Ein herkömmliches Sprachmodell beantwortet einen Prompt und stoppt. Ein agentisches System hingegen führt den Prozess weiter: Es verfolgt ein Ziel, beobachtet das Ergebnis jeder Aktion, bestimmt den nächsten Schritt und wiederholt das Vorgehen, bis das Ziel erreicht ist oder ein vorgegebenes Limit überschritten wird. Diese Feedback‑Schleife – planen, handeln, beobachten, neu planen – verleiht einem System seine Agentizität. Sie verwandelt ein statisches Modell in einen dynamischen Problemlöser, weil das System aus den unmittelbaren Resultaten lernt und sein Vorgehen adaptiv anpasst.
Im Jahr 2026 werden solche agentischen Systeme in ausgewählten Workflows eingesetzt, wobei ihre Autonomie bewusst durch Berechtigungen, Freigabepunkte und menschliche Aufsicht begrenzt wird.
Was macht eine KI agentisch?
Vier Komponenten arbeiten zusammen, um zielgerichtetes Verhalten zu generieren:
- Planung: Das Modell zerlegt ein Ziel in kleinere Schritte. Durch die Aufteilung in Teilaufgaben zwingt die Planung das Modell, vorausschauend zu denken und komplexe Ziele in handhabbare Sequenzen zu überführen. Ohne Planung kann das System nur auf den unmittelbaren Prompt reagieren.
- Werkzeugschnittstellen: Das System kann APIs aufrufen, Dateien lesen, Datenbanken abfragen oder Code ausführen. Der Zugriff auf externe Dienste erweitert den Wirkungskreis des Modells von reiner Textproduktion zu echter Weltinteraktion. Ohne Werkzeuge bleibt das Modell auf Text beschränkt.
- Speicher: Das System behält relevante Zustände über mehrere Schritte hinweg. Persistenter Speicher ermöglicht es, Beobachtungen zu akkumulieren, sodass spätere Entscheidungen auf einem wachsenden Kontext basieren. Ohne Speicher beginnt jeder Schritt von Neuem – das Modell kann nicht lernen, was gerade geschehen ist.
- Orchestrierung: Eine Steuerungsschicht koordiniert Wiederholungen, Freigabepunkte und spezialisierte Teilagenten. Sie fungiert als Sicherheitsnetz, das Fehlverhalten früh erkennt und den Arbeitsablauf neu ausrichtet, bevor Fehler sich ausbreiten. Ohne Orchestrierung kann ein einzelner fehlerhafter Schritt das gesamte Ziel gefährden.
Diese Komponenten interagieren in einer Rückkopplungsschleife. Das Modell plant einen Schritt, ein Werkzeug führt ihn aus, das Ergebnis wird im Speicher abgelegt, und das Modell nutzt dieses Ergebnis, um den nächsten Schritt zu planen. Wenn ein Schritt fehlschlägt oder ein unerwartetes Ergebnis liefert, kann die Schleife sich anpassen – aber nur, wenn die Orchestrierungsschicht dafür ausgelegt ist. Ein solcher Anpassungsmechanismus ist entscheidend, weil er verhindert, dass ein einzelner Fehltritt die gesamte Kette kompromittiert; stattdessen wird der Plan dynamisch korrigiert.
class AIAgent:
def __init__(self, model, tools, memory):
self.model = model
self.tools = tools
self.memory = memory
def run(self, goal: str):
context = self.memory.recall()
plan = self.model.plan(goal, context)
for step in plan.steps:
if step.requires_tool():
result = self.tools.execute(step.tool, step.params)
else:
result = self.model.reason(step.description)
self.memory.store(step, result)
# Wenn das Ergebnis unerwartet ist, passt sich der Plan vor dem
# nächsten Schritt an. Das ist die Rückkopplungsschleife: Ohne sie
# pflanzt sich ein früher Fehler still durch alle folgenden Schritte fort.
if not self.validate_result(step, result):
plan.adjust(step, result)
return self.memory.summarize()
def validate_result(self, step, result) -> bool:
# Prüft, ob das Ergebnis den erwarteten Vertrag des Schritts erfüllt:
# richtiger Typ, nicht leer, im erwarteten Bereich, kein Fehlersignal.
# Eine fehlgeschlagene Validierung löst plan.adjust() aus, das den Schritt
# wiederholen, ein anderes Werkzeug wählen oder an einen Menschen eskalieren kann.
return result is not None and not result.is_error()
Das Modell bleibt während des gesamten Prozesses fehleranfällig. Eine agentische Schleife kann eine falsche Annahme wiederholen, das falsche Werkzeug aufrufen oder ein plausibel klingendes Ergebnis mit einem verifizierten Ergebnis verwechseln. Der validate_result‑Schritt verhindert die stille Fehlerfortpflanzung – ohne ihn kann ein falscher Werkzeugaufruf in Schritt 2 jeden folgenden Schritt verfälschen.
Von Copiloten zur Workflow‑Automatisierung
Frühe KI‑Assistenten schlugen Text oder Code vor, während ein Mensch jede einzelne Aktion kontrollierte. Sie fungierten im Wesentlichen als erweiterte Autocomplete‑Funktionen, die jedoch keine eigenständigen Entscheidungen trafen. Neuere Systeme können Tickets klassifizieren, Dokumente abrufen, Antworten entwerfen, Datensätze aktualisieren oder Pull‑Requests innerhalb definierter Grenzen eröffnen – ohne dass ein Mensch jeden einzelnen Schritt genehmigen muss. Damit übernehmen sie echte Teilaufgaben und entlasten Fachkräfte von repetitiven Tätigkeiten. Das praktische Einführungsmuster ist schrittweise. Unternehmen beginnen mit risikoarmen, umkehrbaren Aufgaben, messen Fehlerquoten und Kosten und erweitern die Berechtigungen eines Agenten erst dann, wenn Aktionen mit realen Konsequenzen hinzukommen. Durch dieses gestufte Vorgehen können sie die Zuverlässigkeit des Agenten evaluieren, bevor sie kritische Prozesse delegieren. „Autonom“ beschreibt eine Workflow‑Designentscheidung, kein Versprechen, dass kein Mensch jemals beteiligt ist; in der Praxis bleibt ein menschlicher Prüfschritt für besonders kritische Entscheidungen unverzichtbar.
Multi‑Agenten‑Architekturen
Komplexe Workflows verwenden oft einen Orchestrator, der an spezialisierte Agenten delegiert:
Orchestrator Agent
├── Research Agent (Suche, Dokumentenabruf)
├── Code Agent (Repositoryanalyse, Codegenerierung, Testausführung)
├── Review Agent (Sicherheitsprüfungen, Stil, Korrektheit)
└── Communication Agent (Berichte, Benachrichtigungen, Pull Requests)
Der Orchestrator fungiert als Dirigent, der die Spezialisten nach Bedarf aktiviert. Der Vorteil dieser Architektur ist die Trennung von Zuständigkeiten: Jeder Spezialist kann unabhängig ausgetauscht oder verbessert werden. Die klare Trennung ermöglicht es, einzelne Komponenten zu optimieren, ohne das Gesamtsystem zu destabilisieren. Die Kosten sind jedoch koordinierter Aufwand – jede Agentengrenze fügt Latenz, potenzielle Fehlerquellen und Stellen hinzu, an denen Kontext verloren gehen kann. Klare Schnittstellen und End‑to‑End‑Evaluation sind wichtiger als die reine Anzahl der Agenten.
Einführung in Unternehmen
Unternehmen experimentieren mit Agenten dort, wo drei Bedingungen zusammenkommen: Die Modellqualität ist gut genug für die Aufgabe, die Werkzeugintegration ist zuverlässig, und die Kosten eines Fehlers sind akzeptabel. Erst wenn diese drei Voraussetzungen erfüllt sind, rechtfertigt der potenzielle Nutzen die Investition. Analysten‑Prognosen variieren stark je nach Definition von „agentisch“; belastbarer ist die Beobachtung, welche Aufgabenkategorien tatsächlich automatisiert werden. Kundensupport‑Triage, Code‑Review‑Unterstützung, Dokumentenverarbeitung und interne Wissensabfrage sind die häufigsten frühen Einsatzgebiete. Sie zeichnen sich durch klar messbare KPIs aus, etwa Bearbeitungszeit, Fehlerquote und Kosteneinsparungen.
Sicherheit und Governance
Wenn ein Agent Systeme verändern kann – nicht nur Text erzeugen – muss Governance Aktionen abdecken. Sonst droht ein unkontrollierter Eingriff in kritische Infrastruktur. Nützliche Kontrollen umfassen:
- Gestufte Rollouts und Freigabepunkte: Hochriskante oder irreversible Aktionen benötigen eine explizite menschliche Bestätigung, bevor sie ausgeführt werden. Dieser Zwischenschritt wirkt als letzte Sinnprüfung.
- Least‑Privilege‑Zugangsdaten: Ein Agent sollte nur Zugang zu den Werkzeugen und Daten haben, die seine aktuelle Aufgabe erfordert, und die Berechtigungen nach Abschluss der Aufgabe verfallen lassen. So wird die potenzielle Schadensfläche minimiert.
- Menschliche Prüfung bei folgenreichen Entscheidungen: Finanzielle, medizinische, rechtliche oder irreversible Aktionen sollten ohne einen Prüfschritt nicht vollständig automatisiert werden. Menschen können Nuancen erkennen, die ein Modell übersehen würde.
- Überwachung auf Drift und Schleifen: Ein Agent, der denselben fehlschlagenden Schritt endlos wiederholt oder seine eigenen Berechtigungen schrittweise erweitert, muss erkannt und gestoppt werden. Kontinuierliches Monitoring verhindert unkontrolliertes Verhalten.
- Prüfbare Protokolle: Jede Aktion sollte auf ihre Eingabe, das Werkzeugergebnis und die Autorisierung zurückführbar sein. Transparente Logs ermöglichen Nachvollziehbarkeit und erfüllen regulatorische Anforderungen.
Nur durch diese Kontrollen lässt sich das Risiko unbeabsichtigter Schäden wirksam begrenzen.
Was zu beobachten ist
Standards für Agent‑zu‑Agent‑Kommunikation, Evaluations‑Benchmarks und Audit‑Trail‑Formate entwickeln sich noch. Haftungsrahmen, Beschaffungsregeln und sektorale Regulierung werden die Einführung ebenso prägen wie Modellfähigkeiten. Unternehmen, die frühzeitig robuste Governance implementieren, werden langfristig die größten Nutzen aus diesen Partnern ziehen. Der Wert dauerhafter KI‑Mitarbeiter wird von Zuverlässigkeit und Verantwortlichkeit abhängen, nicht vom Grad der Autonomie allein.
Literaturhinweise
- Yao, S., et al. (2022). "ReAct: Synergizing Reasoning and Acting in Language Models." ICLR 2023. https://arxiv.org/abs/2210.03629
- Shinn, N., et al. (2023). "Reflexion: Language Agents with Verbal Reinforcement Learning." NeurIPS 2023. https://arxiv.org/abs/2303.11366
- Anthropic. (2024). "Building Effective Agents." https://www.anthropic.com/research/building-effective-agents
- NIST. (2023). AI Risk Management Framework 1.0. https://doi.org/10.6028/NIST.AI.100-1
- Wang, L., et al. (2024). "A Survey on Large Language Model based Autonomous Agents." Frontiers of Computer Science. https://arxiv.org/abs/2308.11432
- Park, J. S., et al. (2023). "Generative Agents: Interactive Simulacra of Human Behavior." UIST 2023. https://arxiv.org/abs/2304.03442
Comments (0)
Please sign in to leave a comment