Agentische KI

Was ist agentische KI?

Agentische KI (Agentic AI) ist eine Klasse von KI-Systemen, die ein Ziel verfolgen, indem sie Schritte planen, über Tools Handlungen ausführen, die Ergebnisse beobachten und ihren Kurs anpassen – und das mit begrenzter menschlicher Steuerung. Anders als ein Modell, das eine Antwort auf einen Prompt liefert, arbeitet ein agentisches System weiter, bis das Ziel erreicht ist oder eine Abbruchbedingung greift. Die Obergrenze dieser Arbeitsfähigkeit steigt kontinuierlich: METR maß 2025, dass sich die Länge der Aufgaben, die KI-Agenten autonom abschließen können, in den letzten sechs Jahren etwa alle 7 Monate verdoppelt hat [1].

Die wichtigsten Punkte

• Das entscheidende Merkmal ist die Schleife: planen, handeln, beobachten, anpassen. Ein einzelner Modellaufruf, so klug er auch sein mag, ist nicht agentisch.
• Agentische KI handelt über Tools. Dateisysteme, APIs, Browser und Shells geben dem Modell Konsequenzen in der realen Welt – genau dort liegen sowohl der Nutzen als auch das Risiko.
• Autonomie ist ein Regler, kein Schalter. Die meisten Produktivsysteme bewegen sich zwischen vollständig überwacht und vollständig autonom, mit Human-in-the-Loop-Kontrollpunkten bei den Entscheidungen, die wirklich zählen.
• Das Modell ist nur eine Komponente. Gedächtnis, Tool-Zugriff, Guardrails und Orchestrierung entscheiden, ob ein agentisches System nützlich ist oder zum Risiko wird.

So funktioniert es

Ein agentisches System bettet ein Large Language Model in eine Kontrollschleife ein. Das Modell erhält ein Ziel, den aktuellen Zustand der Welt und eine Menge von Tools, die es aufrufen darf. Es überlegt, was als Nächstes zu tun ist, gibt einen Tool-Aufruf aus, und das umgebende Harness führt diesen Aufruf aus und speist das Ergebnis zurück in das Kontextfenster. Die Schleife wiederholt sich, bis das Modell entscheidet, dass das Ziel erreicht ist, ein Budgetlimit erreicht wird oder ein Mensch sie stoppt.

Was agentische KI von einer Chat-Oberfläche unterscheidet, ist, dass das Feedback aus der Umgebung kommt, nicht von einem Nutzer. Wenn ein Test fehlschlägt oder eine API einen Fehler zurückgibt, liest der Agent diesen Output und ändert seinen Plan. Das macht agentische Systeme tolerant gegenüber unübersichtlichen, unvollständig spezifizierten Problemen – und gleichzeitig schwerer vorhersagbar. Teams managen diese Unvorhersagbarkeit mit KI-Guardrails, eingeschränkten Berechtigungen, Ausführung in einer Sandbox und Review-Gates, statt zu versuchen, jeden Pfad im Voraus zu skripten.

Größere Deployments setzen mehrere Agenten zusammen. Ein Orchestrator zerlegt ein Ziel, verteilt Teile an spezialisierte Agenten und führt die Ergebnisse zusammen. Dieses Muster, meist als agentischer Workflow bezeichnet, ist der Weg, auf dem Organisationen von einem cleveren Assistenten zu Systemen übergehen, die echte operative Last tragen. Dieser Wandel ist bereits im vollen Gange: In Microsofts Work Trend Index 2025 gaben 46 % der Führungskräfte an, dass ihre Organisation KI-Agenten bereits einsetzt, um Workstreams oder Geschäftsprozesse vollständig zu automatisieren, angeführt von Kundenservice, Marketing und Produktentwicklung [2].

Beispiel

Ein Support-Engineering-Team gibt einem Agenten das Ziel „behebe den fehlgeschlagenen Datenexport dieses Kunden“. Der Agent fragt das Logging-System ab, findet ein Timeout in einem Export-Worker, liest den relevanten Service-Code, reproduziert den Fehler in einer Staging-Umgebung und entwirft einen Patch, der die Behandlung des Batch-Limits erhöht. Er eröffnet einen Pull Request mit angehängten Belegen: dem Log-Ausschnitt, den Reproduktionsschritten und dem bestandenen Test. Ein menschlicher Engineer prüft und merged. Niemand hat dem Agenten gesagt, welche Logs er lesen oder welche Datei fehlerhaft war. Das Ziel, die Tools und die Grenzen reichten aus.

Häufige Missverständnisse

Der häufigste Fehler ist, „agentische KI“ als Synonym für „einen besseren Chatbot“ zu behandeln. Ein Chatbot mit großem Kontextfenster antwortet immer noch nur. Der Kategoriewechsel passiert, wenn das System Handlungen mit Nebenwirkungen ausführen und die Ergebnisse nutzen kann, um sich selbst zu steuern. Genau dieser Wechsel erzwingt neue Engineering-Praktiken, denn man überprüft nicht mehr Text, sondern Verhalten.

Agentische KI vs. generative KI

Generative KI beschreibt, was ein Modell produziert: Text, Bilder, Code, Audio. Agentische KI beschreibt, wie ein System arbeitet: zielgerichtet, tool-nutzend, iterativ. In der Praxis überschneiden sich beide fast vollständig, da heute nahezu jedes agentische System auf einem generativen Modell aufbaut. Der nützliche Unterschied liegt in der Architektur. Generative KI ist eine Fähigkeit, die man aufruft. Agentische KI ist ein Prozess, an den man delegiert – deshalb verlangt sie Guardrails, Monitoring und Review, die ein reiner Generierungs-Endpunkt nie gebraucht hat.

FAQ

Was ist agentische KI in einfachen Worten? Es ist KI, die eigenständig auf ein Ziel hinarbeitet, dabei mehrere Schritte durchläuft und Tools wie einen Browser oder eine API nutzt, statt Ihnen eine Antwort zu geben und dann aufzuhören. Sie definieren das gewünschte Ergebnis; das System findet die Schritte dorthin.

Gibt es eine standardisierte Definition von agentischer KI? Anbieter formulieren es unterschiedlich, aber der gemeinsame Kern ist Autonomie über einen mehrstufigen Prozess: Das System plant, handelt, beobachtet Ergebnisse und iteriert mit minimaler Aufsicht. Muss ein Mensch jeden Schritt auslösen, handelt es sich um Assistenz, nicht um Agency. Die Verbreitung der echten Variante ist noch uneinheitlich: Die Stack-Overflow-Umfrage 2025 fand heraus, dass 31 % der Entwickler KI-Agenten bei der Arbeit mindestens monatlich nutzen, während 37,9 % keine Pläne haben, sie einzuführen [3].

Was bedeutet agentische KI konkret für Engineering-Teams? In der Praxis bedeutet es, Arbeit zu delegieren statt Output anzufordern – das verschiebt den Aufwand des Teams weg vom Schreiben von Anweisungen für jeden Schritt hin zum Definieren von Zielen, Constraints und Verifikation für die gesamte Aufgabe.

Quellen

1. METR. "Die Länge der Aufgaben, die KI-Agenten autonom abschließen können, verdoppelt sich seit sechs Jahren etwa alle 7 Monate." https://metr.org/blog/2025-03-19-measuring-ai-ability-to-complete-long-tasks/. Abgerufen im August 2026.
2. Microsoft 2025 Work Trend Index. "46 % der Führungskräfte geben an, dass ihre Organisation KI-Agenten nutzt, um Workstreams oder Geschäftsprozesse vollständig zu automatisieren." https://blogs.microsoft.com/blog/2025/04/23/the-2025-annual-work-trend-index-the-frontier-firm-is-born/. Abgerufen im August 2026.
3. Stack Overflow Developer Survey 2025. "31 % der Entwickler nutzen KI-Agenten bei der Arbeit täglich, wöchentlich oder monatlich; 37,9 % haben keine Pläne, sie einzuführen." https://survey.stackoverflow.co/2025/ai. Abgerufen im August 2026.