Auch genannt: AI Agent
Ein KI-Agent ist ein Softwaresystem, das innerhalb vorgegebener Ziele Informationen aus seiner Umgebung aufnimmt, daraus nächste Schritte ableitet und Aktionen ausführt. Anders als ein reines Antwortsystem kann er dazu Werkzeuge wie Programmierschnittstellen, Datenbanken oder Suchfunktionen nutzen. Wie weit ein Agent selbstständig handeln darf, bestimmen jedoch Menschen durch Auftrag, Regeln, Berechtigungen und technische Grenzen.
Ein KI-Agent ist nicht einfach ein Chatfenster mit einem anderen Namen. Er verbindet eine Aufgabe mit einem Ablauf: Er soll etwa eine Anfrage prüfen, fehlende Angaben feststellen, Informationen aus freigegebenen Quellen holen und ein Ergebnis vorbereiten. Die wichtige Idee ist der Regelkreis aus Wahrnehmen, Entscheiden, Handeln und Prüfen. AWS beschreibt KI-Agenten als Software, die mit ihrer Umgebung interagiert, Daten sammelt und selbstgesteuerte Aufgaben zur Erreichung vorgegebener Ziele ausführt. AWS
Die Bezeichnung wird unterschiedlich weit verwendet. Ein einfacher Agent kann nach festen Regeln einen Zustand überwachen und eine Meldung auslösen. Komplexere Systeme zerlegen ein Ziel in Teilschritte, wählen Werkzeuge und bewerten Zwischenergebnisse. Viele heute als KI-Agenten beworbene Systeme nutzen ein Sprachmodell; zwingend ist das nicht. Ein Agent kann auch auf anderen Verfahren beruhen, etwa auf Optimierung, Regeln oder klassischer Planung. Umgekehrt ist ein Large Language Model zunächst ein Modell zur Verarbeitung oder Erzeugung von Sprache, nicht automatisch ein handlungsfähiger Agent.
Am Anfang stehen ein klarer Auftrag und ein erlaubter Handlungsspielraum. Ein Agent braucht typischerweise Eingaben aus einer digitalen Umgebung, beispielsweise eine Kundenanfrage, Daten aus einem Fachsystem oder den Status eines Vorgangs. Er benötigt außerdem Werkzeuge, über die er lesen oder handeln darf: etwa eine Suche, eine Datenbankabfrage oder eine Application Programming Interface. Welche Daten und Funktionen erreichbar sind, ist damit Teil seines Verhaltens – und zugleich eine Sicherheitsentscheidung.
Ein möglicher Ablauf sieht so aus: Der Agent erfasst die Aufgabe, sammelt die für den nächsten Schritt zulässigen Informationen, erstellt einen Plan oder eine kurze Folge von Teilaufgaben, führt eine Aktion aus und prüft das Ergebnis gegen die Vorgabe. Reicht die Information nicht aus oder liegt eine Ausnahme vor, sollte er abbrechen, nachfragen oder an einen Menschen übergeben. IBM beschreibt für LLM-basierte Agenten insbesondere die Zielvorgabe und Planung, das Arbeiten mit verfügbaren Werkzeugen sowie Feedback- und Kontrollschleifen. IBM
Speicher kann dabei nützlich sein, ist aber kein Muss. Kurzfristiger Kontext hilft, zusammenhängende Schritte nachzuvollziehen; ein dauerhafter Speicher kann freigegebenes Wissen oder protokollierte Ergebnisse enthalten. Er ersetzt keine Datenqualität: Veraltete, unvollständige oder unzulässige Daten können auch bei einer sorgfältig gebauten Agentenlogik zu schlechten Ergebnissen führen.
Stellen wir uns eine interne Beschaffungsanfrage vor. Ein Agent erhält den Auftrag, neue Anfragen auf Vollständigkeit zu prüfen. Er vergleicht Pflichtfelder mit einer festgelegten Liste, sucht im zugelassenen Lieferantenverzeichnis nach einem Eintrag und markiert fehlende Angaben. Sind Preisgrenzen, Vertragsprüfung oder Ausnahmen betroffen, erstellt er keine verbindliche Bestellung, sondern legt den Vorgang einer zuständigen Person vor.
Der Nutzen liegt hier nicht darin, dass das System „versteht“, was wirtschaftlich richtig ist. Es nimmt wiederkehrende Prüfschritte ab, dokumentiert sie und bereitet eine Entscheidung vor. Gute Gestaltung macht sichtbar, welche Regel oder Quelle eine Empfehlung ausgelöst hat. Für verbindliche Freigaben braucht es weiterhin passende Rollen, Berechtigungen und Kontrollen.
KI-Agenten werden vor allem bei Aufgaben eingesetzt, die mehrere Informations- und Handlungsschritte verbinden. Im Kundenservice können sie Anfragen einordnen, in einer freigegebenen Wissensbasis nachsehen und bei ungeklärten Fällen weiterleiten. In der IT können sie Störungsmeldungen vorsortieren, Diagnosedaten zusammentragen oder einen Standardablauf anstoßen. In Fachprozessen können sie Daten erfassen, Entwürfe vorbereiten und Aufgaben an Menschen oder andere Systeme verteilen.
Mehrere spezialisierte Agenten können zusammenarbeiten: Einer sammelt Informationen, ein anderer prüft formale Kriterien, ein dritter koordiniert den Ablauf. Das ist eine Ausprägung von Workflow-Automatisierung, aber nicht jede Automatisierung ist agentisch. Ein fest verdrahteter Ablauf führt vorher bestimmte Schritte aus. Ein Agent wählt innerhalb seiner Regeln abhängig von Situation und Ziel den nächsten Schritt oder passt die Reihenfolge an.
Besonders wichtig ist die Grenze zwischen Vorschlag und Ausführung. Ein System, das nur einen Textentwurf liefert, braucht andere Schutzmaßnahmen als eines, das Tickets schließt, Bestellungen vorbereitet oder Änderungen in einem System anstößt. Rechte sollten deshalb so eng wie möglich sein; risikoreiche Schritte gehören hinter Freigaben oder klare Abbruchregeln.
„Autonom“ bedeutet bei KI-Agenten nicht grenzenlos oder unbeaufsichtigt. Ziele, Datenzugriffe, Werkzeuge, Budget, Laufzeit und Eskalationswege sind vom Betreiber festzulegen. Ein Agent besitzt daraus weder Bewusstsein noch eigene Verantwortung. Seine Ergebnisse können falsch, unvollständig oder schlecht begründet sein, insbesondere wenn Eingaben mehrdeutig sind, Quellen fehlen oder ein Sprachmodell unzutreffende Inhalte erzeugt.
Auch Werkzeugzugriff ist kein Qualitätsbeweis. Ein Agent kann eine Schnittstelle technisch korrekt aufrufen und dennoch den falschen Datensatz wählen, einen Kontext missverstehen oder eine ungeeignete Aktion vorschlagen. Protokollierung, nachvollziehbare Zustände, Tests mit Grenzfällen und menschliche Kontrolle bei Folgen für Geld, Rechte oder Sicherheit gehören daher zur Gestaltung. Die von AWS und IBM beschriebenen Fähigkeiten sind Architektur- und Anwendungsmöglichkeiten, keine Zusage, dass jedes Produkt zuverlässig plant, lernt oder komplexe Aufgaben ohne Aufsicht löst.
Ein weiterer Irrtum ist, dass ein Agent nach jeder Interaktion dauerhaft dazulernt. Manche Systeme speichern Kontext oder Feedback, andere nicht; viele produktive Anwendungen verändern ihr zugrunde liegendes Modell während eines einzelnen Vorgangs gar nicht. Was gespeichert, geprüft und weiterverwendet wird, sollte ausdrücklich festgelegt sein.
Ein Large Language Model verarbeitet Sprache und kann Text erzeugen. Es wird häufig als Baustein eines Agenten verwendet, bringt aber ohne Werkzeuge, Zustände und Ausführungslogik keine agentische Handlungskette mit. Ein Prompt ist dagegen eine Eingabe oder Anweisung an ein Modell; er ist nicht selbst der Agent.
Von Retrieval-Augmented Generation unterscheidet sich ein KI-Agent ebenfalls. RAG ergänzt eine Modellantwort um abgerufene Informationen. Ein Agent kann RAG einsetzen, um Wissen zu suchen, umfasst aber zusätzlich Ziele, Entscheidungen und gegebenenfalls Aktionen. Umgekehrt macht ein Dokumentenabruf aus einem Antwortsystem noch keinen autonom handelnden Agenten.