Was ist Agentic AI?
Agentic AI bezieht sich auf Systeme, die Ziele über mehrere Schritte hinweg verfolgen – durch Planung, den Aufruf von Tools, Interaktion mit einer Umgebung und Reaktion auf Feedback –, anstatt nur eine einzige Antwort zu generieren. Sie verwandelt ein Sprachmodell von einem reinen Textgenerator in einen Akteur, der Aufgaben eigenständig ausführen kann. Dies markiert den Übergang von „Do-it-yourself“-Software, bei der der Mensch jeden Schritt steuert, zu „Do-it-for-me“-Software, bei der das System die Arbeit erledigt und Bericht erstattet.
Definition
Agentic AI bezeichnet die Klasse von KI-Systemen, die durch die Kombination eines Modells mit Gedächtnis, Tools und einer Kontrollschleife mehrstufige Aufgaben autonom planen und ausführen.
Wichtigste Erkenntnisse
- Ein Agent = Modell + Tools + Gedächtnis + eine Kontrollschleife, die entscheidet, was als Nächstes zu tun ist.
- Autonomie ist ein Spektrum, das vom einfachen Tool-Aufruf bis zur Ausführung von Aufgaben mit langem Zeithorizont reicht.
- Zuverlässigkeit entsteht vor allem durch das Harness um das Modell herum, nicht durch die reine Modell-IQ.
- Die Nutzung von Tools (Function Calling) verbindet das Modell mit realen Systemen und Daten.
- Die Evaluierung muss die Aufgabenerfüllung (Handlungsfähigkeit/Agency) messen, nicht nur die Antwortqualität (Leistungsfähigkeit).
Kontext
In der bisherigen LLM-Ära wurden Modelle meist als One-Shot-Systeme genutzt: Prompt rein, Antwort raus. Agentic AI bricht dieses Muster auf, indem sie dem Modell eine Schleife bereitstellt – es kann entscheiden, ein Tool aufzurufen, das Ergebnis zu lesen, seinen Plan anzupassen und fortzufahren, bis das Ziel erreicht oder ein Budget aufgebraucht ist.
Dies ist die wichtigste Entwicklungslinie für angewandte KI in Unternehmen, da sich der Wert von der Beantwortung von Fragen hin zur Erledigung von Arbeit verschiebt: die End-to-End-Lösung eines Support-Tickets, das Refactoring einer Codebasis, die Durchführung einer Rechercheaufgabe oder das Betreiben eines Workflows.
Architektur
Ein minimaler Agent besteht aus vier Teilen: einem Reasoning-Modell, einer Reihe von Tools, die er aufrufen kann, einer Form von Gedächtnis oder Zustand und einer Orchestrierungsschleife, die Modell-Outputs in Aktionen umsetzt und Beobachtungen zurückspielt.
Die Muster reichen von einfach (ein Modell mit Tools und einer Abbruchbedingung) bis komplex (Aufteilung in Planer und Ausführer, Reflexion und Multi-Agenten-Teams). Die Empfehlung von Anthropic lautet, das einfachste funktionierende Muster zu bevorzugen und Struktur nur dann hinzuzufügen, wenn dies messbar erforderlich ist.
Komponenten
Vorteile
- Erledigt mehrstufige Arbeitsschritte, statt nur einzelne Antworten zu liefern.
- Passt sich an Feedback an und behebt Zwischenfehler selbstständig.
- Integriert sich über Tools und APIs in reale Systeme.
- Skaliert repetitive Wissensarbeit, die zuvor nur von Menschen erledigt werden konnte.
Risiken
- Sich summierende Fehler bei langen Aufgabenhorizonten.
- Unbegrenzte Kosten und Latenzzeiten ohne Budgets und Abbruchbedingungen.
- Sicherheitsrisiken durch Tool-Zugriff und Prompt-Injection.
- Schwer zu evaluieren und zu debuggen im Vergleich zu Single-Shot-Prompts.
Tools & Technologien
Beispiele
- Ein Kundenservice-Agent, der ein Ticket liest, die Bestellung nachschlägt, eine Rückerstattung veranlasst und antwortet – alles über Tools.
- Ein Coding-Agent, der Dateien bearbeitet, Tests ausführt und iteriert, bis die Testsuite erfolgreich durchläuft.
- Ein Recherche-Agent, der sucht, Quellen liest, Behauptungen verifiziert und eine zitierte Zusammenfassung schreibt.
FAQs
- Was ist der Unterschied zwischen einem KI-Agenten und Agentic AI?
- Ein KI-Agent ist ein konkretes System; Agentic AI ist das breitere Paradigma, Software um solche zielgerichteten, mehrstufigen Systeme herum aufzubauen.
- Benötigt man ein leistungsstärkeres Modell, um agentisch zu agieren?
- Nicht unbedingt. Dasselbe Modell kann bei einer Aufgabe erfolgreich sein oder scheitern, was fast ausschließlich vom Harness abhängt – den Tools, dem Speicher, den Prompts und der Kontrollschleife drumherum.
- Ist RAG agentisch?
- Einfache Retrieval-Augmented Generation ist ein einzelner Schritt. Sie wird agentisch, wenn das System im Rahmen einer mehrstufigen Schleife entscheidet, wann und was abgerufen werden soll.
- Was macht Agenten unzuverlässig?
- Lange Zeithorizonte summieren kleine Fehler auf, Tools schlagen fehl und der Kontext geht verloren. Zuverlässigkeit entsteht durch Harness Engineering: gute Tools, Speicher, Guardrails und Evaluation.
- Wie misst man einen Agenten?
- Mit agentischen Benchmarks und aufgabenbasierten Evals, die den End-to-End-Erfolg einer Aufgabe in einer Umgebung bewerten, nicht nur die Qualität einer einzelnen Antwort.