Agenten, die weiterarbeiten: Warum KMU jetzt Job-Logik statt Prompts brauchen

KI-Agenten werden erst dann geschäftstauglich, wenn sie eine Aufgabe nicht nur beantworten, sondern über mehrere Minuten oder Stunden sauber weiterführen können: mit Status, Rückfragen, Freigaben, Toolzugriffen und nachvollziehbarem Ergebnis. Genau diese Verschiebung macht Googles neue Interactions API interessant. Sie zeigt, dass der nächste Schritt in der KI-Automatisierung weniger nach einem besseren Prompt klingt und mehr nach sauberer Auftragslogik: starten, beobachten, unterbrechen, fortsetzen, prüfen, freigeben.

Für österreichische KMU ist das ein wichtiger Unterschied. Viele Betriebe haben längst einzelne KI-Experimente: ein Chatbot für Texte, ein Assistent für E-Mails, ein Tool für Recherche, vielleicht einen Agenten für Support oder Vertrieb. Der Engpass liegt aber selten darin, ob ein Modell einen klugen Absatz schreiben kann. Der Engpass liegt darin, ob ein realer Arbeitsauftrag zuverlässig durchläuft, wenn mehrere Systeme, Datenquellen, Berechtigungen und Menschen beteiligt sind.

Was neu ist

Google hat seine Interactions API in der Gemini API als primäre Schnittstelle für Modelle und Agenten positioniert. In der offiziellen Dokumentation heißt es, die API sei seit Juni 2026 allgemein verfügbar und für neue Projekte empfohlen. Der technische Kern ist ein einheitliches Interaction-Objekt: Eine Anfrage ist nicht nur eine Chatnachricht, sondern ein nachvollziehbarer Arbeitsschritt mit Eingaben, Modellschritten, Tool-Aufrufen, Ergebnissen und optionaler serverseitiger Historie.

Am 7. Juli 2026 hat Google zusätzlich neue Managed-Agents-Funktionen angekündigt: Hintergrundausführung für asynchrone Aufgaben, Remote-MCP-Anbindung, eigene Funktionen und aktualisierbare Zugangsdaten über Interaktionen hinweg. Praktisch bedeutet das: Ein Agent muss nicht mehr in einer offenen Browser-Session hängen bleiben, während eine Aufgabe länger dauert. Die Anwendung kann eine Aufgabe starten, eine ID zurückbekommen, den Fortschritt später abfragen oder sich erneut verbinden, während der Agent im Hintergrund weiterarbeitet.

Das klingt technisch, ist aber geschäftlich relevant. Denn damit rückt KI-Automatisierung näher an gewohnte Unternehmenssoftware: Ein Auftrag hat einen Status, eine Historie, Zwischenschritte, Fehlerfälle und eine verantwortliche Freigabe. Genau dort beginnt der Unterschied zwischen Demo und Betrieb.

Warum das für KMU zählt

Ein KMU braucht selten einen völlig autonomen Universalagenten. Viel häufiger geht es um wiederkehrende, begrenzte Arbeitsabläufe: Angebote vorbereiten, Produktdaten prüfen, Supportfälle zusammenfassen, Ausschreibungen vorqualifizieren, Monatsberichte aus mehreren Quellen bauen, Kampagnenmaterial gegen Briefings prüfen oder Website-Inhalte für neue Leistungen strukturieren.

Solche Aufgaben dauern oft länger als eine einzelne Chatantwort. Sie brauchen Recherche, Dateizugriff, Tool-Aufrufe, Rückfragen und einen sauberen Abbruch, wenn eine Annahme unsicher ist. Wenn ein Agent im Hintergrund laufen kann, entsteht daraus kein Zauberwesen, sondern ein besserer Job-Mechanismus: Die Aufgabe wird gestartet, protokolliert, überwacht und erst nach definierten Kriterien abgeschlossen.

Das passt besonders gut zur AI Agent Entwicklung, weil Agenten nicht nur aus Modellaufrufen bestehen. Sie brauchen Auftragsdesign, Datenzugriff, Rechte, Tests, Monitoring und eine Oberfläche, in der Menschen Entscheidungen nachvollziehen können. Wer nur ein Modell in einen Prozess steckt, bekommt vielleicht eine beeindruckende Demo. Wer die Job-Logik baut, bekommt eher einen belastbaren Assistenten.

Vom Prompt zur Auftragsarchitektur

Der wichtigste Perspektivwechsel lautet: Ein Agentenworkflow ist kein langer Prompt, sondern ein kleiner Prozess. Er braucht mindestens fünf Bausteine.

Erstens: einen klaren Auftrag. Der Agent muss wissen, was als erledigt gilt, welche Quellen erlaubt sind, welche Systeme nicht verändert werden dürfen und wann ein Mensch gefragt werden muss. Ein vager Auftrag wie „prüfe unsere Leads“ ist zu breit. Besser ist: „Prüfe neue Leads aus Quelle X, ergänze fehlende Firmendaten aus erlaubten öffentlichen Quellen, markiere Dubletten und erstelle eine Liste für menschliche Freigabe.“

Zweitens: Statusführung. Wenn eine Aufgabe im Hintergrund läuft, braucht sie Zustände wie geplant, läuft, wartet auf Freigabe, fehlgeschlagen, abgeschlossen oder verworfen. Ohne Statusführung entsteht ein schwarzes Loch: Niemand weiß, ob der Agent arbeitet, hängt oder schon etwas verändert hat.

Drittens: Tool-Grenzen. Remote-MCP und eigene Funktionen sind stark, weil Agenten damit nicht nur im Modell denken, sondern echte Unternehmenswerkzeuge nutzen können. Gleichzeitig steigt das Risiko. Für KMU heißt das: Jeder Tool-Zugriff muss zweckgebunden sein. Ein Agent, der Daten lesen darf, muss nicht automatisch Rechnungen senden oder Kundendatensätze ändern dürfen.

Viertens: Protokolle und Belege. Wer später wissen will, warum ein Angebot, ein Report oder eine Empfehlung entstanden ist, braucht nicht nur das Endergebnis. Er braucht Quellen, Zwischenschritte, genutzte Daten und Abweichungen. Das ist auch für Schulung, Qualitätssicherung und Datenschutz wichtig.

Fünftens: menschliche Stopps. Produktive Agenten brauchen Freigaben dort, wo Risiko, Geld, Kundenauswirkung oder Rechtsfolgen entstehen. Ein Agent darf einen Entwurf vorbereiten. Ob er eine E-Mail sendet, eine Bestellung auslöst oder ein öffentliches Dokument veröffentlicht, sollte je nach Prozess bewusst entschieden werden.

Chancen: weniger Warten, bessere Wiederholbarkeit

Die Chance für KMU liegt nicht darin, Menschen aus dem Prozess zu drängen. Sie liegt darin, Wartezeiten und Medienbrüche zu reduzieren. Wenn ein Agent über Nacht 40 Lieferantendokumente prüft, am Morgen drei Rückfragen stellt und eine nachvollziehbare Zusammenfassung liefert, ist das wertvoller als ein Chatbot, der nur freundlich antwortet.

Auch Marketing- und Website-Prozesse profitieren. Bei neuen Leistungsseiten kann ein Agent vorhandene Inhalte prüfen, Suchintentionen sammeln, interne Links vorschlagen und Entwürfe gegen Markenregeln testen. Die technische Umsetzung bleibt aber eine Web- und Datenfrage: Performance, strukturierte Daten, saubere Formulare und lesbare Inhalte entscheiden, ob Agenten und Menschen die Seite nutzen können. Deshalb ist die Verbindung zu Webdesign nicht bloß ein hübscher CTA, sondern Teil der Architektur.

Ein weiterer Vorteil ist Wiederholbarkeit. Ein gut gebauter Agentenjob lässt sich messen: Wie oft läuft er durch? Wo wartet er auf Menschen? Welche Quellen fehlen? Wie viele Ergebnisse müssen korrigiert werden? Aus diesen Kennzahlen entsteht echte Verbesserung. Das passt zum größeren Thema Künstliche Intelligenz im Unternehmen: KI wird dann nützlich, wenn sie mit Prozesswissen, Datenqualität und Verantwortung zusammenkommt.

Grenzen: nicht jede Aufgabe gehört in den Hintergrund

Hintergrundausführung kann falsche Sicherheit erzeugen. Nur weil ein Agent weiterarbeiten kann, sollte er nicht alles selbst erledigen. Lange Laufzeiten erhöhen sogar die Anforderungen an Prüfung, weil sich Fehler über mehrere Schritte fortpflanzen können. Wenn am Anfang eine falsche Kundengruppe, ein veraltetes Dokument oder eine zu breite Berechtigung steht, kann der Agent sehr fleißig in die falsche Richtung arbeiten.

Dazu kommen technische Grenzen. Google weist in der Interactions-API-Dokumentation auf Unterschiede bei Modellen, Tools und Speicherverhalten hin. Serverseitige Historie kann Kosten und Kontextverwaltung verbessern, ist aber auch eine Datenhaltungsentscheidung. Die Dokumentation nennt für gespeicherte Interaktionen unterschiedliche Aufbewahrungsfristen je nach Tier und erklärt, dass bestimmte Funktionen nicht mit stateless Betrieb kombinierbar sind. Das ist für KMU kein Detail am Rand. Es betrifft Datenschutz, Nachvollziehbarkeit und Löschkonzepte.

Auch rechtlich bleibt Vorsicht nötig. Der EU AI Act ist seit 2024 in Kraft, und die Europäische Kommission verweist auf Transparenzpflichten für bestimmte KI-Interaktionen und generative Inhalte. Nicht jeder interne Agent löst dieselben Pflichten aus, aber sobald Kunden, Bewerber, Mitarbeitende oder öffentliche Inhalte betroffen sind, müssen Kennzeichnung, Information und Verantwortlichkeit sauber geprüft werden.

Wie Ostheimer daraus ein Projekt machen würde

Ein sinnvoller Start ist kein Großprojekt, sondern ein begrenzter Pilot mit messbarem Nutzen. Ostheimer würde zuerst einen Workflow auswählen, der häufig genug vorkommt, aber nicht geschäftskritisch im Sinne von „ein Fehler verursacht sofort Schaden“ ist. Gute Kandidaten sind interne Recherche, Angebotsvorbereitung, Content-Prüfung, Lead-Vorqualifizierung oder Support-Zusammenfassungen.

Danach wird der Auftrag in Zustände zerlegt: Was ist der Input? Welche Quellen sind erlaubt? Welche Tools darf der Agent nutzen? Was ist ein Zwischenergebnis? Wann braucht es Freigabe? Wie sieht ein Fehlerfall aus? Erst dann wird entschieden, ob ein Managed Agent, ein eigener Agent mit MCP-Anbindung, ein klassischer Workflow oder eine Kombination sinnvoll ist.

Für bestehende Agentenprojekte ist der neue Google-Winkel außerdem ein guter Prüfstein. Wer bereits über Toolzugriff und Governance nachdenkt, sollte den Artikel über MCP-Governance für KI-Agenten ergänzend lesen. Und wer vor der Build-or-Buy-Frage steht, findet im Beitrag über KI-Agenten von der Stange den passenden Vergleich: Ein fertiger Agent ersetzt nicht die Integration in Rechte, Daten und Betrieb.

Ein pragmatischer 30-Tage-Fahrplan

In den ersten fünf Tagen sollte das Unternehmen einen klaren Prozess auswählen und einen Erfolgsmesswert definieren: Zeitersparnis, weniger Rückfragen, schnellere Reaktionszeit oder höhere Vollständigkeit. Danach werden Datenquellen, Toolrechte und Freigabepunkte dokumentiert.

In Woche zwei entsteht ein kleiner Prototyp mit künstlich begrenztem Zugriff. Der Agent darf lesen, strukturieren und Vorschläge machen, aber noch nichts selbst veröffentlichen, versenden oder verändern. Wichtig ist ein Statusprotokoll: Jeder Lauf braucht Startzeit, Ziel, Quellen, Tool-Aufrufe, Ergebnis und offene Unsicherheiten.

In Woche drei folgen Tests mit echten, aber unkritischen Fällen. Dabei zählt nicht nur, ob der Agent ein Ergebnis liefert. Entscheidend ist, ob Menschen seine Schritte verstehen, ob Fehler sichtbar werden und ob Rückfragen an der richtigen Stelle kommen.

In Woche vier wird entschieden: stoppen, nachschärfen oder erweitern. Wenn die Fehlerquote hoch ist, braucht es meist bessere Eingabedaten oder engere Regeln, nicht einfach ein größeres Modell. Wenn der Nutzen klar ist, kann der nächste Schritt mehr Integration sein: Remote-MCP, CRM-Anbindung, Dateisystem, interne Wissensbasis oder eine kleine Oberfläche für Status und Freigaben.

Fazit

Googles Interactions API ist kein Grund, jedes KMU sofort auf eine neue Plattform zu ziehen. Sie ist aber ein starkes Signal: Produktive KI-Agenten werden wie laufende Arbeitsaufträge behandelt, nicht wie lose Chatverläufe. Für österreichische KMU wird damit die entscheidende Frage konkreter. Nicht: „Welchen Agenten kaufen wir?“ Sondern: „Welchen Prozess können wir so beschreiben, begrenzen und prüfen, dass ein Agent ihn verlässlich unterstützt?“

Wer diese Frage sauber beantwortet, baut keine KI-Spielerei. Er baut eine neue Automatisierungsschicht, die Mitarbeitende entlastet, Wissen besser nutzbar macht und trotzdem kontrollierbar bleibt.

Quellen

• Google, „Interactions API: our primary interface for Gemini models and agents“, veröffentlicht im Kontext der GA-Ankündigung 2026; Google beschreibt die Interactions API als einheitliche Schnittstelle für Modelle und Agenten.
• Google, „Expanding Managed Agents in Gemini API: background tasks, remote MCP and more“, veröffentlicht am 7. Juli 2026.
• Google AI for Developers, „Interactions API“, Dokumentation: allgemein verfügbar seit Juni 2026, zuletzt aktualisiert am 9. Juli 2026.
• OpenAI, „How agents are transforming work“, veröffentlicht am 25. Juni 2026.
• Europäische Kommission, „AI Act“, geprüft am 14. Juli 2026.