CRM-Systeme verfügen heute über erstaunlich viele Informationen. Sie kennen Kunden, Ansprechpartner, Opportunities, Aktivitäten, Servicefälle, Verträge und häufig auch Daten aus ERP, Marketing oder anderen angebundenen Systemen. Das eigentliche Problem liegt deshalb oft nicht mehr darin, dass Informationen fehlen, sondern im Weg dorthin.
Ein Vertriebsmitarbeiter kommt aus einem Kundentermin und muss den Kontakt öffnen, eine Notiz erfassen, die Opportunity aktualisieren, eine Folgeaufgabe anlegen und vielleicht noch einen Termin planen. Eine Vertriebsleiterin möchte wissen, welche großen Deals seit zwei Wochen stillstehen und beginnt dafür mit Report, Filtern und Export. Ein Servicemitarbeiter braucht vor einer Eskalation erst einmal den vollständigen Kontext des Kunden. All diese Aufgaben sind lösbar, aber sie erzeugen Klickarbeit.
Agentische KI verändert genau diesen Teil der CRM-Nutzung. Statt jeden einzelnen Schritt selbst im System auszuführen, beschreibt der Benutzer das gewünschte Ergebnis. Ein Agent sucht die notwendigen Informationen, bereitet Aktionen vor und führt definierte Schritte innerhalb klarer Grenzen aus. Damit entsteht eine neue Frage für CRM-Verantwortliche: Was wäre, wenn Mitarbeiter nicht mehr lernen müssten, wie sie jede Information im CRM finden oder eintragen – sondern dem CRM einfach sagen könnten, was sie brauchen?
Vom System of Record zum aktiven Arbeitssystem
CRM wurde lange vor allem als zentrale Datenbasis verstanden. Das System speichert Kundeninformationen und stellt sie über Masken, Listen, Dashboards und Reports zur Verfügung. Das bleibt wichtig, doch agentische KI ergänzt eine neue Ebene.
Ein klassisches CRM wartet darauf, dass ein Benutzer eine Aktion startet. Ein Agent kann dagegen Kontext erkennen, mehrere Schritte miteinander verbinden und sich bei definierten Ereignissen sogar selbst melden. Damit entwickelt sich CRM schrittweise vom reinen System of Record zu einem System of Action. Der Unterschied lässt sich an einer einfachen Vertriebsaufgabe zeigen. Nach einem Kundentermin müsste ein Mitarbeiter möglicherweise:
- den Kunden öffnen,
- den Termin dokumentieren,
- eine Gesprächsnotiz anlegen,
- die Opportunity aktualisieren,
- eine Aufgabe für das Angebot planen.
Das sind fünf einzelne Schritte in mehreren Masken. Mit einem geeigneten CRM-Agenten könnte stattdessen eine einzige Nachricht reichen:
„Termin bei Müller war gut. Sie möchten 40 Lizenzen. Angebot bis Freitag.“
Der Agent erkennt daraus die relevanten Informationen und bereitet Termin, Notiz, Folgeaufgabe und Opportunity-Änderung vor. Der Mitarbeiter prüft das Ergebnis und gibt es frei. Die fachliche Entscheidung bleibt beim Menschen, die Klickarbeit übernimmt das System.
Assistent, Workflow oder Agent – was ist eigentlich der Unterschied?
Nicht jede Automatisierung benötigt einen KI-Agenten. Ein klassischer Workflow ist weiterhin hervorragend geeignet, wenn der Ablauf eindeutig definiert ist. Wenn beispielsweise nach einer Statusänderung immer dieselbe Aufgabe angelegt werden soll, braucht es keine künstliche Intelligenz. Ein KI-Assistent wiederum kann Informationen zusammenfassen oder Texte formulieren, ohne selbst einen längeren Prozess zu übernehmen.
Ein Agent geht einen Schritt weiter: Er bekommt ein Ziel, ermittelt die notwendigen Informationen und verwendet die verfügbaren Werkzeuge, um mehrere Schritte vorzubereiten oder auszuführen.
| Technologie | Typische Aufgabe | Beispiel im CRM |
|---|---|---|
| Klassischer Workflow | Feste Regel ausführen | Nach Statusänderung automatisch Aufgabe anlegen |
| KI-Assistent | Informationen analysieren oder erzeugen | Opportunity zusammenfassen |
| KI-Agent | Ziel verstehen und mehrere Schritte koordinieren | Kundentermin auswerten, CRM aktualisieren und Follow-up vorbereiten |
| Proaktiver Agent | Ereignisse selbst überwachen | Auf stille Deals, Fristen oder gefährdete SLAs hinweisen |
Die richtige Architektur besteht deshalb nicht darin, möglichst überall Agenten einzusetzen. Gute CRM-Automatisierung kombiniert klassische Workflows, KI-Unterstützung und agentische Prozesse dort, wo jeweils der größte Nutzen entsteht.
Der größte Hebel liegt oft in ganz normalen CRM-Aufgaben
Bei agentischer KI wird schnell über hochautonome Systeme gesprochen. Im CRM liegt der praktische Nutzen zunächst häufig in wesentlich unspektakuläreren Aufgaben. Gerade die kleinen Tätigkeiten, die jeden Tag viele Male wiederholt werden, summieren sich.
1. Den Arbeitstag vorbereiten
Ein Agent kann morgens Termine, offene Aufgaben, auslaufende Angebote und Opportunities mit Handlungsbedarf zusammenstellen. Statt mehrere Dashboards zu öffnen, erhält der Mitarbeiter ein kompaktes Briefing.
Interessant wird das vor allem dann, wenn das Briefing nicht nur Daten aufzählt, sondern Prioritäten sichtbar macht. Ein Angebot läuft morgen aus, ein wichtiger Kunde hat einen offenen Servicefall oder eine Opportunity besitzt seit drei Wochen keinen nächsten Schritt.
2. Kundentermine nachbereiten
Nach einem Gespräch reichen häufig wenige Sätze oder sogar eine Sprachnachricht. Der Agent kann daraus beispielsweise vorbereiten:
- Gesprächsnotiz,
- Folgeaufgabe,
- nächsten Schritt,
- angepasstes Abschlussdatum,
- geänderte Opportunity-Phase.
Gerade mobile Mitarbeiter müssen damit nach einem Kundentermin nicht mehrere CRM-Masken am Smartphone bearbeiten.
3. Kunden vor einem Termin verstehen
Vor einem wichtigen Gespräch kann der Agent Informationen aus mehreren CRM-Bereichen zusammenführen:
- letzte Aktivitäten,
- offene Opportunities,
- Servicefälle,
- Ansprechpartner,
- Verträge,
- offene Aufgaben,
- letzte Kommunikation.
Das Ergebnis ist kein weiterer Report, sondern ein konkretes Kundendossier für den bevorstehenden Termin.
4. Opportunities überwachen
Ein Vertriebsleiter muss nicht jeden Deal einzeln kontrollieren. Ein Agent kann regelmäßig nach Mustern suchen:
- lange keine Aktivität,
- Abschlussdatum überschritten,
- kein dokumentierter nächster Schritt,
- ungewöhnlich lange Sales Cycle,
- wichtige Ansprechpartner fehlen.
Damit verschiebt sich die Nutzung von CRM-Reports von der reinen Rückschau zur aktiven Steuerung.
Auch Marketing und Service profitieren
Agentische CRM-Prozesse sind kein reines Vertriebsthema. Im Marketing könnte ein Mitarbeiter beispielsweise eine Zielgruppe in natürlicher Sprache beschreiben:
„Maschinenbau in Bayern, Newsletter abonniert, seit sechs Monaten kein Kontakt.“
Der Agent übersetzt diese Beschreibung in eine CRM-Abfrage, zeigt die gefundenen Datensätze und kann daraus nach Freigabe eine Zielgruppe erstellen. Auch Messe- und Eventprozesse eignen sich gut. Teilnehmerlisten oder Informationen aus Dokumenten können geprüft, mit bestehenden Kontakten abgeglichen und als Leads vorbereitet werden.
Im Service liegen andere Hebel: Ein neuer Fall kann automatisch mit Kundenhistorie, Vertrag und SLA-Kontext angereichert werden. Ähnliche bereits gelöste Fälle können gesucht und Antwortentwürfe vorbereitet werden. Bei kritischen Vorgängen kann der Agent frühzeitig warnen, bevor ein SLA tatsächlich verletzt wird. Damit arbeitet KI nicht neben dem CRM, sondern nutzt den vorhandenen Kundenkontext.
Proaktivität ist der eigentliche Unterschied
Chat mit Unternehmensdaten gibt es inzwischen in vielen Varianten. Agentische Systeme werden besonders interessant, wenn der Mitarbeiter nicht jede Aktion selbst starten muss. Ein Agent könnte beispielsweise erkennen:
- ein wichtiger Termin ist in einer Stunde,
- ein Angebot läuft morgen aus,
- eine große Opportunity besitzt seit 14 Tagen keine Aktivität,
- ein Servicefall nähert sich seiner SLA-Grenze,
- Daten eines strategischen Accounts sind unvollständig.
Er meldet sich dann selbst beim zuständigen Mitarbeiter. Damit verändert sich die Interaktion grundlegend. Das CRM wartet nicht mehr ausschließlich auf den Benutzer, sondern beobachtet definierte Geschäftssituationen und macht auf Handlungsbedarf aufmerksam. Wichtig ist allerdings, diese Proaktivität gezielt einzusetzen. Wenn ein Agent jede Kleinigkeit meldet, entsteht lediglich eine neue Form von Benachrichtigungsstress. Deshalb müssen Unternehmen definieren, welche Situationen tatsächlich relevant sind und wann der Agent schweigen soll.
Ein guter Agent braucht Grenzen
Die interessanteste Frage lautet nicht, ob ein Agent technisch eine Aktion durchführen kann, sondern: Darf er sie durchführen? Nicht jede Aufgabe benötigt dieselbe Autonomie. Ein pragmatisches Modell unterscheidet beispielsweise vier Stufen.
Nur lesen
Der Agent recherchiert, beantwortet Fragen, erstellt Listen oder fasst Informationen zusammen. Er verändert nichts im CRM. Das ist ein sinnvoller Einstieg, weil Mitarbeiter zunächst erleben können, wie zuverlässig der Agent mit ihren Daten arbeitet.
Vorschlagen
Der Agent bereitet Änderungen vor. Der Mitarbeiter sieht genau, was geändert würde, und gibt die Aktion anschließend frei. Diese Stufe eignet sich beispielsweise für Gesprächsnotizen, Opportunity-Updates oder Follow-up-Aufgaben.
Selbstständig intern
Gut definierte und risikoarme Abläufe können später automatisch erfolgen. Dazu können beispielsweise interne Briefings, Datenprüfungen oder Warnungen bei bestimmten Fristen gehören.
Mit Kundenkontakt
Hier steigt das Risiko deutlich. Ein Agent kommuniziert direkt nach außen oder führt kundenwirksame Aktionen durch. Solche Prozesse sollten erst eingesetzt werden, wenn die internen Abläufe stabil sind und klare Regeln für Transparenz, Eskalation und menschliche Übernahme existieren. Die Entwicklung sollte also nicht mit maximaler Autonomie beginnen, denn Vertrauen entsteht durch kontrollierte Erweiterung der Handlungsmöglichkeiten.
Der Agent darf nicht mehr sehen als der Benutzer
Eine zentrale Voraussetzung für agentische CRM-Prozesse ist ein sauberes Berechtigungsmodell. Wenn ein Vertriebsmitarbeiter bestimmte Kundendaten nicht sehen darf, sollte auch sein Agent keinen Zugriff darauf besitzen. Das gleiche gilt für sensible Informationen wie interne Margen, vertrauliche Vertragsinformationen oder Daten anderer Teams. Technisch bedeutet das: Der Agent sollte nicht über ein mächtiges Sammelkonto arbeiten, sondern im Kontext der jeweiligen Benutzerrechte. Zusätzlich sollte für jede Aufgabe nur der notwendige Datenumfang verwendet werden. Damit gelten für digitale Agenten letztlich dieselben Grundprinzipien wie für menschliche Benutzer:
- nur notwendige Rechte,
- nur notwendige Daten,
- nachvollziehbare Aktionen,
- klare Verantwortlichkeit.
Protokollierung wird wichtiger, nicht unwichtiger
Je mehr ein Agent erledigen darf, desto wichtiger wird die Nachvollziehbarkeit. Unternehmen sollten später beantworten können:
- Wer hat den Auftrag gegeben?
- Welche Daten wurden verwendet?
- Was hat der Agent vorgeschlagen?
- Wer hat die Aktion freigegeben?
- Was wurde tatsächlich im CRM geändert?
- Wann wurde die Änderung vorgenommen?
Gerade bei automatisch ausgeführten Prozessen darf Autonomie deshalb nicht mit Intransparenz verwechselt werden. Ein guter Agent sollte weniger Black Box sein als manche heutigen manuellen Prozesse.
Die technische Idee: Das bestehende CRM bleibt
Für viele Unternehmen ist wichtig, dass agentische KI nicht automatisch einen Austausch des bestehenden CRM bedeutet. Die sinnvollere Architektur ist häufig eine zusätzliche agentische Schicht. Der Benutzer kommuniziert beispielsweise über:
- Microsoft Teams,
- Slack,
- einen Chat direkt im CRM,
- E-Mail,
- Sprache.
Der Agent interpretiert den Auftrag und verwendet anschließend definierte CRM-Werkzeuge zum Suchen, Lesen, Erstellen oder Ändern von Informationen. Das eigentliche CRM bleibt dabei das führende System.
Dieser Ansatz besitzt einen entscheidenden Vorteil: Unternehmen müssen ihre bestehenden Prozesse und Daten nicht in eine neue KI-Anwendung verschieben. Der Agent arbeitet mit der vorhandenen CRM-Struktur. Damit lässt sich agentische KI schrittweise ergänzen, anstatt die gesamte Systemlandschaft neu aufzubauen.
Welche Aufgaben eignen sich zuerst?
Nicht jeder Prozess ist ein guter erster Anwendungsfall. Für den Einstieg eignen sich Aufgaben besonders gut, wenn sie mehrere der folgenden Eigenschaften besitzen:
- sie kommen häufig vor,
- sie verursachen heute viel manuelle Arbeit,
- die notwendigen Daten sind bereits digital vorhanden,
- das gewünschte Ergebnis lässt sich klar beschreiben,
- Fehler lassen sich leicht erkennen oder rückgängig machen,
- der Nutzen kann gemessen werden.
Auf welche Aufgaben diese Eigenschaften in der Praxis häufig zutreffen, zeigen die folgenden typischen Kandidaten:
| Bereich | Use Case | Typischer Nutzen |
|---|---|---|
| Vertrieb | Tagesbriefing | Weniger Zeit für Vorbereitung |
| Vertrieb | Kundendossier | Kontext vor Terminen schneller verfügbar |
| Vertrieb | Gesprächsnachbereitung | Weniger manuelle CRM-Pflege |
| Vertrieb | Stille Opportunities erkennen | Risiken früher sichtbar |
| Marketing | Zielgruppen per Sprache erstellen | Weniger komplexe Filterarbeit |
| Marketing | Leads aus Events aufbereiten | Schnellere Übergabe an den Vertrieb |
| Service | Fälle zusammenfassen | Schnellere Einarbeitung in Vorgänge |
| Service | Antwortentwürfe erstellen | Weniger repetitive Schreibarbeit |
| Service | SLA-Risiken erkennen | Frühere Eskalation |
| Teamübergreifend | Fragen an CRM-Daten | Informationen ohne Reportbau zugänglich |
Die Auswahl sollte nicht danach erfolgen, welcher Use Case technisch am beeindruckendsten aussieht. Entscheidend ist, wo im Alltag tatsächlich Reibung entsteht.
Wo ein Agent nicht die richtige Lösung ist
Agentische KI ist kein Ersatz für saubere Prozesse. Wenn ein Prozess eindeutig und vollständig regelbasiert ist, bleibt ein klassischer Workflow häufig einfacher, günstiger und zuverlässiger. Auch schlechte CRM-Daten werden durch einen Agenten nicht automatisch gut. Fehlen Ansprechpartner, sind Opportunities veraltet oder werden Produkte inkonsistent gepflegt, arbeitet auch der beste Agent mit unvollständigem Kontext. Ähnliches gilt für organisatorische Unklarheit. Wenn niemand weiß, wer für eine Opportunity verantwortlich ist, kann KI diese Entscheidung nicht dauerhaft ersetzen. Vor einem Agentenprojekt lohnt es sich deshalb zu prüfen: Ist das Problem wirklich fehlende Intelligenz – oder zunächst fehlende Prozessklarheit?
Schrittweise statt Big Bang
Der sinnvollste Einstieg ist selten ein Agent, der vom ersten Tag an selbstständig Kunden anschreibt und CRM-Daten verändert. Besser funktioniert ein kontrollierter Ausbau.
Phase 1: Einen konkreten Prozess auswählen
Zuerst wird geklärt, wo tatsächlich Zeit verloren geht und welcher Nutzen erwartet wird.
Phase 2: Lesen und verstehen
Der Agent erhält zunächst nur lesenden Zugriff und beantwortet Fragen oder erstellt Briefings.
Phase 3: Vorschläge vorbereiten
Anschließend darf er Änderungen vorbereiten, die ein Mitarbeiter freigibt.
Phase 4: Klar definierte Abläufe automatisieren
Erst wenn Ergebnisse zuverlässig sind, können geeignete interne Prozesse selbstständig laufen.
Phase 5: Ausweiten
Danach können weitere Teams, Datenbereiche und Aufgaben hinzukommen. So wird aus einem KI-Experiment schrittweise ein produktiver Bestandteil des CRM-Betriebs.
Was wir daraus mit GoAgentic gemacht haben
Genau aus dieser Überlegung ist bei MyCRM GoAgentic entstanden. Die Idee ist nicht, ein weiteres CRM oder einen zusätzlichen allgemeinen Chatbot neben die bestehende Systemlandschaft zu stellen.
GoAgentic ergänzt bestehende Installationen von SugarAI, SpiceCRM und SuiteCRM um eine agentische Ebene. Anwender können Aufgaben in natürlicher Sprache über Teams, Slack, den CRM-Chat oder andere angebundene Kanäle formulieren. Welche Aufgaben der Agent übernimmt, wird dabei nicht pauschal vorgegeben. Gemeinsam wird analysiert, welche Abläufe im jeweiligen Unternehmen tatsächlich sinnvoll sind. Bei einem Unternehmen kann das ein morgendliches Vertriebsbriefing sein, bei einem anderen liegt der größere Nutzen vielleicht in der Serviceklassifizierung, der Datenqualität oder der Nachbereitung von Kundengesprächen.
Auch die Autonomie wird schrittweise festgelegt. Ein Agent kann ausschließlich lesen, Änderungen zur Freigabe vorbereiten oder später bestimmte interne Abläufe selbstständig übernehmen. Damit soll nicht möglichst viel automatisiert werden, sondern genau die Klick- und Sucharbeit verschwinden, die heute Zeit kostet, ohne dass sie eine fachliche Entscheidung erfordert.
Ein mögliches Praxisbeispiel
Nehmen wir einen Vertriebsmitarbeiter mit drei Kundenterminen an einem Tag. Am Morgen erhält er automatisch ein kurzes Briefing mit Terminen, offenen Aufgaben und einem Angebot, dessen Frist bald endet. Vor dem ersten Gespräch fragt er:
„Was sollte ich bei Müller GmbH heute wissen?“
Der Agent fasst Opportunities, letzte Kommunikation und offene Servicefälle zusammen. Nach dem Termin spricht der Mitarbeiter auf dem Weg zum Auto eine kurze Nachricht:
„Termin lief gut. Interesse an 40 Lizenzen. Angebot bis Freitag.“
Der Agent bereitet daraus CRM-Notiz, Folgeaufgabe und aktualisierte Opportunity vor. Am Nachmittag weist das System auf eine andere große Opportunity hin, bei der seit mehr als zwei Wochen keine Aktivität dokumentiert wurde. Am Ende des Tages plant der Mitarbeiter seine nächsten Anrufe mit einer einzigen Nachricht. Keiner dieser Schritte ist für sich spektakulär – genau darin liegt aber der Nutzen: Viele Minuten Klickarbeit verschwinden aus einzelnen Situationen. Über viele Mitarbeiter und Arbeitstage entsteht daraus ein relevanter Produktivitätseffekt – während die Informationen weiterhin strukturiert im CRM landen.
Fazit: Die beste CRM-Oberfläche könnte künftig ein Gespräch sein
CRM-Oberflächen werden nicht verschwinden. Für Administration, komplexe Datenpflege und detaillierte Analysen bleiben strukturierte Ansichten wichtig, viele alltägliche Aufgaben benötigen aber eigentlich keine Maske.
Ein Mitarbeiter möchte nicht unbedingt wissen, in welchem Modul und welchem Unterpanel eine Information gespeichert ist. Er möchte wissen, welche Opportunities gefährdet sind, was bei einem Kunden zuletzt passiert ist oder was nach einem Gespräch als Nächstes getan werden muss. Agentische KI kann genau diese Ebene zwischen Mensch und CRM übernehmen. Damit wird das CRM nicht ersetzt, sondern einfacher zugänglich.
Die interessante Entwicklung liegt deshalb weniger darin, dass KI Texte schreiben kann. Entscheidend ist, dass sie CRM-Kontext verstehen, Werkzeuge verwenden und mehrere Arbeitsschritte innerhalb definierter Grenzen miteinander verbinden kann. Für Unternehmen lohnt es sich jetzt, nicht mit der Frage „Wo können wir überall KI einsetzen?“ zu starten, sondern mit dieser: „Welche CRM-Arbeit kostet unser Team jeden Tag Zeit, obwohl dabei kaum eine menschliche Entscheidung notwendig ist?“ Genau dort liegt häufig der beste erste Use Case.
Sie möchten sehen, wie ein Agent mit Ihren CRM-Prozessen arbeiten könnte?
Mit GoAgentic entwickeln wir gemeinsam einen konkreten Anwendungsfall für SugarAI, SpiceCRM oder SuiteCRM – vom ersten Bedarfscheck über einen Proof of Concept bis zum Pilotbetrieb. Gestartet wird mit klaren Grenzen und messbaren Erfolgskriterien. Erst wenn der Nutzen im eigenen Prozess sichtbar ist, geht es weiter.
