Agentic AI
Auch: AI Agents, Autonomous AI Agents, Agent-based AI
Agentic AI bezeichnet KI-Systeme, die Ziele autonom verfolgen: Sie planen, handeln über Tools und passen sich anhand der Ergebnisse an, ohne dass ein Mensch jeden Schritt vorgibt.
Was es ist
Agentic AI beschreibt KI-Systeme, die als autonome Agenten arbeiten: Sie erhalten ein Ziel, zerlegen es in Schritte, entscheiden, welche Aktionen sie ausführen, nutzen externe Tools oder APIs, beobachten die Ergebnisse und passen ihr Vorgehen an, bis das Ziel erreicht ist. Anders als ein Modell, das auf einen einzelnen Prompt antwortet, läuft ein agentisches System in einer Schleife und überlegt, was als Nächstes zu tun ist.
Die meisten aktuellen Implementierungen ergänzen ein Large Language Model (LLM) um drei Fähigkeiten:
- Planning: Zerlegung eines übergeordneten Ziels in geordnete Aufgaben.
- Tool use: Aufruf von Funktionen, APIs, Datenbanken, Suchmaschinen oder Code-Ausführung.
- Memory: Kontext über mehrere Schritte und teils über Sessions hinweg behalten.
Warum es zählt
Klassische Automatisierung folgt festen, hart codierten Regeln. Agentic AI bearbeitet Aufgaben, die offen sind oder sich mit den Umständen ändern, und wählt Aktionen dynamisch statt nach starrem Skript. Das ist relevant, weil KI damit nicht mehr nur Fragen beantwortet, sondern mehrstufige Arbeit erledigt: recherchieren, Optionen vergleichen, Transaktionen ausführen und zurückmelden.
Der Preis dafür ist Kontrolle. Mehr Autonomie bedeutet mehr Risiko für Fehler, unerwartete Aktionen oder außer Kontrolle geratene Schleifen. Guardrails, Freigabeschritte und Observability werden damit unverzichtbar.
Wie es in der Praxis eingesetzt wird
- Data: Ein Agent stellt Abfragen an ein Warehouse, führt Validierungsprüfungen aus und entwirft eine Zusammenfassung der Anomalien.
- Marketing: Ein Agent recherchiert Wettbewerber, erzeugt Kampagnenvarianten und plant sie über die Kanäle ein.
- Finance: Ein Agent gleicht Rechnungen mit Bestellungen ab und markiert Abweichungen zur Prüfung.
- Software: Ein Agent liest ein Ticket, ändert Code, führt Tests aus und öffnet einen Pull Request.
Verbreitete Muster sind ein einzelner Agent mit Tools, Multi-Agent-Setups, in denen spezialisierte Agenten zusammenarbeiten, und Human-in-the-Loop-Designs, die vor sensiblen Aktionen eine Freigabe verlangen.
Ein konkretes Beispiel
Ziel: „Buche den günstigsten Flug nach Berlin am nächsten Dienstag unter 300 Euro.“
1. Der Agent plant: Flüge suchen, nach Preis und Datum filtern, dann buchen.
2. Er ruft eine Flugsuch-API auf (tool use).
3. Er sieht sich die Ergebnisse an, findet keines unter 300 Euro und erweitert das Zeitfenster (Anpassung).
4. Er findet einen Treffer und hält vor der Zahlung für eine menschliche Bestätigung an.
5. Er schließt die Buchung ab und meldet die Reisedaten zurück.
Diese Schleife aus Überlegen, Handeln, Beobachten und Wiederholen ist das prägende Merkmal von Agentic AI.
Siehe auch
Häufige Fragen
Was ist Agentic AI, einfach gesagt?
Agentic AI beschreibt KI-Systeme, die ein Ziel erhalten und es autonom verfolgen: Sie zerlegen es in Schritte, wählen Aktionen, rufen externe Tools oder APIs auf, beobachten die Ergebnisse und passen an, bis das Ziel erreicht ist. Anders als beim einzelnen Prompt mit einer Antwort läuft ein agentisches System in einer Schleife und überlegt, was als Nächstes zu tun ist. Die meisten Implementierungen ergänzen ein Large Language Model um Planning, Tool use und Memory.
Was ist der Unterschied zwischen Agentic AI und einem Chatbot oder einem einzelnen LLM-Prompt?
Ein Chatbot oder ein einzelner Prompt liefert eine Antwort und hört dann auf. Ein agentisches System macht weiter: Es plant eine Folge von Aufgaben, führt Aktionen über Tools aus, prüft das Ergebnis und überarbeitet seinen Plan, wenn das Ergebnis falsch ist. Die Verschiebung geht vom Beantworten von Fragen zum Erledigen mehrstufiger Arbeit: recherchieren, Optionen vergleichen, Transaktionen ausführen und zurückmelden.
Wie unterscheidet sich Agentic AI von klassischer Automatisierung oder RPA?
Klassische Automatisierung folgt festen, hart codierten Regeln und bricht, sobald sich die Bedingungen ändern. Agentic AI wählt ihre Aktionen dynamisch und kann damit Aufgaben bearbeiten, die offen sind oder je nach Umständen variieren. Der Preis dieser Flexibilität ist Kontrolle: Mehr Autonomie bedeutet mehr Risiko für Fehler, unerwartete Aktionen oder außer Kontrolle geratene Schleifen.
Welche Guardrails sollten stehen, bevor ein Agent eigenständig handelt?
Drei Dinge: Freigabeschritte vor sensiblen Aktionen, Observability, um zu sehen, was der Agent getan hat und warum, und Limits, die außer Kontrolle geratene Schleifen stoppen. Das Human-in-the-Loop-Muster ist das häufigste Design: Der Agent bereitet die Arbeit vor und hält vor allem Irreversiblen für eine Bestätigung an, etwa vor einer Zahlung oder einer Änderung in der Produktion.
Wie sieht eine Agentic-AI-Schleife bei einer konkreten Aufgabe tatsächlich aus?
Nehmen Sie das Ziel „Buche den günstigsten Flug nach Berlin am nächsten Dienstag unter 300 Euro“. Der Agent plant die Schritte (suchen, filtern, buchen), ruft eine Flugsuch-API auf, stellt fest, dass nichts unter 300 Euro passt, erweitert das Zeitfenster, findet einen Treffer, hält vor der Zahlung für eine menschliche Bestätigung an und schließt dann die Buchung ab und meldet die Reisedaten zurück. Dieser Zyklus aus Überlegen, Handeln, Beobachten, Wiederholen ist das prägende Merkmal von Agentic AI.