Agentic AI: KI, die nicht wartet, sondern selbstständig handelt

Alexander Sommer forscht an der Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU) zu Energiesystemen und ist Co-Founder der Eta-Q GmbH, die sich mit KI und Decision Intelligence befasst. Sein Wissen über KI-Agenten speist sich dabei weniger aus dem akademischen Mainstream als aus der Silicon-Valley-Bubble, in die er vor einem Jahr online hineingerutscht ist. Wer dort mitliest, bekommt früh mit, was kommt. In seinen drei Tech Takes ordnet Sommer ein, was heute technisch belastbar ist, was Unternehmen davon haben, und wohin die Reise geht.

Der Realitätscheck: Was ist aktuell Hype und was ist heute schon technologisch belastbar?

Alexander Sommer: „Stand heute können KI-Agenten bereits über Stunden hinweg eigenständig komplexe Aufgaben bearbeiten – etwa strukturierte Recherchen, Finanzanalysen oder größere Teile von Softwareprojekten – und Ergebnisse inklusive eigener Qualitätsprüfung zurückliefern. Gleichzeitig zeigt sich ein klarer Trend: Die neuesten Modelle sind durch neue Trainingsmethoden zunehmend in der Lage, über bestehendes Wissen hinauszugehen und neue Lösungsansätze zu generieren, teilweise sogar zur Verbesserung ihrer eigenen Fähigkeiten (Stichwort: recursive self-improvement). Der Hype beginnt dort, wo daraus eine kurzfristige, flächendeckende Ersetzung von Wissensarbeit abgeleitet wird. Denn in einem wesentlichen Teil dieser Arbeit bleibt der Mensch unersetzlich: bei der Übersetzung zwischen digitalen Systemen, realen Kontexten und menschlicher Zusammenarbeit.“

Der Unternehmens-Faktor: Welchen konkreten Impact hat Agentic AI auf Prozesse, Kosten oder die Wettbewerbsfähigkeit von Unternehmen?

Alexander Sommer: „Im vergangenen Jahr dominierte vor allem der Anwendungsfall Wissensmanagement: KI-Agenten wurden in erster Linie als dialogfähige Schnittstelle zu Unternehmensdaten genutzt und fungierten im Kern als fortgeschrittene Suchsysteme. Anspruchsvollere Anwendungen scheiterten häufig an der begrenzten Zuverlässigkeit älterer Modelle und am hohen Aufwand, mögliche Fehler im produktiven Einsatz abzusichern. Mit neuen Modellgenerationen, die stärker auf autonomes und verlässliches Verhalten ausgerichtet sind, verschiebt sich der Fokus nun hin zur Automatisierung konkreter Prozesse. Der Nutzen zeigt sich in der Entlastung von zeitintensiven Routinetätigkeiten und in einem höheren Output pro Mitarbeitenden, weil mehr Zeit für wertschöpfende Aufgaben bleibt.“

Die mutige Prognose: Wo stehen Unternehmen, die dieses Thema heute besetzen, in drei Jahren?

Alexander Sommer: „Arbeit wird sich zunehmend in Richtung Steuerung von KI-Systemen verschieben, sodass viele Beschäftigte künftig faktisch ein Team aus digitalen Mitarbeitenden führen. Dadurch gewinnen Fähigkeiten wie Delegation, Priorisierung und Qualitätssicherung zunehmend an Bedeutung. Diese Kompetenzen entstehen jedoch nicht von selbst, sondern müssen gezielt aufgebaut und im Arbeitsalltag eingeübt werden. Unternehmen, die diese Lernkurve früh meistern, werden in drei Jahren einen klaren Produktivitäts- und Wettbewerbsvorteil haben.“

Hintergrund und Anwendung

Was bedeutet Agentic AI?
Agentic AI, auf Deutsch etwa handlungsfähige oder autonome KI, bezeichnet KI-Systeme, die nicht nur auf Anfragen reagieren, sondern eigenständig Aufgaben planen, Entscheidungen treffen und mehrere Schritte hintereinander ausführen, ohne bei jedem Schritt auf menschliche Eingabe angewiesen zu sein. Ein klassischer Chatbot beantwortet eine Frage. Ein KI-Agent bucht den Flug, schreibt die E-Mail, aktualisiert den Kalender und informiert das Team, alles auf Basis eines einzigen Auftrags.
Der Begriff Agent stammt aus der KI-Forschung und beschreibt dort seit den 1990er-Jahren Systeme, die in einer Umgebung wahrnehmen, entscheiden und handeln. Neu ist das Ausmaß: Moderne LLM-basierte Agenten können komplexe, mehrstufige Workflows selbstständig abarbeiten.

Wie funktioniert es technisch?
Ein KI-Agent kombiniert typischerweise ein großes Sprachmodell als "Denkorgan" mit einer Reihe von Werkzeugen, also Tools: Websuche, Datenbankzugriff, Code-Ausführung, E-Mail-Versand und so weiter. Er erhält ein Ziel, erstellt einen Plan, führt Schritt für Schritt aus, prüft Zwischenergebnisse und korrigiert seinen Kurs, wenn nötig. Dieses Prinzip nennt sich ReAct, kurz für Reasoning and Acting. Besonders mächtig werden Agenten in sogenannten Multi-Agent-Systemen, wo mehrere spezialisierte Agenten arbeitsteilig zusammenwirken.

Konkrete Unternehmensanwendungen
Agentic AI ist heute schon in Unternehmen im Einsatz, oft noch als Pilotprojekt. Typische Szenarien: Ein Recherche-Agent verdichtet täglich Marktdaten aus zwanzig Quellen zu einer Seite Briefing. Ein IT-Agent löst Standardtickets, bevor der Helpdesk morgens den Rechner hochfährt. Ein HR-Agent koordiniert den Onboarding-Prozess neuer Mitarbeitender. Was diese Szenarien verbindet: Prozesse, die bislang menschliche Koordination brauchten, weil sie zu viele Schritte hatten.

Risiken und Fallstricke
Das Problem mit autonomen Systemen: Fehler multiplizieren sich. Was bei einem Chatbot eine falsche Antwort bleibt, wird bei einem Agenten zur falschen Buchung, falschen E-Mail und falschen Folgeaktion. Prompt Injection, also der Versuch, einen Agenten durch manipulierte Eingaben zu fremden Handlungen zu verleiten, ist eine ernsthafte Bedrohung. Unternehmen sollten Agenten nicht mit mehr Berechtigungen ausstatten als nötig, und kritische Aktionen immer unter menschlicher Aufsicht halten.

Der größte Fehler ist, einen Prozess zu automatisieren, der eigentlich gar nicht existieren sollte.

Alexander Sommer erklärt dazu: "In der Praxis sehe ich häufig, dass Unternehmen Prozesse mit KI-Agenten automatisieren wollen, ohne diese vorher grundlegend zu hinterfragen. Dabei gilt aus meiner Sicht: Der größte Fehler ist, einen Prozess zu automatisieren, der eigentlich gar nicht existieren sollte. Vor jeder Automatisierung sollte deshalb erst ein „Clean-up“ der bestehenden Abläufe erfolgen."

Was müssen Unternehmen beachten?
Wer Agentic AI einführen will, sollte mit eng begrenzten, gut überschaubaren Szenarien starten. Vorab festlegen, was der Agent allein entscheiden darf und wo ein Mensch gegenzeichnen muss. Das klingt banal, wird aber in der Praxis regelmäßig übersprungen. Logging und Monitoring sind Pflicht, denn nur wer nachvollziehen kann, was ein Agent getan hat, kann Fehler erkennen und beheben.

Oft bringen diese Tools unnötige Komplexität mit sich, machen Systeme intransparenter und erschweren Fehlersuche, Wartbarkeit und Skalierbarkeit.

Einstiegshürde
Mittel bis hoch. Einfache Agenten lassen sich mit Frameworks wie LangChain oder Microsoft AutoGen auch ohne tiefes ML-Know-how bauen. Produktionsreife Systeme mit robustem Fehlerhandling erfordern jedoch solide Entwicklungsressourcen. Alexander Sommer empfiehlt: "Bei Agenten-Frameworks tendiere ich inzwischen eher zu einem „Keep it simple“-Ansatz. Oft bringen diese Tools unnötige Komplexität mit sich, machen Systeme intransparenter und erschweren Fehlersuche, Wartbarkeit und Skalierbarkeit. Häufig ist es sinnvoller, Prompts direkt an die Schnittstellen der Anbieter wie OpenAI zu senden, statt ein komplettes Framework dazwischenzuschalten. Dazu passt auch dieser Blogbeitrag von Anthropic sehr gut: https://www.anthropic.com/engineering/building-effective-agents "

Tool-Empfehlungen
LangChain unter langchain.com ist das meistgenutzte Open-Source-Framework für den Aufbau von KI-Agenten. Microsoft bietet mit AutoGen unter microsoft.github.io/autogen ein Framework speziell für Multi-Agent-Systeme. Wer eine fertige Plattform sucht, findet bei Salesforce Agentforce und bei ServiceNow Now Assist erste Enterprise-Lösungen. Eine gute konzeptionelle Einführung liefert der Kurs "AI Agents in LangGraph" auf DeepLearning.AI unter deeplearning.ai.