Um Relevance AI richtig einzuordnen, hilft ein Blick auf die Verschiebung, die sich hinter dem Begriff verbirgt. Klassische Automatisierungswerkzeuge folgen einem festen Ablaufplan: Ein Auslöser startet eine vorher exakt festgelegte Kette von Schritten. Ein KI-Agent arbeitet anders. Man beschreibt ihm ein Ziel und stellt ihm Werkzeuge bereit; welche Schritte er in welcher Reihenfolge geht, entscheidet er auf Basis eines Sprachmodells selbst. Aus einer starren Abfolge wird ein zielorientiertes System, das mit unstrukturierten Eingaben und wechselnden Situationen umgehen kann. Genau diese Fähigkeit macht Agenten für Aufgaben interessant, an denen regelbasierte Automatisierung bislang scheiterte.
Die Kategorie, in die Relevance AI fällt, lässt sich als KI-Agenten-Plattform beschreiben – ein noch junges, aber schnell wachsendes Feld. Der Zusatz, mit dem sich die Plattform vom Wettbewerb abgrenzt, lautet „weitgehend ohne Code“. Wo Entwickler-Frameworks das Bauen von Agenten als Programmieraufgabe verstehen, setzt Relevance AI auf eine grafische Oberfläche, in der Agenten, ihre Werkzeuge und ihre Anweisungen zusammengeklickt und in natürlicher Sprache beschrieben werden. Das senkt die Einstiegshürde erheblich und öffnet das Thema auch für Fachabteilungen ohne IT-Hintergrund.
Aus unserer Projektpraxis lässt sich die Zielgruppe recht klar umreißen. Relevance AI richtet sich an Unternehmen, die wiederkehrende Wissensarbeit automatisieren wollen, ohne dafür ein Entwicklungsteam aufzubauen – Marketing- und Vertriebsteams, Kundenservice, operative Fachabteilungen. Überall dort, wo täglich viele gleichartige, aber sprachlich variantenreiche Aufgaben anfallen – E-Mails sortieren, Anfragen beantworten, Informationen recherchieren, Datensätze anreichern – zielt die Plattform hin. Sie verspricht, diese Aufgaben an Agenten zu übergeben, die Menschen sonst wiederholt beschäftigen.
Weniger geeignet ist Relevance AI für Vorhaben, bei denen absolute Vorhersehbarkeit und lückenlose Nachvollziehbarkeit im Vordergrund stehen – etwa hochregulierte Finanz- oder Abrechnungsprozesse, in denen jeder Schritt exakt gleich ablaufen muss. Hier sind klassische, regelbasierte Automatisierungswerkzeuge oft die bessere Wahl, weil ihr Verhalten deterministisch ist. Ebenso ist die Plattform als reines Cloud-Angebot eines Nicht-EU-Anbieters dort kritisch zu prüfen, wo aus Datenschutz- und Souveränitätsgründen strenge Anforderungen gelten – ein Punkt, den wir in Kapitel 09 vertiefen.
Der Kern der Sache lässt sich an einem typischen Moment im Arbeitsalltag festmachen. In fast jedem Unternehmen gibt es Aufgaben, die zu variabel für starre Automatisierung, aber zu monoton für qualifizierte Mitarbeiter sind: die immer gleiche Recherche vor jedem Kundengespräch, das Einsortieren eingehender Anfragen nach Thema, das Zusammenfassen langer Dokumente, das Übertragen von Informationen zwischen Systemen. Solche Aufgaben verschlingen in Summe erhebliche Arbeitszeit, ohne echten Wert zu schaffen. Genau hier setzen KI-Agenten an – und Relevance AI will das Werkzeug sein, mit dem man sie ohne großen technischen Aufwand baut.
Zugleich verlangt dieser Ansatz eine nüchterne Erwartungshaltung. Ein Agent, der auf einem Sprachmodell aufsetzt, arbeitet nicht mit der mechanischen Zuverlässigkeit eines klassischen Skripts. Er kann Aufgaben brillant lösen und im nächsten Moment eine plausibel klingende, aber falsche Antwort liefern. Relevance AI nimmt Unternehmen die Denkarbeit also nicht ab, sondern verlagert sie: von der Ausführung hin zur sorgfältigen Definition, Kontrolle und Absicherung dessen, was die Agenten tun dürfen. Ob die Plattform zum echten Produktivitätsgewinn oder zur Quelle neuer Fehler wird, hängt – wie bei jeder KI-Einführung – von Disziplin bei Gestaltung, Überwachung und Governance ab.
Im Zentrum steht der Agent: eine konfigurierbare Einheit mit einer Rolle, Anweisungen, Werkzeugen und Zugriff auf Wissen. Um diesen Kern herum gruppieren sich weitere Konzepte, die dieselbe Idee auf unterschiedlichen Ebenen umsetzen – von einzelnen Werkzeugen über das angebundene Wissen bis hin zu Agenten-Teams, die gemeinsam an größeren Aufgaben arbeiten. Alle Bausteine sind so gedacht, dass sie sich ohne Programmierung zusammensetzen lassen.
Der Begriff „AI Workforce“ ist mehr als ein Marketing-Etikett – er beschreibt die zentrale Denkweise der Plattform. Statt einen einzigen, universellen Assistenten zu bauen, der alles ein bisschen kann, setzt Relevance AI auf spezialisierte Agenten, die jeweils eine klar umrissene Rolle ausfüllen. So wie in einem menschlichen Team eine Person recherchiert, eine andere schreibt und eine dritte prüft, lässt sich auch eine digitale Belegschaft in Rollen aufteilen. Ein koordinierender Agent kann eine größere Aufgabe entgegennehmen, sie in Teilaufgaben zerlegen und an spezialisierte Kollegen verteilen. Dieser arbeitsteilige Ansatz macht auch komplexere Vorhaben handhabbar, die ein einzelner Agent überfordern würde.
Relevance AI besetzt bewusst eine Position zwischen zwei Welten. Auf der einen Seite stehen die Code-Frameworks für Agenten wie CrewAI oder AutoGen: mächtige Werkzeuge, die aber Programmierung voraussetzen und sich an Entwicklerteams richten. Auf der anderen Seite stehen einfache Chatbot-Baukästen, die zwar zugänglich sind, aber schnell an Grenzen stoßen, sobald ein Assistent echte Aktionen ausführen oder mehrstufig denken soll. Relevance AI positioniert sich dazwischen: die Zugänglichkeit eines No-Code-Werkzeugs, kombiniert mit der Fähigkeit, echte Agenten mit Werkzeugen, Wissen und Teamstrukturen zu bauen.
Diese Positionierung erklärt, warum die Plattform besonders bei Fachabteilungen und in kleineren bis mittleren Unternehmen Anklang findet. Für sie ist die Programmierung eines Agenten von Grund auf keine realistische Option – die grafische Oberfläche von Relevance AI hingegen schon. Zugleich bedeutet der No-Code-Charakter nicht, dass technisches Verständnis überflüssig wäre. Wer weiß, wie Sprachmodelle arbeiten, wo ihre Schwächen liegen und wie man Anweisungen präzise formuliert, baut deutlich bessere Agenten als jemand, der die Technik als Blackbox behandelt.
Ein wichtiger Punkt der Einordnung: Relevance AI ist ein gehostetes Cloud-Angebot. Die Agenten laufen auf der Infrastruktur des Anbieters, ein Selbst-Hosting der kompletten Plattform im eigenen Rechenzentrum ist im Standardfall nicht vorgesehen. Das vereinfacht den Einstieg erheblich, wirft aber gerade bei einer Plattform, deren Agenten regelmäßig auf Unternehmens- und Kundendaten zugreifen, besondere Datenschutzfragen auf. Für Unternehmen mit strengen Souveränitätsanforderungen ist diese Unterscheidung zentral – wir kommen darauf in Kapitel 06 und 09 ausführlich zurück.
Diese drei Fähigkeiten greifen ineinander. Ein Agent ohne Werkzeuge kann nur reden; ein Werkzeug ohne Agent führt keine Aufgabe eigenständig aus; und beides zusammen bleibt oberflächlich, wenn dem Agenten das nötige Unternehmenswissen fehlt. Erst im Zusammenspiel entsteht ein Helfer, der Aufgaben tatsächlich erledigt. Betrachten wir die drei Bereiche der Reihe nach.
Ein Agent wird in Relevance AI über eine grafische Oberfläche zusammengestellt. Im Kern gibt man ihm eine Rolle und Anweisungen in natürlicher Sprache – etwa „Du bist ein Rechercheassistent, der zu eingehenden Firmennamen die wichtigsten öffentlichen Informationen zusammenträgt und in einer knappen Übersicht zusammenfasst.“ Diese Anweisung, oft als Systemprompt bezeichnet, ist das wichtigste Steuerungsmittel: Sie legt fest, wie sich der Agent verhält, welchen Ton er anschlägt und woran er sich halten soll. Je präziser die Anweisung, desto verlässlicher das Ergebnis.
Zusätzlich wählt man das zugrunde liegende Sprachmodell, weist dem Agenten die benötigten Werkzeuge zu und verbindet ihn mit dem relevanten Wissen. Auch die Art, wie ein Agent ausgelöst wird, lässt sich festlegen: über einen Chat, über eine eingehende Nachricht, über einen Zeitplan oder über einen Aufruf aus einem anderen System. Der gesamte Aufbau erfolgt ohne Programmierung – was nicht heißt, dass er trivial ist. Ein guter Agent entsteht durch sorgfältiges Formulieren der Anweisungen und durch systematisches Ausprobieren, nicht durch einmaliges Zusammenklicken.
Ein Agent wird erst dann nützlich, wenn er nicht nur Text erzeugt, sondern echte Aktionen ausführt. Genau dafür gibt es Tools: kleine, klar umrissene Bausteine, die eine bestimmte Aufgabe erledigen – eine Datenquelle abfragen, einen Wert berechnen, einen Datensatz anlegen, eine externe Schnittstelle aufrufen oder eine Nachricht versenden. Ein Agent, der ein solches Werkzeug besitzt, kann es einsetzen, wenn seine Aufgabe es erfordert. Das Sprachmodell entscheidet dabei selbst, wann und mit welchen Werten es das Werkzeug aufruft.
Mehrere Werkzeuge lassen sich zu Werkzeugketten (Tool-Chains) verbinden, in denen das Ergebnis eines Schritts zum Eingang des nächsten wird. So entsteht ein wiederverwendbarer Ablauf, der auch komplexere Aufgaben in nachvollziehbaren Etappen erledigt – etwa: eine Anfrage entgegennehmen, die relevante Information nachschlagen, sie aufbereiten und schließlich eine Antwort formulieren. Diese Werkzeugketten sind ein wichtiges Gestaltungsmittel, weil sie Struktur und Vorhersehbarkeit in ein System bringen, das sonst allein der Entscheidung des Sprachmodells überlassen wäre. Wo immer möglich, empfehlen wir in Projekten, wiederkehrende Abläufe als klar definierte Werkzeugkette abzubilden, statt sie dem Agenten frei zu überlassen.
Der dritte tragende Baustein ist die Wissensanbindung. Ein Sprachmodell kennt zwar viel Allgemeinwissen, aber nichts über das interne Handbuch, die Produktdokumentation oder die Preisliste eines konkreten Unternehmens. Um Agenten hier auf sicheren Boden zu stellen, lassen sich in Relevance AI eigene Wissenssammlungen anlegen: Dokumente, Datensätze oder Textbestände werden hochgeladen und für eine semantische Suche aufbereitet. Fragt ein Agent das Wissen an, sucht das System nicht nach exakten Stichworten, sondern nach inhaltlicher Nähe – und liefert die passenden Textstellen als Grundlage für die Antwort zurück.
Dieses Verfahren, in der Fachwelt als abrufgestützte Generierung bekannt, ist entscheidend für die Verlässlichkeit. Statt sich allein auf das Gedächtnis des Modells zu verlassen – das erwiesenermaßen Inhalte erfinden kann –, antwortet der Agent auf Basis konkreter, geprüfter Quellen. Für Unternehmen bedeutet das: Agenten können auf firmeneigenes Wissen zugreifen, ohne dass dieses Wissen fest in ein Modell eintrainiert werden müsste. Zugleich gilt es zu bedenken, dass hochgeladene Dokumente in der Cloud des Anbieters verarbeitet und gespeichert werden – ein Aspekt, der bei sensiblen Inhalten datenschutzrechtlich sorgfältig zu bewerten ist.
Damit deckt Relevance AI einen Bereich ab, der bei klassischen Automatisierungswerkzeugen gar nicht existiert: das eigenständige Verarbeiten von Sprache und Wissen. Der Preis dafür ist eine neue Art von Verantwortung. Ein Agent, der auf Basis von Wissen antwortet, muss so gestaltet sein, dass er seine Quellen tatsächlich nutzt und nicht ergänzend frei fabuliert. Wir empfehlen in Projekten, Agenten von Anfang an so anzuweisen, dass sie fehlendes Wissen offen benennen, statt eine Lücke mit einer erfundenen Antwort zu füllen – und ihre Ausgaben systematisch gegen die tatsächlichen Quellen zu prüfen.
Zugleich verlangt gerade dieser Bereich ein nüchternes Erwartungsmanagement. Je mehr Autonomie ein Agent bekommt, desto größer sind sowohl die Chancen als auch die Risiken. Ein mehrstufiger Agent kann beeindruckend selbständig arbeiten – und ebenso selbständig in die falsche Richtung laufen, wenn seine Anweisungen unpräzise oder seine Werkzeuge fehlerhaft sind. Die folgenden Abschnitte ordnen beide Fähigkeiten sachlich ein.
Ein einfacher KI-Assistent nimmt eine Frage entgegen und gibt eine Antwort. Ein mehrstufiger Agent geht deutlich weiter: Er nimmt ein Ziel entgegen, überlegt, welche Schritte nötig sind, führt diese Schritte mithilfe seiner Werkzeuge aus, bewertet die Zwischenergebnisse und passt sein Vorgehen bei Bedarf an. Man kann sich das wie einen kleinen Denkzyklus vorstellen: planen, handeln, beobachten, neu planen. Dieser Zyklus wiederholt sich, bis der Agent sein Ziel erreicht hat oder feststellt, dass er es nicht erreichen kann.
Diese Fähigkeit macht Agenten für Aufgaben tauglich, die sich nicht in einem einzigen Schritt lösen lassen. Ein Rechercheagent etwa könnte eine Frage entgegennehmen, mehrere Quellen nacheinander abfragen, die Ergebnisse abgleichen, Lücken erkennen, gezielt nachrecherchieren und am Ende eine zusammengeführte Antwort formulieren. Kein starrer Ablauf könnte das leisten, weil im Voraus nicht feststeht, wie viele und welche Schritte nötig sind. Genau hier liegt die Stärke des agentischen Ansatzes – und zugleich seine Herausforderung: Weil der Agent selbst entscheidet, ist sein Verhalten weniger vorhersehbar als das eines klassischen Skripts.
Die zweite prägende Fähigkeit ist die Zusammenarbeit mehrerer Agenten – der Kern dessen, was der Anbieter „AI Workforce“ nennt. Statt einen einzigen Alleskönner zu bauen, verteilt man die Arbeit auf mehrere spezialisierte Agenten. Ein koordinierender Agent nimmt die Gesamtaufgabe entgegen, zerlegt sie in Teilaufgaben und delegiert diese an Kollegen, die jeweils auf ihren Bereich spezialisiert sind. Deren Ergebnisse führt er wieder zusammen. Das Prinzip ähnelt der Arbeitsteilung in einem menschlichen Team und erlaubt es, auch anspruchsvolle Vorhaben zu bewältigen, die einen einzelnen Agenten überfordern würden.
Der Vorteil dieses Ansatzes liegt in Klarheit und Wartbarkeit. Ein spezialisierter Agent mit einer eng umrissenen Aufgabe ist einfacher zu formulieren, zu testen und zu verbessern als ein universeller Agent, der alles ein bisschen können soll. Zudem lassen sich einzelne Rollen austauschen oder ergänzen, ohne das gesamte System neu zu bauen. Der Preis ist zusätzliche Komplexität in der Koordination: Je mehr Agenten beteiligt sind, desto mehr Übergabepunkte gibt es, an denen etwas schiefgehen kann. In der Praxis raten wir dazu, mit einem einzelnen, gut funktionierenden Agenten zu beginnen und erst dann zu einem Team auszubauen, wenn eine Aufgabe das nachweislich erfordert.
So beeindruckend agentische Systeme sind – sie erben alle Schwächen der zugrunde liegenden Sprachmodelle. Ein Agent kann Inhalte erfinden, Anweisungen missverstehen oder in seltenen Fällen durch geschickt formulierte Eingaben zu unerwünschtem Verhalten verleitet werden. Je mehr Werkzeuge ein Agent besitzt und je autonomer er handelt, desto größer ist die potenzielle Auswirkung eines solchen Fehlers. Aus diesem Grund ist die Gestaltung von Schutzmechanismen kein Nebenschauplatz, sondern zentraler Bestandteil jeder seriösen Agenten-Einführung.
Diese drei Ebenen bestimmen, wie tief sich die Plattform in eine bestehende IT-Landschaft einfügt. Je besser die vorhandenen Werkzeuge angebunden sind, desto reibungsloser können Agenten in echte Arbeitsabläufe eingreifen – und desto größer ist zugleich die Zahl der Stellen, an denen Daten fließen und datenschutzrechtlich bewertet werden müssen.
Weil Agenten auf Sprachmodellen aufsetzen, ist die Wahl des Modells eine grundlegende Entscheidung. Relevance AI erlaubt in der Regel, zwischen verschiedenen führenden Modellen unterschiedlicher Anbieter zu wählen, statt auf ein einziges festgelegt zu sein. Das ist aus mehreren Gründen wertvoll: Verschiedene Modelle haben unterschiedliche Stärken bei Sprache, Logik oder Kosten, und die Möglichkeit, das Modell zu wechseln, verhindert eine allzu enge Bindung an einen einzelnen Anbieter. Für die Praxis bedeutet es, dass man für jede Aufgabe das passende Modell wählen kann – ein leistungsstarkes für anspruchsvolle Analysen, ein schlankeres und günstigeres für einfache Klassifikationen.
Aus Datenschutzsicht ist die Modellwahl besonders bedeutsam. Welches Modell zum Einsatz kommt, entscheidet mit darüber, wohin die verarbeiteten Daten fließen und welchem Rechtsraum sie unterliegen. Wo die Plattform die Anbindung von Modellen mit europäischer Verarbeitung oder von lokal betriebenen Modellen erlaubt, kann dies die datenschutzrechtliche Bewertung erleichtern. Wir raten dazu, diesen Punkt beim Anbieter konkret zu prüfen und die Modellwahl bewusst als Teil der Datenschutz-Entscheidung zu behandeln, nicht allein als technische Frage der Leistungsfähigkeit.
Damit Agenten in echte Prozesse eingreifen können, bietet Relevance AI Integrationen zu zahlreichen Geschäftsanwendungen – von Kommunikations- und CRM-Systemen über Tabellen und Datenbanken bis zu Marketing- und Support-Werkzeugen. Über diese Integrationen kann ein Agent Informationen aus einer Anwendung lesen oder Aktionen in ihr auslösen: eine Nachricht senden, einen Datensatz anlegen, einen Eintrag aktualisieren. Konkrete Zahlen zur Menge der verfügbaren Integrationen nennen wir hier bewusst nicht, da sich der Umfang laufend ändert und beim Anbieter aktuell geprüft werden sollte.
Für ein Unternehmen ist entscheidend, ob die eigenen Kernsysteme abgedeckt sind. Wo eine fertige Integration fehlt, bleibt in der Regel der Weg über allgemeine Schnittstellen – etwa den Aufruf einer beliebigen Web-Schnittstelle als Werkzeug. Diese Flexibilität ist ein Vorteil, verlangt aber technisches Verständnis und wirft, sobald personenbezogene Daten an externe Dienste gehen, erneut Datenschutzfragen auf. Vor jeder Anbindung sollte daher geklärt sein, welche Daten konkret übertragen werden und ob dies zulässig ist.
Trotz des No-Code-Anspruchs richtet sich Relevance AI nicht ausschließlich an Nicht-Techniker. Über eine Programmierschnittstelle (API) lassen sich Agenten aus eigener Software heraus aufrufen und in bestehende Anwendungen einbetten. Ein selbst entwickeltes Portal könnte so einen Relevance-AI-Agenten im Hintergrund nutzen, ohne dass die Endanwender je die Plattform selbst zu Gesicht bekämen. Das eröffnet einen fließenden Übergang: Fachabteilungen bauen und testen Agenten visuell, technische Teams binden sie anschließend tief in eigene Systeme ein.
Diese Kombination aus No-Code-Oberfläche und offener Schnittstelle ist eine der Stärken der Plattform. Sie erlaubt es, klein und ohne IT-Projekt zu starten und dennoch bei Bedarf zu einer tief integrierten Lösung zu wachsen. Gleichzeitig gilt auch hier: Jede zusätzliche Anbindung erweitert die Kette der Systeme, durch die Daten fließen. Wer die API nutzt, um Agenten in Kundenprozesse einzubetten, sollte die entstehenden Datenflüsse ebenso sorgfältig kartieren wie bei jeder anderen Integration – dazu mehr in Kapitel 09.
Der wichtigste Unterschied lässt sich in einem Satz fassen: CrewAI und AutoGen sind Programmierbibliotheken, Relevance AI ist eine fertige Plattform. CrewAI und AutoGen richten sich an Entwicklerteams, die Agenten im eigenen Code aufbauen und dabei volle Kontrolle über jedes Detail behalten – von der Logik über das Deployment bis zum Betrieb. Diese Freiheit ist mächtig, setzt aber Programmierkenntnisse und eine eigene Betriebsumgebung voraus. Relevance AI dreht die Priorität um: Es nimmt dem Nutzer die technische Grundarbeit ab und stellt eine geführte Oberfläche bereit, in der Agenten ohne Code entstehen. Wer programmieren kann und maximale Kontrolle will, ist mit einem Framework besser bedient; wer schnell und ohne Entwicklungsteam Ergebnisse braucht, findet bei Relevance AI den leichteren Weg.
Am nächsten kommt Relevance AI die Plattform Dify. Beide verfolgen einen plattformbasierten, weitgehend visuellen Ansatz, beide erlauben den Aufbau von KI-Anwendungen und Agenten ohne tiefes Programmieren, beide binden Wissen und Modelle an. Der entscheidende Unterschied liegt im Betriebsmodell und im Schwerpunkt: Dify ist quelloffen und lässt sich selbst hosten, sodass die Daten die eigene Infrastruktur nicht verlassen müssen – ein gewichtiges Argument für Datenschutz und Souveränität. Relevance AI ist dagegen ein reines Cloud-Angebot, legt dafür aber einen besonders klaren Fokus auf die Idee der „AI Workforce“ aus mehreren zusammenarbeitenden Agenten und auf einen für Fachabteilungen sehr zugänglichen Aufbau.
In unseren Projekten formulieren wir die Faustregel gern so: CrewAI und AutoGen für Entwicklerteams mit vollem Kontrollanspruch, Dify für souveränen, selbst-hostbaren Betrieb mit visuellem Ansatz, Relevance AI für Fachabteilungen, die schnell und ohne Code eine AI Workforce aufbauen wollen. Nicht selten ist die beste Lösung eine bewusste Kombination – etwa Relevance AI für das schnelle Prototyping und ein selbst gehostetes Werkzeug für datensensible Produktivszenarien.
Der große Vorteil des SaaS-Modells ist der schnelle Start. Es genügt ein Konto, um sofort den ersten Agenten zu bauen; Rechenleistung, Skalierung, Verfügbarkeit und Aktualisierung der Plattform übernimmt der Anbieter. Für Teams, die sich auf den eigentlichen Nutzen konzentrieren wollen und nicht auf den Betrieb, ist das ein echter Gewinn. Gleichzeitig verlangt gerade der Umgang mit KI-Agenten, die auf Unternehmens- und Kundendaten zugreifen, ein durchdachtes Vorgehen, damit aus schnellen Erfolgen keine unkontrollierten Risiken werden.
Aus unserer Projektpraxis hat sich ein schrittweises Vorgehen bewährt, das die Chancen der Plattform nutzt und zugleich die besonderen Risiken agentischer KI beherrschbar hält.
Nach dem Start verschiebt sich der Fokus vom Bauen auf das Betreiben. Zentrale Themen sind die Beobachtung dessen, was die Agenten tatsächlich tun, das Prüfen ihrer Ergebnisse auf Qualität und Korrektheit sowie das Aktuellhalten von Anweisungen und angebundenem Wissen. Anders als ein klassisches Skript kann ein Agent sein Verhalten mit veränderten Eingaben verschieben – deshalb ist eine regelmäßige Kontrolle der Ausgaben kein einmaliger Test, sondern eine Daueraufgabe. Wo die Plattform Protokolle über die Denk- und Handlungsschritte eines Agenten bereitstellt, sollten diese aktiv genutzt werden, um das Verhalten nachvollziehbar zu halten.
Gleichzeitig gilt: Auch eine gemanagte Plattform enthebt niemanden der Verantwortung für das, was die eigenen Agenten anrichten. Ein Agent, der eine Nachricht an einen Kunden sendet, spricht im Namen des Unternehmens; ein Agent, der einen Datensatz ändert, greift in echte Geschäftsprozesse ein. Wir empfehlen, für jeden produktiven Agenten eine verantwortliche Person zu benennen, klare Grenzen seiner Befugnisse zu dokumentieren und in regelmäßigen Abständen zu prüfen, ob er noch das tut, was er tun soll.
Auffällig ist ein Muster: Relevance AI glänzt dort, wo Sprache und Urteilsvermögen gefragt sind – klassifizieren, zusammenfassen, recherchieren, formulieren. Sobald eine Aufgabe über eine simple Wenn-Dann-Regel hinausgeht und ein Verständnis von Inhalten verlangt, spielt die Plattform ihre Stärke aus. Der Mehrwert entsteht weniger durch mechanische Geschwindigkeit als durch die Fähigkeit, mit unstrukturierten Eingaben umzugehen, an denen klassische Automatisierung scheitert.
Wichtig für die Erwartungshaltung: Der Nutzen realisiert sich nur, wenn ein Mensch die Ergebnisse an den richtigen Stellen prüft. Ein KI-Agent liefert keine mechanische Zuverlässigkeit – er ist ein hilfreicher, aber fehlbarer Kollege. Ein schlecht durchdachter Prozess wird durch einen Agenten nicht besser, nur schneller falsch. Deshalb steht in unseren Projekten immer die Frage nach der richtigen Aufgabenverteilung zwischen Mensch und Agent vor dem Bau des ersten Assistenten – und die bewusste Entscheidung, wo eine menschliche Freigabe unverzichtbar bleibt.
Ein typischer Verlauf: Es beginnt mit einem einzelnen Agenten, der eine konkrete Aufgabe abnimmt. Schnell folgen weitere, weil der Nutzen sichtbar wird. Nach einigen Monaten existiert eine ganze Sammlung von Agenten – oft verteilt über mehrere Abteilungen und Verantwortliche. Genau an diesem Punkt entscheidet sich, ob die AI Workforce zum Vorteil oder zur unübersichtlichen Schatten-IT wird. Ohne Überblick darüber, welcher Agent welche Daten verarbeitet und welche Aktionen er auslösen darf, entsteht ein schwer kontrollierbares Geflecht.
Wir empfehlen daher, schon beim zweiten oder dritten Agenten eine einfache Übersicht anzulegen: Welcher Agent erfüllt welchen Zweck, auf welche Daten und Systeme greift er zu, welches Modell nutzt er, wer ist verantwortlich und welche Aktionen darf er eigenständig ausführen. Diese schlanke Dokumentation kostet wenig Aufwand, ist bei autonom handelnden Agenten aber besonders wertvoll – sie ist die Grundlage, um Verantwortung, Datenschutz und Kontrolle über die wachsende digitale Belegschaft zu behalten.
Zur Kostenlogik zuerst: Relevance AI rechnet üblicherweise über eine Kombination aus Plänen und einem credit-basierten Verbrauchsmodell ab. Die Pläne unterscheiden sich in Kontingenten und Funktionsumfang; der laufende Verbrauch orientiert sich daran, wie viel die Agenten arbeiten – also an der Zahl der Aufrufe sowie am Rechenaufwand der Denk- und Werkzeugschritte. Konkrete Preise nennen wir hier bewusst nicht, weil der Anbieter Pläne, Kontingente und Konditionen regelmäßig anpasst und sie direkt beim Anbieter geprüft werden sollten. Entscheidend ist das Verständnis der Logik dahinter – die bleibt stabiler als jede Zahl.
Der wichtigste Mechanismus: Kosten skalieren mit der Aktivität der Agenten. Ein Agent, der selten aufgerufen wird und eine Aufgabe in wenigen Schritten löst, verbraucht wenig; ein mehrstufiger Agent oder ein Team, das für jede Anfrage viele Denk- und Werkzeugschritte durchläuft, verbraucht deutlich mehr – zumal jeder dieser Schritte in der Regel zusätzlich Kosten beim Modell-Anbieter verursacht. Für den Mittelstand heißt das: Bei überschaubarem Volumen bleibt Relevance AI kalkulierbar, bei hohem Durchsatz mit komplexen Agenten-Teams lohnt eine ehrliche Hochrechnung, bevor produktiv skaliert wird. Wir erstellen diese Hochrechnung in Projekten standardmäßig – erwartete Aufrufe, multipliziert mit dem typischen Aufwand pro Aufruf – damit die tatsächlichen Kosten sichtbar werden, bevor ein Agent in den Vollbetrieb geht.
Datenschutzrechtlich ist der zentrale Ausgangspunkt: Relevance AI ist eine Cloud-Plattform eines Nicht-EU-Anbieters. Bei der Nutzung fließen Daten durch die Cloud des Anbieters – und potenziell durch die Clouds der angebundenen Sprachmodelle und Anwendungen. Besonders schwer wiegt dabei, dass Agenten von Natur aus auf Daten zugreifen: Sie lesen eingehende Nachrichten, durchsuchen hochgeladenes Wissen, greifen auf verbundene Systeme zu. Wo dabei personenbezogene Daten verarbeitet werden – Namen, E-Mail-Adressen, Kontaktdaten, Kundeninformationen –, wird der Anbieter zum Auftragsverarbeiter, und es gelten die entsprechenden Anforderungen der DSGVO. Diese besondere Datennähe verlangt hier größere Sorgfalt als bei vielen anderen Werkzeugen.
Als Anbieter mit Sitz außerhalb der EU unterliegt Relevance AI nicht primär europäischem Recht. Auch wenn der Anbieter Schutzmaßnahmen und vertragliche Zusicherungen bietet, bleibt – wie bei vielen internationalen Cloud-Diensten – ein rechtliches Restrisiko hinsichtlich behördlicher Zugriffsmöglichkeiten bestehen. Für viele Mittelständler ist dieses Risiko bei nicht hochsensiblen Daten und sauberer vertraglicher Grundlage tragbar. Für besonders schützenswerte Datenkategorien, für Berufsgeheimnisträger oder für Unternehmen mit hohen Souveränitätsanforderungen ist es jedoch ein gewichtiges Gegenargument. Da ein Selbst-Hosting im Standardfall nicht vorgesehen ist, entfällt der bei manchen Alternativen mögliche Ausweg, die Daten vollständig in der eigenen Infrastruktur zu halten. Wo eine EU-Region angeboten wird, sollte deren Verfügbarkeit und Umfang konkret beim Anbieter erfragt werden.
Eine Besonderheit von Agenten-Plattformen ist, dass Daten nicht nur durch Relevance AI, sondern auch durch die angebundenen Sprachmodelle und verbundenen Anwendungen fließen. Ein einziger Agent kann Daten aus einer europäischen Quelle lesen, sie zur Verarbeitung an ein Sprachmodell senden, das Ergebnis über eine Integration in einer dritten Anwendung ablegen und dabei auf hochgeladenes Wissen zugreifen. Diese Kette muss vollständig betrachtet werden – Datenschutz endet nicht an der Grenze der Plattform. Wir kartieren in Projekten daher für jeden produktiven Agenten den kompletten Datenfluss, ausdrücklich einschließlich des genutzten Modells und aller angebundenen Dienste, und bewerten jede Station gesondert.
Um das Datenschutzniveau zu verbessern, gibt es mehrere Hebel. Wo die Plattform eine EU-Region für Speicherung und Verarbeitung anbietet, sollte diese bevorzugt werden. Die Anbindung von Modellen mit europäischer Verarbeitung oder lokal betriebenen Modellen kann den Datentransfer in Drittländer reduzieren. Ein sauber abgeschlossener Auftragsverarbeitungsvertrag ist die vertragliche Grundlage, und das konsequente Begrenzen des Datenzugriffs der Agenten auf das wirklich Nötige senkt das Risiko zusätzlich. Wo Datenhoheit und Souveränität im Vordergrund stehen, prüfen wir mit Kunden gezielt selbst-hostbare Alternativen wie Dify, bei denen die Daten die eigene Infrastruktur nicht verlassen müssen. Die Entscheidung ist letztlich eine bewusste Abwägung zwischen der Bequemlichkeit der gemanagten Cloud und der Kontrolle über die eigenen Daten.
