Ein KI-Agent ist ein Programm, das ein Sprachmodell nicht nur antworten, sondern arbeiten lässt: Es bekommt ein Ziel statt einer Frage, zerlegt es selbst in Schritte, ruft dabei Werkzeuge auf und prüft nach jedem Schritt, ob es weitergekommen ist. Das Modell trifft die Entscheidungen, die Schleife drumherum macht aus einer einzelnen Antwort einen Vorgang. Im Englischen läuft dasselbe Prinzip unter dem Sammelbegriff Agentic AI.
Das Wort wird derzeit großzügig verteilt. Vieles, was sich Agent nennt, ist ein Chatbot mit zwei zusätzlichen Schaltflächen. Die Abgrenzung lohnt sich deshalb.
Der Unterschied zum Chatbot
Ein Chatbot bekommt eine Frage und schreibt eine Antwort. Danach ist der Vorgang beendet. Ein Agent bekommt ein Ziel und bleibt in einer Schleife, bis er es erreicht hat, aufgibt oder sein Budget aufgebraucht ist.
| KI-Chatbot | KI-Agent | |
|---|---|---|
| Eingabe | eine Frage | ein Ziel |
| Ablauf | eine Antwort | mehrere Schritte in einer Schleife |
| Zugriff nach außen | nur der mitgegebene Kontext | Werkzeuge: Suche, Schnittstellen, Dateien, Datenbanken |
| Ende | die Antwort steht | Ziel erreicht oder Abbruch |
| Typischer Fehler | eine falsche Aussage | eine falsche Handlung |
Die letzte Zeile ist die wichtigste. Eine erfundene Aussage kannst du lesen und verwerfen, bevor Schaden entsteht. Eine ausgeführte Handlung, eine verschickte Mail etwa oder ein überschriebener Datensatz, ist bereits passiert. Das ist der eigentliche Sprung, und er verändert, wie sorgfältig so ein System gebaut werden muss.
Die Bausteine
Drei Dinge unterscheiden einen Agenten von einem Modellaufruf. Fehlt eines davon, bleibt es beim Chat.
Werkzeuge
Ein Werkzeug ist eine Funktion, die das Modell aufrufen darf: eine Suche, ein Datenbankzugriff, ein Schreibvorgang im Ticketsystem, ein Skript. Das Modell bekommt zu jedem Werkzeug eine Beschreibung, wofür es gut ist und welche Angaben es braucht, und entscheidet dann selbst, wann es zugreift und mit welchen Werten. Wie diese Anbindung technisch aussieht, hat sich zuletzt vereinheitlicht, siehe Model Context Protocol.
Die Qualität eines Agenten hängt erstaunlich stark an der Qualität dieser Beschreibungen. Ein unscharf beschriebenes Werkzeug wird falsch benutzt, und zwar jedes Mal auf eine neue Art.
Gedächtnis
Ein Modell hat keinen Zustand. Zwischen zwei Aufrufen erinnert es sich an nichts, außer an das, was ihm erneut mitgegeben wird. Ein Agent braucht deshalb eine eigene Ablage: den Verlauf des aktuellen Laufs, Zwischenergebnisse, Notizen darüber, was schon versucht wurde und gescheitert ist. Für dauerhaftes Wissen kommt meist eine Suche über eigene Dokumente dazu, siehe Retrieval Augmented Generation.
Weil das alles Platz im Kontextfenster kostet, ist Gedächtnisverwaltung bei längeren Läufen keine Nebensache, sondern Kernarbeit: zusammenfassen, wegwerfen, das Richtige behalten.
Planung
Der Agent muss aus dem Ziel Schritte ableiten und nach jedem Schritt neu entscheiden. Manche Systeme schreiben vorab einen groben Plan und arbeiten ihn ab, andere entscheiden rein von Schritt zu Schritt. Beides funktioniert. Entscheidend ist weniger die Planungsstrategie als die Rückkopplung: Bekommt der Agent nach einem Werkzeugaufruf ein ehrliches Ergebnis, korrigiert er sich oft selbst. Bekommt er nur ein “OK”, läuft er im Zweifel fröhlich in die falsche Richtung weiter.
Wo Agenten heute tragen
Es gibt ein Muster, an dem sich gut ablesen lässt, ob ein Vorhaben passt: Agenten sind dort stark, wo das Ergebnis leicht zu prüfen ist.
- Recherche über mehrere Quellen. Suchen, lesen, vergleichen, zusammenfassen. Die Quellen stehen am Ende daneben und lassen sich stichprobenartig gegenlesen.
- Softwareentwicklung. Der Agent liest die Codebasis, ändert etwas und lässt die Tests laufen. Das Testergebnis ist eine harte Rückmeldung, die er selbst verwerten kann.
- Routinevorgänge mit klarer Regel. Eingehende Anfragen einsortieren, Daten aus Dokumenten ziehen, Stammdaten abgleichen. Ein Fehler ist ärgerlich, aber sichtbar und reparabel.
- Erstentwürfe mit Freigabe. Der Agent bereitet vor, ein Mensch gibt frei. Das ist unspektakulär und in der Praxis oft der Aufbau, der sich rechnet.
Schwierig wird es umgekehrt überall dort, wo das Ergebnis nur mit demselben Aufwand prüfbar ist, den man sparen wollte.
Wo es schwierig wird
Verlässlichkeit über viele Schritte
Fehler multiplizieren sich. Ein Schritt, der neunmal von zehn richtig läuft, ist für sich genommen gut. Über zwanzig Schritte hinweg wird daraus eine Kette, die selten sauber durchläuft. Deshalb ist die wichtigste Entwurfsentscheidung meist nicht, welches Modell zum Einsatz kommt, sondern wie kurz die Ketten gehalten und wo Prüfpunkte eingebaut werden.
Kosten pro Lauf
Ein Chat kostet einen Modellaufruf. Ein Agentenlauf kostet so viele, wie er Schritte braucht, und jeder Schritt schleppt den bisherigen Verlauf mit. Die Kosten wachsen also nicht linear mit der Aufgabe, sondern mit ihrer Verworrenheit. Ein Abbruchkriterium und ein Deckel pro Lauf gehören von Anfang an dazu, nicht erst nach der ersten Rechnung. Grundlage der Abrechnung sind Token.
Berechtigungen
Ein Agent handelt mit den Rechten, die man ihm gibt. Er ist zugleich ein System, das Texte aus der Außenwelt liest, aus Webseiten, Mails, Dokumenten, und diese Texte können Anweisungen enthalten, siehe Prompt Injection. Beides zusammen ergibt eine unangenehme Kombination. Praktisch heißt das: eigenes Konto statt Admin-Zugang, Schreibrechte nur dort, wo sie gebraucht werden, und für alles Endgültige eine menschliche Bestätigung.
Häufige Fragen zu KI-Agenten
Braucht jeder Agent ein besonders großes Modell? Nein, aber die Anforderungen sind andere als beim Chat. Wichtiger als Wissen ist die Zuverlässigkeit beim Aufrufen von Werkzeugen und beim Einhalten von Formaten. Kleinere Modelle scheitern selten am Verständnis der Aufgabe, sondern an der Disziplin über viele Schritte.
Was ist der Unterschied zwischen Agentic AI und einem KI-Agenten? Praktisch keiner. “Agentic AI” ist der Oberbegriff für die Arbeitsweise, “KI-Agent” bezeichnet das konkrete System. Beide Wörter werden im Marketing gerne auf alles geklebt, was ein Sprachmodell benutzt.
Kann ein Agent selbstständig im Live-System arbeiten? Technisch ja, organisatorisch selten sinnvoll. Der übliche Zwischenschritt ist ein Agent, der alles vorbereitet und den letzten, unumkehrbaren Klick einem Menschen überlässt. Das kostet wenig Geschwindigkeit und nimmt fast das gesamte Risiko heraus.
Woran scheitern Agentenprojekte in der Praxis? Meist nicht am Modell. Sie scheitern an unsauberen Schnittstellen, an fehlenden Rechten, an Daten, die niemand aufgeräumt hat, und an Aufgaben, deren Ergebnis niemand günstig prüfen kann. Das sind klassische Integrationsprobleme in neuem Gewand.
Fazit
Der Sprung vom Chatbot zum Agenten ist kleiner, als er klingt, und seine Folgen sind größer. Technisch kommen eine Schleife, ein paar Werkzeuge und eine Ablage dazu. Organisatorisch entsteht daraus ein System, das handelt statt antwortet, und damit verschiebt sich die ganze Frage von “stimmt die Auskunft” zu “wer haftet für den Vorgang”. Gute Agenten sind deshalb weniger eine Modell- als eine Architekturfrage: kurze Ketten, klare Rechte, prüfbare Ergebnisse. Wie wir Software bauen und wo Schnittstellen, Rechte und Tests dabei zusammenkommen, steht auf unserer Seite zur Custom-Software-Entwicklung. Was beim Einsatz von KI in der Entwicklung wirklich trägt, haben wir im Artikel KI in der Softwareentwicklung aufgeschrieben. Ab wann sich der Aufwand für einen Agenten gegenüber einer schlichten Automatisierung lohnt, steht auf unserer Seite zu KI-Agenten, und für alles Weitere gibt es das unverbindliche Beratungsgespräch.