Salesforce beschäftigt bereits Agent Manager. Keine KI-Agenten, die managen, sondern Menschen, deren Vollzeitjob es ist, Flotten von KI-Agenten zu steuern. Zach Stauber, Support Agent Manager bei Salesforce, beschreibt seinen Arbeitsalltag in einem HBR-Artikel vom Februar 2026: “Data, Data, Data. Mein Tag beginnt und endet in Dashboards, Scorecards und Agent-Observability-Tools.” Sein Job erinnert weniger an den eines Software-Ingenieurs und mehr an den eines Abteilungsleiters, nur dass die Abteilung digital ist und das Team aus LLMs besteht.
Das ist keine theoretische Position. Salesforces Agentforce-Plattform löst fast 74% der eingehenden Support-Anfragen autonom. Ihre SDRs steigerten sich von 150 Meetings in 30 Tagen auf über 350 Meetings pro Woche, generierten 60 Millionen Dollar an annualisierter Pipeline und gewannen 300+ neue Kunden in vier Monaten. Irgendjemand muss das überwachen. Irgendjemand muss bemerken, wenn die Lösungsqualität sinkt, ein Prompt nachgeschärft werden muss oder ein Agent eskalieren sollte, statt eine Antwort zu halluzinieren. Dieser Jemand ist ein Agent Manager.
Warum diese Rolle jetzt entsteht
Das World Economic Forum prognostiziert, dass sich 39% der Kernkompetenzen von Arbeitnehmern bis 2030 verändern werden, angeführt von KI-Kompetenz. Gartner erwartet, dass 40% der Enterprise-Softwareanwendungen bis 2026 aufgabenspezifische KI-Agenten enthalten, gegenüber unter 5% in 2024. Bei diesem Tempo verschiebt sich die Frage von “Sollen wir Agenten einsetzen?” zu “Wer ist verantwortlich, wenn sie laufen?”
Die meisten Unternehmen beantworten das schlecht. Sie behandeln Agenten wie Software: deployen, gelegentlich Logs prüfen, vielleicht einen Slack-Channel einrichten. Das scheitert, weil Agenten nicht deterministisch sind. Sie treffen Entscheidungen. Sie interagieren mit Kunden. Ihr Verhalten verändert sich bei Model-Updates. Laut Second Talent operieren über 50% der KI-Tools in Unternehmen als nicht genehmigte “Schatten-Agenten” ohne klaren Verantwortlichen.
Die Agent-Manager-Rolle füllt diese Lücke. So wie Product Manager während der Software-Ära entstanden, um Engineering und Business zu verbinden, verbinden Agent Manager KI-Fähigkeiten mit Geschäftsergebnissen. Die HBR-Autoren, Harvard-Business-School-Professor Suraj Srinivasan und Salesforce-COO Vivienne Wei, prognostizieren, dass “Agent Manager” innerhalb von 12 bis 18 Monaten in KI-orientierten Unternehmen zum Standardtitel wird.
Die Product-Manager-Parallele
Product Manager schreiben keinen Code. Sie definieren, was gebaut werden soll, priorisieren Features und übersetzen Kundenbedürfnisse in Engineering-Anforderungen. Agent Manager folgen einem ähnlichen Muster: Sie bauen keine Modelle, aber sie definieren, was Agenten tun sollen, setzen Performance-Ziele, optimieren Prompts und übersetzen Geschäftsziele in Agenten-Verhalten.
Der Unterschied liegt in der Geschwindigkeit. Ein Product Manager shipped quartalsweise. Ein Agent Manager operiert in wöchentlichen Test-Deploy-Learn-Zyklen, weil Prompt-Änderungen in Stunden statt Monaten evaluiert und ausgerollt werden können.
Was Agent Manager konkret tun
Der HBR-Artikel beschreibt Aufgaben, die weder nach klassischem Engineering noch nach traditionellem Management aussehen. So sieht der Alltag eines Agent Managers aus.
Performance-Monitoring und Diagnostik
Agent Manager verfolgen Metriken zu Qualität, Geschwindigkeit, Eskalationsraten und Kundenzufriedenheit. Wenn Salesforces Agentforce 74% der Support-Fälle autonom löst, sind die verbleibenden 26% entscheidend. Ein Agent Manager analysiert, warum diese Fälle menschliche Eskalation brauchten: War die Wissensbasis des Agenten unvollständig? Hat er die Absicht falsch interpretiert? War der Prompt zu eng gefasst?
Das ist diagnostische Arbeit. Sie ähnelt QA, erfordert aber Verständnis sowohl der Business-Domäne als auch der Art, wie LLMs Kontext verarbeiten. Man kann das Verhalten eines Agenten nicht debuggen, wenn man die Customer Journey nicht versteht, die er bedienen soll.
Prompt- und Workflow-Optimierung
Der größte Hebel eines Agent Managers ist Prompt Engineering auf operativer Ebene. Wenn ein Support-Agent bei einer bestimmten Produktlinie schwächere Antworten gibt, identifiziert der Agent Manager die Lücke, passt Grounding-Daten oder Prompt-Struktur an, testet die Änderung an historischen Fällen und rollt sie aus. Dieser Zyklus wiederholt sich wöchentlich.
Vanessa Tabbert, VP of Agentic Transformation bei Salesforce, betonte im HBR-Artikel, dass die besten Agent Manager Prompts als lebende Dokumente behandeln, die sich parallel zum Geschäft weiterentwickeln.
Mensch-Maschine-Übergaben gestalten
Jede Agenten-Flotte braucht Eskalationspfade. Der Agent Manager definiert, wann ein Agent aufhören und an einen Menschen weiterleiten soll, welchen Kontext er mitgeben muss und wie die Übergabe für den Kunden wirkt. Hier zählt Domänenwissen. Ein Agent Manager bei einem Finanzdienstleister muss wissen, welche Kundensituationen regulatorische Risiken bergen. Ein Agent Manager im Gesundheitswesen muss erkennen, welche Symptomkombinationen sofortige menschliche Prüfung erfordern.
Für DACH-Unternehmen kommt der EU AI Act hinzu: Hochrisiko-KI-Systeme erfordern laut Artikel 14 eine “wirksame Aufsicht durch natürliche Personen.” Der Agent Manager wird zur natürlichen Besetzung dieser Aufsichtsfunktion.
ROI-Analyse und Executive Reporting
Agent Manager verantworten den Business Case. Sie beziffern, wie viel die Agenten-Flotte einspart, wie sie Kundenzufriedenheit beeinflusst und wo zusätzliche Investitionen die höchste Rendite bringen. Bei Salesforce sind die Zahlen konkret: 60 Millionen Dollar Pipeline, 300+ neue Kunden, vervielfachte SDR-Produktivität. Ein Agent Manager berichtet diese Zahlen nicht nur, sondern ordnet sie spezifischen Agenten-Verbesserungen zu und argumentiert für Skalierung oder Umstrukturierung der Flotte.
Sechs Skills, die jeder Agent Manager braucht
Der HBR-Artikel identifiziert sechs Kernkompetenzen. Sie bilden eine einzigartige Mischung aus technischer Kompetenz, Domänenwissen und operativer Agilität.
1. KI-operatives Verständnis. Man muss keine Modelle trainieren. Aber man muss verstehen, wie Agenten Kontext verarbeiten, wann sie halluzinieren, wie Retrieval-Augmented Generation funktioniert und was Agent-Observability-Tools messen. Man muss genug über den Motor wissen, um Probleme zu diagnostizieren, ohne ihn neu bauen zu müssen.
2. Fachliche Tiefe. Generisches KI-Wissen reicht nicht. Ein Agent Manager für ein Vertriebsteam braucht tiefes Vertriebsprozesswissen. Ein Agent Manager im Kundenservice muss Support-Workflows, Eskalationsrichtlinien und Service-Level-Agreements verstehen. Die Domäne ist der entscheidende Vorteil.
3. Systemdenken. Die meisten Agenten-Deployments umfassen mehrere Agenten. Ein Support-Agent übergibt an einen Billing-Agenten, der einen Benachrichtigungs-Agenten auslöst. Der Agent Manager muss die gesamte Kette sehen und erkennen, wo Brüche entstehen. Multi-Agent-Orchestrierung ist bereits komplex; sie operativ zu managen ist schwieriger.
4. Veränderungsresilienz. Modelle werden aktualisiert. APIs ändern sich. Kundenerwartungen verschieben sich. Agent Manager operieren in Wochenzyklen. Die HBR-Autoren beschreiben einen “Test-Deploy-Learn”-Rhythmus, der Komfort mit ständiger Iteration erfordert.
5. Prompt-Handwerk. Nicht clevere ChatGPT-Prompts schreiben, sondern Verhaltenslogik und Entscheidungsregeln gestalten, die steuern, wie Agenten im großen Maßstab arbeiten. Ein einzelnes Wort in einem Eskalations-Prompt kann den Unterschied zwischen 60% und 80% autonomer Lösungsquote ausmachen.
6. Hybrides Workflow-Design. Prozesse bauen, in denen Menschen und Agenten reibungslos zusammenarbeiten. Das bedeutet: Eskalations-Trigger definieren, Fallback-Prozeduren einrichten und Feedback-Schleifen gestalten, in denen menschlicher Input die Agenten-Performance verbessert.
Wer für diese Rolle eingestellt wird
Die überraschendste Erkenntnis aus der HBR-Forschung: Effektive Agent Manager kommen selten aus reinen KI-Backgrounds. Staubers Hintergrund liegt in Audioproduktion und Conversational Design. Die entscheidenden Kompetenzen sind Verantwortlichkeit für Servicequalität und Kundenergebnisse, nicht Machine-Learning-Expertise.
HR Executive berichtet, dass Unternehmen den Einsatz von KI-Agenten wie eine Einstellung behandeln sollten: klare Stellenbeschreibungen, zugewiesene Vorgesetzte, definierte Leistungserwartungen und eingebaute Review-Mechanismen. Die Menschen, die bei solchen Prozessen brillieren, also Operations-Leiter, Service-Manager und Customer-Experience-Verantwortliche, sind diejenigen, die in das Agent Management wechseln.
Beschäftigte mit KI-Skills erhalten Gehaltsaufschläge von bis zu 56% im Vergleich zu Kollegen ohne diese Kompetenzen. Für Agent Manager dürfte die Prämie höher liegen, weil die Rolle KI-Kompetenz mit Domänenwissen und People-Management-Instinkt kombiniert.
Zu den Unternehmen, die bereits für die Rolle einstellen, gehören Salesforce (Support Agent Manager, VP of Agentic Transformation), JPMorgan Chase und Walmart. Im DACH-Raum tauchen vergleichbare Positionen zunehmend unter Titeln wie “KI-Agenten-Operations-Lead”, “Leiter Agentic Workflows” oder “Head of Agent Experience” auf.
Agent Management im DACH-Raum aufbauen
Für deutschsprachige Unternehmen kommen regulatorische Anforderungen hinzu, die die Rolle noch wichtiger machen.
Mit einer Flotte und einem Manager starten
Keinen “VP Agent Management” einstellen, bevor eine einzige Agenten-Flotte läuft. Die Geschäftsfunktion wählen, in der KI-Agenten den größten Impact haben (Kundenservice ist der typische Startpunkt), und eine Person zuweisen, die die Agenten-Performance end-to-end verantwortet. Diese Person sollte bereits Domänenwissen in diesem Bereich mitbringen.
Die Stellenbeschreibung des Agenten definieren
Jeder KI-Agent braucht einen schriftlichen Aufgabenbereich, genau wie ein neuer Mitarbeiter. Was darf er? Was darf er nicht? Wann soll er eskalieren? Welche Metriken definieren Erfolg? Der Agent Manager pflegt dieses Dokument und überarbeitet es, wenn der Agent besser wird. Im DACH-Kontext ist das auch eine DSGVO-Frage: Wenn Agenten personenbezogene Daten verarbeiten, muss dokumentiert sein, wer die Verantwortung trägt.
Den Observability-Stack aufbauen
Agent Manager brauchen Dashboards. Mindestens: Lösungsquote, Eskalationsrate, Kundenzufriedenheit pro Interaktion, durchschnittliche Bearbeitungszeit und Fehlerkategorisierung. Salesforces Stauber nutzt Scorecards und Agent-Observability-Tools, die in Agentforce integriert sind. Wer auf Open-Source-Frameworks baut, findet mit LangSmith, Arize Phoenix oder Helicone vergleichbare Lösungen.
Die Feedback-Schleife etablieren
Der Test-Deploy-Learn-Zyklus funktioniert nur, wenn Agenten-Verbesserungen gegen historische Performance gemessen werden. Jede Prompt-Änderung tracken, wo möglich A/B-testen und dokumentieren, was funktioniert hat und was nicht. Dieses institutionelle Wissen akkumuliert sich und wird zum wertvollsten Asset des Agent-Management-Teams.
Häufig gestellte Fragen
Was ist ein KI Agent Manager?
Ein KI Agent Manager ist eine Führungskraft, die Flotten von KI-Agenten operativ steuert. Die Rolle umfasst Performance-Monitoring, Prompt-Optimierung, Gestaltung von Mensch-Maschine-Übergaben und ROI-Reporting. Sie ist vergleichbar mit der Product-Manager-Rolle, arbeitet aber in wöchentlichen statt quartalsweisen Zyklen.
Welche Skills braucht ein Agent Manager?
Laut HBR-Forschung sechs Kernkompetenzen: KI-operatives Verständnis, fachliche Tiefe in der jeweiligen Domäne, Systemdenken für Multi-Agent-Orchestrierung, Veränderungsresilienz für wöchentliche Iterationszyklen, Prompt-Handwerk auf operativer Ebene und hybrides Workflow-Design für die Mensch-Agenten-Zusammenarbeit.
Brauchen Agent Manager einen technischen KI-Hintergrund?
Nicht zwingend. HBR stellte fest, dass effektive Agent Manager häufig aus Operations, Customer Experience oder Service Management kommen statt aus reinen KI- oder Machine-Learning-Rollen. Entscheidend sind Verantwortlichkeit für Servicequalität und Domänenwissen, kombiniert mit ausreichend KI-Kompetenz, um zu verstehen, wie Agenten Kontext verarbeiten und wo sie scheitern.
Welche Unternehmen stellen Agent Manager ein?
Salesforce beschäftigt bereits Agent Manager und VPs of Agentic Transformation. JPMorgan Chase und Walmart bauen ebenfalls Agent-Management-Funktionen auf. Stellenausschreibungen erscheinen auch unter Titeln wie AI Agent Operations Lead, Agentic Workflow Manager und Head of Agent Experience. Im DACH-Raum entstehen vergleichbare Positionen zunehmend bei größeren Unternehmen.
Ist die Agent-Manager-Rolle für den EU AI Act relevant?
Ja. Der EU AI Act verlangt in Artikel 14 eine wirksame Aufsicht durch natürliche Personen für Hochrisiko-KI-Systeme. Der Agent Manager ist die natürliche Besetzung für diese Aufsichtsfunktion, da die Rolle Performance-Monitoring, Eskalationsmanagement und Compliance-Dokumentation vereint.