Agentische KI: Definition, Funktionsweise und Beispiele

Definition im Detail

Agentische KI (englisch agentic AI) bezeichnet Systeme künstlicher Intelligenz, die darauf ausgelegt sind, ein Ziel über mehrere Schritte hinweg zu erreichen, bei begrenzter menschlicher Aufsicht. IBM definiert sie als ein System, das ein bestimmtes Ziel mit begrenzter Aufsicht erreichen kann, indem es mehrere mögliche Aktionen bewertet und die passendste wählt. Microsoft schließt sich dem an und spricht von KI-Systemen mit Agentivität, also der Fähigkeit, selbstständig zu entscheiden und zu handeln, während sie ein Ziel verfolgen.

Das ist kein Produkt, sondern eine Kategorie. Man kann einen Chatbot bauen, der überhaupt nicht agentisch ist, und man kann einen Agenten bauen, der es vollständig ist. Was ein System auf die agentische Seite stellt, sind drei zusammenkommende Zutaten: ein vorgegebenes Ziel statt einer einzelnen gestellten Frage, die Fähigkeit, dieses Ziel in aufeinanderfolgende Aktionen zu zerlegen, und eine tatsächliche Ausführung dieser Aktionen über Werkzeuge, nicht nur eine Textantwort.

Der Begriff ist nicht mit den LLMs entstanden. Er führt eine ältere Idee der künstlichen Intelligenz weiter, die des rationalen Agenten, formalisiert von Russell und Norvig: Ein Agent nimmt seine Umgebung über Sensoren wahr und wirkt über Aktoren auf sie ein, wobei er angesichts seines Wissens das bestmögliche Ergebnis anstrebt. Was sich mit den aktuellen Sprachmodellen ändert, ist, dass das "Gehirn" des Agenten nun in natürlicher Sprache argumentieren, eine Dokumentation lesen und entscheiden kann, ein Werkzeug aufzurufen, ohne dass für jeden Fall eine im Voraus codierte Regel existiert. Siehe auch die Seite Generative KI vs. agentische KI für den vollständigen Vergleich beider Begriffe.

So funktioniert es

Die technischen Beschreibungen laufen auf eine vierstufige Schleife hinaus. Microsoft fasst sie so zusammen: Wahrnehmung (Aufnahme von Daten und Signalen), Reasoning (Aufbau eines Plans), Aktion (Ausführung über Werkzeuge und APIs) und schließlich Reflexion (Bewertung des Ergebnisses und Anpassung). Google Cloud beschreibt eine ähnliche Schleife, Wahrnehmung, Entscheidung, Aktion, mit einer Rückkopplung zur nächsten Wahrnehmung.

Vier Bausteine machen diese Schleife möglich:

• Die Planung: Das System zerlegt ein diffuses Ziel in eine Abfolge konkreter Schritte und kann den Plan überarbeiten, wenn ein Schritt scheitert.
• Die Werkzeugnutzung: Der Agent ruft APIs auf, fragt Datenbanken ab, sendet Nachrichten, statt nur zu beschreiben, was zu tun wäre.
• Das Gedächtnis: kurzfristig, um den Faden einer laufenden Aufgabe zu behalten, langfristig, um sich über Sitzungen hinweg an den Kontext eines Projekts zu erinnern.
• Die Autonomie, die kein Alles-oder-nichts ist: Sie reicht vom einfachen Assistenten, der eine zu validierende Aktion vorschlägt, bis zum Agenten, der ausführt und nur wirklich kritische Entscheidungen meldet.

Hier verläuft eine echte Trennlinie im aktuellen Markt: Auf der einen Seite asynchrone autonome Agenten, die ein grundlegendes Ziel erhalten, selbst ihren Weg dorthin wählen, dauerhaft in ihrer eigenen Ausführungsumgebung laufen und sich nur bei einer präzisen Entscheidung an den Menschen wenden; auf der anderen Seite ausgelöste Workflow-Agenten, gebaut auf Werkzeugen wie Make, n8n, Zapier, Lindy, Copilot Studio oder Agentforce, bei denen ein Trigger eine weitgehend vordefinierte Schrittfolge startet. Beide Kategorien sind legitim und erfüllen unterschiedliche Bedürfnisse, es geht nicht um ein besseres oder schlechteres Werkzeug, sondern darum, welche Granularität an Autonomie Sie suchen.

Konkretes Beispiel bei Atako

Bei Atako läuft ein von einem Unternehmen erstellter Agent in seiner eigenen isolierten Ausführungsumgebung, nicht in einem geteilten Worker-Pool. Diese Persistenz ändert alles: Gedächtnis, Dateien und geplante Aufgaben des Agenten überstehen seine Pausen und Neustarts, genau das, was man von einem System erwartet, das ein Ziel dauerhaft verfolgt, statt einmal zu antworten und dann zu vergessen.

Konkret erhält ein und derselbe KI-Agent seine Anfragen über vier Kanäle, die alle dasselbe Gedächtnis speisen: Chat, E-Mail, Webhooks und Cron. Der Cron-Kanal veranschaulicht die agentische Logik gut: Die geplante Aufgabe wird nicht von einem Menschen in einem Formular konfiguriert, sondern vom Agenten selbst erstellt, wenn er entscheidet, dass eine regelmäßige Prüfung Teil seines Plans zur Zielerreichung ist. Bei komplexen Teilaufgaben kann der Agent zudem an einen kurzlebigen Unteragenten delegieren, dessen Arbeit als Schritte in seiner eigenen Aktivitäts-Timeline erscheint.

Diese Autonomie bleibt eingegrenzt. Jeder Werkzeugaufruf läuft über einen expliziten Grant (Agent, Verbindung, präzise Aktion, Umfang lesen oder lesen-schreiben), standardmäßig abgelehnt, solange er nicht gewährt wurde. Ein Anwendungsfall wie CI-Triage und Vorfallmanagement zeigt diese Funktionsweise in der Praxis: Der Agent überwacht eine Pipeline, korreliert den Fehler mit den letzten Commits, benachrichtigt das Team und verfasst einen Bericht, mehrere aneinandergereihte Schritte auf ein Ziel hin, mit menschlichen Kontrollpunkten dort, wo sie zählen.

Häufige Fehler

Die häufigste Verwechslung besteht darin, jedes Werkzeug, das intelligent auf einen Prompt antwortet, "agentisch" zu nennen. Ein guter Chatbot, der ein Dokument zusammenfasst, ist nicht agentisch, wenn er nichts plant und nichts außerhalb des Gesprächs bewirkt. Umgekehrt ist eine Ende-zu-Ende automatisierte Kette fester Regeln auch nicht im vollen Sinn agentisch, selbst wenn sie ohne Aufsicht läuft: Ihr fehlt die Entscheidung.

Zweiter Fehler: glauben, Autonomie sei ein einziger Schalter, alles oder nichts. In der Praxis ist es ein Regler: Ein System kann seine Aktionen planen und vor jeder sensiblen Ausführung eine Validierung vorschlagen, oder deutlich weiter gehen und nur kritische Entscheidungen melden. Die beiden Extreme zu verwechseln führt entweder dazu, ein wirklich autonomes System zu unterschätzen, oder ein einfaches Copilot-Tool zu überverkaufen, als würde es allein handeln.

Dritte Falle: denken, "agentisch" und "generativ" seien Gegensätze. Tatsächlich überschneiden sich beide Begriffe, wie IBM betont, weitgehend und funktionieren oft zusammen: Das generative Modell dient als Reasoning-Engine innerhalb des agentischen Systems. Der detaillierte Vergleich findet sich auf der Seite Generative KI vs. agentische KI.

Weiterführend

Wer die Abgrenzung zu einfachen generativen Modellen vertiefen möchte, findet auf der Seite Generative KI vs. agentische KI im Detail, wo das eine aufhört und das andere beginnt, mit demselben Anliegen, die beiden nicht künstlich gegeneinander auszuspielen. Unser Blogartikel zum Thema, Generative KI vs. autonome Agenten, die wahren Unterschiede, greift den Blickwinkel mit breiteren Beispielen als denen von Atako auf. Das vollständige Glossar deckt weitere verwandte Begriffe ab, wie die Agenten-Orchestrierung oder den autonomen KI-Agenten, um agentische KI im gesamten Vokabular des Themenfelds einzuordnen.