Die meisten KI-Tools arbeiten in einer einfachen Schleife: Sie geben etwas ein, das Modell liefert eine Ausgabe, und die Interaktion endet. Das Modell erinnert sich nicht an frühere Dialoge, kann keine Aktionen in externen Systemen ausführen und hat keinen Mechanismus, um zu prüfen, ob seine Ausgabe tatsächlich korrekt war. Das ist dialogorientierte KI – und für viele Anwendungsfälle völlig ausreichend.
Agentische KI ist grundlegend anders. Ein agentisches System ist darauf ausgelegt, ein Ziel über mehrere Schritte hinweg zu verfolgen, dabei Tools und Informationen aus externen Systemen zu nutzen, unterwegs Entscheidungen zu treffen und sein Vorgehen anhand neuer Erkenntnisse anzupassen. Der Unterschied liegt nicht darin, welches Modell klüger ist, sondern in der Architektur. Agentische Systeme beantworten keine Fragen. Sie erledigen Arbeit.
Was ein KI-System „agentisch“ macht
Im Marketing wird der Begriff großzügig verwendet. In der Praxis hat ein echtes agentisches System vier Eigenschaften:
Autonomie bei mehrstufigen Aufgaben
Das System kann ein übergeordnetes Ziel in eine Abfolge von Teilaufgaben zerlegen, diese der Reihe nach ausführen und mit Verzweigungen umgehen, die entstehen, wenn Zwischenschritte unerwartete Ergebnisse liefern. Niemand muss jeden Schritt überwachen. Das System arbeitet weiter, bis es auf eine Entscheidung stößt, zu der es nicht befugt ist – dann eskaliert es an einen Menschen.
Tool-Nutzung
Das System kann im Auftrag des Nutzers Datenbanken abfragen, APIs aufrufen, Dateien lesen und schreiben, im Web suchen, Code ausführen oder mit Software von Drittanbietern interagieren. Genau das unterscheidet ein agentisches System von einem Chatbot mit langem System-Prompt.
Gedächtnis
Agentische Systeme behalten ihren Zustand über Sitzungen hinweg: kurzfristig (was früher in dieser Aufgabe geschah) und langfristig (was dieser Nutzer oder diese Organisation typischerweise benötigt). Ohne Gedächtnis kann ein System nicht auf früherer Arbeit aufbauen und bleibt auf einmalige Interaktionen beschränkt.
Selbstkorrektur
Wenn ein Tool-Aufruf fehlschlägt, ein Zwischenergebnis offensichtlich falsch ist oder ein Plan keinen Fortschritt bringt, kann ein agentisches System das Problem erkennen und einen anderen Ansatz versuchen. Das ist nicht perfekt – heutige Systeme erkennen offensichtliche Fehler besser als subtile –, aber spürbar besser als ein einfaches One-Shot-Modell.
Warum das die ROI-Rechnung für KI verändert
Ein herkömmlicher KI-Assistent verkürzt die Zeit, die eine Wissensarbeiterin oder ein Wissensarbeiter für einen ersten Entwurf, die Zusammenfassung eines Dokuments oder die Beantwortung einer Sachfrage braucht. Der Effizienzgewinn ist real, aber begrenzt: Es braucht weiterhin jemanden, der die Eingabe liefert, die Ausgabe prüft und über den nächsten Schritt entscheidet.
Ein agentisches System ändert das. Wenn ein System Arbeit ohne Aufforderung anstoßen, sie ohne menschliche Vermittlung über mehrere Systeme hinweg ausführen und Ergebnisse liefern kann, die direkt in nachgelagerte Workflows einfließen, geht es nicht mehr um Unterstützung. Es geht um die vollständige Prozessautomatisierung von Wissensarbeit, die bisher als zu komplex für eine Automatisierung galt.
Die praktische Konsequenz: Die ROI-Rechnung für agentische KI lautet nicht „Wie viele Stunden spart das pro Nutzer?“, sondern „Welche Prozesse erfordern heute nur deshalb einen Menschen, weil sie mehrere Systeme umspannen und kontextbezogenes Urteilsvermögen verlangen?“. Diese Prozesse sind Kandidaten für die autonome Ausführung.
Agentische Systeme sind keine universellen Produktivitätswerkzeuge. Sie sind Ausführungsinfrastruktur für konkrete, klar definierte Prozesse.
Die Architektur dahinter
Agentische Deployments in Unternehmen bestehen typischerweise aus vier Komponenten:
Planungsschicht. Das Modell, das das Ziel in Teilaufgaben zerlegt und den gesamten Ausführungsplan steuert. Meist ist das ein führendes Reasoning-Modell (Klasse Claude, GPT oder Gemini) oder ein Open-Weight-Pendant wie Qwen, DeepSeek oder Llama, das in Ihrer eigenen Umgebung läuft.
Tool-Registry. Eine Reihe von Werkzeugen, die der Agent aufrufen kann: Datenbankabfragen, API-Endpunkte, Dateioperationen, Kommunikationstools. Zunehmend werden sie über das Model Context Protocol (MCP) bereitgestellt, sodass ein kontrollierter Konnektor jedem Agenten dient. Der Agent wählt aus diesem Register, was die jeweilige Teilaufgabe erfordert.
Ausführungsschleife. Die Orchestrierungsschicht, die Anweisungen an Werkzeuge sendet, Ergebnisse sammelt, sie an das Planungsmodell zurückgibt und den Fortschritt gegenüber dem Ziel verfolgt. Gängig sind LangGraph, das OpenAI Agents SDK, das Claude Agent SDK, CrewAI sowie eigene Implementierungen auf nativem Function Calling; für Übergaben zwischen Agenten etablieren sich Agent-to-Agent-Protokolle wie A2A.
Human-in-the-Loop-Freigaben. Punkte im Workflow, an denen das System pausiert und vor dem Fortfahren eine menschliche Freigabe anfordert. In Unternehmens-Deployments sind sie nicht optional. Sie sind der Mechanismus, mit dem Organisationen die Kontrolle darüber behalten, was der Agent autonom tun darf.
Das Problem der Datensouveränität
Hier liegt die Einschränkung, die die meisten Anbieter in ihrem Produktmarketing verschleiern: Ein agentisches System ist nur so nützlich wie die Daten, auf die es zugreifen kann. Und in regulierten Branchen (Recht, Gesundheitswesen, Finanzdienstleistungen, Verteidigung, öffentliche Verwaltung) dürfen die meisten wertvollen Daten die Infrastruktur der Organisation nicht verlassen.
In der Cloud gehostete agentische Plattformen lösen das schwierige technische Problem und schaffen dafür ein unlösbares Compliance-Problem. Ihr Agent kann Ihr CRM, Ihr ERP und Ihren Dokumentenspeicher aufrufen, doch jedes Datum, das diese Systeme zurückgeben, läuft über Infrastruktur, die Sie nicht kontrollieren.
Den Agenten innerhalb Ihrer Grenze zu betreiben, löst dieses Problem. Das Planungsmodell läuft in Ihrem Netzwerk oder Ihrer privaten Cloud-Region. Das Werkzeugregister verbindet sich nur mit Ihren internen Systemen. Die Daten verlassen Ihre Grenze nie. Das ist technisch aufwendiger, aber die einzige Architektur, die Funktionsanforderung und Compliance-Anforderung zugleich erfüllt.
Was jetzt zu tun ist
Wenn Ihre Organisation agentische KI prüft, ist der praktische Ausgangspunkt keine Technologieentscheidung, sondern eine Prozessanalyse. Identifizieren Sie die fünf wichtigsten Workflows in Ihrer Organisation, die derzeit manuell ausgeführt werden, mehrere Systeme umspannen, einem gleichbleibenden Muster folgen und vor allem deshalb einen Menschen erfordern, weil niemand die Systeme verbunden hat. Das sind Ihre ersten Kandidaten für agentische KI.
Fragen Sie dann, ob einer dieser Workflows Daten betrifft, die nicht an eine externe API gesendet werden dürfen. Wenn ja, ist die Architekturfrage entschieden: Der Agent muss innerhalb Ihrer Grenze laufen, On-Premises oder in einer privaten Cloud-Region unter Ihrer Kontrolle. Wenn nein, eignet sich cloudbasierte Orchestrierung für einen Proof of Concept.
Der eine Fehler, den Sie vermeiden sollten: eine agentische Plattform zu kaufen, bevor Sie festgelegt haben, was sie leisten soll. Agentische Systeme sind keine universellen Produktivitätswerkzeuge, sondern Ausführungsinfrastruktur für konkrete, klar definierte Prozesse. Definieren Sie zuerst den Prozess. Wählen Sie dann die Infrastruktur.
Brauchen Sie einen Bauplan?
Wir konzipieren agentische KI-Deployments in drei Tagen und führen Pilotprojekte mit Ihren echten Daten durch. Je nach Daten- und Compliance-Anforderungen empfehlen wir Cloud-, On-Premises- oder hybride Architekturen.