
  ↓
Observation (Ergebnis vom Tool)
  ↓
Thought (Ist das genug? Brauche ich mehr?)
  ↓
Act again oder Final Answer

Beispiel in Echtzeit:

Frage: "Wie viel kostet eine Lizenz für Make in der Schweiz?"

Agent Thought: "Das braucht aktuelle Preisdaten, ich muss Web suchen"
Agent Action: Nutze web_search Tool mit Query "Make pricing Switzerland 2026"
Agent Observation: Finde Make-Preisseite
Agent Thought: "USD zu CHF konvertieren, Pricing ist Credit-basiert"
Agent Action: Nutze currency_converter Tool (USD → CHF)
Agent Observation: 1 USD = 0.79947 CHF
Agent Thought: "Jetzt kann ich antworten"
Agent Final Answer: "Make Core kostet 9 USD im Monat für 10'000 Credits, rund 7 CHF"

Dieser Prozess ist autonom und iterativ — der Agent entscheidet selbst.

Memory Management

Agents brauchen Gedächtnis, um Kontext zu behalten:

• Short-Term Memory: Aktuelle Konversation
• Long-Term Memory: Dauerhaft wichtige Fakten, etwa Kundenpräferenzen
• Tool Use Memory: Welche Tools funktionieren gut?

Beispiel:

Kunde kontaktiert Agent am 1. Januar: "Ich brauche Lead-Gen für B2B"
Agent speichert: Kunde X, B2B-Fokus, Lead-Gen-Tool

Kunde kontaktiert am 15. Januar: "Wie geht es mit meinem Projekt?"
Agent ruft Memory ab: "Ah, Sie sind der B2B-Lead-Gen-Kunde"
Agent sagt: "Ich erinnere mich, dass Sie B2B Leads brauchen"
(Ohne Memory müsste Agent Kontext neu aufbauen)

Tool Integration und Function Calling

Agents nutzen Function Calling um externe Tools aufzurufen:

Agent bekommt: "Schreibe eine E-Mail an max@example.ch"
Agent: "Ich brauche das email_send Tool"
Agent calls: send_email(to="max@example.ch", subject="...", body="...")
Result: E-Mail versendet
Agent: "Fertig!"

Verfügbare Werkzeuge für Agents:

• Web Search: Google Search API, Bing
• Code Execution: Python, JavaScript interpreter
• Database Query: SQL, Datenbank-Zugriff
• API Calls: Beliebige REST/GraphQL APIs
• File Operations: Dateien lesen/schreiben
• Calculator: Mathematik
• Custom Tools: Alles, was Sie bauen können

Vertiefen Sie Ihr Wissen:

• Agentic Workflows für Unternehmen
• RAG für Unternehmen
• Computer Use und Browser Automation

---

AI Agents für Schweizer KMU

Für Schweizer KMU sind AI Agents heute ein Pilotthema, kein Standardwerkzeug. Der Kostenblock ist klein, das Risiko liegt in der Verlässlichkeit — und die Rendite hängt an einer einzigen Annahme, die jeder Betrieb an den eigenen Anfragen messen muss.

Reifegrad und Produktionsreife

Status (August 2026): Der Reifegrad ist uneinheitlich, und die folgende Einordnung ist unsere eigene. Einzelne Bausteine sind allgemein verfügbar — das Microsoft Agent Framework etwa seit dem 3. April 2026 in Version 1.0 —, die durchgängige agentische Bearbeitung eines Geschäftsprozesses ist es nach unserer Beobachtung nicht. Für den Produktivbetrieb deshalb nur mit Vorsicht.

• Lindy: vergleichsweise ausgereift; über die Zahl produktiver Installationen liegen keine Angaben vor
• CrewAI: Aktiv entwickelt, stabil genug zum Testen
• AutoGen: Maintenance-Modus (Stand August 2026); für Neues gilt das Microsoft Agent Framework
• LangGraph: Relativ stabil

ROI-Berechnung für KMU

Die folgende Rechnung ist ein Modell mit offengelegten Annahmen, kein Erfahrungswert aus einem Projekt. Jede Zahl darin ist eine Setzung, die Sie durch Ihre eigene ersetzen sollten.

Szenario: Ein Zehn-Personen-Betrieb beschäftigt heute eine Vollzeitstelle im Support.

• Heute: 1 FTE (Vollzeitäquivalent). Als Ankerwert dient der Schweizer Medianlohn 2024 von 7'024 Franken brutto im Monat für eine Vollzeitstelle (Bundesamt für Statistik, Lohnstrukturerhebung) — rund 84'000 CHF Bruttolohn im Jahr, mit angenommenen 15 Prozent Arbeitgeberbeiträgen rund 97'000 CHF Vollkosten. Belegt ist der Medianlohn; die Aufschläge sind unsere Annahme
• Angenommen, der Agent übernimmt sieben von zehn Anfragen ohne Menschen: 0,3 FTE bleiben
• Rechnerische Entlastung: 0,7 × 97'000 = rund 68'000 CHF im Jahr

Implementierungs-Kosten:

• Plattform: Lindy Pro 99.99 USD pro Nutzer und Monat = rund 1'200 USD im Jahr, umgerechnet etwa 960 CHF (Kurs 1 USD = 0.79947 CHF, abgeleitet aus den EZB-Referenzkursen vom 21. August 2026: EUR/USD 1.1699, EUR/CHF 0.9353)
• Setup: 20 Stunden Arbeit zum angesetzten Stundensatz von 50 CHF = 1'000 CHF (derselbe Stundensatz ergibt sich aus 97'000 CHF Vollkosten auf rund 1'900 Jahresstunden)
• Total: rund 1'960 CHF im ersten Jahr

Der Tarif ist gegenüber der Personalstelle eine Randgrösse — er entscheidet nichts. Alles hängt an der einen Annahme, dass sieben von zehn Anfragen wirklich ohne Menschen abschliessbar sind. Diese Quote lässt sich nicht schätzen, sondern nur an den eigenen Tickets messen: Wie viele Anfragen der letzten drei Monate hätte ein Agent mit den vorhandenen Informationen beantworten können? Wer diese Auswertung nicht gemacht hat, sollte keine Renditezahl nennen — weder eine hohe noch eine vorsichtige.

Hinzu kommt eine Anlaufzeit: Bis ein Agent verlässlich arbeitet, vergehen nach unserer Einschätzung mehrere Monate, in denen die Stelle weiterhin gebraucht wird. Auch das ist eine Setzung und kein Messwert.

Risiken und Vorsichtsmassnahmen

1. Kontrollproblem: Agents sind weniger vorhersehbar als Workflows
2. Schwankende Qualität: Die Ergebnisqualität schwankt zwischen Durchläufen
3. Kostenexplosion: Zu viele LLM-Aufrufe können teuer werden
4. Menschliche Aufsicht: Agents brauchen Aufsicht; ohne sie fehlt die Stelle, die falsche Entscheide bemerkt

Best Practice:

• Start mit einem Single-Agent für eine eng abgegrenzte Aufgabe
• Immer Human-in-the-Loop (Agent schlägt vor, Mensch genehmigt)
• Alles überwachen und protokollieren
• Iterativ verbessern basierend auf Feedback

---

AI Agents und DSGVO

Personendaten schliessen einen Agenten nicht aus, sie verlangen aber eine menschliche Instanz an den entscheidenden Stellen: Human-in-the-Loop, lückenlose Protokollierung und ein dokumentierter Rechtsgrund für jede Bearbeitung.

Autonomie vs. Kontrolle

Die grösste Herausforderung: Können Agents mit Personendaten datenschutzkonform arbeiten?

Antwort: Bedingt ja, mit Einschränkungen. Für ein Unternehmen in der Schweiz gilt zuerst das revidierte Datenschutzgesetz (DSG, SR 235.1); die DSGVO kommt über ihren Art. 3 dazu, wenn Sie Personen in der EU Waren oder Dienstleistungen anbieten oder deren Verhalten beobachten. Beide Erlasse kennen Sonderregeln für Entscheide, die allein eine Maschine trifft und die für die betroffene Person erhebliche Wirkung haben.

Problem: Ein autonomer Agent könnte:

• Daten an Dritte weitergeben, für die keine Rechtsgrundlage besteht
• Fehlerhafte Entscheidungen treffen, ohne dass jemand sie prüft
• Daten länger aufbewahren, als es der Zweck erfordert (Art. 6 Abs. 4 DSG)

Lösung: Human-in-the-Loop für sensible Daten

Anfrage mit Personendaten
  ↓
AI Agent analysiert
  ↓
Agent macht einen Vorschlag
  ↓
[MENSCHLICHE PRÜFUNG — PFLICHTSTATION]
  ↓
Mensch genehmigt oder ändert
  ↓
Aktion wird ausgeführt

Das braucht Logging und Dokumentation:

• Alle Agent-Entscheidungen geloggt
• Mensch kann Review-Trail sehen
• Nachvollziehbarkeit für Behörden

Muster für Agents mit Personendaten

✓ Unkritisch: Agents für interne Abläufe ohne Personendaten
✓ Gangbar: Agents mit Human-in-the-Loop für Kundendaten
✗ Nicht ohne Weiteres: Vollständig autonome Agents mit Kundendaten — ohne menschliche Beteiligung greifen die Sonderregeln zur automatisierten Einzelentscheidung, und den Nachweis der Rechtmässigkeit müssen Sie führen

Beispiel (tragfähig):

Kundenservice-Agent:
  - Liest die E-Mail (personenbezogen)
  - Verarbeitet sie in der vertraglich vereinbarten Umgebung
    (keine Weitergabe ausserhalb der Auftragsbearbeitung)
  - Macht einen Vorschlag → Mensch genehmigt → Aktion
  - Alle Schritte protokolliert

Beispiel (heikel):

Vollautonomer Agent:
  - Liest die Kunden-E-Mail
  - Versendet die Antwort ohne menschliche Prüfung
  - Bewahrt die Daten unbefristet auf
  → möglicher Verstoss gegen Art. 6 Abs. 4 DSG (vernichten oder
    anonymisieren, sobald für den Zweck nicht mehr erforderlich)
    und gegen die Regeln zur automatisierten Einzelentscheidung

---

Häufige Fragen zu AI Agents

Sind AI Agents bereit für Produktion?

Teilweise ja. Lindy und CrewAI werben mit produktivem Einsatz; unabhängige Zahlen dazu liegen nicht vor. AutoGen erhält keine neuen Funktionen mehr und ist community-geführt; für neue Vorhaben empfiehlt Microsoft das Microsoft Agent Framework.

Empfehlung: Pilot mit Lindy für betriebliche Anwendungsfälle, CrewAI für technische Aufgaben.

Worin unterscheiden sich AI Agents von Chatbots?

Chatbots:

• Konversational (Chat-Oberfläche)
• Reaktiv (reagiert auf Fragen)
• Begrenzte Werkzeuge (meist nur das Sprachmodell)

AI Agents:

• Autonom oder semi-autonom
• Proaktiv (kann Aufgaben selbst anstossen)
• Volles Werkzeugset (APIs, Code, Datenbanken)

Einfach: Chatbot antwortet auf Ihre Fragen. Agent führt Aufgaben durch.

Wie teuer sind AI Agents?

Lindy: Plus 29.99, Pro 99.99, Max 199.99 USD je Nutzer und Monat
CrewAI: kostenloses Framework, es fallen nur die LLM-Kosten an; die gehostete AMP-Plattform hat einen kostenlosen Basic-Tarif mit 50 Ausführungen im Monat, darüber Enterprise zum Individualpreis
AutoGen: kostenlos, es fallen nur die LLM-Kosten an
LangGraph: kostenloses Framework, es fallen nur die LLM-Kosten an

Was den Ausschlag gibt: nicht allein der Tarif, sondern die Kostenlogik. Lindy rechnet je Nutzer und Monat ab, die Kosten steigen also mit der Zahl der Personen mit Zugang. Bei den Frameworks fällt kein Lizenzpreis an, dafür die LLM-Kosten je Aufruf — sie steigen mit der Zahl der Agentenschritte.

Quellen der Preisangaben: Lindy («$29.99 /mo per user», «$99.99 /mo per user», «$199.99 /mo per user»; die Seite kennt keinen Jahres-Monats-Umschalter, sie nennt beim Einstieg nur «7-day free trial • Cancel anytime»), Make («$9/mo» für «10k credits/mo»; die Seite stellt «Pay monthly» und «Pay annually» gegenüber und bewirbt den Jahresweg mit «Save 15% or more», nennt für den Jahresweg aber keinen abweichenden Betrag und führt beim Preis keinen Zusatz wie «billed annually») und CrewAI (AMP-Tarif «Basic» kostenlos mit «50 workflow executions/month», darüber «Enterprise» zum Individualpreis) — alle abgerufen am 24. August 2026. Die Frameworks CrewAI, AutoGen und LangGraph selbst sind kostenlos; es fallen nur die LLM-Kosten an. Wechselkurs USD/CHF: 1 USD = 0.79947 CHF, abgeleitet aus den EZB-Referenzkursen vom 21. August 2026 (EUR/USD 1.1699, EUR/CHF 0.9353). Die EZB quotiert wörtlich «All currencies quoted against the euro (base currency)» und veröffentlicht keinen USD/CHF-Kurs. Anbieterpreise ändern sich; die Beträge stehen in der Währung des Anbieters.

Wird AI Automation durch Agents ersetzt?

Nein. Workflows und Agents sind komplementär:

• Workflows: Für starre, hochfrequente Aufgaben
• Agents: Für komplexe, weniger vorhersehbare Probleme

Ausblick: Hybride Systeme aus Workflows und Agents.

Brauche ich Make oder n8n nicht mehr, wenn ich AI Agents nutze?

Nein. Sie brauchen trotzdem Workflows für:

• Schnelle Automatisierungen (Agents sind teurer)
• Hochfrequente Tasks, die in kurzen, festen Intervallen laufen
• Starre Prozesse, bei denen ein Agent nur Zusatzaufwand bedeutet

Richtig: Nutzen Sie Make oder Zapier für die häufigen Routineabläufe und Agents für die wenigen Fälle, die echtes Abwägen verlangen.

---

Die Zukunft von AI Automation

AI Agents verschieben die Frage von «Welche Schritte lege ich fest?» (Workflows) zu «Welches Ziel gebe ich vor?» (Agents).

Die folgende Zeitachse ist unsere eigene Einschätzung, keine Prognose eines Marktforschers und nicht durch erhobene Daten gedeckt:

2026: Agents noch experimentell, frühe Anwender testen
2027–2028: Agents finden breitere Verwendung, erste Rollouts in Grossunternehmen
2029 und danach: Mischformen aus Workflows und Agents als Regelfall

Für KMU-Strategien: Jetzt mit Agents experimentieren, aber nicht alles auf diese Karte setzen. Traditionelle Automation bleibt das Zugpferd.

Agenten und LLMs vertiefen

Verwandte Guides rund um AI Agents und die zugrunde liegenden Sprachmodelle:

• AI Agents einfach erklärt
• AI Agents vs. Chatbots — der Unterschied
• Konkrete AI-Agent Use-Cases
• LangChain vs. CrewAI im Vergleich
• LLMs für Unternehmen — Grundlagen
• Aufkommende LLMs für Automation
• Fine-Tuning vs. In-Context Learning
• Voice-AI und Sprachassistenten

---

Passende Leistungen von erdinc.ai:

• AI Agent Entwicklung beauftragen

Quellen

1. Quellen der Preisangaben: Lindy («$29.99 /mo per user», «$99.99 /mo per user», «$199.99 /mo per user»; die Seite kennt keinen Jahres-Monats-Umschalter, sie nennt beim Einstieg nur «7-day free trial • Cancel anytime»), Make («$9/mo» für «10k credits/mo»; die Seite stellt «Pay monthly» und «Pay annually» gegenüber und bewirbt den Jahresweg mit «Save 15% or more», nennt für den Jahresweg aber keinen abweichenden Betrag und führt beim Preis keinen Zusatz wie «billed annually») und CrewAI (AMP-Tarif «Basic» kostenlos mit «50 workflow executions/month», darüber «Enterprise» zum Individualpreis) — alle abgerufen am 24. August 2026. Die Frameworks CrewAI, AutoGen und LangGraph selbst sind kostenlos; es fallen nur die LLM-Kosten an. Wechselkurs USD/CHF: 1 USD = 0.79947 CHF, abgeleitet aus den EZB-Referenzkursen vom 21. August 2026 (EUR/USD 1.1699, EUR/CHF 0.9353). Die EZB quotiert wörtlich «All currencies quoted against the euro (base currency)» und veröffentlicht keinen USD/CHF-Kurs. Anbieterpreise ändern sich; die Beträge stehen in der Währung des Anbieters.