AI Agent Readiness für KMU: Ist dein Unternehmen bereit für KI-Agenten?

Worum es geht

KI-Agenten verschieben den Fokus von generativer Unterstützung zu softwaregestütztem Handeln. Sie können Aufgaben planen, Daten auswerten, Tools verwenden und — sofern sie dazu berechtigt sind — Aktionen in realen Systemen auslösen. NIST hat 2026 deshalb eine eigene AI Agent Standards Initiative gestartet und nennt sichere Interoperabilität, offene Protokolle sowie Agent Security und Identity als zentrale Handlungsfelder.

Für KMU bedeutet Agent Readiness aber nicht, möglichst schnell MCP, llms.txt oder einen autonomen Agenten einzuführen. Entscheidend ist, ob der konkrete Use Case klar ist, Prozesse und Daten geeignet sind, Informationen maschinenverständlich vorliegen, Systeme kontrollierte Schnittstellen anbieten und Berechtigungen, Governance sowie Evaluation mit der möglichen Autonomie mitwachsen.

Ein hilfreicher technischer Referenzansatz kommt aus der Schweiz: AI Architect Thierry Gilgen hat mit Engawa ein Open-Source-Toolkit für agent-native Websites entwickelt. Sein Ansatz trennt sauber zwischen Human Web und Agent Interface, ohne zu behaupten, dass Agents HTML nicht lesen könnten. Eine zusätzliche Agent-Surface soll dieselben öffentlich sichtbaren Inhalte cleaner, kleiner und deterministischer zugänglich machen — mit expliziten Grenzen und read-only Defaults.

AHEAD OF TIME fasst diese Perspektive breiter: Ein Unternehmen ist erst dann wirklich agent-ready, wenn Business Use Case, Prozesse, Daten, Website, Schnittstellen, Security, Governance und Verantwortlichkeiten zusammenpassen.

Was bedeutet AI Agent Readiness?

AI Agent Readiness beschreibt die Fähigkeit eines Unternehmens, KI-Agenten sinnvoll, zuverlässig und kontrolliert einzusetzen — und gleichzeitig digitalen Systemen zu ermöglichen, mit externen Agents auf definierte Weise zu interagieren. Der Begriff umfasst damit zwei Perspektiven: die interne Organisations- und Systemreadiness sowie die externe Agent Readiness von Websites und digitalen Services.

Diese Trennung ist wichtig. Eine Website kann sehr gut für KI-Suche und maschinelles Lesen strukturiert sein, ohne dass ein externer Agent irgendeine Transaktion auslösen darf. Umgekehrt kann ein Unternehmen intern leistungsfähige Agents betreiben, obwohl die öffentliche Website keine spezielle Agent-Surface besitzt.

Definition von AHEAD OF TIME: Ein KMU ist agent-ready, wenn ein klar definierter Agent den vorgesehenen Job mit den richtigen Informationen und Tools innerhalb kontrollierter Berechtigungs-, Sicherheits- und Verantwortungsgrenzen erledigen kann — und die Wirkung messbar überprüft wird.

Vom Chatbot zum Agenten: Warum sich die Anforderungen ändern

Ein klassischer Chatbot erzeugt primär eine Antwort. Ein agentisches System kann darüber hinaus Ziele in Schritte zerlegen, externe Informationen verarbeiten, Tools auswählen und Handlungen auslösen. NIST beschreibt AI Agent Systems als Systeme, die planen und autonome Aktionen mit Auswirkungen auf reale Systeme oder Umgebungen durchführen können. Genau die Kombination von Modelloutputs mit Softwarefunktionen schafft zusätzliche Sicherheits- und Kontrollfragen.

Ein Marketing-Assistent, der einen Kampagnenvorschlag schreibt, ist deshalb etwas anderes als ein Agent, der Kundendaten aus dem CRM liest, Zielgruppen erstellt, Kampagnen in Werbeplattformen anlegt und Budgets verändert. Mit jeder zusätzlichen Fähigkeit steigt nicht automatisch der Nutzen — aber der mögliche Impact eines Fehlers.

Wie das in der Praxis aussieht, zeigen die konkreten Setups in unserer Praxis-Serie zu AI-Agent-Automationen: dort geht es nicht um Modellwahl, sondern um Prozesszuschnitt, Datenzugriff und Kontrolle.

Das 5-Level Agent Readiness Model von AHEAD OF TIME

Für KMU ist ein abgestuftes Modell hilfreicher als die Frage «Agent-ready: ja oder nein?». AHEAD OF TIME unterscheidet fünf Readiness-Stufen. Sie sind als strategisches Orientierungsmodell gedacht, nicht als formaler Standard.

Wichtig: Level 5 ist nicht automatisch das Ziel. Für viele KMU ist eine sauber strukturierte, gut verständliche Website plus einige kontrollierte interne Agenten-Prozesse wirtschaftlich sinnvoller als maximal mögliche Autonomie.

Wie agent-ready ist deine Website?

Websites wurden traditionell für Menschen und Suchmaschinen optimiert. Mit browserbasierten Agents entsteht eine weitere Nutzungsform: Software soll Informationen nicht nur finden, sondern verstehen, vergleichen und teilweise Aktionen vorbereiten oder durchführen. Aktuelle Forschung zu agent-ready Websites unterscheidet entsprechend zwischen Interpretierbarkeit, Ausführbarkeit und Entscheidungszuverlässigkeit.

Daraus entstehen praktische Fragen: Sind Produkte und Services semantisch klar beschrieben? Sind Preis, Verfügbarkeit, Gültigkeit und Einschränkungen eindeutig? Haben Formulare saubere Labels und vorhersehbare Zustände? Sind Aktionen klar benannt? Kann ein Agent erkennen, ob eine Aktion erfolgreich war?

Agent Readiness ist damit eng mit guter Webqualität verbunden: semantisches HTML, Accessibility, strukturierte Daten, stabile URLs, klare Inhalte und deterministische Zustände helfen Menschen, Suchmaschinen und Agents gleichzeitig.

Engawa: eine kontrollierte Schwelle zum Agent Web

Einen besonders pragmatischen Ansatz verfolgt Thierry Gilgen mit dem Open-Source-Projekt Engawa. Der Name bezeichnet in der japanischen Architektur einen Übergangsraum zwischen Innen und Aussen — und genau so versteht Gilgen die Agent-Schnittstelle: als kontrollierte Schwelle zwischen bestehender Website und Agent Web.

Engawa ersetzt weder Website noch CMS, schema.org, Sitemap, robots.txt oder OpenAPI. Stattdessen kann es dieselben human-public Informationen zusätzlich als deterministische Markdown-Ressourcen, llms.txt und bounded read-only MCP zugänglich machen. Der zentrale Governance-Grundsatz lautet: Der Agent-Korpus soll dem entsprechen, was ein anonymer menschlicher Besucher ohnehin öffentlich sehen kann.

Besonders wichtig ist Gilgens nüchterne Discovery-Regel: Eine Agent-Surface kann existieren, ohne dass ein bestimmter Anbieter sie tatsächlich abruft, verwendet oder dadurch bessere Outputs erzeugt. Implementieren allein ersetzt deshalb keine Messung.

llms.txt, Markdown, MCP und APIs richtig einordnen

Die Agent-Web-Diskussion wird schnell protokollzentriert. Für KMU ist es hilfreicher, zuerst die Funktion zu verstehen.

Die richtige Frage lautet deshalb nicht «Brauchen wir MCP?», sondern: Welche Informationen oder Aktionen muss ein Agent für unseren Use Case zuverlässig nutzen können — und welcher bestehende oder neue Standard löst diese Aufgabe am einfachsten?

Security: Je mehr Agency, desto wichtiger die Grenzen

Solange ein Agent nur öffentliche Informationen liest, ist das Risikoprofil vergleichsweise begrenzt. Darf er dagegen E-Mails senden, Dateien verändern, Zahlungen auslösen oder CRM-Daten bearbeiten, wird Security zu einem Designbestandteil und nicht zu einer nachträglichen Checkbox.

OWASP beschreibt Excessive Agency als Risiko, wenn LLM-basierte Systeme zu viel Funktionalität, zu weitreichende Berechtigungen oder zu hohe Autonomie erhalten. Fehlverhalten kann dabei durch Halluzinationen, direkte oder indirekte Prompt Injection, kompromittierte Tools oder andere unerwartete Inputs ausgelöst werden.

NIST fokussiert 2026 besonders auf Identity und Authorization: Agents benötigen eine verlässliche Identität, klar definierte Autorität und begrenzte Zugriffe auf Daten, Tools und Anwendungen. Klassische Cybersecurity-Prinzipien bleiben relevant, müssen aber an agentische Systeme angepasst werden.

Praktische Security-Prinzipien für KMU

• Read-only zuerst: Neue Agent-Surfaces wenn möglich zunächst ohne Mutationen starten
• Least Privilege: Nur die Funktionen und Daten freigeben, die der konkrete Use Case benötigt
• Explizite Tool-Allowlist: Kein «Agent darf alles», nur klar definierte Funktionen
• Validierung und Grenzen: Eingaben, Ergebnisgrössen, Suchumfang und Aktionsparameter beschränken
• Human- und Policy-Gates: Kritische Aktionen benötigen je nach Risiko Freigabe oder deterministische Regeln
• Audit und Recovery: Aktionen protokollieren, Fehler erkennen und Auswirkungen rückgängig machen können

Welche Prozesse eignen sich für Agents?

Nicht jeder automatisierbare Prozess braucht einen Agenten. Besonders geeignet sind Aufgaben, bei denen mehrere Informationsquellen, variable Zwischenschritte oder Toolentscheidungen erforderlich sind. Weniger geeignet sind Prozesse, die vollständig deterministisch und mit klassischen Regeln zuverlässig abbildbar sind.

Gute Startpunkte:

• Research und Monitoring über mehrere Quellen mit klar definiertem Output
• Interne Wissenssuche mit abgegrenztem Korpus und Quellenreferenzen
• Vorqualifikation von Leads oder Serviceanfragen, bevor ein Mensch übernimmt
• Erstellen und Prüfen von Content-Drafts mit definierten Brand- und Freigaberegeln
• Coding- und DevOps-Aufgaben mit begrenzten Repositories, Tests und Review-Gates

Schlechte Startpunkte:

• Unklare Prozesse, die bereits ohne KI niemand sauber beschreiben kann
• Unbegrenzter Zugriff auf produktive Systeme, «damit der Agent flexibel ist»
• Hochkritische Entscheidungen ohne verlässliche Daten, Kontrollmechanismen oder Verantwortliche
• Autonomie als Selbstzweck, ohne messbare Qualitäts-, Zeit- oder Kostenziele

Wer hier unsicher ist, gewinnt am meisten, wenn zuerst die Auftragsklarheit steigt. Genau dieselbe Disziplin, die gute Prompts ausmacht — Rolle, Kontext, Grenzen, Output-Format — entscheidet auch darüber, ob ein Agent brauchbar arbeitet. Der Einstieg dazu steht im Beitrag zu Prompt-Engineering für KMU.

Agent Readiness Check für KMU

Für eine erste Standortbestimmung reichen zehn Managementfragen. Je mehr davon nicht klar beantwortet werden können, desto eher sollte vor dem Agenten-Pilot an den Grundlagen gearbeitet werden.

1. Ist der konkrete Business Use Case und sein gewünschter Outcome definiert?
2. Ist der heutige Prozess dokumentiert und sind Ausnahmen bekannt?
3. Sind die benötigten Daten verfügbar, aktuell und rechtlich nutzbar?
4. Kann der Agent nur auf jene Informationen zugreifen, die er wirklich benötigt?
5. Sind Website und öffentliche Fakten maschinenverständlich und konsistent?
6. Gibt es für benötigte Aktionen stabile APIs, MCP-Tools oder andere kontrollierte Schnittstellen?
7. Sind Identität, Authentisierung und Autorisierung geregelt?
8. Gibt es für kritische Schritte Human- oder Policy-Gates?
9. Können Agentenaktionen geloggt, evaluiert und bei Fehlern gestoppt oder zurückgerollt werden?
10. Sind Business Owner, technischer Owner und Verantwortlichkeit für Risiken klar?

Wo du die Antworten strukturiert bekommst

Diese zehn Fragen sind ein Selbsttest am Tisch. Wer es belastbarer will, nutzt die beiden Checks, die es bei AHEAD OF TIME tatsächlich gibt — und die genau die zwei Hälften von Agent Readiness abdecken:

• Digital Readiness & Potential Check — die Unternehmensseite. Rund 35 bewertete Fragen über zehn Dimensionen, von Strategie über Prozesse und Daten bis Technik und Sicherheit. Für Agent Readiness besonders relevant ist die Dimension KI-Auffindbarkeit: Sie prüft, ob Crawler und Agents laut robots.txt überhaupt Zugang haben, ob eine llms.txt existiert und ob die eigenen Entitäten maschinenlesbar ausgezeichnet sind. Das ist Level 1 bis 3 des Modells oben — objektiv gemessen statt geschätzt.
• KI-Kompetenz-Check — die Personenseite. Sechs eigenständige Level von KI-Einsteiger:in über KI-Anwender:in, KI-Fortgeschrittene:r, KI-Integrator:in und KI-Architekt:in bis KI-Stratege:in, geprüft über neun Themen — darunter LLM-Grundlagen und Agenten, Datenschutz und Souveränität, Prompt- und Context-Engineering, Fehlerquellen und Grenzen sowie das Bauen eigener Agenten. Agent Readiness scheitert selten an der Technik allein, sondern daran, dass niemand im Team einschätzen kann, wo ein Agent zuverlässig ist und wo nicht.

Beide Checks stehen nebeneinander in der Übersicht der digitalen und KI-Checks. Wer lieber zuerst liest: Der Themen-Hub KI & Automation bündelt die passenden Artikel.

Schweizer Umsetzungskompetenz: Thierry Gilgen, Engawa und Gnocchi & Friends

Agent Readiness ist ein gutes Beispiel dafür, warum Strategie, Webarchitektur, AI Engineering und Security zusammenkommen müssen. AHEAD OF TIME verbindet diese Themen in eigenen KI-Transformations-, Education- und Engineering-Mandaten und arbeitet dafür bei Bedarf mit spezialisierten Partner:innen zusammen.

Ein solcher Kooperationskontext besteht mit Gnocchi & Friends, dem Schweizer Senior-Expert:innen-Netzwerk für digitale Transformation, KI und Marketing. Im öffentlichen Netzwerk ist Michael Schranz als Digital Business Innovation Experte und Thierry Gilgen als AI Architect aufgeführt. Das Leistungsmodell umfasst unter anderem Tech-Integration, MVP Development, Custom Software, API-Integration und Automation.

Für Agent-Readiness-Projekte ist diese Kombination besonders relevant: AHEAD OF TIME deckt Business Readiness, Use Cases, Customer Experience, Kompetenzaufbau und Transformationslogik ab; technische Spezialist:innen wie Thierry Gilgen bringen vertiefte Architektur- und Agent-Web-Perspektiven ein. Der Open-Source-Charakter von Engawa ist dabei wertvoll, weil Prinzipien und Implementierung öffentlich nachvollziehbar und nicht an eine proprietäre Plattform gebunden sind.

Die Kooperation bedeutet nicht, dass jedes Projekt Engawa oder MCP benötigt. Gerade die Engawa-Dokumentation warnt selbst vor unnötigen zusätzlichen Schichten. Entscheidend bleibt der Use Case — und die einfachste Architektur, die ihn sicher und messbar erfüllt.

Vom Readiness Check zum Pilotprojekt

Wer die zehn Fragen weitgehend beantworten kann, sollte nicht sofort eine unternehmensweite Agentenplattform bauen. Ein enger Pilot ist meist der bessere nächste Schritt.

1. Use Case wählen: Eine häufige, klar abgrenzbare Aufgabe mit erkennbarem Nutzen
2. Scope begrenzen: Daten, Tools und erlaubte Aktionen explizit definieren
3. Read-only starten: Wo möglich zuerst recherchieren, klassifizieren oder Vorschläge erzeugen statt direkt zu mutieren
4. Evaluation definieren: Qualität, Fehlerarten, Zeitersparnis, Kosten und Sicherheitsereignisse messen
5. Kontrolliert erweitern: Erst nach belastbaren Ergebnissen zusätzliche Tools, Daten oder Autonomie freigeben

Agent Readiness ist damit kein einmaliges technisches Audit. Sie entwickelt sich mit jedem neuen Use Case. Mehr Autonomie braucht mehr Kontrolle, mehr externe Daten brauchen stärkere Schutzmechanismen, und neue Schnittstellen müssen messbar tatsächlich genutzt werden.

Fazit: Agent-ready ist ein Unternehmenszustand, kein File

2026 entstehen gleichzeitig neue Agentenstandards, neue Protokolle und neue Produkte. Das macht es verlockend, Readiness über einzelne technische Artefakte zu definieren. Für KMU wäre das zu kurz gegriffen.

llms.txt kann nützlich sein. Markdown kann Retrieval effizienter machen. MCP kann eine standardisierte Agentenschnittstelle bereitstellen. Aber keines dieser Elemente beantwortet allein, ob der Business Use Case sinnvoll, die Daten geeignet, die Berechtigungen sicher oder der Prozess robust sind.

Die bessere Reihenfolge lautet deshalb: Use Case verstehen → Prozess und Daten prüfen → Agent-Surface und Tools nur dort ergänzen, wo sie einen konkreten Zweck erfüllen → Security und Governance mit der Agency skalieren → Wirkung messen.

Wer so vorgeht, baut nicht einfach «einen Agenten». Er schafft die Voraussetzungen dafür, dass Agenten im Unternehmen oder an digitalen Touchpoints tatsächlich zuverlässig arbeiten.

Q&A — die häufigsten Fragen zu AI Agent Readiness

Was bedeutet AI Agent Readiness? AI Agent Readiness beschreibt, ob Prozesse, Daten, Inhalte, Systeme, Schnittstellen, Berechtigungen und Governance so vorbereitet sind, dass ein KI-Agent einen definierten Use Case zuverlässig und kontrolliert ausführen kann.

Braucht eine agent-ready Website zwingend llms.txt? Nein. llms.txt kann als kompakter Agenten-Handoff nützlich sein, ist aber keine Voraussetzung für jede Website und garantiert keine Nutzung durch AI Provider. Semantisch sauberes HTML, strukturierte Daten und eine Sitemap können je nach Ziel bereits genügen.

Braucht eine agent-ready Website MCP? Nein. MCP wird dann relevant, wenn explizit verbundene Agents Ressourcen oder definierte Tools standardisiert nutzen sollen. Für reine Informationswebsites kann es unnötig sein.

Was ist der Unterschied zwischen GEO und Agent Readiness? GEO fokussiert primär auf Sichtbarkeit und Zitierbarkeit in generativen Such- und Antwortsystemen. Agent Readiness geht weiter: Agents sollen Informationen zuverlässig verstehen und — falls vorgesehen — kontrolliert Aktionen ausführen können.

Welche Risiken entstehen bei KI-Agenten? Zusätzliche Risiken entstehen insbesondere durch Toolzugriff, Prompt Injection, zu weitreichende Berechtigungen, Identitäts- und Autorisierungsprobleme sowie zu hohe Autonomie. Je stärker ein Agent handeln darf, desto wichtiger werden Least Privilege, Audit und Freigabemechanismen.

Wie startet ein KMU mit AI Agents? Mit einem klar abgegrenzten Use Case, begrenzten Daten und Tools, möglichst read-only, definierten Qualitäts- und Sicherheitsmetriken sowie menschlicher Kontrolle. Erst nach erfolgreichen Evaluationen sollte die Autonomie erweitert werden.

Wie messe ich, wie agent-ready mein Unternehmen ist? Über zwei Ebenen. Der Digital Readiness & Potential Check misst die Unternehmensseite inklusive KI-Auffindbarkeit — also Crawler-Zugang laut robots.txt, llms.txt und Entitäten-Auszeichnung. Der KI-Kompetenz-Check misst über sechs Level, wie gut die Personen im Team einschätzen können, wo ein Agent zuverlässig arbeitet.

Ist Engawa ein Standard für alle Websites? Nein. Engawa ist ein Open-Source-Toolkit von Thierry Gilgen für bewusst gestaltete Agent-Surfaces. Die Dokumentation betont selbst, dass viele Websites keine zusätzliche Schicht benötigen und bestehende Standards wie HTML, schema.org, Sitemap oder OpenAPI weiterhin relevant bleiben.