KI ist im CRM inzwischen in vielen Bereichen angekommen. Gesprächsnotizen lassen sich automatisch zusammenfassen, E-Mails vorbereiten, Informationen recherchieren und Verkaufschancen analysieren. Diese Funktionen unterstützen Anwender vor allem dabei, schneller zu arbeiten und weniger Zeit mit wiederkehrenden Aufgaben zu verbringen.
Mit Agentic AI beginnt jedoch eine neue Entwicklungsstufe. Ein Agent reagiert nicht mehr nur auf eine konkrete Anfrage, sondern kann innerhalb definierter Grenzen selbstständig Aufgaben bearbeiten. Er greift auf Informationen zu, bewertet eine Situation, nutzt unterschiedliche Werkzeuge und kann anschließend Aktionen ausführen. Für CRM ist das besonders relevant, weil Kundenprozesse fast immer aus mehreren zusammenhängenden Arbeitsschritten bestehen. Ein Vertriebsmitarbeiter prüft beispielsweise einen Account, analysiert offene Opportunities, berücksichtigt Servicefälle, liest die letzte Kommunikation, bereitet einen Termin vor und dokumentiert anschließend das Ergebnis. Genau solche Abläufe lassen sich zunehmend teilweise an Agenten übergeben.
Damit verändert sich die Rolle von KI im CRM. Aus einer reinen Assistenzfunktion wird schrittweise ein aktiver Bestandteil des Geschäftsprozesses. Die zentrale Frage lautet deshalb nicht mehr nur, was KI vorbereiten kann, sondern welche Aufgaben ein Unternehmen einem Agenten bereits heute kontrolliert überlassen kann.
Vom Workflow zum Agenten
Die Begriffe Copilot, Assistant und Agent werden momentan sehr unterschiedlich verwendet. Für Unternehmen ist deshalb weniger die Bezeichnung wichtig als die tatsächliche Funktion.
Ein klassischer Workflow folgt einer vorher festgelegten Logik. Wird eine Opportunity gewonnen, kann automatisch eine Aufgabe erzeugt oder ein bestimmter Prozess gestartet werden. Ein KI-Assistent geht bereits weiter und kann Informationen interpretieren, Texte erstellen oder einen Datensatz zusammenfassen. Ein Agent besitzt zusätzlich einen gewissen Handlungsspielraum. Er kann selbst entscheiden, welche Informationen er benötigt und welche Schritte innerhalb seiner Berechtigungen sinnvoll sind.
| Technologie | Typische Aufgabe | Handlungsspielraum | Beispiel im CRM |
|---|---|---|---|
| Klassische Automation | Feste Regeln ausführen | Sehr gering | Aufgabe nach Statusänderung anlegen |
| KI-Assistent / Copilot | Informationen analysieren oder erzeugen | Gering | Opportunity zusammenfassen |
| KI-Agent | Ziel verfolgen und mehrere Schritte durchführen | Mittel | Lead recherchieren, bewerten und bearbeiten |
| Multi-Agent-System | Spezialisierte Agenten koordinieren | Höher | Research, Qualifizierung und Follow-up kombinieren |
Ein automatisch formulierter E-Mail-Entwurf ist damit noch keine agentische Anwendung. Agentic AI beginnt dort, wo Software innerhalb definierter Grenzen selbstständig entscheiden kann, welche Daten, Informationen und Werkzeuge benötigt werden, um eine Aufgabe zu bearbeiten.
Wo Agentic AI 2026 tatsächlich steht
Die technische Entwicklung ist bereits weiter, als es die Verbreitung im Unternehmensalltag vermuten lässt. Viele Plattformen ermöglichen heute Agenten, die Daten aus mehreren Quellen verarbeiten, externe Informationen recherchieren, APIs aufrufen oder Aktionen in Unternehmenssystemen auslösen können. Gleichzeitig befindet sich der produktive Einsatz in vielen Organisationen noch am Anfang.
McKinsey berichtet, dass 23 Prozent der befragten Unternehmen bereits mindestens ein agentisches System irgendwo in der Organisation skalieren. Weitere 39 Prozent experimentieren mit AI Agents. Betrachtet man einzelne Unternehmensfunktionen, liegt der Anteil der Unternehmen mit skaliertem Agenteneinsatz allerdings jeweils noch bei höchstens zehn Prozent.
Diese Zahlen zeigen ein realistisches Bild. Agentic AI ist keine Zukunftstechnologie mehr, aber auch noch kein flächendeckender Standard. Viele Unternehmen befinden sich aktuell in einer Phase, in der erste konkrete Prozesse getestet werden und gleichzeitig noch Erfahrungen mit Governance, Datenqualität, Berechtigungen und Kosten gesammelt werden.
Statistik: Agentic AI zwischen Pilotprojekt und produktivem Einsatz
| Kennzahl | Wert | Einordnung |
|---|---|---|
| Unternehmen, die Agentic AI bereits skalieren | 23 % | Erste produktive Nutzung ist vorhanden |
| Unternehmen, die zusätzlich mit AI Agents experimentieren | 39 % | Der Markt befindet sich stark in der Erprobungsphase |
| Skalierung innerhalb einer einzelnen Unternehmensfunktion | maximal 10 % | Breite produktive Nutzung ist noch selten |
| Enterprise-Anwendungen mit Agentic AI laut Gartner bis 2028 | 33 % | 2024 waren es weniger als 1 % |
| Tägliche Arbeitsentscheidungen, die Agentic AI laut Gartner 2028 autonom treffen könnte | mindestens 15 % | Autonomie dürfte deutlich zunehmen |
| Agentic-AI-Projekte, die laut Gartner bis Ende 2027 eingestellt werden könnten | über 40 % | Nutzen, Kosten und Governance bleiben kritisch |
Gartner erwartet gleichzeitig einen schnellen Ausbau agentischer Funktionen in Unternehmenssoftware. Bis 2028 sollen 33 Prozent der Enterprise-Anwendungen entsprechende Funktionen enthalten. Gleichzeitig könnten mehr als 40 Prozent der heutigen Agentic-AI-Projekte bis Ende 2027 wieder eingestellt werden, weil Kosten, Business Case oder Governance nicht ausreichend geklärt wurden.
Gerade diese Kombination ist wichtig. Die Technologie entwickelt sich schnell, aber nicht jeder denkbare Agent ist automatisch sinnvoll. Entscheidend bleibt, ob ein konkreter Geschäftsprozess besser, schneller oder wirtschaftlicher wird.
Welche Einsatzmöglichkeiten im CRM heute bereits sinnvoll sind
Für den Einstieg eignen sich vor allem Aufgaben, bei denen Mitarbeiter heute regelmäßig Zeit mit Suchen, Prüfen, Zusammenführen und Dokumentieren verbringen. Dort lässt sich der Nutzen vergleichsweise schnell messen und das Risiko bleibt überschaubar.
Besonders interessant sind Prozesse mit ausreichend Volumen und klaren Qualitätskriterien. Gleichzeitig sollten kundenkritische Aktionen zunächst weiterhin durch einen Mitarbeiter freigegeben werden. Ein Agent kann beispielsweise Informationen zusammenführen, Risiken erkennen oder eine Aktivität vorbereiten, ohne sofort autonom nach außen zu kommunizieren.
| Nr. | Vorschlag | Beschreibung | Realistischer Einsatz |
|---|---|---|---|
| 1 | Lead Research Agent | Recherchiert Unternehmen, Branche, Ansprechpartner und aktuelle Entwicklungen | heute |
| 2 | Lead Qualification Agent | Bewertet Leads anhand definierter Kriterien und vorhandener CRM-Daten | heute |
| 3 | Meeting Preparation Agent | Erstellt Briefings aus CRM, Kommunikation, Service und externen Informationen | heute |
| 4 | Follow-up Agent | Erkennt offene nächste Schritte und bereitet passende Follow-ups vor | heute |
| 5 | Opportunity Health Agent | Analysiert Aktivität, Stakeholder, Laufzeit, Risiken und fehlende Informationen | heute |
| 6 | Customer Service Agent | Bearbeitet standardisierbare Anfragen und führt definierte Aktionen aus | heute / kurzfristig |
| 7 | Data Quality Agent | Erkennt fehlende Daten, Inkonsistenzen und mögliche Dubletten | heute |
| 8 | Customer Success Agent | Erkennt Nutzungs-, Vertrags- oder Service-Risiken und schlägt Maßnahmen vor | kurzfristig |
| 9 | Renewal Agent | Überwacht Vertragslaufzeiten, Nutzung, offene Probleme und Verlängerungsrisiken | kurzfristig |
| 10 | Account Orchestration Agent | Koordiniert mehrere Agenten rund um einen komplexen Kundenprozess | mittelfristig |
Viele dieser Anwendungen wirken auf den ersten Blick weniger spektakulär als ein autonomer Sales Agent. In der Praxis liegt gerade darin ihr Vorteil. Sie entlasten Mitarbeiter dort, wo heute viel Zeit verloren geht, ohne sofort tief in kundenkritische Entscheidungen einzugreifen.
Der sinnvolle Einstieg: erst lesen, dann handeln
Für viele Unternehmen ist eine schrittweise Einführung sinnvoller als der Versuch, sofort einen möglichst autonomen Agenten aufzubauen. In einer ersten Phase kann der Agent ausschließlich lesend auf Informationen zugreifen. Ein Meeting Preparation Agent erhält beispielsweise Zugriff auf relevante CRM-Daten, Aktivitäten, Opportunities, E-Mails und Serviceinformationen und erstellt daraus ein strukturiertes Briefing.
Damit lässt sich bereits sehr gut beurteilen, ob der Ansatz funktioniert. Gemessen werden kann beispielsweise, wie viel Vorbereitungszeit eingespart wird, welche Informationen regelmäßig fehlen und in welchen Situationen der Agent falsche Zusammenhänge herstellt. Auch die tatsächliche Nutzung durch die Mitarbeiter ist ein wichtiger Indikator. Ein Agent, dessen Ergebnisse niemand freiwillig verwendet, hat sein Ziel unabhängig von der technischen Qualität nicht erreicht.
Erst wenn die Ergebnisse zuverlässig sind, sollte der Handlungsspielraum erweitert werden. In einer zweiten Phase kann der Agent beispielsweise Aufgaben erzeugen, Notizen ergänzen, Daten aktualisieren oder einen Follow-up vorbereiten. Kritische Aktionen bleiben dabei weiterhin freigabepflichtig.
Gerade bei komplexeren Situationen wird der Unterschied zu klassischen Workflows sichtbar. Ein Workflow kann feststellen, dass eine Opportunity seit 30 Tagen keine Aktivität aufweist. Ein Agent kann zusätzlich prüfen, ob relevante Entscheider bekannt sind, ob ein offener Servicefall besteht, ob ein Meeting stattgefunden hat, ob das Abschlussdatum noch plausibel ist und welche nächsten Schritte sinnvoll wären. Aus einer einfachen Erinnerung wird damit eine Bewertung der Geschäftssituation.
Vom reaktiven zum situationsorientierten CRM
Viele heutige KI-Funktionen werden noch aktiv durch einen Benutzer gestartet. Der Anwender fordert eine Zusammenfassung an, lässt eine Opportunity analysieren oder eine Antwort formulieren. Langfristig dürfte diese Form der Nutzung nur ein Teil des Gesamtbildes sein.
Ein agentisches CRM kann zunehmend selbstständig Veränderungen erkennen und unterschiedliche Signale miteinander verbinden. Sinkt beispielsweise bei einem wichtigen Kunden die Produktnutzung, während gleichzeitig kritische Servicefälle auftreten, der Vertrag in wenigen Monaten ausläuft und seit Wochen kein Kontakt zum Entscheider dokumentiert wurde, entsteht aus der Kombination dieser Informationen ein deutliches Risiko.
Heute befinden sich solche Signale häufig in unterschiedlichen Systemen oder Ansichten. Ein zukünftiger Customer-Success-Agent kann sie zusammenführen und daraus eine Geschäftssituation ableiten. Er meldet dann nicht vier einzelne Warnungen, sondern erkennt ein erhöhtes Abwanderungsrisiko und schlägt eine geeignete Maßnahme vor.
Damit verändert sich CRM vom reaktiven Informationssystem zu einem System, das Situationen erkennt und auf Veränderungen reagieren kann.
Was die CRM-Anbieter aktuell entwickeln
Nahezu alle großen CRM- und Enterprise-Plattformen investieren inzwischen in agentische Funktionen. Dabei entsteht jedoch kein einheitliches Modell. Vielmehr lassen sich unterschiedliche Architekturansätze erkennen.
Salesforce verfolgt mit Agentforce einen Ansatz, bei dem Agenten direkt Bestandteil der Plattform sind. Sie greifen auf Daten zu, nutzen Regeln und Reasoning und können über Workflows, Automationen oder APIs konkrete Aktionen ausführen.
Microsoft geht innerhalb von Dynamics 365 ebenfalls in diese Richtung. Der Sales Qualification Agent kann Leads recherchieren und bewerten. In weiterführenden Szenarien können Agenten Follow-ups vorbereiten, Verkaufschancen analysieren oder Informationen aus CRM, E-Mail, Meetings und Webrecherche zusammenführen.
Besonders deutlich entwickelt sich aktuell HubSpot in Richtung Agentenplattform. Mit Agent Hub entsteht eine zentrale Ebene zur Verwaltung unterschiedlicher Agenten. Gleichzeitig können Unternehmen mit dem Agent Builder eigene Agenten konfigurieren und ihnen Ziele, CRM-Daten, Regeln und Werkzeuge zur Verfügung stellen. Ergänzt wird dies durch spezialisierte Agenten für Prospecting, Kundenservice und Datenanalyse.
Interessant ist bei HubSpot außerdem die Preislogik. Bestimmte Agentenleistungen werden nicht mehr nur indirekt über Benutzerlizenzen, sondern zunehmend über Credits oder ausgeführte Arbeit abgerechnet. Damit entsteht langfristig ein neues Modell für Unternehmenssoftware. Neben der Frage, wie viele Benutzer eine Lizenz benötigen, wird zunehmend relevant, wie viel operative Arbeit das System tatsächlich übernimmt.
Das CRM als Werkzeug externer Agenten
Pipedrive zeigt derzeit eine zweite Entwicklung, die langfristig mindestens ebenso wichtig werden könnte. Dort sitzt der Agent nicht zwingend innerhalb der CRM-Plattform.
Mit einem eigenen MCP-Connector öffnet Pipedrive sein CRM für externe AI-Systeme. Über das Model Context Protocol können kompatible Agenten kontrolliert auf CRM-Daten zugreifen und definierte Aktionen ausführen.
Die ersten veröffentlichten Nutzungsdaten sind dabei bemerkenswert. Bereits kurz nach Einführung hatten mehr als sechs Prozent der zahlenden Kunden die MCP-Anbindung aktiviert. Rund 65 Prozent der Interaktionen waren lesend, etwa 35 Prozent bereits schreibend oder aktualisierend.
Damit wird sichtbar, wie schnell sich die Nutzung von reinen Informationsabfragen in Richtung tatsächlicher Aktionen verschieben kann. Agenten analysieren nicht nur Deals oder Aktivitäten, sondern aktualisieren Kontakte, legen Notizen an oder verändern Leads.
Dieser Ansatz löst die Agentenlogik vom einzelnen CRM-Hersteller. Das CRM wird damit zu einer kontrollierten Daten- und Aktionsplattform, auf die unterschiedliche Agenten zugreifen können.
SugarAI, SpiceCRM und kundenspezifische MCP-Architekturen
SugarCRM firmiert seit 2026 unter dem Namen SugarAI. Die Plattform verfolgt aktuell stark einen Intelligence-first-Ansatz. CRM-, ERP- und Transaktionsdaten werden zusammengeführt, um Risiken, Chancen und sinnvolle nächste Aktivitäten zu erkennen.
Dieser Ansatz ist nicht identisch mit einem frei agierenden autonomen Agenten, bildet aber eine wichtige Grundlage dafür. Ein Agent kann nur dann sinnvoll handeln, wenn das System vorher ausreichend Kontext über die Geschäftssituation besitzt.
Gleichzeitig ist die Nutzung agentischer Funktionen nicht auf die vom Hersteller standardmäßig bereitgestellten Möglichkeiten beschränkt. SugarAI und SpiceCRM können über offene APIs und kundenspezifische MCP-Connectoren für externe Agenten geöffnet werden.
Damit lassen sich individuelle Agentenarchitekturen aufbauen, in denen das CRM eine zentrale Rolle als Daten- und Aktionsplattform übernimmt. Ein Agent kann beispielsweise Accounts und Opportunities analysieren, zusätzliche Informationen aus anderen Anwendungen beschaffen, die Situation bewerten und anschließend definierte Aktionen im CRM ausführen.
Welche Daten der Agent sehen darf und welche Aktionen möglich sind, wird dabei über CRM-Rechte, den MCP-Connector und zusätzliche Governance-Regeln gesteuert.
Gerade bei individuellen Geschäftsprozessen ist dieser Ansatz interessant. Unternehmen müssen nicht darauf warten, dass ein CRM-Hersteller jeden benötigten Agenten irgendwann als Standardfunktion zur Verfügung stellt. Sie können agentische Prozesse gezielt um ihre bestehende Systemlandschaft herum aufbauen.
Drei Architekturmodelle zeichnen sich ab
Aus den aktuellen Entwicklungen lassen sich drei grundlegende Modelle ableiten.
Das erste Modell sind CRM-native Agents. Sie sind direkt Bestandteil einer Plattform und greifen tief auf das jeweilige Datenmodell und standardisierte Prozesse zu.
Das zweite Modell besteht aus externen Agenten, die das CRM über APIs oder MCP als Werkzeug verwenden. Diese Agenten können gleichzeitig weitere Anwendungen einbeziehen und dadurch systemübergreifende Prozesse bearbeiten.
Das dritte Modell ist ein Intelligence-first-Ansatz. Hier analysiert das CRM zunächst Daten und Geschäftssituationen und liefert daraus Risiken, Chancen und Handlungsempfehlungen. Diese Informationen können anschließend wiederum von Agenten genutzt werden.
In der Praxis werden sich diese Modelle wahrscheinlich nicht gegenseitig ausschließen. Ein CRM kann beispielsweise ein Risiko erkennen, ein externer Agent zusätzliche Informationen recherchieren, ein weiterer Agent ein Briefing erzeugen und ein Workflow anschließend die dokumentierte Aktion ausführen.
Damit verändert sich die entscheidende Architekturfrage. Es geht weniger darum, welcher Hersteller den besten einzelnen Agenten anbietet. Wichtiger wird, wie CRM-Daten, Geschäftslogik, Agenten und weitere Anwendungen kontrolliert miteinander arbeiten können.
Welche Rolle MCP dabei spielen könnte
Das Model Context Protocol ist noch relativ jung, könnte aber für zukünftige Agentenarchitekturen eine wichtige Rolle spielen. Es schafft einen standardisierten Weg, über den AI-Systeme auf Werkzeuge und Datenquellen zugreifen können.
Dazu kann ein CRM gehören, aber ebenso ein ERP-System, eine Wissensdatenbank, ein Dokumentenmanagement oder eine individuelle Fachanwendung.
Für CRM ist das besonders relevant, weil vollständiger Kundenkontext fast nie ausschließlich im CRM vorhanden ist. Auftragsinformationen liegen im ERP, Serviceinformationen im Ticketsystem, Kommunikation in E-Mail-Systemen und Produktnutzung möglicherweise in einer eigenen Plattform.
Ein Agent kann diese Informationen über geeignete Schnittstellen dort abrufen, wo sie entstehen. Damit entfällt die Notwendigkeit, sämtliche Informationen in ein einziges System zu kopieren.
Das CRM verliert dadurch nicht an Bedeutung. Im Gegenteil: Je mehr Agenten über mehrere Systeme hinweg arbeiten, desto wichtiger wird eine verlässliche Quelle für Kundenstruktur, Beziehungen, Opportunities, Aktivitäten und Verantwortlichkeiten.
Das CRM bleibt damit ein zentrales System of Record und entwickelt sich gleichzeitig stärker zu einem System of Context und Governance.
Datenqualität wird zur Voraussetzung für autonome Aktionen
Agentic AI verändert viele technische Möglichkeiten, löst aber eines der ältesten CRM-Probleme nicht automatisch: schlechte Datenqualität.
Wenn Ansprechpartner falsch zugeordnet sind, Opportunities nicht gepflegt werden, wichtige Entscheider fehlen oder wesentliche Kundeninformationen ausschließlich in persönlichen Postfächern liegen, kann auch ein sehr leistungsfähiger Agent kein zuverlässiges Gesamtbild erzeugen.
Er kann lediglich schneller mit unvollständigen Informationen arbeiten.
Damit verändert sich die Bedeutung von Datenqualität. Bisher war sie vor allem relevant für Reporting, Forecasting und Anwenderakzeptanz. Mit Agentic AI wird sie zusätzlich zur Voraussetzung für automatisierte Entscheidungen und Aktionen.
Je mehr ein Agent selbstständig handeln darf, desto höher müssen deshalb die Anforderungen an Datenmodell, Aktualität und Vollständigkeit sein.
Governance und Rechte für digitale Mitarbeiter
Auch bei Rollen und Berechtigungen entsteht eine neue Dimension.
Bei einem klassischen KI-Assistenten sieht ein Mitarbeiter die Antwort meist, bevor etwas passiert. Bei einem Agenten kann eine falsche Einschätzung dagegen direkt eine Aktion auslösen.
Unternehmen müssen deshalb zukünftig nicht nur Benutzerrechte definieren, sondern auch Agentenrechte.
Ein Research Agent benötigt keinen Zugriff auf Rabatte oder Vertragsbedingungen. Ein Service Agent sollte keine Verkaufschance schließen können. Ein Data Quality Agent benötigt keine Berechtigung, Kunden anzuschreiben. Und ein Agent, der personenbezogene oder vertrauliche Informationen verarbeitet, benötigt einen deutlich strengeren Sicherheitsrahmen als ein Agent, der ausschließlich öffentliche Informationen recherchiert.
Agenten sollten deshalb ähnlich behandelt werden wie digitale Mitarbeiter. Sie benötigen Identitäten, Rollen, Rechte, definierte Grenzen und nachvollziehbare Protokolle.
Praxisbeispiel: schrittweise Einführung statt autonomem Sales Agent
Nehmen wir eine B2B-Vertriebsorganisation mit rund 70 aktiven CRM-Anwendern. Das Team betreut mehrere hundert offene Verkaufschancen. Informationen befinden sich im CRM, in E-Mails, in Meeting-Protokollen und im Service. Vor wichtigen Kundengesprächen recherchieren Vertriebsmitarbeiter regelmäßig selbst.
Ein naheliegender Ansatz wäre, daraus direkt einen umfangreichen autonomen Sales Agent zu entwickeln. Sinnvoller ist in der Regel eine phasenweise Einführung.
In der ersten Phase erhält der Agent ausschließlich Leserechte. Vor Kundenterminen stellt er automatisch Informationen zu Account, Ansprechpartnern, offenen Opportunities, letzten Aktivitäten und Servicefällen zusammen.
Nach einigen Wochen wird ausgewertet, wie häufig die Briefings genutzt werden, welche Informationen fehlen, wo Fehlinterpretationen auftreten und wie viel Vorbereitungszeit tatsächlich eingespart wird.
In der zweiten Phase kann der Agent zusätzliche Informationen recherchieren, fehlende Aktivitäten erkennen und nächste Schritte vorschlagen. Erst in einer dritten Phase erhält er das Recht, definierte Aktionen vorzubereiten oder selbst auszuführen. Kritische Kommunikation nach außen bleibt zunächst freigabepflichtig.
Ein realistisches Zielbild könnte nach mehreren Iterationen beispielsweise so aussehen:
| Kennzahl | Vorher | Nach mehreren Iterationen |
|---|---|---|
| Vorbereitung eines wichtigen Kundentermins | 15–20 Minuten | 5–8 Minuten |
| Opportunities mit dokumentiertem Next Step | 62 % | 90 % |
| Manueller Rechercheaufwand pro Account | hoch | deutlich reduziert |
| Opportunities ohne Aktivität länger als 30 Tage | Ausgangswert 100 % | 25–30 % weniger |
| Zeit bis zu einem qualifizierten Follow-up | 2–3 Tage | häufig innerhalb eines Arbeitstags |
Diese Werte sind kein Leistungsversprechen. Sie zeigen vielmehr, welche Kennzahlen in einem solchen Projekt sinnvoll sind.
Die entscheidende Erkenntnis liegt in der Vorgehensweise. Agentic AI sollte nicht als monatelanges Großprojekt eingeführt werden, bei dem anschließend auf Akzeptanz gehofft wird. Besser ist ein überschaubarer Prozess mit klaren Messgrößen, regelmäßiger Überprüfung und schrittweiser Erweiterung des Handlungsspielraums.
Damit folgt die Einführung denselben Prinzipien, die sich auch bei CRM-Projekten bewährt haben: phasenweise, messbar und agil.
Was in den nächsten ein bis zwei Jahren wahrscheinlich passiert
Die aktuellen Entwicklungen deuten darauf hin, dass Unternehmen nicht einen einzelnen universellen Agenten einsetzen werden. Wahrscheinlicher ist eine zunehmende Spezialisierung.
Ein Research Agent benötigt andere Daten und Rechte als ein Service Agent. Ein Data Quality Agent arbeitet mit anderen Regeln als ein Pricing Agent. Ein Agent für Vertragsverlängerungen benötigt wiederum andere Informationen als ein Agent für Lead-Qualifizierung.
Über diesen spezialisierten Agenten kann eine zusätzliche Orchestrierungsebene entstehen, die entscheidet, welcher Agent welche Aufgabe übernimmt.
Damit verschiebt sich auch die klassische Rollenfrage im CRM. Neben Benutzerrechten wird zunehmend definiert werden müssen, welcher Agent welche Daten sehen, welche Tools verwenden und welche Aktionen ausführen darf.
Gleichzeitig werden Agenten weniger auf einzelne Benutzeranfragen reagieren und stärker ereignisgesteuert arbeiten. Veränderungen beim Kunden, im Vertriebsprozess oder im Service können automatisch bewertet und miteinander in Beziehung gesetzt werden.
CRM entwickelt sich dadurch zunehmend von einem System, das vergangene Aktivitäten dokumentiert, zu einem System, das Geschäftssituationen kontinuierlich bewertet.
Wie könnte CRM in fünf Jahren aussehen?
Eine konkrete Produktprognose für 2031 wäre angesichts der Geschwindigkeit der aktuellen Entwicklung wenig seriös. Die grundsätzliche Richtung lässt sich jedoch bereits erkennen.
CRM könnte sich von einem System, in dem Mitarbeiter Kundenarbeit dokumentieren, zu einer Plattform entwickeln, auf der Menschen und Agenten gemeinsam Kundenprozesse steuern.
| Heute | Mögliches CRM um 2031 |
|---|---|
| Mitarbeiter sucht Kundeninformationen | Kontext wird automatisch zusammengestellt |
| Vertriebsleiter prüft die Pipeline | Agent überwacht Veränderungen kontinuierlich |
| CRM erinnert an Aktivitäten | Agent bereitet geeignete Aktionen selbst vor |
| Reports zeigen Vergangenheit | Agent erkennt Entwicklungen und reagiert darauf |
| Daten werden häufig manuell gepflegt | Viele Informationen entstehen automatisch aus Interaktionen |
| Workflows folgen festen Regeln | Agenten berücksichtigen stärker den Geschäftskontext |
| Benutzer arbeiten hauptsächlich über Masken | Natürliche Sprache wird zusätzliche Bedienoberfläche |
| Menschen koordinieren mehrere Systeme | Agenten übernehmen Teile der Systemkoordination |
| Einzelne KI-Funktionen unterstützen Mitarbeiter | Mehrere spezialisierte Agenten arbeiten zusammen |
| Software wird überwiegend nach Benutzerzahl lizenziert | Nutzung und ausgeführte Arbeit gewinnen als Preismodell an Bedeutung |
Dabei wird sich wahrscheinlich auch die Benutzeroberfläche verändern. Dashboards, Listen und Datensätze werden nicht verschwinden, aber für viele Aufgaben weniger dominant werden.
Ein Vertriebsleiter könnte zukünftig beispielsweise nicht mehr mehrere Dashboards öffnen, sondern sich direkt anzeigen lassen, welche fünf Opportunities aktuell besondere Aufmerksamkeit benötigen und warum. Der Agent liefert dabei nicht nur die Information, sondern bereitet auch die geeigneten nächsten Schritte vor.
Vom System of Record zum System of Action
CRM-Systeme waren lange vor allem Systems of Record. Sie dokumentierten, was passiert ist.
Später wurden sie zu Systems of Engagement, über die Marketing, Vertrieb und Service direkt mit Kunden arbeiteten.
Agentic AI fügt nun eine weitere Ebene hinzu.
Das CRM beziehungsweise die darum entstehende Agentenarchitektur entwickelt sich zunehmend zum System of Action. Das System kennt nicht nur die aktuelle Situation, sondern kann auf diese Situation reagieren.
Genau darin liegt die eigentliche Veränderung. Nicht im nächsten Chatfenster innerhalb einer CRM-Oberfläche, sondern darin, dass ein System Geschäftsprozesse zunehmend aktiv mitsteuert
Der Wettbewerbsvorteil wird nicht der Agent allein sein
Leistungsfähige Sprachmodelle und Agenten werden langfristig vielen Unternehmen in vergleichbarer Qualität zur Verfügung stehen. Der reine Zugang zu einem AI Agent wird deshalb kaum ein nachhaltiger Wettbewerbsvorteil bleiben.
Unterschiede entstehen vielmehr durch das Umfeld, in dem der Agent arbeitet.
Wie vollständig sind die Kundendaten? Wie sauber ist das Datenmodell? Wie klar sind Prozesse definiert? Welche Systeme sind integriert? Welche Informationen können sicher zur Verfügung gestellt werden? Wie eindeutig sind Verantwortlichkeiten und Rechte geregelt?
Und vor allem: Ist im Unternehmen überhaupt klar definiert, welche Entscheidung in welcher Geschäftssituation sinnvoll ist?
Das sind klassische CRM-Fragen.
Agentic AI macht sie nicht überflüssig. Sie erhöht ihre Bedeutung.
Checkliste: Ist Ihr CRM bereit für Agentic AI?
Ein Unternehmen muss nicht sofort einen autonomen Agenten einführen, um sich auf diese Entwicklung vorzubereiten. Sinnvoll ist zunächst eine Prüfung der bestehenden CRM-Architektur und der Prozesse. Besonders geeignet sind Abläufe, bei denen heute sichtbar Zeit verloren geht und deren Ergebnisse messbar sind. Ebenso wichtig ist die Frage, ob die benötigten Daten zuverlässig verfügbar sind und welche Rechte ein Agent tatsächlich erhalten soll. Erst wenn diese Voraussetzungen erfüllt sind, sollte der Handlungsspielraum schrittweise erweitert werden.
- Gibt es einen klar definierten Prozess, den ein Agent verbessern soll?
- Kennen wir Zeitaufwand, Qualität oder andere Ausgangskennzahlen dieses Prozesses?
- Sind die dafür notwendigen CRM-Daten zuverlässig?
- Wissen wir, welche weiteren Systeme der Agent benötigt?
- Gibt es saubere APIs beziehungsweise geeignete MCP-Anbindungen?
- Sind Benutzer- und Agentenrechte eindeutig definiert?
- Ist festgelegt, welche Aktionen ein Agent selbstständig ausführen darf?
- Gibt es Aktivitäten, die immer eine menschliche Freigabe benötigen?
- Werden Entscheidungen und Aktionen nachvollziehbar protokolliert?
- Können Ergebnisqualität und Fehlerquote gemessen werden?
- Weiß der Agent, wann er die Aufgabe an einen Menschen übergeben muss?
- Sind Datenschutz, Informationssicherheit und AI-Governance geklärt?
- Beginnt die Einführung zunächst mit einem begrenzten Prozess und einer überschaubaren Anwendergruppe?
- Wird nach jeder Phase geprüft, ob tatsächlich messbarer Nutzen entsteht?
- Bleibt die Architektur möglichst unabhängig von einem einzelnen Sprachmodell oder AI-Anbieter?
Fazit: Agentic AI schrittweise in reale Prozesse bringen
Agentic AI im CRM ist keine reine Zukunftsvision mehr. Recherche, Meeting-Vorbereitung, Lead-Qualifizierung, Datenanalyse oder Teile des Kundenservice lassen sich bereits heute sinnvoll agentisch unterstützen.
Gleichzeitig befindet sich der Markt noch in einer frühen Phase. CRM-Anbieter verfolgen unterschiedliche Modelle: native Agenten innerhalb der Plattform, externe Agenten über MCP und APIs oder Intelligence-first-Ansätze, bei denen Geschäftssituationen erkannt und nächste Schritte vorgeschlagen werden.
Für Unternehmen ist deshalb weniger entscheidend, welcher Hersteller aktuell die längste Liste an AI-Funktionen anbietet. Wichtiger ist, ob die eigene CRM-Architektur darauf vorbereitet ist, Daten, Prozesse, Agenten und weitere Anwendungen kontrolliert miteinander zu verbinden.
Der sinnvolle Einstieg bleibt pragmatisch: einen konkreten Prozess auswählen, gute Daten sicherstellen, klare Rechte definieren und den Nutzen messen.
Wenn das funktioniert, kann der Agent den nächsten Schritt übernehmen.
Und mit jeder erfolgreichen Phase ein Stück mehr Verantwortung.
