Agenten brauchen APIs, keine Bildschirme

Am Monatsende liegen die Kontobewegungen in Business Central, und jemand muss daraus einen Buchungsstapel für DATEV machen. Bei MAFU-SHERPA lief dieser Schritt lange über eine Excel-Datei, die in jeder Abschlussrunde neu von Hand aufgebaut wurde. Stellen Sie sich vor, Sie geben genau diese Aufgabe einem KI-Agenten, der Ihre Programme über den Bildschirm bedient. Er sieht in der Liste einen Betrag und einen Kontonamen. Ob dieser Betrag in der DATEV-Datei als Soll oder als Haben ankommen muss, steht dort nicht; das ergibt sich aus einem Vorzeichen, das die Anwendung intern führt. Und in welcher Reihenfolge DATEV seine Pflichtspalten erwartet, ist überhaupt keine Eigenschaft eines Bildschirms.

Dieser Bildschirmweg heißt Computer-Use. Der Agent sieht einen Bildschirm, bewegt die Maus, klickt Buttons und bedient Software wie ein Mensch, und das hat einen echten Vorteil: bestehende Systeme werden nutzbar, ohne dass jemand eine Integration bauen muss. Ein Agent, der stattdessen eine API nutzt, also die dokumentierte Schnittstelle, über die Programme miteinander sprechen, bekommt strukturierte Daten statt Pixel. Er ruft eine dokumentierte Aktion auf, schickt ein JSON-Objekt, erhält eine maschinenlesbare Antwort und kann jeden Schritt protokollieren.

Als Faustregel gilt daher: Bietet ein System eine brauchbare API, sollte der Agent sie nutzen. Computer-Use bleibt der Rückfallweg für Systeme ohne Schnittstelle, für die einmalige Bedienung alter Software und für Aufgaben, bei denen tatsächlich die visuelle Darstellung selbst bewertet werden muss.

Warum GUI-Bedienung für Agenten teuer ist

Eine grafische Oberfläche ist für Menschen gebaut und verdichtet Kontext visuell. Ein Filter, ein Hover-Zustand und ein ausgegrauter Button tragen Bedeutung, die für den Menschen selbstverständlich ist. Der Agent muss diese Bedeutung erst in Sprache übersetzen, und dafür braucht er Screenshots, wiederholte Beobachtung und meist mehrere Zwischenschritte, bevor er überhaupt weiß, wo er steht.

Eine API übergibt denselben Zustand direkt. Projekt-ID, Status, Zeitstempel und die nächste erlaubte Aktion stehen als Felder da, statt aus einem Bildschirm erschlossen werden zu müssen. Wie groß der Unterschied ausfällt, ist inzwischen gemessen worden. Im Benchmark WebArena (ICLR 2024) löste das stärkste getestete System 14,41 % der längeren Webaufgaben, während Menschen auf 78,24 % kamen. Die Erweiterung OSWorld-Human verglich im Juni 2025 sechzehn Agentensysteme mit menschlichen Schrittfolgen; selbst die stärksten Systeme brauchten das 1,4- bis 2,7-Fache der menschlichen Schritte, wobei ein großer Teil der Wartezeit auf Planungs- und Kontrollaufrufe entfiel. Solche Werte altern schnell und sagen nichts darüber, ob eine bestimmte Aufgabe in Ihrem Betrieb trägt. Der Mechanismus dahinter altert allerdings nicht, denn Zustand, der nur im Bild steckt, muss erraten werden, und lange Klickketten geben jedem Fehler mehr Gelegenheit.

Vier Vorteile von API-first Agenten

1. Token-Effizienz. Eine API-Antwort mit den fünf relevanten Feldern ist um ein Vielfaches kleiner als die Beschreibung des Bildschirms, auf dem dieselben fünf Felder stehen.
2. Geschwindigkeit. Ein einzelner Aufruf ersetzt eine Kette aus Klicks, Wartezeiten und visuellen Kontrollschritten.
3. Genauigkeit. Eine Konto-ID oder ein Soll/Haben-Kennzeichen kommt als Wert an, während dieselbe Angabe auf einem Bildschirm aus Position, Vorzeichen und Gewohnheit erschlossen werden muss.
4. Auditierbarkeit. Ein API-Aufruf lässt sich mit Eingabe, Berechtigung und Ergebnis protokollieren, und das ist im Streitfall deutlich mehr wert als ein Video einer Klickfolge.

Was der Monatsabschluss über Schnittstellen verrät

Zurück zu MAFU-SHERPA. Der DATEV-Weg dort läuft als feste Transformation, und gerade deshalb zeigt der Fall die Anforderung so deutlich. Die Anwendung liest den gefilterten Export aus Business Central, verarbeitet nur Buchungskonten mit Bewegung und schreibt daraus Buchungsdatensätze mit Umsatz, Soll/Haben-Kennzeichen, Konto, Gegenkonto, Belegdatum und Buchungstext. Am Ende steht eine EXTF-CSV-Datei mit Metadaten, vollständiger Spaltenstruktur und Windows-kompatiblen Zeilenenden, die eine Person vor dem Import noch einmal ansieht.

Vier Angaben entscheiden dabei, ob DATEV die Datei annimmt. Das Vorzeichen muss korrekt in ein Soll/Haben-Kennzeichen übersetzt sein. Die Beträge brauchen das deutsche Dezimaltrennzeichen. Leere DATEV-Felder müssen richtig gesetzt sein, und alle Pflichtspalten müssen in der geforderten Reihenfolge geliefert werden. Keine dieser vier Angaben ist auf dem Bildschirm zu sehen, auf dem ein Mensch dieselbe Arbeit macht. Eine Regel aus unserer eigenen Arbeit: Was über die Richtigkeit eines Vorgangs entscheidet, weiß der Mensch aus Gewohnheit, und ein Agent hat diese Gewohnheit nicht.

Hat der Agent Schreibzugriff, kann ein falscher Klick Daten sofort und ohne Rückfrage verändern.

Im übrigen Backoffice entscheidet dieselbe Trennung. Ein Agent, der ein Ticket einordnet und eine Bestellung im ERP prüft, sollte breit lesen und eng schreiben dürfen: kleine umkehrbare Schritte laufen automatisch, alles mit Geld, Terminen oder Kunden geht zur Freigabe. Wie diese Grenze im Alltag verläuft, steht in Agenten im Backoffice: CRM, ERP und Tickets über APIs.

Wo derselbe Unterschied noch auftaucht

Beim Deployment öffnete früher jemand ein Cloud-Dashboard, legte eine Datenbank an und prüfte Logs in vier Tabs. Über die APIs von Terraform, Cloudflare, Vercel oder GitHub liest ein Agent stattdessen den Repository-Status, fragt den Migrationsstatus ab und wertet im Fehlerfall genau die Logzeile aus, die zum fehlgeschlagenen Schritt gehört. Vor allem kann er prüfen, ob die Ressource schon existiert, statt sie blind ein zweites Mal anzulegen. Der Cluster-Artikel Warum Deployment-Agenten APIs statt Dashboards brauchen vertieft diesen Fall.

SEO-Recherche behandeln viele Teams bis heute als Browserarbeit, obwohl dieselben Daten direkt anliegen. DataForSEO liefert Keyword- und SERP-Daten, die Google Search Console die tatsächlichen Suchanfragen, PostHog das Verhalten auf der Seite. Der Gewinn zeigt sich allerdings erst im zweiten Monat, wenn der Agent die Rohdaten von damals danebenlegt und Veränderungen markiert, was bei wechselnden Oberflächen praktisch unmöglich wird. Mehr dazu in SEO-Recherche mit Agenten: API-Daten statt Browser.

Bei Markt- und Lieferantenrecherche verschiebt sich der Auftrag genauso, weg von „besuche diese Seiten und fasse sie zusammen“ hin zu „sammle diese definierten Felder, markiere jede Unsicherheit und schreibe das Ergebnis in ein prüfbares Datenmodell“. Ein plausibel klingender, aber unbelegter Wert ist dabei schlimmer als eine Lücke, und Agenten in der Recherche: Quellenarbeit über APIs beschreibt, wie sich das umsetzen lässt.

Wann Computer-Use trotzdem sinnvoll ist

GUI-Bedienung bleibt wichtig, wenn keine API existiert, wenn eine Aufgabe nur selten vorkommt oder wenn die visuelle Darstellung selbst bewertet werden muss. Admin-Oberflächen ohne Schnittstelle gehören dazu, ebenso visuelle Qualitätsprüfung und die Bedienung eines Portals, das Ihrem Unternehmen nicht gehört.

In der Praxis läuft es damit auf ein Schichtenmodell hinaus. APIs tragen die stabile, wiederholbare Arbeit, Computer-Use ist der Adapter für die Ausnahmen, und irreversible oder unklare Entscheidungen gehen an einen Menschen zur Freigabe; welche Aufgabe in welche Schicht gehört, entscheidet das Risiko und nicht die Technik.

Was Unternehmen jetzt bauen sollten

Agenten machen Schnittstellen strategischer. Wenn Sie ohnehin eine interne Business-App bauen oder anpassen lassen, können Sie Ihrem Anbieter diese sechs Fragen stellen, ohne selbst Software zu analysieren.

• Welche Aktionen kann ein anderes Programm in Ihrer Software auslösen, und wo sind sie dokumentiert?
• Bleiben die IDs von Datensätzen nach einem Update dieselben, oder ändern sie sich?
• Wie eng lässt sich ein technischer Zugang auf einzelne Rollen und Datenbereiche zuschneiden?
• Wird jede Änderung protokolliert, mit Zeitpunkt, auslösendem Zugang und altem Wert?
• Gibt es eine Testumgebung mit echten Beispieldaten, in der ein Schreibvorgang gefahrlos scheitern darf?
• Was passiert, wenn derselbe Schritt zweimal ausgeführt wird, entsteht dann ein zweiter Auftrag?

Die Antworten zeigen Ihnen, an welcher Stelle ein Agent später über den Bildschirm arbeiten müsste und wo er sauber andocken kann. Ein Systemwechsel ist deshalb selten nötig; die erste sinnvolle Investition liegt meist genau an dieser Grenze. Bei eigener Software haben Sie die Wahl ohnehin in der Hand, und dazu passt unsere Grundhaltung: Software mit KI schneller entwickeln, aber die Kontrolle über Architektur, Daten und Prozesse behalten.

Die Frage, die sich lohnt

Computer-Use macht Agenten kompatibel mit alter Software, und dafür wird es weiter gebraucht. Wer Agenten aber ernsthaft in Geschäftsprozesse einbindet, sollte weniger danach fragen, welches Modell am besten klickt, und mehr danach, welche der eigenen Systeme dem Agenten strukturierte und nachvollziehbare Schnittstellen anbieten. Erfahrungsgemäß ist die Antwort ernüchternder, als man erwartet. Beim Monatsabschluss von MAFU-SHERPA war die eigentliche Arbeit nicht das Anbinden, sondern das Aufschreiben dessen, was bis dahin niemand aufschreiben musste. Ob ein Agent diesen Schritt später übernimmt oder eine feste Transformation ihn erledigt, ist danach die kleinere Frage.

Prüfen Sie die Agentenfähigkeit an einem echten Fall: beteiligte Systeme, Rollen und die Stellen, an denen ein Fehler wehtut. Danach lässt sich die nötige Schnittstelle benennen. Sprechen wir über den konkreten Ablauf.

Wie diese Arbeitsteilung in der Praxis aussieht – inklusive der Frage, welcher Schritt legitim im Dashboard bleibt –, zeigt unser Praxisbericht Dashboard oder API? Sicherer Cloud-Zugriff für KI-Agenten.