2026 ist das Jahr, in dem sich der Begriff „KI-Agent" von der Marketingfolie in den Arbeitsalltag verschoben hat. Claude Code programmiert eigenständig über mehrere Dateien hinweg, OpenAI Codex öffnet Pull Requests, während der Entwickler Kaffee holt, und dieselbe Technologie steckt inzwischen auch hinter persönlichen Assistenten, die sich an Projekte, Vorlieben und Dauerauftrag-Anweisungen erinnern. Für Schweizer Unternehmen stellt sich damit eine konkrete Frage: Was ist an einem Agenten wirklich neu – und wo lohnt sich der Aufwand, einen eigenen zu bauen?

Abgrenzung vorab: Ein Chatbot beantwortet eine Frage. Ein Agent verfolgt ein Ziel über mehrere Schritte hinweg – er plant, ruft Werkzeuge auf, prüft Zwischenergebnisse und passt sein Vorgehen an, bis die Aufgabe erledigt ist oder er an eine Grenze stösst, die einen Menschen braucht.

1. Zwei Ebenen, ein Prinzip: persönlicher Assistent und Coding-Agent

Wer aktuell über Claude als „Agent" liest, stösst meist auf zwei unterschiedliche Produkte, die auf demselben Prinzip aufbauen. Auf der einen Seite steht Claude als persönlicher Assistent: mit Gedächtnis über mehrere Unterhaltungen hinweg, dauerhaften Anweisungen, die nicht bei jeder Frage neu formuliert werden müssen, einem Projekte-Feature für thematisch getrennten Kontext, Artefakten für längere Dokumente und Add-ins, die direkt in Word, Excel und PowerPoint arbeiten. Für Wissensarbeit ohne Programmierhintergrund ist das der relevante Einstieg.

Auf der anderen Seite steht Claude Code – ein Agent, der im Terminal lebt, den eigenen Programmcode liest, Änderungen über mehrere Dateien hinweg koordiniert und dabei den Entwickler im Loop hält. Beide Varianten laufen auf demselben Modell, unterscheiden sich aber fundamental darin, welche Werkzeuge der Agent bedienen darf und wie viel Autonomie er dabei bekommt. Genau dieser Regler – Werkzeugzugriff plus Autonomiegrad – ist der Kern jeder Agenten-Architektur, egal ob sie eine E-Mail entwirft oder eine Codebasis refaktoriert.

2. Claude Code vs. OpenAI Codex: zwei Philosophien

Als Anthropic Claude Code auf den Markt brachte und OpenAI Codex zum vollwertigen Coding-Agenten ausbaute, wurde schnell klar: Beide Unternehmen haben unterschiedliche Vorstellungen davon, was „KI-gestütztes Programmieren" bedeuten soll.

Aspekt Claude Code OpenAI Codex
Ausführungsort Lokal im Terminal / in der IDE Cloud-Sandbox, zusätzlich lokale CLI
Arbeitsmodus Developer-in-the-Loop, interaktiv Autonom, asynchrone Task-Delegation
Stärke Repo-weite Refactorings, Codequalität, UI/Frontend Terminal-Tasks, CI/CD-Automatisierung, PR-Generierung
Typischer Use Case Entwicklerin arbeitet aktiv mit, trifft Entscheidungen Repetitive Aufgabe wird an die Cloud delegiert

In der Praxis ist das kein Entweder-oder. Claude Code eignet sich, wenn eine Person die Kontrolle behalten will und Codequalität über Geschwindigkeit steht – etwa bei einem grösseren Refactoring oder bei sensiblen Teilen der Codebasis. Codex spielt seine Stärke aus, wenn Aufgaben klar umrissen sind und im Hintergrund laufen können, während das Team an anderen Prioritäten arbeitet. Für ein Schweizer KMU mit kleinem Entwicklerteam ist meist der erste Fall der relevantere Einstieg: enge Führung, nachvollziehbare Schritte, kein „schwarzer Kasten", der unbeaufsichtigt Code in Produktion schiebt.

Wichtige Einschränkung: Je autonomer ein Agent arbeitet, desto wichtiger wird die Frage nach Prüfpunkten. Ein Agent, der eigenständig Pull Requests öffnet, braucht zwingend einen Menschen, der sie vor dem Merge liest – nicht als Formsache, sondern als Kontrollinstanz.

3. Wie man einen eigenen Agenten baut: Subagents, Skills, MCP

Ein Agent besteht nicht aus einem grossen, alles könnenden Prompt. Er besteht aus klar abgegrenzten Bausteinen, die sich kombinieren lassen. Bei Claude Code sind das im Kern drei Konzepte:

Subagents

Ein Subagent ist ein spezialisierter Helfer mit eigenem Kontextfenster, der eine klar umrissene Teilaufgabe übernimmt – zum Beispiel Code-Review, Testausführung oder Recherche – und nur das Ergebnis zurückmeldet. Der Hauptagent bleibt dadurch übersichtlich, statt mit jedem Zwischenschritt zuzumüllen.

Skills

Eine Skill ist kein eigenständiger Akteur, sondern ein Wissenspaket: Anleitungen, Vorlagen und Regeln, die der Agent bei Bedarf heranzieht, ohne dafür einen neuen Kontext zu öffnen. Skills sind der richtige Baustein für wiederkehrende, gut dokumentierbare Abläufe – etwa „so wird bei uns ein Kundenbericht formatiert" oder „so sieht unser Code-Review-Standard aus".

MCP – die Schnittstelle nach aussen

Das Model Context Protocol verbindet einen Agenten mit externen Systemen: einer Datenbank, einem CRM, einem internen Wiki. Ohne eine solche Anbindung bleibt jeder Agent auf das beschränkt, was im Chat oder im Dateisystem steht. Mit MCP wird aus einem Text-Generator ein Werkzeug, das tatsächlich in bestehenden Systemen arbeitet.

Für die Modellwahl gilt eine einfache Faustregel: das leistungsfähigste Modell für komplexe, mehrdeutige Aufgaben, ein ausgewogenes Modell als Allrounder für den Grossteil der Arbeit, und ein schnelles, günstiges Modell für einfache, klar definierte Routineschritte innerhalb eines Subagenten. Ein Agent, der für jede Kleinigkeit das teuerste Modell bemüht, ist kein gutes Agentendesign – sondern ein teures.

Merksatz: Subagents kapseln Aufgaben. Skills kapseln Wissen. MCP kapselt Zugriff. Ein guter Agent kombiniert alle drei, statt einen einzigen Prompt endlos aufzublähen.

4. Business-Nutzen: Wann lohnt sich der Aufbau eines eigenen Agenten?

Nicht jede Aufgabe braucht einen Agenten. Ein einzelner, gut formulierter Prompt reicht für die meisten Alltagsaufgaben völlig aus – dazu mehr im KI-Effizienz-Audit für Schweizer KMU. Ein Agent wird erst dann sinnvoll, wenn eine Aufgabe drei Bedingungen gleichzeitig erfüllt:

  • Mehrschrittig: Die Aufgabe verlangt eine Abfolge von Entscheidungen, nicht nur eine einmalige Antwort.
  • Werkzeuggebunden: Es müssen echte Systeme angesprochen werden – Code ausführen, Dateien schreiben, Datenbanken abfragen.
  • Wiederkehrend: Der Aufwand für den Aufbau muss sich über mehrere Durchläufe amortisieren, nicht nur einmal.

Trifft das zu, verschiebt sich die Rechnung deutlich: Ein Team, das Code-Reviews, Testläufe oder die Aufbereitung wiederkehrender Reports an spezialisierte Subagents delegiert, gewinnt nicht nur Zeit, sondern auch Konsistenz – eine Qualitätsbasis, die nicht von der Tagesform einer einzelnen Person abhängt. Das ist derselbe Sprung, den der Artikel System Prompts für interne KI-Assistenten für einfache Assistenten beschreibt, nur eine Stufe weiter: vom konsistenten Ton zur konsistenten Ausführung.

Genauso wichtig ist die Kehrseite. Ein Agent, der autonom handelt, kann autonom Fehler wiederholen – schneller, als ein Mensch sie bemerkt. Drei Grenzen gehören deshalb von Anfang an in jedes Agenten-Projekt:

  1. Scope: Was der Agent darf, muss explizit begrenzt sein – nicht implizit „alles, was er zufällig erreichen kann".
  2. Prüfpunkte: Bei kritischen Schritten (Produktivsysteme, Kundendaten, finanzielle Transaktionen) bleibt ein Mensch die letzte Instanz.
  3. Beobachtbarkeit: Jeder Schritt des Agenten muss nachvollziehbar protokolliert sein – sonst lässt sich ein Fehler im Nachhinein nicht erklären.
Praxis-Rahmen: Das gilt im Kleinen wie im Grossen genauso für die Schweizer Datenschutzpraxis – wer Agenten an interne Systeme anbindet, sollte die Grundsätze aus der KI-Governance für Schweizer Unternehmen als Leitplanke mitdenken, bevor der erste Agent produktiv geschaltet wird.

5. Praxis-Einstieg in drei Schritten

Der Einstieg muss nicht gross sein. Drei Schritte reichen, um zu testen, ob ein Agent für eine konkrete Aufgabe tatsächlich einen Unterschied macht:

Schritt 1 – eine einzelne, abgeschlossene Aufgabe wählen

Keine offene Vision, sondern eine Aufgabe mit klarem Anfang und Ende: „Lies diese fünf Log-Dateien, fasse Fehler nach Häufigkeit zusammen" ist ein guter Startpunkt. „Verwalte unseren Kundensupport" ist es nicht.

Schritt 2 – mit engem Autonomiegrad starten

Der Agent schlägt vor, ein Mensch bestätigt jeden Schritt. Erst wenn sich über mehrere Durchläufe zeigt, dass die Vorschläge zuverlässig sind, wird der Autonomiegrad schrittweise erhöht – nie umgekehrt.

Schritt 3 – Ergebnis und Aufwand messen

Genau wie beim Effizienz-Audit: Zeit vorher, Zeit nachher, Fehlerquote dokumentieren. Ohne diese Zahlen bleibt jede Agenten-Einführung eine Bauchentscheidung – mit ihnen wird sie eine begründbare.

6. Nächste Schritte

KI-Agenten sind kein Ersatz für ein durchdachtes Prompt-System – sie sind dessen konsequente Fortsetzung, sobald einzelne Prompts an ihre Grenzen stossen. Wer bereits saubere System Prompts und eine funktionierende Promptbibliothek im Team hat, ist für den nächsten Schritt gut vorbereitet. Wer diese Grundlage noch nicht hat, sollte dort beginnen – nicht bei der komplexesten verfügbaren Technologie. Mehr zu diesem Grundprinzip, Werkzeuge auf das nötige Minimum zu reduzieren, steht in Vereinfachung als Strategie.

Für Teams, die den Aufbau eines eigenen Agenten strukturiert angehen wollen – von der Aufgabenauswahl bis zum produktionsreifen Subagent-Setup mit klaren Prüfpunkten – bietet CuonzTech ThinkLab ein massgeschneidertes Workshop-Format für Schweizer KMU an.