KI-Agent
Ein KI-Agent ist ein Softwaresystem, das auf Basis eines LLM mehrstufige Aufgaben eigenständig plant und ausführt: Es nutzt Werkzeuge wie Dateisysteme, Datenbanken oder APIs, bewertet Zwischenergebnisse und arbeitet iterativ auf ein vorgegebenes Ziel hin — unter menschlicher Aufsicht.
Was unterscheidet einen KI-Agenten von einem Chatbot?
Beide basieren auf einem LLM — der Unterschied liegt darin, was um das Modell herum gebaut ist:
| Chatbot | KI-Agent | |
|---|---|---|
| Arbeitsweise | beantwortet einzelne Anfragen im Dialog | verfolgt ein Ziel über viele Schritte |
| Werkzeuge | keine oder wenige (z.B. Websuche) | Dateisystem, Datenbanken, APIs, Befehlsausführung |
| Ergebnis | Text als Vorschlag | ausgeführte Arbeit: geänderte Dateien, erstellte Tickets, geprüfte Ergebnisse |
| Dauer | Sekunden pro Antwort | Minuten bis Stunden pro Aufgabe |
| Kontrolle | Mensch prüft jede Antwort | Mensch gibt Richtung vor, entscheidet Eskalationen, nimmt ab |
Ein Chatbot ist damit eine sehr fähige Autovervollständigung im Gespräch. Ein Agent ist ein Delegationsempfänger: Man übergibt ihm ein abgegrenztes Stück Arbeit und erwartet ein Ergebnis, nicht nur einen Textvorschlag.
Wie arbeitet ein KI-Agent?
Der Grundmechanismus ist eine Schleife: Der Agent zerlegt die Aufgabe in Schritte (planen), führt den nächsten Schritt mit einem passenden Werkzeug aus (handeln), betrachtet das Ergebnis (beobachten) und entscheidet, wie es weitergeht — bis das Ziel erreicht ist. Entscheidend für die Verlässlichkeit ist das Verhalten an den Rändern: Ein gut gebauter Agent eskaliert alles, was außerhalb seiner Zuständigkeit liegt oder ein menschliches Urteil verlangt, statt darüber hinwegzugehen und drauflos zu raten.
Grenzen: Warum ein Agent nicht alles können sollte
Zwei systematische Grenzen prägen jeden LLM-basierten Agenten. Erstens der Kontext: Das Arbeitsgedächtnis ist endlich, und die Qualität der Entscheidungen sinkt tendenziell, je voller es wird — ein Agent, der über eine lange Aufgabe alles ansammelt, was er gesehen hat, wird leise, aber stetig schlechter. Zweitens die Regelbefolgung: Soll ein einziger Agent gleichzeitig auf Architektur, Sicherheit, Qualität und Fachlichkeit achten, befolgt er ab einer gewissen Regelmenge zuverlässig keine Regel mehr richtig.
Die praktische Konsequenz: Statt einen Agenten in allem gut machen zu wollen, teilt man das Urteilsvermögen auf mehrere schmale, spezialisierte Agenten auf — jeder betrachtet die Aufgabe aus genau einem Blickwinkel, trägt nur die Regeln dieses Blickwinkels und läuft bei jedem Aufruf in frischem, isoliertem Kontext. Ein Orchestrierungs-Workflow fächert die Arbeit an die passenden Agenten auf, führt ihre Ergebnisse zusammen und eskaliert echte Konflikte an den Menschen.
Menschliche Aufsicht: Delegieren heißt nicht Loslassen
Autonomie ist kein Selbstzweck. Der Wert eines Agenten bemisst sich daran, ob man seinem Ergebnis vertrauen kann, ohne jeden Schritt zu überwachen — und dieses Vertrauen entsteht durch Struktur, nicht durch Hoffnung: klar abgegrenzte Zuständigkeiten, Prüfschritte während der Arbeit statt erst am Ende, und bewusst wenige, aber feste Berührungspunkte des Menschen — die Richtung vorgeben, bei den seltenen echten Entscheidungsfragen mitentscheiden und das fertige Ergebnis abnehmen, bevor es wirksam wird.
KI-Agenten in der Praxis: der Workflow zählt, nicht das Modell
Ob Agenten in einer Organisation echten Nutzen stiften, hängt erfahrungsgemäß weniger vom eingesetzten Modell ab als vom Workflow darum herum: welche Aufgaben sich überhaupt zum Delegieren eignen, wie die Agenten an bestehende Systeme und Qualitäts-Gates angebunden sind, und ob die Agenten-Definitionen als versionierte, überprüfbare Dateien vorliegen, die das Team selbst besitzt und weiterentwickelt — statt eine Blackbox zu mieten. Ohne diese Struktur bleibt es bei beeindruckenden Demos; mit ihr wird aus dem Agenten ein verlässlicher Teil der täglichen Arbeit.