Proaktive KI-Agenten 2026: Was Dauerbetrieb wirklich kostet

Robin, AI-Engineering-Consultant bei Pexon Consulting | 8 Min. Lesezeit | 20.09.2026

TL;DR: Proaktive KI-Agenten kurz erklärt

Proaktive KI-Agenten warten nicht auf einen Prompt, sondern laufen dauerhaft, reagieren auf Auslöser und melden sich von selbst. Pexon Consulting baut sie aus vier Bausteinen: Auslöser, Zustandsspeicher, Freigabe-Gate und Kostendeckel. Ohne den vierten Baustein wächst die Rechnung mit der Laufzeit, nicht mit dem Nutzen.

Das Problem: Ein Assistent, der wartet, arbeitet nicht

Der übliche Unternehmens-Chatbot hat eine Eigenschaft, die selten jemand ausspricht: Er tut nichts, bis ihn jemand fragt. Der Nutzen hängt damit an der Disziplin der Mitarbeitenden, ein leeres Eingabefeld aufzusuchen. Nach unserer Beobachtung fallen genau daran die meisten internen Assistenten nach acht bis zwölf Wochen zurück auf eine Handvoll Poweruser.

Meta hat am 08.09.2026 mit Muse gezeigt, wie die Gegenrichtung aussieht. Der Agent läuft auf einer eigenen abgeschotteten Maschine, arbeitet weiter, nachdem die App geschlossen wurde, und meldet sich zurück, wenn sich etwas ändert oder eine Freigabe nötig wird. Die regulatorische Seite dieses Starts haben wir bereits am Launch von Meta Muse aufgearbeitet. Hier geht es um die Bauweise.

Was Muse architektonisch vorführt

Interessant an Muse sind nicht die Funktionen, sondern die Rollenverteilung dahinter. Fünf Oberflächen, und jede steht für eine Fähigkeit, die ein reaktiver Chatbot nicht hat.

Der Punkt ist die vorletzte Zeile. Ein Ziel mit Status und Protokoll ist ein Zustand, der eine Sitzung überlebt. Genau das fehlt in fast jedem internen Assistenten, den wir übernehmen: Er kann formulieren, aber nicht erinnern, was er letzte Woche angestoßen hat.

Muse läuft zunächst nur in den USA, in drei Stufen bis 100 USD im Monat. Für deutsche Unternehmen ist es damit kein Werkzeug, sondern ein Referenzbau. Und eines, an dem sich Mitarbeitende in zwölf Monaten orientieren werden, wenn sie den internen Assistenten bewerten.

Vier Bausteine, ohne die der Dauerbetrieb schiefgeht

Auslöser statt Prompt. Ein proaktiver Agent braucht eine Liste von Ereignissen, auf die er anspringt: neue Mail, geänderter Ticketstatus, überschrittene Frist, Zeitplan. Wer stattdessen eine Schleife baut, die alle fünf Minuten das Modell fragt, ob etwas zu tun ist, bezahlt die Frage und bekommt fast immer ein Nein.

Zustand, der die Sitzung überlebt. Der Agent muss wissen, was er begonnen und wem er was zugesagt hat. Das ist eine Datenbank, kein längeres Kontextfenster. Wir haben mehrfach erlebt, dass Teams diesen Punkt über die Kontextlänge lösen wollten und dann im vierten Betriebsmonat an Token-Kosten und Vergesslichkeit gleichzeitig scheiterten.

Freigabe-Gate mit klarer Grenze. Es braucht eine explizite Liste, was der Agent allein darf und wofür er einen Menschen fragt. Muse fragt vor Käufen. In unseren Projekten ist die Grenze meist: lesen und vorbereiten allein, versenden und buchen nur nach Bestätigung. Wie man diese Gates sauber verdrahtet, steht im Beitrag zu Sicherheitsrisiken bei KI-Agenten.

Kostendeckel pro Agent und pro Tag. Der reaktive Assistent hat eine natürliche Bremse: Wenn niemand fragt, kostet er nichts. Diese Bremse fällt weg. Ein Agent, der alle drei Minuten aufwacht, macht 480 Aufrufe am Tag, auch am Wochenende, auch wenn nichts passiert.

# Auslöser-gesteuert statt Schleife: der Agent wacht auf, wenn etwas passiert
@auf_ereignis("mail.eingegangen", "ticket.status_geaendert", "frist.ueberschritten")
def agent_tick(ereignis, zustand):
    if zustand.tagesbudget_aufgebraucht():
        return zustand.vertagen(ereignis)        # nichts still verschlucken

    plan = agent.planen(ereignis, gedaechtnis=zustand.laden(ereignis.vorgang_id))
    if plan.braucht_freigabe:                     # versenden, buchen, loeschen
        return zustand.zur_freigabe(plan)
    return agent.ausfuehren(plan)

In der Praxis entscheidet die Qualität der Auslöser über Erfolg und Misserfolg des ganzen Vorhabens. Wir starten deshalb nie mit einer Ereignisliste aus dem Workshop, sondern mit zwei Wochen Mitschnitt: Welche Ereignisse treten überhaupt auf, wie oft, und welche davon führen bei einem Menschen tatsächlich zu einer Handlung. Aus dieser Messung fallen regelmäßig zwei Drittel der ursprünglich gewünschten Auslöser heraus, weil sie zwar interessant klingen, aber nie eine Aktion nach sich ziehen. Jeder gestrichene Auslöser senkt die Betriebskosten dauerhaft und die Zahl der Fehlalarme gleich mit.

Die Werkzeugseite ist inzwischen der einfache Teil. Das Repository browser-use/browser-use stand am 20.09.2026 bei 115.463 Sternen, ein Agent kann also längst klicken und Formulare ausfüllen. Die Frage ist nicht mehr, ob er handeln kann, sondern wer haftet, wenn er es nachts um drei tut.

Die Kostenkurve dreht sich um

Bei reaktiven Assistenten skalieren die Kosten mit der Nutzung. Bei proaktiven Agenten skalieren sie mit der Laufzeit, und das ist eine andere Rechnung.

Der letzte Punkt ist der, an dem am häufigsten falsch optimiert wird. Wenn ein Agent zu teuer wird, greifen Teams zuerst zum kleineren Modell. Wirksamer ist fast immer, die Auslöser zu verschärfen, damit er seltener aufwacht. Ein Agent, der auf 480 statt 30 Ereignisse am Tag reagiert, wird durch ein billigeres Modell nicht günstig, sondern nur schlechter.

Die zweitbeste Maßnahme ist die Vorschaltung eines kleinen Klassifikators, der entscheidet, ob das große Modell überhaupt ran muss. Wie das aussieht, haben wir im Beitrag zu kleinen Modellen statt LLM-Calls durchgerechnet. Welches Gerüst darunter passt, steht im KI-Engineering-Stack.

Wo wir vom proaktiven Betrieb abraten

Es gibt drei Situationen, in denen wir Kunden aktiv zurückhalten.

1. Kein Eigentümer für die Vorschläge. Ein Agent, der täglich fünf Hinweise erzeugt, die niemand bearbeitet, produziert Rauschen und verliert innerhalb von Wochen jede Glaubwürdigkeit. Klären Sie vorher, wer die Ausgabe liest und in welchem Takt.
2. Kein Protokoll, das einer Prüfung standhält. Sobald ein Agent selbstständig handelt, brauchen Revision und Datenschutz eine lückenlose Spur. Wer das nachrüsten will, baut den Agenten am Ende zweimal.
3. Das Ziel ist Personalersatz. Proaktive Agenten sind gut im Vorbereiten und schlecht im Verantworten. Wir raten davon ab, sie als Ersatz zu verkaufen, weil der erste Fehlgriff dann das ganze Vorhaben kippt.

Unsere Empfehlung für den Einstieg: ein einziger Agent, ein einziger Auslöser, ein Team als Publikum, vier Wochen Laufzeit mit hartem Deckel. Der Posteingang ist dafür der beste Kandidat, weil dort Nutzen und Fehlverhalten am schnellsten sichtbar werden. Wie ein solches Gerüst mit mehreren Agenten aussieht, wenn es trägt, haben wir im Beitrag zum Agent-Harness beschrieben.

Häufig gestellte Fragen

Was kostet ein proaktiver KI-Agent im Monat?

Für ein Team von rund 50 Nutzern liegen wir bei 900 bis 3.500 EUR im Monat, abhängig davon, wie oft der Agent aufwacht und wie viel Kontext er dabei liest. Der grösste Hebel ist die Zahl der Auslöser, nicht die Wahl des Modells.

Proaktiver Agent oder klassischer Chatbot, was zuerst?

Wenn Ihr Assistent noch keine 30 Prozent der Belegschaft regelmäßig erreicht, lösen Sie kein Nachfrageproblem mit mehr Automatik. Beginnen Sie mit einem proaktiven Agenten auf genau einem Prozess, statt den bestehenden Chatbot breiter zu machen.

Wie verhindere ich, dass der Agent nachts Unsinn anstellt?

Über eine harte Liste erlaubter Aktionen, nicht über den Prompt. Alles, was Geld bewegt, nach aussen kommuniziert oder Daten löscht, gehört hinter ein Freigabe-Gate mit Protokoll. Ein Modell, das seine eigenen Grenzen einhalten soll, ist keine Kontrolle.

Können wir das in der eigenen Infrastruktur betreiben?

Ja, und bei personenbezogenen Daten halten wir das für den richtigen Weg. Laufzeit, Zustandsspeicher und Werkzeuge lassen sich vollständig im eigenen Tenant oder auf eigener Hardware betreiben. Nur das Modell selbst bleibt eine Entscheidung zwischen eigener Inferenz und API.

Was ist der Unterschied zu einer Workflow-Automatisierung?

Ein Workflow führt einen festgelegten Ablauf aus, ein proaktiver Agent entscheidet, ob und welcher Ablauf passt. Für stabile, gut beschriebene Prozesse ist der Workflow günstiger und verlässlicher. Der Agent lohnt sich erst, wenn die Eingaben unstrukturiert sind.

Nächster Schritt

Verwandte Themen