Agentic AI

Agentic AI Agentic AI bezeichnet KI-Systeme, die ein Ziel eigenständig in Teilschritte zerlegen, Werkzeuge wie Browser, APIs oder Datenbanken einsetzen und ihr eigenes Ergebnis prüfen, bevor sie es als erledigt melden. Anders als ein klassischer Chatbot wartet ein solcher Agent nicht auf die nächste Anweisung, sondern plant, handelt und korrigiert sich in einer Schleife, bis das Ziel erreicht ist oder er scheitert. Die zugrunde liegende Technik ist meist ein Large Language Model, das hier als Planungsinstanz arbeitet und nicht mehr nur als Textgenerator. Weil der Agent selbst entscheidet, welche Schritte notwendig sind, verschiebt sich die menschliche Rolle vom Ausführen zum Kontrollieren.

Was Agentic AI bedeutet

Ein Agent bekommt kein Kommando für jeden einzelnen Schritt. Er bekommt ein Ziel. "Buch mir den günstigsten Flug nach London" oder "Erstell eine Analyse aller Wettbewerber, die im letzten Monat ihre Preise erhöht haben" reicht als Eingabe. Wie viele Zwischenschritte dafür nötig sind und welche Werkzeuge er dafür braucht, entscheidet das System selbst.

Das ist der Unterschied zu dem, was die meisten Leute noch unter Künstlicher Intelligenz verstehen. Ein klassisches Sprachmodell beantwortet eine Eingabe mit Text und ist damit fertig. Agentic AI geht einen Schritt weiter. Sie plant, ruft externe Werkzeuge auf, prüft das eigene Ergebnis und korrigiert sich, wenn ein Schritt nicht funktioniert hat. Genau diese Fähigkeit zur mehrstufigen, eigenständigen Handlung ist gemeint, wenn von Agency die Rede ist, also von Handlungsfähigkeit statt reiner Sprachausgabe.

Technisch steckt dahinter meist ein Large Language Model, das im Agenten-Setup eine andere Rolle übernimmt als im Chat. Es generiert keinen Antworttext mehr für einen Menschen. Es generiert Funktionsaufrufe für ein System dahinter, etwa "öffne diese URL" oder "schreib diesen Wert in die Datenbank". Diese Verschiebung, von der reinen Textausgabe zur Ausführung, ist der Kern dessen, was 2026 unter Agentic AI läuft. Der Begriff selbst ist noch jung, das Prinzip dahinter, ein Modell mit einer Werkzeugschnittstelle und einer Schleife zu versehen, wird schon seit 2023 in offenen Projekten ausprobiert.

Der Unterschied zu einem KI-Assistenten

Assistent und Agent werden im Alltag oft synonym benutzt. Technisch sind es zwei verschiedene Architekturen. Ein Assistent wie Siri, Alexa oder ein Standard-Chat mit ChatGPT ist reaktiv. Du stellst eine Frage, er antwortet, und ohne deinen nächsten Prompt passiert nichts. Die Initiative liegt die ganze Zeit bei dir.

Ein Agent dreht das um. Du gibst das Ziel vor, der Agent entscheidet über den Weg dahin. Bittest du einen Assistenten, den günstigsten Flug zu finden, listet er dir Optionen auf, und du buchst selbst. Ein Agent ruft die Buchungsseite auf, vergleicht Preise und schließt die Buchung ab, sofern du ihm das erlaubst. Nach jedem Schritt prüft er, ob er dem Ziel nähergekommen ist. Stößt er auf ein Hindernis, sucht er selbstständig eine Alternative, statt einfach abzubrechen.

Diese Verschiebung hat einen eigenen Namen für die Rolle des Menschen dabei. Bei einem Assistenten bist du Human-in-the-Loop: Ohne dein Feedback zu jedem Schritt läuft nichts weiter. Bei einem Agenten wechselst du zu Human-on-the-Loop. Du überwachst nur noch das Ergebnis und greifst ein, wenn etwas vom Kurs abkommt. Wo genau diese Grenze verläuft und welches Tool für welche Aufgabe passt, steht ausführlicher im Vergleich zwischen KI-Assistent und KI-Agent.

Wie ein Agent zu einer Entscheidung kommt

Unter der Haube folgt ein Agent einem Muster, das sich immer wiederholt, bis das Ziel erreicht ist oder der Agent aufgibt. Vier Schritte laufen dabei im Kreis.

Erst nimmt der Agent seine Umgebung wahr, also die aktuelle Eingabe und den Kontext, in dem er arbeitet. Dann plant er. Meist läuft das über eine Kette von Zwischenschritten, ähnlich wie ein Mensch ein Problem in Teilaufgaben zerlegt, bevor er loslegt. Danach handelt er und ruft ein Werkzeug auf: einen Browser, eine API, einen Code-Interpreter oder eine Datenbankabfrage. Zuletzt beobachtet er das Ergebnis dieser Aktion und stellt fest, ob sie funktioniert hat.

War die Aktion erfolgreich, geht der Agent zum nächsten Teilschritt über. War sie es nicht, plant er neu. Er macht nicht einfach mit dem nächsten Schritt weiter, als wäre nichts gewesen. Diese Fähigkeit, dynamisch auf unvorhergesehene Hindernisse zu reagieren, unterscheidet einen Agenten von einem starren Skript, das bei einem Fehler einfach abbricht. Wie oft dieser Kreislauf durchläuft, bevor der Agent aufgibt, ist meist eine Konfigurationsfrage und keine technische Grenze. Genau darin liegt später auch das Kostenrisiko.

Ein konkretes Beispiel macht das greifbarer. Der Auftrag lautet, für ein fünfköpfiges Team einen Termin zu finden, der bei allen frei ist. Der Agent nimmt zunächst die Kalender aller Beteiligten wahr. Er plant, welche Zeitfenster sich überschneiden, und prüft dabei auch die Zeitzonen der Teilnehmer. Findet er ein passendes Fenster, trägt er den Termin ein und verschickt die Einladung. Findet er keine Überschneidung, schlägt er stattdessen drei Alternativen vor, statt einfach aufzugeben.

Wofür Unternehmen Agentic AI heute einsetzen

Die Theorie klingt gut. Entscheidend ist, wo sich der Aufwand für ein Agenten-Setup wirklich lohnt. Drei Bereiche kommen in der Praxis am häufigsten vor.

Prozessautomatisierung im Backend

Klassische Automatisierung mit starren Regeln scheitert oft an unstrukturierten Daten, etwa an einer eingehenden E-Mail mit einer Rechnung im Anhang. Ein Agent kann die Mail lesen und die Rechnung als PDF verstehen. Er extrahiert die relevanten Daten und gleicht sie im ERP-System ab. Findet er dabei eine Unstimmigkeit, formuliert er selbstständig eine Rückfrage an den Lieferanten. Der Mensch sieht die Aufgabe erst wieder, wenn sie erledigt ist oder wirklich feststeckt.

Kundenservice, der wirklich etwas erledigt

Ein Chatbot, der nur auf eine Wissensdatenbank verweist, löst kein Problem. Er verschiebt es. Ein Agent mit Zugriff auf die passenden Systeme kann tatsächlich handeln. Meldet ein Kunde ein defektes Produkt, prüft der Agent den Garantiestatus. Er erstellt das Rücksendeetikett und veranlasst die Ersatzlieferung, ohne dass ein Ticket mehrmals zwischen Support und Fachabteilung hin und her geschickt wird.

Recherche und Marktanalyse

Ein Auftrag wie "erstell ein Profil aller Wettbewerber, die im letzten Monat ihre Preise erhöht haben" ist für einen Menschen eine halbtägige Recherche. Ein Agent durchsucht dafür das Web und navigiert durch mehrere Unterseiten. Er trägt die Daten in einer Tabelle zusammen und fasst die Ergebnisse am Ende zusammen. Die Qualität hängt dabei stark davon ab, wie klar das Ziel formuliert war. Mehr dazu, wie man ein Ziel für ein Modell so präzise fasst, dass wenig Interpretationsspielraum bleibt, steht im Eintrag zu Context Engineering.

Frameworks, mit denen Agenten gebaut werden

Die Infrastruktur für Agenten-Systeme hat sich bis 2026 deutlich konsolidiert. Wer selbst Agenten baut oder in bestehende Software integriert, kommt an ein paar Namen kaum vorbei.

LangChain und besonders die Erweiterung LangGraph haben sich als Standard für die Orchestrierung etabliert. Damit lässt sich ein Modell mit externen Datenquellen verknüpfen. Der Zustand eines Agenten bleibt dabei über mehrere Schritte hinweg erhalten, statt nach jeder Aktion neu aufgebaut zu werden.

AutoGPT war 2023 der erste Beweis, dass ein LLM mit einer Schleife und Internetzugriff eigenständig arbeiten kann. Frühe Versionen endeten dabei aber oft in Endlosschleifen ohne verwertbares Ergebnis. Im professionellen Umfeld haben inzwischen robustere Lösungen übernommen, allen voran Microsofts AutoGen für Multi-Agenten-Systeme und das Agents SDK von OpenAI, das die früher genutzte Assistants API abgelöst hat. Wer mehrere Modelle oder Werkzeuge in einem Agenten kombinieren will, landet außerdem fast zwangsläufig beim Model Context Protocol. Es standardisiert die Verbindung zwischen Modell und externem Tool, damit nicht jeder Anbieter eine eigene Schnittstelle dafür baut.

Wo es teuer oder gefährlich wird

Ein System, das selbstständig handelt, bringt Risiken mit sich, die über eine falsche Textantwort hinausgehen.

Das offensichtlichste Problem ist die Endlosschleife. Erreicht ein Agent sein Ziel nicht, versucht er es im schlimmsten Fall immer wieder. Jeder Versuch, jeder Zwischenschritt und jeder Gedanke kostet dabei Tokens. Ein schlecht konfigurierter Agent ohne Limit für die Zahl der Schritte kann ein Budget in kurzer Zeit aufbrauchen, ohne dass am Ende ein brauchbares Ergebnis steht. Deshalb gehört eine harte Obergrenze für Schritte und Laufzeit zu jedem Agenten-Setup, das produktiv läuft, nicht nur zum Prototyp.

Dazu kommt die Sicherheit. Ein Agent mit Zugriff auf E-Mails, Datenbanken oder eine Shell wird zum Einfallstor für manipulierte Eingaben von außen. Enthält eine eingehende Nachricht versteckte Anweisungen, kann der Agent sie als eigenen Befehl lesen und ausführen, ohne dass ein Mensch das bemerkt. In der Praxis heißt das: Ein Agent mit Zugriff auf eine Shell läuft sicherer in einem isolierten Container als direkt auf dem Rechner, auf dem er im Zweifel echten Schaden anrichten kann. Das OWASP-Projekt zu LLM-Sicherheit führt Prompt Injection deshalb konsequent als eines der größten Risiken für LLM-Anwendungen.

Am schwersten wiegt die Kombination aus Halluzination und Handlungsfähigkeit. Bei einem reinen Chat-Assistenten ist eine falsche Antwort ärgerlich, mehr nicht. Hat ein Agent dagegen Zugriff auf ein Bankkonto oder ein Bestellsystem, wird eine falsche, aber überzeugend klingende Entscheidung teuer. Genau deshalb gehört eine Architektur mit klaren Grenzen und menschlichen Kontrollpunkten zu jedem produktiven Agenten-Einsatz dazu, besonders wenn Geld oder Kundendaten im Spiel sind.

Wie sich die Arbeit dadurch verschiebt

Je mehr einzelne Agenten zuverlässig laufen, desto häufiger tauchen sie inzwischen nicht mehr allein auf, sondern im Team. Bei einem Multi-Agenten-System bricht ein übergeordneter Agent ein Projekt in Teilaufgaben herunter. Er verteilt sie an spezialisierte Agenten, etwa einen für Code, einen für Recherche und einen für die Qualitätsprüfung am Ende. Solche Systeme lösen Aufgaben, an denen ein einzelnes Modell allein scheitern würde, weil zu viele unterschiedliche Kompetenzen gleichzeitig gefragt sind.

Für Fachkräfte bedeutet das vor allem einen Rollenwechsel. Statt jeden Arbeitsschritt selbst auszuführen, definiert man Ziele, setzt Grenzen und nimmt Ergebnisse ab. Das entlastet an vielen Stellen. Es verlangt aber auch mehr Sorgfalt bei einer Frage: Welche Entscheidung darf ein System wirklich allein treffen, und wo sollte ein Mensch vor der letzten Aktion noch draufschauen, bevor etwas passiert, das sich nicht zurücknehmen lässt? Alle anderen Begriffe rund um KI und Automatisierung stehen im Glossar.

Zurück zum AI und Automation Glossar.