Cookie-Einstellungen

Erforderliche Speicherung hält Ihre Auswahl fest. Mit Ihrer Einwilligung nutzen wir außerdem Reichweitenmessung und Marketing-Dienste. Sie können Ihre Auswahl jederzeit ändern.

Schmidt Embedded Systems Logo
Schmidt

Artificial Intelligence

KI-Grundlagen

Was ist Agentic AI? Definition, Aufbau und Grenzen

Woran Sie KI-Agenten erkennen und wann ein fester Workflow die bessere Wahl ist

Berkay Özgür

AI & Fullstack Engineer

· Aktualisiert · 7 Minuten Lesezeit

Abstrakte Darstellung eines Menschen im Austausch mit einem KI-Agenten

Inhaltsverzeichnis

Was ist Agentic AI?

Agentic AI bezeichnet KI-Systeme, die für ein vorgegebenes Ziel selbst über ihre nächsten Schritte und Werkzeuge entscheiden. Ein Agent plant eine Aktion, führt sie aus, prüft das Ergebnis und passt sein Vorgehen an. Dieser Ablauf wiederholt sich, bis die Aufgabe erledigt ist oder eine festgelegte Grenze greift.

Der Begriff ist nicht einheitlich definiert. Eine brauchbare Abgrenzung liefert Anthropic. Bei einem Workflow legt der Programmcode den Ablauf fest. Bei einem Agenten steuert das Sprachmodell den Ablauf und die Werkzeugwahl dynamisch. Diese Definition stammt aus dem Praxisbericht “Building effective agents”.

Ein Agent ist weder automatisch vollständig autonom noch selbstlernend. Menschen oder Software können jeden wichtigen Schritt freigeben. Das zugrunde liegende Modell verändert sich im Betrieb nicht von selbst. Dauerhaftes Lernen erfordert einen eigenen Prozess für gespeicherte Erfahrungen, Auswertung und Modelländerungen.

Chatbot, Workflow oder Agent?

Die drei Begriffe werden oft vermischt. Für eine technische Entscheidung hilft diese Trennung:

  • Ein Chatbot ist eine Bedienoberfläche für den Austausch in Text- oder Sprachform. Dahinter kann ein einzelner Modellaufruf, ein fester Workflow oder ein Agent arbeiten.
  • Ein KI-Workflow nutzt KI innerhalb eines festen Ablaufs. Der Programmcode bestimmt zum Beispiel, dass erst ein Dokument klassifiziert, dann ein Feld extrahiert und anschließend ein Entwurf gespeichert wird.
  • Ein KI-Agent wählt anhand des aktuellen Ergebnisses selbst den nächsten erlaubten Schritt. Er kann etwa fehlende Daten suchen, ein Werkzeug erneut aufrufen oder eine Rückfrage stellen.

Ein Agent ist nicht grundsätzlich besser. Feste Workflows sind leichter zu testen, schneller und meist günstiger. Agenten passen besser zu Aufgaben, bei denen sich der nötige Lösungsweg von Fall zu Fall ändert. Anthropic empfiehlt, mit der einfachsten passenden Lösung zu beginnen und zusätzliche Autonomie nur bei Bedarf einzubauen.

Wie arbeitet ein KI-Agent?

Ein Agent braucht mehr als ein Sprachmodell. In einer typischen Anwendung kommen diese Bausteine zusammen:

  1. Auftrag und Grenzen: Das System erhält ein Ziel, Regeln und Abbruchbedingungen.
  2. Kontext: Der Agent liest die freigegebenen Daten. Das können Dokumente, Datenbankeinträge oder Ergebnisse aus einem vorherigen Schritt sein.
  3. Entscheidung: Das Modell wählt die nächste Aktion innerhalb seiner Berechtigungen.
  4. Werkzeug: Eine klar definierte Schnittstelle sucht Daten, aktualisiert einen Datensatz oder erstellt einen Entwurf.
  5. Prüfung: Der Agent bewertet das Ergebnis. Danach beendet er die Aufgabe, versucht einen weiteren Schritt oder übergibt an einen Menschen.

Werkzeuge machen aus einer Textantwort eine Handlung. Der OpenAI-Leitfaden zum Bau von Agenten unterscheidet Datenwerkzeuge, Aktionswerkzeuge und Orchestrierung. Ein Datenwerkzeug liest zum Beispiel einen Auftrag aus dem ERP. Ein Aktionswerkzeug legt dagegen einen Datensatz an und braucht deshalb strengere Rechte.

Speicher ist optional. Ein Agent kann den aktuellen Fall im Kontext halten oder ausgewählte Informationen dauerhaft ablegen. Beides muss die Anwendung ausdrücklich umsetzen. Ohne diese Funktion erinnert sich der Agent nach dem Lauf an nichts.

Beispiel aus einem Unternehmensprozess

Nehmen wir ein gemeinsames Postfach für technische Kundenanfragen. Ein Agent könnte:

  1. die Nachricht und ihre Anhänge lesen,
  2. Artikelnummer und Anliegen erkennen,
  3. freigegebene Produktdaten und frühere Vorgänge abrufen,
  4. fehlende Angaben identifizieren,
  5. eine Antwort und die passende Zuordnung im Ticketsystem vorbereiten.

Der Versand bleibt zunächst gesperrt. Ein Mitarbeiter prüft den Entwurf und löst die externe Aktion aus. Dieses Human-in-the-Loop-Prinzip verbindet flexible Bearbeitung mit einem klaren Kontrollpunkt.

Das Beispiel zeigt auch, wann kein Agent nötig ist. Wenn jede Nachricht nach denselben Regeln in eines von fünf Postfächern gehört, reicht ein Klassifikator in einem festen Workflow. Erst variable Recherche- und Bearbeitungsschritte begründen die zusätzliche Komplexität eines Agenten.

Schmidt Embedded Systems entwickelt KI-Agenten für Dokumente, Prozesse und Produktdaten. Für eine belastbare Umsetzung braucht es die Anbindung an vorhandene Systeme, passende Berechtigungen und einen messbaren Abnahmetest. Wie wir mehrere Coding-Agents in der eigenen Entwicklung steuern, zeigt außerdem unser Praxisbericht zu AI Mux.

Wann lohnt sich ein KI-Agent?

Ein möglicher Anwendungsfall sollte mehrere dieser Merkmale erfüllen:

  • Die Aufgabe verfolgt ein klares Ziel, aber der Weg dorthin variiert.
  • Die nötigen Informationen liegen in mehreren freigegebenen Systemen.
  • Ein Mensch muss heute suchen, vergleichen und zwischen nächsten Schritten wählen.
  • Das Ergebnis lässt sich anhand konkreter Kriterien prüfen.
  • Fehler können erkannt, rückgängig gemacht oder vor einer wirksamen Aktion abgefangen werden.

Ein Agent passt schlecht, wenn feste Regeln den Prozess vollständig beschreiben. Er ist ebenfalls ungeeignet, wenn niemand ein korrektes Ergebnis definieren kann oder ein einzelner Fehler sofort einen hohen Schaden verursacht.

Für eine breitere Bewertung hilft unser Leitfaden zur KI-Readiness in Industrieunternehmen. Er prüft Prozess, Daten, Integration, Risiko und Betrieb vor dem Pilotprojekt.

Grenzen und Sicherheitsmaßnahmen

Ein Agent kann plausibel klingende, aber falsche Zwischenergebnisse erzeugen. Mit jedem zusätzlichen Werkzeug wächst außerdem die Zahl möglicher Fehlaktionen. Inhalte aus E-Mails, Dokumenten oder Webseiten können manipulierte Anweisungen enthalten. NIST beschreibt dieses Risiko als Agent Hijacking.

Je höher der mögliche Schaden, desto enger sollten die Grenzen des Agenten sein. In der Praxis sind diese Maßnahmen wichtiger als ein möglichst komplexes Agentensystem:

  • Der Agent erhält nur die Daten und Aktionen, die er für die konkrete Aufgabe braucht.
  • Schreibende oder externe Aktionen benötigen eine Freigabe, solange ihre Fehlerfolgen nicht sicher begrenzt sind.
  • Laufzeit, Kosten und Zahl der Werkzeugaufrufe haben feste Obergrenzen.
  • Eingaben, Werkzeugaufrufe und Ergebnisse werden protokolliert.
  • Repräsentative Testfälle prüfen das Gesamtergebnis vor dem Start und nach Änderungen.
  • Bei Unsicherheit, Konflikten oder technischen Fehlern übernimmt ein benannter Mensch.

Das freiwillige NIST AI Risk Management Framework empfiehlt, Aufgaben, Verantwortlichkeiten und menschliche Aufsicht vorab festzulegen. Es fordert außerdem Tests unter einsatznahen Bedingungen und eine laufende Überwachung im Betrieb.

So starten Sie mit einem Agenten

Beginnen Sie mit einer Aufgabe und einem begrenzten Werkzeugsatz. Lassen Sie den Agenten zunächst nur lesen und Entwürfe erzeugen. Messen Sie an echten Altfällen, welche Ergebnisse korrekt sind, wo Menschen eingreifen und wie viel Bearbeitungszeit tatsächlich entfällt.

Erst danach sollte der Agent schreibende Rechte erhalten. Jede neue Aktion braucht einen eigenen Abnahmetest, eine passende Berechtigung und einen sicheren Rückweg. Wenn ein fester Workflow dieselben Ergebnisse zuverlässiger liefert, ist der feste Workflow die bessere Lösung.

Quellen