HubSpot entwickelt seine AI-Funktionen zunehmend von einfachen Assistenten hin zu Agenten, die recherchieren, Inhalte erzeugen, CRM-Daten analysieren oder Folgeaktionen auslösen. Für Unternehmen eröffnet das neue Möglichkeiten – verändert aber auch die Anforderungen an Planung, Berechtigungen und Kostenkontrolle.
Die zentrale Frage lautet deshalb nicht mehr nur: „Was kann der HubSpot-Agent?“
Sondern: Wie stellen wir sicher, dass der Agent einen sinnvollen Prozess verbessert, innerhalb eines definierten Budgets bleibt und keine unkontrollierten Änderungen im CRM ausführt?
Genau dafür sind HubSpot Credits relevant. Sie bilden ein nutzungsabhängiges Abrechnungs- und Steuerungsmodell für bestimmte AI- und Automatisierungsfunktionen in HubSpot.
HubSpot Credits werden für bestimmte nutzungsabhängige Funktionen eingesetzt. Dazu gehören unter anderem:
Credits werden nicht pauschal für jede Nutzung von HubSpot AI berechnet. Entscheidend ist, ob eine konkrete Funktion eine creditpflichtige Aktion ausführt.
Das bedeutet beispielsweise: Das Aktivieren grundlegender AI-Einstellungen verursacht laut HubSpot nicht automatisch Credit-Verbrauch. Eine konkrete Aktion eines Agenten kann dagegen Credits verbrauchen.
Für Unternehmen ist diese Unterscheidung wichtig. Nicht die bloße Aktivierung von AI sollte der Ausgangspunkt der Kostenplanung sein, sondern der konkrete Prozess:
Ein gut geplanter Agent verarbeitet nicht möglichst viele Datensätze. Er verarbeitet die richtigen Datensätze mit einem klaren Ergebnis.
Die offiziellen Werte hängen von der jeweiligen Funktion ab. Im HubSpot Product & Services Catalog werden unter anderem folgende Richtwerte genannt:
| Funktion | Beispielhafte Aktion | Credit-Verbrauch |
|---|---|---|
| Data Agent | Antwort auf eine Anfrage für einen Datensatz | 10 Credits |
| Customer Agent | Lösung einer textbasierten Konversation | 50 Credits |
| Prospecting Agent | Outreach-Empfehlung für einen Lead | 100 Credits |
| Content Agent | Erstellung eines Content-Stücks | 1.000 Credits |
| Custom Agent | Eine Action Unit | 1 Credit |
| Breeze-Aktion in einem Workflow | Eine ausgeführte Aktion | 10 Credits |
Diese Werte sollten nicht als vollständige Kostenkalkulation verstanden werden. Bei Custom Agents hängt der Verbrauch beispielsweise von der Anzahl der benötigten Action Units ab. Auch die Komplexität eines konkreten Agentenlaufs kann den tatsächlichen Verbrauch beeinflussen.
Stand September 2026: Zusätzliche HubSpot Credits werden im offiziellen Katalog mit 0,010 US-Dollar pro Credit angegeben. Die Abrechnung kann je nach Modell als zusätzliches Credit-Paket oder nutzungsabhängig erfolgen. Preise, Pakete und Produktbedingungen können sich ändern und sollten vor einer verbindlichen Budgetplanung im eigenen HubSpot-Account geprüft werden.
Ein Agent kann technisch funktionieren und trotzdem wirtschaftlich oder organisatorisch ungeeignet sein.
Ein Beispiel: Ein Unternehmen erstellt einen Agenten, der jeden neuen Kontakt anhand von CRM-Daten, Website-Aktivitäten und externen Informationen bewertet. Wird dieser Agent bei jedem neuen Datensatz automatisch ausgeführt, entsteht ein laufender Verbrauch. Wenn zusätzlich mehrere Folgeaktionen, externe Recherchen oder wiederholte Prüfungen eingebaut sind, steigt die Komplexität weiter.
Die Kostenfrage ist dann nicht isoliert zu betrachten. Sie hängt mit der Prozessarchitektur zusammen:
Ein Agent sollte nicht möglichst viele Datensätze verarbeiten, sondern die richtigen Datensätze mit einem klaren Ergebnis.
HubSpot weist im offiziellen Product & Services Catalog abhängig vom Produkt und Tarif enthaltene Credits aus. Für Smart CRM sowie Marketing, Sales, Service, Content und Revenue Hub werden aktuell unter anderem folgende Mengen genannt:
Für Data Hub und Customer Platform gelten teilweise abweichende Mengen. Die Credits mehrerer Produkte werden nicht automatisch addiert. Maßgeblich ist grundsätzlich die höchste relevante Subscription-Stufe, nicht die Summe aller gebuchten Hubs.
Auch ungenutzte Credits werden laut HubSpot nicht in den nächsten Abrechnungszeitraum übertragen. Deshalb sollte ein Unternehmen nicht nur prüfen, wie viele Credits enthalten sind, sondern auch:
HubSpot unterscheidet zwischen verschiedenen Seat-Typen und Zugriffsrechten. Laut aktueller Dokumentation können Free User und View-only Seats HubSpot Credits nicht verwenden. Relevant sind unter anderem bezahlte Core Seats, Sales Seats, Service Seats, Revenue Seats und Partner Seats.
Bei einem Rollout sollten daher nicht nur fachliche Rollen betrachtet werden, sondern auch:
AI-Governance ist damit nicht nur eine Frage von Prompts, sondern auch von Benutzerverwaltung und Berechtigungen.
Ein kontrollierter Pilot sollte mit einem kleinen, internen Use Case beginnen. Geeignet sind Prozesse, bei denen der Agent zunächst liest, strukturiert und empfiehlt.
Beispiele:
Für den ersten Pilot sind schreibende Aktionen in der Regel nicht notwendig. Der Agent kann zunächst CRM-Daten lesen, freigegebenes Wissen nutzen, eine strukturierte Ausgabe erzeugen und eine Handlungsempfehlung formulieren.
Erst wenn die Ergebnisse stabil und nachvollziehbar sind, sollten Änderungen an Eigenschaften, Notizen, Zuweisungen oder Folgeprozessen aktiviert werden.
Ein falscher Text ist ärgerlich. Ein falsch aktualisierter CRM-Datensatz kann dagegen Folgefehler in Workflows, Reports und Vertriebsprozessen auslösen.
HubSpot bietet im Agent Builder die Möglichkeit, Agenten vor dem produktiven Einsatz zu testen. Laut aktueller Dokumentation verbrauchen Simulationen keine Credits. Unternehmen können dadurch reale Beispieldaten und verschiedene Eingaben prüfen, ohne sofort einen produktiven Verbrauch auszulösen.
Vor dem Start sollte ein Agent mindestens anhand dieser Fragen getestet werden:
Zusätzlich sollten monatliche Run-Limits pro Agent definiert werden. HubSpot zeigt im Agent Builder geschätzte Credit-Spannen an und ermöglicht die Begrenzung der monatlichen Ausführungen.
Das ist besonders wichtig bei automatisierten Workflows, wiederkehrenden Agentenläufen, großen Kontakt- oder Unternehmenssegmenten, externen Datenquellen und Agenten mit mehreren Aktionen.
Nicht jeder automatisierte Prozess braucht einen Agenten.
Ein klassischer Workflow ist meistens die bessere Wahl, wenn die Logik eindeutig und deterministisch ist. Beispiele:
Ein Agent ist dagegen sinnvoller, wenn Informationen interpretiert, zusammengeführt oder bewertet werden müssen.
Die Entscheidungsregel lautet: Je eindeutiger die Wenn-Dann-Logik, desto eher Workflow. Je stärker Interpretation, Kontextbewertung und flexible Formulierung erforderlich sind, desto eher Agent.
In vielen sinnvollen Architekturen werden beide Ansätze kombiniert. Ein Workflow kann beispielsweise den passenden Datensatz erkennen und den Agenten nur dann ausführen, wenn bestimmte Voraussetzungen erfüllt sind.
Ein Agent wird auf alle Kontakte, Unternehmen oder Tickets angewendet, obwohl nur ein kleiner Teil tatsächlich relevant ist. Besser ist eine enge Vorfilterung über Lifecycle Stage, Deal Stage, Tickettyp, Region, Produkt, Mindestdatenqualität oder vorhandene Aktivität.
Wenn ein Datensatz durch mehrere Trigger oder Statusänderungen erneut verarbeitet wird, können unnötige Kosten entstehen. Deshalb sollte dokumentiert werden, wann ein Agent bereits gelaufen ist und welche Änderung eine neue Ausführung rechtfertigt.
Ein Agent, der recherchiert, klassifiziert, schreibt, externe Systeme ansteuert und mehrere CRM-Felder aktualisiert, ist schwer zu testen und zu kontrollieren. Ein kleinerer Agent mit einem klaren Ergebnis ist häufig robuster als ein großer „Alles-in-einem“-Agent.
Veraltete Dokumente, widersprüchliche Produktinformationen und nicht freigegebene interne Inhalte verschlechtern die Ergebnisqualität. Mehr Wissen bedeutet nicht automatisch bessere Antworten.
Ein Agent sollte erkennen, wann Informationen fehlen oder eine sichere Entscheidung nicht möglich ist. Statt zu raten, sollte er einen Prüfstatus setzen, einen Fall an ein Team übergeben, fehlende Informationen benennen oder keine schreibende Aktion ausführen.
Der Nutzen hängt weniger vom Geschäftsmodell als vom Prozess ab.
In Unternehmen mit langen Vertriebsprozessen können Agenten beispielsweise bei Deal-Übergaben, Account-Recherche oder Angebotsvorbereitung unterstützen. In serviceorientierten Unternehmen sind Vorprüfung, Wissensnutzung, Ticketklassifizierung und interne Eskalation mögliche Einsatzfelder. Im E-Commerce oder bei hybriden Geschäftsmodellen können sich andere Anwendungsfälle ergeben, etwa die strukturierte Analyse von Kundenanfragen, Bestellkontexten oder wiederkehrenden Problemen.
Besonders gute Voraussetzungen bestehen, wenn:
Weniger geeignet ist ein Agent, wenn der zugrunde liegende Prozess selbst noch nicht geklärt ist. Ein Agent kann keine fehlende Prozessdefinition ersetzen.
Unternehmen sollten HubSpot Credits nicht isoliert als zusätzliche Kostenposition betrachten. Sinnvoller ist ein dreistufiges Vorgehen:
Zuerst sollte geklärt werden, ob tatsächlich agentische Logik benötigt wird oder ob ein Workflow ausreicht.
Der Pilot sollte einen klaren Datensatz, ein eindeutiges Ergebnis und möglichst geringe Schreibrechte besitzen.
Vor dem produktiven Start sollten Simulationen, geschätzte Credits pro Run, monatliche Ausführungslimits und Verantwortlichkeiten dokumentiert werden.
Ein guter Einstieg ist ein interner Prozess mit überschaubarem Volumen. So lässt sich prüfen, ob der Agent tatsächlich Recherchezeit spart, Übergaben verbessert oder die Datenqualität erhöht.
HubSpot Credits machen AI-Agenten zu einer Budget-, Architektur- und Governance-Frage.
Unternehmen sollten nicht einfach möglichst viele Agenten aktivieren. Sie sollten entscheiden:
Der beste Start ist ein eng umrissener Use Case mit kontrollierten Inputs, gepflegtem Wissen, begrenzten Berechtigungen und einem monatlichen Run-Limit.
Wenn die zugrunde liegende Logik dagegen eindeutig ist, bleibt ein klassischer HubSpot-Workflow meist die transparentere, besser wartbare und häufig auch wirtschaftlichere Lösung.