Was ist agentische KI und wie funktioniert sie?

Nachdem jahrelang Begeisterung für den Einsatz generativer KI zur Zusammenfassung von Dokumenten, zum Verfassen von E-Mails und zur Datensynthese herrschte, gehen Unternehmen nun über diese isolierten KI-Bots hinaus hin zu agentischen KI-Systemen.

Dieser Wandel erfolgt zu einem Zeitpunkt, an dem 98 % der Führungskräfte der Ansicht sind, dass künstliche Intelligenz für Wachstum unerlässlich ist, und viele erwarten von ihr mehr, als nur Informationen zusammenzufassen und Anfragen zu beantworten. 

Agentische KI hilft Unternehmen, Entscheidungen zu treffen, Aufgaben auszuführen und mehrstufige Workflows mit minimalem menschlichem Eingreifen zu automatisieren. Das Ziel ist nicht, Menschen zu ersetzen, sondern als Multiplikator für deren Arbeit zu fungieren.

In diesem Leitfaden beleuchten wir die Definition von agentischer KI, was sie von anderen KI-Modellen unterscheidet, wie sie funktioniert und wie sie bereits zahlreiche Branchen transformiert.

Agentische KI bezeichnet autonome KI-Systeme, die selbstständig planen, schlussfolgern und handeln können, um ein gemeinsames Ziel zu erreichen.

Im Gegensatz zur traditionellen KI, die sich jeweils auf eine einzige Aufgabe konzentriert, koordiniert die agentische KI einen oder mehrere Agenten, um auf ein Ziel hinzuarbeiten, größere Ziele in kleinere Schritte zu unterteilen, Entscheidungen zu treffen und Aktionen mit wenig oder ohne menschlichen Eingriff auszuführen. Der Begriff „agentisch“ bezieht sich auf die Fähigkeit dieser Modelle, Initiative zu ergreifen und autonom mit minimaler menschlicher Aufsicht zu handeln. 

Stellen Sie sich das folgendermaßen vor: Ein herkömmliches KI-Tool kann einfache Aufgaben erledigen, wie z. B. das Versenden einer Benachrichtigung, wenn der Lagerbestand einen bestimmten Schwellenwert erreicht. Ein agentisches KI-System hingegen prüft, ob Artikel fehlen oder nur noch in geringem Umfang vorrätig sind, bemerkt Verzögerungen bei der Lieferung, sucht nach einem alternativen Lieferanten, bittet den neuen Lieferanten per E-Mail um Angebote, vergleicht die Preise mit Ihrem Budget und gibt die Bestellung auf. Bei korrekter Konfiguration kann es all dies erledigen, bevor Sie überhaupt merken, dass ein Problem besteht.

Agentische KI basiert auf großen Sprachmodellen (LLMs), sodass sie auf natürliche Weise Text lesen, verstehen und generieren kann, genau wie generative KI. Jedoch liegt der Kernunterschied zwischen generativer KI und agentischer KI in den Planungs-, Handlungs- und Selbstkorrekturfähigkeiten, die letztere bietet, wodurch sie eine Erweiterung Ihrer Belegschaft darstellt.

Agentische KI und traditionelle KI werden oft synonym verwendet. Tatsächlich stammen die meisten Google-Suchanfragen zur Bedeutung agentischer KI aus dieser Verwirrung.

Obwohl beide zum selben Buch mit dem Titel „Künstliche Intelligenz“ gehören, zeigt sich der Unterschied in ihrer Ausführungsweise.

Traditionelle KI, einschließlich generativer KI, bezieht sich auf ältere chatbasierte KI-Modelle, die auf einfache Fragen antworten und einmalige Prompts ausführen können. Sie sind reaktiv und warten vor jedem Schritt auf einen direkten Befehl. 

Agentische KI hingegen koordiniert einen oder mehrere Agenten, um gemeinsam zu argumentieren, zu handeln und ein gemeinsames Ziel zu erreichen. Die Mitarbeiter sind dabei eher ein selbstgesteuertes Team als ein einzelner Helfer. Agentische KI ist proaktiv, weitgehend autonom und geht über einfache Frage-Antwort-Interaktionen hinaus, um mehrstufige Workflows auszuführen.

Das Verständnis dieses Unterschieds hilft bei der Entscheidung, ob Sie eine einfache Automatisierung oder echte operative Autonomie benötigen.

Nehmen wir an, Sie haben einen neuen, hochqualifizierten Mitarbeiter für die Arbeit im Homeoffice eingestellt. Sie bitten diesen, einen Betriebsausflug zu planen und zu buchen. Sie sagen dem Mitarbeiter nicht, welche Maustasten geklickt oder welche Webseiten besucht werden sollen – Sie vertrauen darauf, dass dies selbst herausgefunden wird. Der Mitarbeiter prüft Kalender, vergleicht Flugpreise, denkt daran, dass der CEO frühe Abflüge hasst, und bucht die Tickets.

Kurz gesagt, genau so funktioniert agentische KI. Diese Systeme basieren auf einer ausgeklügelten Architektur, die auf sechs Schlüsseleigenschaften beruht:

1. Wahrnehmung

So wie herkömmliche Computer Binärcode wahrnehmen, nimmt agentische KI die Umgebung mithilfe von Daten in all ihren Formen wahr, sei es Text, visuelle, strukturierte oder unstrukturierte Daten, und aus verschiedenen Quellen wie Wissensdatenbanken, Sensoren, API und Benutzereingaben.  

Auf Grundlage der Informationen interpretiert sie Signale und bildet einen Kontext dazu. Dieser Zustand wird zur Grundlage für Denken und Handeln.

2. Schlussfolgerung

Sobald der Kontext erstellt ist, analysiert die KI die Kernaufgaben mithilfe von LLMs.

Da menschliche Eingaben vage sein können, nutzen Agenten interne Denkprozesse oder den sogenannten „inneren Monolog der Agenten“, um das Ziel zu verstehen. Das bedeutet, dass KI-Agenten das Problem intern durchgehen, bevor sie handeln.  

Hierfür verwendet es ein oder mehrere Denkmodelle, wie z. B. Chain of Thought (CoT) Reasoning, Tree of Thought (ToT) und ReAct (Reason + Act), um iterativ zu denken, eine Annahme zu testen und dann erneut zu denken, wodurch die menschliche Problemlösung nachgeahmt wird.

Ist ein Ziel mehrdeutig, kann es mithilfe von Heuristiken und probabilistischen Schlussfolgerungen selbstständig die Lücken füllen. Der Sinn dieses Schrittes besteht darin, alle möglichen Konsequenzen verschiedener Handlungsoptionen zu bedenken, bevor man sich für einen einzigen Weg entscheidet.

Angenommen, wir delegieren die Aufgabe „Planung eines Firmenausflugs“ an ein agentische KI-System. So könnte die Schlussfolgerung aussehen:

„Das Ziel ist es, ein Firmenausflug für nächsten Monat zu planen und zu buchen. Zuerst muss ich die Verfügbarkeit im Kalender des Teams prüfen. Ich sehe, dass der einzige freie Block, in dem alle Führungskräfte verfügbar sind, der 15.-17. ist. Als Nächstes muss ich einen Veranstaltungsort für 50 Personen mit einem Budget von bis zu 15.000 $ finden. Das Mountain Resort ist verfügbar, kostet aber 18.000 Dollar. Das Lakeside Inn kostet 12.000 Dollar, ist aber nur nach einer dreistündigen Autofahrt zu erreichen. Da das Budget sehr begrenzt ist und die Fahrt innerhalb des vierstündigen Limits liegt, werde ich dem Budget Priorität einräumen und das Lakeside Inn auswählen und dann nach Shuttle-Optionen suchen.“

Die Fähigkeit, widersprüchliche Informationen abzuwägen und mithilfe von Logik eine Lösung herzuleiten, unterscheidet einen Agenten von einem Skript.

3. Zielsetzung

Als Nächstes teilt das System das übergeordnete Ziel in kleinere, logische Schritte auf und bestimmt die beste Reihenfolge, um diese zu erreichen. 

Um bei unserem Beispiel mit dem Firmenausflug zu bleiben: Der Agent zerlegt den Reiseplan in einen Abhängigkeitsgraphen von Teilaufgaben:   

• Aufgabe 1: Teamkalender für die Reisetage prüfen und reservieren.
• Aufgabe 2: Den Veranstaltungsort Lakeside Inn für den 15.–17. Juli buchen.
• Aufgabe 3: Einen Shuttle-Service für 50 Mitarbeiter organisieren.
• Aufgabe 4: Ernährungseinschränkungen sammeln und die Menüs finalisieren.
• Aufgabe 5: Abstimmung mit den Abteilungsleitern zur Besetzung der Workshop-Zeitfenster.

Wenn eine Aufgabe zu umfangreich ist, um sie auf einmal auszuführen, legt die KI Teilziele und Meilensteine fest.

Dieses proaktive Verhalten ermöglicht es dem System, Aufgaben und Schritte selbstständig anzupassen, um das gewünschte Ergebnis zu erzielen, ohne auf neue Prompts warten zu müssen.

4. Entscheidungsfindung

In dieser Phase muss der Agent die effektivste Vorgehensweise ermitteln. Dafür verwendet er eine Mischung aus Hilfsfunktionen, prioritätsbasierten Entscheidungsmodellen und probabilistischen Entscheidungsmodellen, um das beste Ergebnis zu erzielen.

Wenn ein Hindernis aufkommt, berechnet er einen Weg neu und trifft Entscheidungen in Echtzeit. 

Nehmen wir an, er versucht Aufgabe 3 und stellt fest, dass das Shuttle-Unternehmen ausgebucht ist. Er setzt sofort ein neues Teilziel – zum Beispiel Zugfahrpläne recherchieren und Uber-Gutscheine gruppieren – und fährt mit dem neuen Plan fort.

In diesem Schritt steht die Autonomie an erster Stelle. Die Agenten argumentieren miteinander, um Entscheidungen zu treffen und sich selbst auf die nächstbeste Option zu korrigieren.

5. Ausführung

Sobald der Plan festgelegt ist und Entscheidungen in Ihrem Namen getroffen wurden, wird entschieden, welche Tools (APIs, Code-Dolmetscher, Browser-Aktionen) zur Ausführung des Workflows benötigt werden.

Da agentische KI auf vom Administrator installierte Plug-ins externer Tools zugreifen kann, kann sie direkt mit diesen Drittanbieteranwendungen interagieren und Aufgaben auf ihnen ausführen. 

Wenn bei der Ausführung ein API-Aufruf fehlschlägt oder eine Buchungswebsite ausfällt, verfügen agentische KI-Systeme über eine integrierte Fehlerbehandlung. Das bedeutet, anstatt den Prozess zu beenden, wird der Fehler analysiert. Wenn der Fehler nur vorübergehend ist, wird der Prozess nach zwei Minuten erneut versucht. Wenn nicht, wird sich die KI selbst korrigieren und nach der nächstbesten Aktion suchen. 

Die meisten Unternehmen setzen an dieser Stelle Schutzmechanismen ein, weil Agenten in einer undurchsichtigen Black-Box-Umgebung kommunizieren und niemand wirklich weiß, was vor sich geht.  

Um also die Interessen aller Beteiligten zu schützen, setzen sie Grenzen, die festlegen, wo der Agent unabhängig agieren kann und wo er auf die Zustimmung des Menschen warten muss.

Beispielsweise kann sie Sie von der Buchungswebsite bis zur Zahlungsseite weiterleiten, Sie dann aber auffordern, die Transaktion manuell zu bestätigen.

6. Lernen und Gedächtnis

Agentisches Lernen ist der größte Unterscheidungsfaktor. Im Gegensatz zur generativen KI, die bis zur expliziten Aufforderung gleich bleibt, lernt agentische KI aus vergangenen Interaktionen und Erfahrungen. 

Hierfür greift die KI auf das episodische Gedächtnis zurück. Es speichert vergangene Aktionen, Interaktionen und Feedback in einer Speicherdatenbank. Mit jeder neuen Information aktualisiert die KI ihren prozeduralen Speicher. Wenn das nächste Mal eine ähnliche Aufgabe oder Anfrage auftaucht, kann die KI sie effizienter erledigen.

Die Speicherkomponente ist jedoch standardmäßig nicht aktiviert und muss über Vektorspeicher oder Datenbanken hinzugefügt werden.

Agentische KI wird bereits in vielen Branchen eingesetzt. Kleine und mittlere Unternehmen nutzen sie für ihre täglichen Workflows, während Großunternehmen sie aufgrund der Skalierbarkeit und Geschwindigkeit einsetzen. Lassen Sie uns einige Praxisbeispiele für agentische KI im Jahr 2026 betrachten.

Personalwesen

Laut Gartner wird die massenhafte Personalbeschaffung in der frühen Phase im Jahr 2026 vorrangig KI-gestützt sein. Zwei Hauptgründe dafür sind der Hype um KI-Automatisierung und der Druck, Kosten zu senken. Beides lässt sich durch den Einsatz von KI-Systemen bewältigen.

Unilever nutzt agentische KI, um seinen Campus-Recruiting-Prozess zu beschleunigen, indem der gesamte Prozess von der Bewerbung bis zu den Assessments und Video-Bewerbungsgesprächen automatisiert wird. Das Ergebnis ist eine 75 %ige Reduzierung der Rekrutierungszeit und Kosteneinsparungen von über 1 Mio. £.

Agentische KI in der Talentakquise kann konsistentere Kandidateninformationen unterstützen und dazu beitragen, manuelle Ineffizienzen von den ersten Phasen der Rekrutierung an zu reduzieren.

Reisen

Fast 90 % der Verbraucher möchten KI künftig bei Reisen einsetzen, sei es für die Reiseplanung oder für die Buchung kompletter Reisen.

Zum Beispiel verwendet Booking.com Agententools, um Kunden und Partner bei der Entscheidungsfindung und Konfliktlösung zu unterstützen. Die KI kann Unterkünfte reservieren, Flüge und Villen vergleichen und sogar ein Taxi mieten.

Für eine durchgängige Reiseautomatisierung setzt NorthBay Agenten ein, die Reisepläne in Echtzeit ohne menschliche Beteiligung erstellen, buchen und umbuchen. Dies hat zu einer um 20%-30% höheren Buchungskonversionsrate und bis zu 40 % niedrigeren Supportkosten geführt.

Logistik

Im Einzelhandel und im Versand werden Agentensysteme hauptsächlich für die Bestandsverwaltung, die Priorisierung von Bestellungen und die Optimierung von Routen eingesetzt. 

• Walmart nutzt agentische KI, um die Nachfrage vorherzusagen und die Lagerbestände in seinen 4.700 Filialen anzupassen. 
• DHL verfügt über KI-gesteuerte Agenten, die Sendungen überwachen und alternative Routen vorschlagen, wenn Verzögerungen auftreten. 
• Maersk’s KI-gesteuerte Schiffsroutensysteme optimieren kontinuierlich den Treibstoffverbrauch, die Hafenzeiten und die Routenführung und fungieren als autonomer Entscheidungsträger innerhalb des Netzwerks.

Kundensupport

Die Dringlichkeit, KI-gestützte Contact-Center-Software einzuführen, war für die Kundenerfahrung nie größer. Hier sind zwei gute Beispiele. 

• Die Bank of America setzt Erica ein, eine virtuelle Finanzassistentin, unterstützt von KI, um Kunden bei der eigenständigen Bearbeitung ihrer Bankgeschäfte zu helfen und routinemäßige Anfragen ohne Eskalation zu klären. Dies entlastet die Live-Mitarbeiter und gewährleistet gleichzeitig einen schnellen und zuverlässigen Support.
• Da wir mit agentischer KI in eine neue Ära eintreten, hilft Ihnen die KI-gestützte Kundenservice-Lösung von Zoom, Kundengespräche in Aktionen umzuwandeln. Cricut, eine Marke für personalisierte Dekoration, verwendet Zoom AI Companion 3.0 und Zoom Virtual Agent, um Kunden die Möglichkeit zur Selbstbedienung zu bieten und die Lösungsquote beim ersten Anruf durch die sofortige Eskalation per Sprach-zu-Video-Chat zu verbessern. Das Unternehmen hat die Wartezeit seiner Kunden um fast 90 % verkürzt und eine Quote von 50 % bei der Selbstbedienung erreicht.

Die Implementierung von agentischen KI-Systemen bedeutet, dass ein Team digitaler Mitarbeiter Aufgaben für Sie mit voller Autonomie ausführt. Dies erhöht jedoch auch das Risiko, dass die Dinge aus dem Ruder laufen oder in einer Endlosschleife stecken bleiben.

Hier sind sechs Best Practices, die Sie beachten sollten:

• Definieren Sie im Voraus klare Ziele: Geben Sie dem System ein einfaches, klares Ziel, damit es lernt, die Aufgaben ohne Abweichungen zu erfüllen. Lassen Sie es aus Interaktionen lernen und verhindern Sie, dass sich das System in irrelevanten Aufgaben oder Erfahrungen verliert.
• Beginnen Sie mit einfachen Aufgaben vor der Skalierung: Verwenden Sie Zwei- oder Drei-Schritte-Workflows, bevor Sie in teamübergreifende Abläufe übergehen. Ein langsamer Start kann Ihnen helfen, das Systemverhalten zu verstehen.
• Überwachen Sie KI-Entscheidungen regelmäßig: KI kann Fehlentscheidungen treffen, daher sollte ihre Autonomie zunächst getestet werden. Nutzen Sie Überwachungstools, Kontrollpunkte oder menschliche Prüfinstanzen, um Probleme vor der Skalierung zu erkennen.
• Nutzen Sie die Zusammenarbeit zwischen mehreren Agenten: Verwenden Sie modulare Systeme, wie die SLMs von Zoom, die mehrere spezialisierte Agenten anstelle eines einzigen, umfassenden Modells kombinieren. Dies kann die Fehlertoleranz verbessern und den Ressourcenverbrauch niedriger halten.
• Kontinuierliche Bereitstellung von Kontext und Daten: KI-Systeme sind nur so gut wie die Daten, mit denen sie trainiert werden. Hochwertige Datenpipelines und gut indexierte Repositories sind unerlässlich, um den Agenten den notwendigen Echtzeitkontext bereitzustellen.
• Workflows iterativ optimieren: Analysieren Sie Leistungsdaten aus Echtzeit-Interaktionen, um Workflows fein abzustimmen und sicherzustellen, dass das System mit Ihren Bedürfnissen mitwächst.

Profi-Tipp: Sie können Ihre eigenen individuellen KI-Agenten über Zoom AI Studio erstellen und bereitstellen.

Mit Tools wie Zoom Virtual Agent und Zoom AI Companion können Teams kanalübergreifende Workflows ausführen, Gespräche speichern und mehrere Agenten koordinieren, um komplexe Kundenanfragen zu bearbeiten. 

Für kleine und mittlere Unternehmen bedeutet dies, mehr Supportanfragen zu bearbeiten, ohne die Mitarbeiterzahl zu erhöhen. Und für Großunternehmen bedeutet das, komplexe Workflows mit klareren Grenzen zu verwalten. Der KI-gestützte Ansatz von Zoom hilft Unternehmen, agentische KI zu nutzen, um komplexe Aufgaben schnell auszuführen und sich im großen Maßstab mit Kunden zu verbinden.

Warum ist agentische KI wichtig?

Agentische KI ist deshalb so wichtig, weil sie in Ihrem Namen planen, schlussfolgern und Aktionen ausführen kann. So können Sie sich von sich wiederholenden, zeitaufwändigen Aufgaben befreien und sich auf wertvolle Arbeit konzentrieren können.

Gibt es irgendwelche Herausforderungen bei agentischen KI-Systemen?

Ja. Die Teams müssen die Kontrolle sicherstellen, den Missbrauch von Tools verhindern und proaktiv auf unerwartetes Verhalten achten, da die Systeme immer autonomer werden. 

Welche verschiedenen Arten von KI-Agenten gibt es?

KI-Agenten werden je nach Architektur generell in fünf Typen eingeteilt:

• Einfache Reflexagenten handeln basierend auf aktuellen Wahrnehmungen gemäß vordefinierter Regeln.
• Modellbasierte Agenten pflegen einen internen Zustand, um Veränderungen zu verfolgen.
• Zielorientierte Agenten ergreifen gezielte Maßnahmen, um ein definiertes Ziel zu erreichen.
• Nutzenorientierte Agenten optimieren auf das „wünschenswerteste“ Ergebnis.
• Lernende Agenten verbessern ihre Leistung im Laufe der Zeit durch Erfahrung.

Ist ChatGPT ein KI-Agent?

Ja, OpenAI bietet jetzt ChatGPT-Agenten an, die selbstständig denken und eigenständig Aktionen ausführen können.