BEGRIFF· 02.01.2026
Agentic AI
Agentic AI erklärt: wie ein Agent ein Ziel in Schritte zerlegt, Werkzeuge nutzt und wo die Kontrolle beim Menschen bleiben muss.
Was Agentic AI bedeutet
Ein Agent bekommt kein Kommando für jeden einzelnen Schritt, er bekommt ein Ziel. "Buch mir den günstigsten Flug nach London" reicht als Eingabe. Wie viele Zwischenschritte dafür nötig sind, entscheidet das System selbst.
Ein klassisches Sprachmodell beantwortet eine Eingabe mit Text und ist fertig. Ein Agent plant, ruft externe Werkzeuge auf, prüft das eigene Ergebnis und korrigiert sich, wenn ein Schritt nicht funktioniert hat. Technisch steckt dahinter meist ein Large Language Model in einer anderen Rolle: Es erzeugt keinen Antworttext mehr für einen Menschen, sondern Funktionsaufrufe für ein System dahinter.
Der Unterschied zum Assistenten
Ein Assistent wie Siri oder ein Standard-Chat ist reaktiv. Du fragst, er antwortet, und ohne deinen nächsten Prompt passiert nichts. Ein Agent dreht das um: Du gibst das Ziel vor, er entscheidet über den Weg.
Bittest du einen Assistenten um den günstigsten Flug, listet er Optionen auf und du buchst. Ein Agent ruft die Buchungsseite auf, vergleicht Preise und schließt ab, sofern du ihm das erlaubst. Stößt er auf ein Hindernis, sucht er eine Alternative statt abzubrechen.
Damit ändert sich auch deine Rolle. Beim Assistenten bist du Human-in-the-Loop, ohne dein Feedback läuft nichts weiter. Beim Agenten wirst du Human-on-the-Loop und greifst nur ein, wenn etwas vom Kurs abkommt. Wo diese Grenze genau verläuft, steht im Vergleich zwischen KI-Assistent und KI-Agent.
Die Schleife dahinter
Unter der Haube wiederholt der Agent vier Schritte. Er nimmt seine Umgebung wahr, plant über eine Kette von Zwischenschritten, handelt über ein Werkzeug wie Browser oder Datenbank und beobachtet danach das Ergebnis. War die Aktion erfolgreich, geht es weiter, sonst plant er neu.
Genau diese Fähigkeit, auf unvorhergesehene Hindernisse zu reagieren, trennt einen Agenten von einem starren Skript. Wie oft die Schleife läuft, bevor er aufgibt, ist eine Konfigurationsfrage. Darin liegt später auch das Kostenrisiko.
In der Praxis lohnt sich der Aufwand vor allem in drei Bereichen: Backend-Prozesse mit unstrukturierten Daten, etwa eine Rechnung im Mail-Anhang, die im ERP-System landen soll; Kundenservice mit echtem Systemzugriff, also Garantie prüfen und Rücksendeetikett erstellen statt auf eine Wissensdatenbank zu verweisen; und Recherche, bei der ein Agent über mehrere Unterseiten Daten zusammenträgt. Wie präzise das Ziel formuliert sein muss, damit das trägt, steht unter Context Engineering.
Wo es teuer oder gefährlich wird
Das offensichtlichste Problem ist die Endlosschleife. Jeder Versuch kostet Tokens, und ein Agent ohne Limit für Schritte und Laufzeit brennt ein Budget herunter, ohne ein brauchbares Ergebnis zu liefern.
Dazu kommt die Sicherheit. Ein Agent mit Zugriff auf E-Mails, Datenbanken oder eine Shell wird zum Einfallstor für manipulierte Eingaben. Enthält eine eingehende Nachricht versteckte Anweisungen, kann er sie als eigenen Befehl lesen. Deshalb läuft ein Agent mit Shell-Zugriff sicherer in einem isolierten Container. Das OWASP-Projekt zu LLM-Sicherheit führt Prompt Injection als eines der größten Risiken.
Am schwersten wiegt die Kombination aus Halluzination und Handlungsfähigkeit. Im Chat ist eine falsche Antwort ärgerlich. Mit Zugriff auf ein Bankkonto wird sie teuer. Wer Agenten baut, kommt deshalb an harten Grenzen und menschlichen Kontrollpunkten nicht vorbei, und an einer Verbindung zu den Werkzeugen über das Model Context Protocol.
Zurück zum AI und Automation Glossar.
FAQ
- Braucht jeder Workflow einen Agenten, oder reicht ein Assistent?
- Meistens reicht ein Assistent. Wenn du Text brauchst, den ein Mensch danach noch liest und verschickt, etwa einen E-Mail-Entwurf oder eine Zusammenfassung, ist ein einfacher Prompt an ein Sprachmodell die schnellere und billigere Lösung. Ein Agent lohnt sich erst, wenn eine Aufgabe aus mehreren Schritten besteht, klaren Regeln folgt und ohne ständige Aufsicht laufen soll, etwa eine Rechnung prüfen und im ERP-System verbuchen.
- Was kostet der Betrieb eines Agenten im Vergleich zu einem Chat-Assistenten?
- Deutlich mehr, weil jeder Zwischenschritt Tokens kostet, nicht nur die finale Antwort. Ein Agent, der einen Plan erstellt, ihn ausführt, das Ergebnis prüft und bei Bedarf einen neuen Versuch startet, kann für eine einzige Aufgabe zehnmal so viele Tokens verbrauchen wie eine direkte Chat-Antwort. Ohne ein Limit für die Zahl der Schritte oder ein Zeitbudget kann das bei einem hängenden Agenten schnell aus dem Ruder laufen.
- Wie behält man die Kontrolle über einen Agenten, der selbstständig handelt?
- Über klare Grenzen, bevor der Agent überhaupt startet: welche Werkzeuge er nutzen darf, welche Aktionen eine Bestätigung brauchen und wann er abbrechen muss statt es immer wieder zu versuchen. Bei Aktionen mit echten Folgen, etwa einer Zahlung oder dem Löschen von Daten, bleibt eine menschliche Freigabe sinnvoll, auch wenn der Rest des Workflows autonom läuft.
