Agentic AI bezeichnet KI-Systeme, bei denen nicht nur die Generierung einer Antwort im Mittelpunkt steht, sondern das zielgerichtete Planen und Ausführen von Handlungen über mehrere Schritte.
Was bedeutet „agentic“?
„Agentic“ beschreibt Eigenschaften, die einem System Handlungsfähigkeit geben: Ziele verfolgen, Entscheidungen über nächste Schritte treffen, Tools auswählen, Zwischenergebnisse bewerten und eine Aufgabe fortsetzen. Der Begriff wird in der Branche unterschiedlich weit gefasst; eine einzelne allgemein verbindliche Produktdefinition existiert nicht.
Typische Bausteine agentischer Systeme
- Modell: interpretiert Ziel, Kontext und Zwischenergebnisse.
- Orchestrierung: steuert die Schleife aus Planen, Handeln und Prüfen.
- Tools: Suche, Browser, API, Dateien, Code oder Fachsysteme.
- Memory/State: hält relevanten Kontext während oder zwischen Aufgaben.
- Policies: begrenzen Berechtigungen und definieren Freigabepunkte.
- Evaluation: misst Zuverlässigkeit, Ergebnisqualität und Fehlermuster.
Warum ist Agentic AI relevant?
Generative KI kann Informationen erzeugen. Agentische Systeme verbinden diese Fähigkeit mit Aktionen. Dadurch können Aufgaben automatisiert werden, die bislang viele einzelne Eingaben, Suchschritte oder Systemwechsel erforderten. Gleichzeitig steigen Anforderungen an Sicherheit, Identität, Protokollierung und Kontrolle.
Mehr Autonomie bedeutet mehr Verantwortung
Ein Agent, der nur recherchiert, hat ein anderes Risikoprofil als ein Agent mit Schreibrechten in CRM, E-Mail oder Finanzsystemen. Gute Agentenarchitektur bedeutet deshalb nicht maximal mögliche Autonomie, sondern angemessene Autonomie mit nachvollziehbaren Grenzen.
Was bedeutet „agentic“?
„Agentic“ beschreibt Systeme, die nicht nur Inhalte generieren, sondern innerhalb eines definierten Handlungsspielraums Ziele verfolgen. Dazu gehören Planung, Tool-Nutzung, Zustandsänderungen, Wiederholungen und die Anpassung an Zwischenergebnisse. Agentic AI ist damit eher ein Architekturmuster als ein einzelnes Produkt.
Das Spektrum von Assistenz bis Autonomie
Der Übergang ist fließend. Ein Unternehmen muss nicht sofort ein vollständig autonomes System bauen. Häufig ist ein begrenzter Agent mit klaren Freigaben wirtschaftlich und sicherheitstechnisch sinnvoller.
Typische Architektur von Agentic AI
In produktiven Systemen kommen meist mehrere Schichten zusammen: Modell, Kontext, Retrieval, Tools, Identität und Rechte, Orchestrierung, Memory, Observability und Evaluation. Das eigentliche Modell ist nur ein Teil der Lösung. Gerade im Enterprise-Bereich werden Governance und Systemintegration häufig wichtiger als ein kleiner Unterschied zwischen Modellen.
Wo Agentic AI Mehrwert schaffen kann
- offene, mehrstufige Recherche und Analyse
- Softwareentwicklung mit Repository- und Terminalzugriff
- kundennahe Vorgänge mit Wissensbasis und Aktionen
- Ausnahmen in Geschäftsprozessen, die nicht vollständig regelbasiert sind
- Orchestrierung mehrerer Tools und spezialisierter Systeme
Warum Agentic AI schwieriger zu kontrollieren ist
Jeder zusätzliche Entscheidungsschritt vergrößert die Zahl möglicher Pfade. Ein Agent kann einen falschen Plan wählen, ein korrektes Tool mit falschen Parametern verwenden oder auf fehlerhafte Zwischenergebnisse reagieren. Deshalb sind Evals, Tracing und klar definierte Abbruchbedingungen bei Agentensystemen wichtiger als bei einem einfachen Chat.
Praxisregel für den Einstieg
Beginnen Sie mit einem klar abgegrenzten Ziel, wenigen hochwertigen Tools und einer überprüfbaren Erfolgsmessung. Erhöhen Sie Autonomie erst, wenn der einfachere Aufbau zuverlässig funktioniert.
Agentic AI und generative KI
Generative KI erzeugt Inhalte: Text, Code, Bilder, Audio oder strukturierte Daten. Agentic AI verwendet generative Modelle als Entscheidungs- und Interaktionskomponente innerhalb eines Systems, das zusätzlich Ziele, Zustand und Werkzeuge besitzt. Ein agentisches System kann also generative KI enthalten, geht aber über reine Generierung hinaus.
Welche Fähigkeiten machen ein System agentisch?
Agentic AI im Unternehmen
Im Enterprise-Kontext entsteht der größte Aufwand außerhalb des Modells. Daten müssen auffindbar und berechtigt sein, Identitäten müssen Aktionen zugeordnet werden können, Tools benötigen sichere Schnittstellen und jede Ausführung muss beobachtbar sein. Deshalb entwickeln sich Plattformen rund um Agenten-Governance, Registries, Evaluation und Observability.
Wann ist Agentic AI wirtschaftlich sinnvoll?
Gute Kandidaten kombinieren hohen manuellen Aufwand mit variablen Eingaben und einem überprüfbaren Ziel. Wenn ein Mensch heute viele Systeme öffnen, Informationen zusammenführen und auf Ausnahmen reagieren muss, kann ein Agent Mehrwert schaffen. Wenn ein Prozess dagegen vollständig durch feste Regeln beschreibbar ist, ist klassische Automation häufig günstiger und robuster.
Hype vermeiden: nicht jede KI braucht Agenten
Agentische Architektur erhöht Flexibilität, aber auch Komplexität. Mehr Planungsschritte bedeuten mehr Kosten und mehr Fehlerpfade. Eine zentrale Designregel lautet daher: so wenig Autonomie wie möglich, so viel wie nötig. Ein guter Produktentscheid ist manchmal ausdrücklich, keinen Agenten zu bauen.
Wie Agentic AI bewertet werden sollte
Benchmarks für Modelle reichen nicht. Man muss komplette Aufgaben testen: Tool-Aufrufe, Datenzugriff, Sicherheitsregeln, Fehlerszenarien und Ergebnisqualität. Besonders wertvoll sind reale Testsets aus dem eigenen Anwendungsbereich sowie kontinuierliche Beobachtung im Betrieb.
Wohin entwickelt sich Agentic AI?
Der Trend geht zu besser standardisierten Tool-Schnittstellen, mehr Agenten-zu-Agenten-Interoperabilität, stärkeren Governance-Schichten und spezialisierteren Agenten. Gleichzeitig dürften viele Produkte Agentenfunktionen unsichtbar integrieren: Nutzer sehen dann weniger den „Agenten“ als eigenständiges Produkt und mehr ein System, das Aufgaben innerhalb einer bekannten Anwendung erledigt.
Agentic Workflow oder autonomer Agent?
Ein agentic Workflow enthält agentische Entscheidungen innerhalb eines grundsätzlich strukturierten Ablaufs. Ein autonomerer Agent entscheidet stärker selbst, welche Schritte notwendig sind. Für produktive Systeme ist die erste Variante oft leichter kontrollierbar: Der Workflow definiert Grenzen, während das Modell nur dort entscheidet, wo Flexibilität benötigt wird.
Beispiele für Agentic AI
Deep Research
plant Suchschritte, verwendet Webquellen und synthetisiert Ergebnisse.
Coding
liest ein Repository, ändert Dateien, führt Tests aus und iteriert.
Customer Service
versteht Anliegen, lädt Kundenkontext und führt erlaubte Aktionen aus.
Strategische Bedeutung
Agentic AI verschiebt KI von einem Werkzeug, das Menschen bei jedem Einzelschritt bedienen, zu einer Ausführungsschicht, der ein Ergebnis delegiert wird. Das verändert Softwaredesign: Anwendungen müssen nicht nur Daten anzeigen, sondern sichere maschinenlesbare Aktionen anbieten. Gleichzeitig werden Identität, Berechtigungen und Observability zu Kernbestandteilen von KI-Produkten.
Weiterlesen
Für die konkrete Funktionsweise siehe Wie funktionieren KI-Agenten?. Welche Formen es gibt, zeigt Arten von KI-Agenten. Unternehmensfragen behandelt KI-Agenten für Unternehmen.
Quellen
- AI agent adoption: What is an AI agent? (Microsoft Learn)
- Building effective agents (Anthropic)
- AI agent shared responsibility model (Microsoft Learn)
- Demystifying evals for AI agents (Anthropic)