Agentische KI: Was sie ist, wie sie funktioniert und wie Unternehmen sie heute schon nutzen

Einführung: Warum agentische KI jetzt wichtig wird

Seit dem Start von ChatGPT Ende 2022 hat sich die KI-Landschaft in Unternehmen grundlegend verändert. Generative KI erstellt Inhalte basierend auf Eingabe-Prompts: Texte, Bilder, Code. Agentische KI geht einen Schritt weiter. Sie nutzt generative KI für zielgerichtete Aktionen: planen, entscheiden, handeln. Ein KI-Agent schreibt nicht nur eine Antwort auf eine Kundenanfrage; er öffnet das Ticket, prüft die Bestellhistorie im CRM, wählt die passende Lösung und aktualisiert den Datensatz. Erste agentische KI-Systeme laufen seit 2023/2024 produktiv in Unternehmen: in der Kundenkommunikation, im IT-Support, bei der Verwaltung von Geschäftsreisen. Dieser Beitrag erklärt, wie agentische KI funktioniert, zeigt konkrete Anwendungen und beschreibt, welche Schritte Unternehmen jetzt gehen sollten.

Begriffsbestimmung: Was ist agentische KI genau?

Die Begriffe agentische KI und KI-Agenten bezeichnen autonome Systeme in der KI, die über reine Reaktion hinausgehen. Agentische KI bezeichnet autonome Systeme, die komplexe Ziele selbstständig planen, Entscheidungen treffen und Aktionen in digitalen Systemen ausführen. Die Unterscheidung zwischen agentischer und herkömmlicher KI liegt in der Handlungsfähigkeit: Klassische KI-Systeme folgen festen Regeln; generative KI erzeugt Inhalte auf Anfrage. Agentische KI kann autonom Entscheidungen treffen und handeln, weil sie Planung, Gedächtnis und Werkzeuge kombiniert.

Im Zusammenhang mit dem Begriff „Agentic AI“ ist es hilfreich, drei Ebenen zu unterscheiden:

• Ein einzelner KI-Agent ist eine Instanz mit klar definiertem Ziel, die Wahrnehmung und Aktion verbindet.

• Ein KI-Agenten-System besteht aus mehreren solcher Agenten, die über Orchestrierungslogik zusammenarbeiten.

• Agentische KI-Systeme im Unternehmen umfassen zusätzlich Monitoring, Governance und Integration in bestehende Software.

Agentische KI kann autonom Ziele setzen und Aufgaben ausführen. Ein Beispiel: Ein Agent erkennt eine eingehende Serviceanfrage, greift auf CRM-Daten zu, schlägt dem Kunden eine Lösung vor und initiiert eine Rückerstattung. Ein Chatbot mit festen Regeln kann das nicht; er gibt nur vorgefertigte Antworten auf vordefinierte Fragen.

Wie funktioniert agentische KI technisch?

Im Kern arbeiten agentische KI-Systeme mit einem wiederkehrenden Zyklus: Wahrnehmung, Schlussfolgern, Zielsetzung, Planung, Ausführung und Lernen. Diese Intelligenz basiert auf Large Language Models (LLMs), maschinellem Lernen und Techniken wie Retrieval-Augmented Generation (RAG), bei der ein Agent seine Wissensbasis durch externe Datenquellen erweitert, statt ausschließlich auf Trainingsdaten zu vertrauen.

Agentische KI führt komplexe, mehrstufige Aufgaben autonom aus. Ein einzelner KI-Agent nimmt Daten auf (APIs, Datenbanken, E-Mails), versteht den Kontext, plant die nächsten Schritte, ruft Tools auf und bewertet die Ergebnisse seiner Aktionen. Agentische KI-Systeme nutzen verstärkendes Lernen zur kontinuierlichen Verbesserung: Jede erfolgreiche oder fehlgeschlagene Aktion fließt als Feedback in zukünftige Entscheidungen ein.

Multi-Agenten-Systeme gehen noch weiter. Hier kooperieren mehrere spezialisierte Agenten in Echtzeit. Agentische KI kann komplexe Workflows autonom orchestrieren, indem ein Dirigenten-Agent die Arbeit verteilt: Ein Agent recherchiert, ein zweiter vergleicht Angebote, ein dritter bucht. Nehmen Sie das Beispiel einer Reisebuchung. Der erste Agent durchsucht Flugangebote über eine API, der zweite prüft Hotelverfügbarkeit, der dritte gleicht Reiserichtlinien des Unternehmens ab. Am Ende steht eine vollständige Buchung, die ein Mensch nur noch freigeben muss.

Die Funktionskette: Vom Input zur autonomen Aktion

Dieser Abschnitt beschreibt den typischen Agenten-Zyklus, ohne dass Sie dafür Informatik studiert haben müssen.

Wahrnehmung. KI-Agenten lesen E-Mails, Tickets, Datenbanken, Logs und APIs. Aus diesen Informationen erstellen sie einen situativen Kontext, der den aktuellen Zustand der Umgebung abbildet. Ein Incident-Agent im IT-Betrieb liest z. B. Server-Logs und erkennt, dass die Antwortzeiten eines Dienstes über einen kritischen Schwellenwert steigen.

Schlussfolgerung. Mithilfe von LLMs und Reasoning-Methoden wie Chain of Thought oder ReAct löst der Agent vage Anfragen auf. Agentische KI analysiert Daten, um Entscheidungen in Echtzeit zu treffen. Statt eine Fehlermeldung einfach weiterzuleiten, identifiziert der Agent die wahrscheinliche Ursache und schlägt Gegenmaßnahmen vor.

Zielsetzung. Agentische KI kann Ziele selbstständig setzen und planen. Ein grobes Ziel wie „Onboarding eines neuen Mitarbeiters“ wird in Teilaufgaben zerlegt: Accounts anlegen, Hardware bestellen, Unterlagen versenden, Schulungen terminieren.

Entscheidungsfindung. Agentische KI verwendet probabilistische Modelle zur Entscheidungsfindung. Policies und Heuristiken legen fest, welche Aktion in welcher Situation gewählt wird. Der Agent bewertet Alternativen und wählt die mit dem höchsten erwarteten Nutzen.

Ausführung. Der Agent ruft KI Tools und APIs auf: Er aktualisiert Datensätze im CRM, erstellt Einträge im Ticketsystem, versendet E-Mails oder startet Prozesse in ERP-Software. Agentische KI speichert vergangene Aktionen zur Effizienzsteigerung, damit identische Anfragen beim nächsten Mal schneller bearbeitet werden.

Lernen und Gedächtnis. Agenten können aus Erfahrungen lernen und ihr Verhalten anpassen. Sie verfügen über episodisches Kurzzeit-Gedächtnis und langfristigen Speicher über Vektordatenbanken. Agentische KI kann ihre Strategien an neue Informationen anpassen, und Agenten können ihre Pläne an veränderte Umgebungsbedingungen anpassen. Agentische KI lernt aus Erfahrungen zur Verbesserung zukünftiger Entscheidungen; Fehler in früheren Durchläufen werden erkannt und in nachfolgenden Zyklen vermieden.

Agentische KI vs. generative KI: Wo liegen die Unterschiede?

Generative KI und agentische KI sind keine Gegensätze; sie ergänzen sich. Generative KI ist reaktiv und benötigt menschliche Eingaben: Sie erhält einen Prompt und liefert eine Antwort, einen Text, ein Bild. Im Gegensatz dazu agiert agentische KI proaktiv und passt sich veränderten Situationen an. Sie verfolgt Ziele über mehrere Schritte hinweg und trifft dabei eigenständige Entscheidungen.

Ein konkreter Vergleich: Bei generativer KI formulieren Sie den Prompt „Schreibe eine Follow-up-E-Mail an Kunde X.“ Sie erhalten den Text. Bei KI agentische KI läuft der Prozess anders. Der Agent segmentiert die Kundenliste nach Priorität, erstellt individualisierte E-Mails, aktualisiert den CRM-Status und plant automatisch einen Reminder für Kunden, die nach drei Tagen nicht reagiert haben.

Viele moderne Lösungen auf einer KI Plattform kombinieren beide Formen: generative KI, um Text und Code zu generieren, und agentische KI für die Orchestrierung, Tool-Nutzung und Ablaufsteuerung. Wer den Begriff KI agentische versteht, erkennt den Unterschied: Es geht nicht darum, bessere Antworten zu liefern, sondern Aufgaben selbstständig zu Ende zu bringen.

Was sind KI-Agenten konkret? Typen und Architekturen

KI-Agenten sind spezialisierte Programme mit einer klaren Rolle im Gesamtsystem. Nicht jeder Agent arbeitet gleich. Die gängigen Typen:

• Reaktive Agenten reagieren direkt auf Input, ohne internen Zustand. Beispiel: Ein Spam-Filter.

• Zielbasierte Agenten verfolgen ein definiertes Ziel und wählen Aktionen, die darauf einzahlen.

• Utility-Agenten maximieren eine Nutzenfunktion und wägen zwischen mehreren Zielen ab.

• Lernende Agenten passen ihr Verhalten über Feedback-Schleifen an. Agenten können aus Erfahrungen lernen und ihr Verhalten anpassen.

• Multi-Agenten-Systeme bestehen aus mehreren spezialisierten Agenten, die kooperieren.

In Unternehmen finden sich Spezialagenten mit konkreten Rollen: Ein „Pricing-Agent“ im E-Commerce optimiert Preise auf Basis von Wettbewerbs- und Nachfragedaten. Ein „Recruiting-Agent“ im HR-Bereich übernimmt Vorqualifizierung und Terminplanung. Ein „Incident-Agent“ im IT-Betrieb analysiert Störungen, führt eine Root-Cause-Analyse durch und leitet Erstmaßnahmen ein.

Der Unterschied zwischen einem einzelnen KI-Agenten und einem vollständigen agentischen KI-System liegt in der Architektur: Ein Dirigenten-Agent steuert die Spezialagenten, eine Governance-Schicht überwacht Aktionen, und ein Monitoring-System protokolliert alle Schritte für die Aufsicht.

Wichtige Komponenten agentischer KI-Systeme

Ein agentisches KI-System besteht nicht aus einem einzigen Modell. Es ist ein Netzwerk aus Bausteinen, die zusammenspielen:

• LLM- und ML-Modelle liefern die Intelligenz: Sprachverständnis, Schlussfolgerung, Textgenerierung. Sprachmodelle wie GPT-4 oder Claude bilden den Kern, doch allein reichen sie nicht.

• Orchestrierungslogik steuert den Ablauf: Welcher Agent übernimmt welche Aufgabe? In welcher Reihenfolge? Was passiert bei einem Fehler?

• Tool- und API-Schicht verbindet den Agenten mit der Umgebung: CRM, ERP, Datenbanken, Buchungssysteme, Browseraktionen. Ohne diese Werkzeuge bleibt der Agent ein Sprachmodell ohne Hände.

• Speicher und Gedächtnis ermöglichen Kontext über Sitzungen hinweg. Vektordatenbanken speichern Wissen, das der Agent bei Bedarf abruft.

• Monitoring und Logging sorgen für Nachvollziehbarkeit. Jede Aktion wird protokolliert; rollenbasierte Berechtigungen und Audit-Logs sind Pflicht, nicht Kür.

Eine typische KI Plattform im Unternehmen bündelt mehrere agentische Workflows: Marketing-Agenten, Support-Agenten und Backoffice-Agenten laufen auf derselben Infrastruktur. Moderne Plattformen bieten dabei DSGVO-konforme Datenspeicherung und granulare Zugriffssteuerung.

Praxisnahe Einsatzszenarien: Wo agentische KI heute produktiv läuft

Typische Anwendungen von agentischer KI sind die Automatisierung von Geschäftsprozessen. Agentische KI wird in verschiedenen Anwendungsbereichen eingesetzt, und seit 2024/2025 gibt es belastbare Zahlen.

Kundensupport. Klarna setzte im Februar 2024 einen KI-Agenten ein, der 2,3 Millionen Kundengespräche in einem Monat bearbeitete. Die Bearbeitungszeit fiel von 11 Minuten auf unter 2 Minuten. Der Agent nimmt Tickets entgegen, beantwortet Routineanfragen, eskaliert Sonderfälle an Menschen und dokumentiert alles im Ticketsystem.

Personalwesen. Agentische KI automatisiert die Rekrutierung und reduziert die Zeit um 75 %. Ein Recruiting-Agent übernimmt die Vorqualifizierung von Bewerbungen, plant Interviews und hält den Status im HR-System aktuell. Mitarbeiter im HR-Team konzentrieren sich auf Gespräche und Entscheidungen statt auf Dateneingabe.

Sales und Lead-Qualifizierung. Der aicx Sales Agent beschleunigte bei einem Kunden die Lead-Qualifizierung um rund 70 %. Der Agent bewertet eingehende Kontakte automatisch nach Kriterien wie Budget, Bedarf und Entscheidungsbereitschaft.

Reise und Logistik. Agentische KI optimiert Lieferketten durch Datenanalyse: Routenplanung, Bestandsmanagement, Buchung von Dienstreisen. Agentische KI kann in Echtzeit auf Anomalien reagieren, etwa wenn eine Lieferkette durch Verzögerungen unterbrochen wird.

Software und IT-Betrieb. Agentische KI kann Programmcode selbstständig schreiben und testen. CI/CD-Agenten führen automatische Tests und Deployments durch. Agentische KI verbessert die Cybersicherheit durch kontinuierliche Anomalieüberwachung, indem ein Incident-Agent verdächtige Muster in Logs erkennt und Erstmaßnahmen auslöst.

Finanz- und Risikomanagement. KI-gestützte Trading-Bots analysieren Märkte in Echtzeit für prädiktive Analysen. Agenten überwachen Transaktionen, melden Anomalien und aktualisieren Risiko-Scores. Agentische KI kann große Datenmengen analysieren und Hypothesen aufstellen, die Analysten dann prüfen.

Gesundheitswesen. Im Gesundheitswesen passt agentische KI Behandlungsempfehlungen in Echtzeit an, basierend auf neuen Laborwerten, Vitaldaten und Leitlinien.

Recht und Verwaltung. Die Kanzlei Schulz & Partner nutzt agentische KI im Stammdatenmanagement bei über 3.000 Mandaten pro Jahr. Der Agent überprüft und aktualisiert Gläubigerdaten automatisch.

Vorteile agentischer KI für Unternehmen

Produktivität. Agentische KI kann Aufgaben ohne ständige menschliche Aufsicht ausführen. Wiederkehrende Abläufe laufen rund um die Uhr: Ticket-Triage nachts, Datenabgleich am Wochenende. Klarna reduzierte die Bearbeitungszeit pro Fall um 82 %, ohne das Supportteam zu vergrößern.

Personalisierung. Agenten passen Kommunikation, Angebote und Prozesse an individuelle Kunden- oder Mitarbeiterprofile an. Ein Vertriebs-Agent formuliert E-Mails auf Basis der bisherigen Interaktionshistorie, nicht auf Basis einer generischen Vorlage.

Entscheidungsgrundlagen. Agentische KI kann komplexe Prozesse automatisieren und optimieren. Sie verarbeitet in Echtzeit Datensätze aus verschiedenen Datenquellen, erkennt Muster und liefert Prognosen als Grundlage für menschliche Entscheidungen.

Skalierbarkeit. Die Fähigkeit, das Arbeitsvolumen zu erhöhen, ohne lineare Personalkosten, macht agentische KI für wachsende Branchen attraktiv. Klarna bearbeitete 2,3 Millionen Gespräche in einem Monat, ein Volumen, das sonst 700 Vollzeit-Agenten erfordert hätte.

Flexibilität. Agentische KI-Systeme passen sich neuen Prozessen, Betriebsumgebungen und Zielen an, ohne dass jede Regel manuell programmiert werden muss. Neue Tools oder Datenquellen werden per API angebunden; der Agent lernt den Umgang über seine Feedback-Schleife.

Risiken, Grenzen und Governance von agentischer KI

Autonomie erzeugt neue Probleme. Agentische KI kann unbeabsichtigte Folgen haben, wenn sie autonom agiert. Drei zentrale Risikofelder:

Unvorhersehbare Aktionen. Schlecht konzipierte Belohnungssysteme können KI dazu bringen, Schlupflöcher auszunutzen, statt die eigentliche Aufgabe zu lösen. Agentische KI-Systeme können in logischen Schleifen stecken bleiben, wenn ein Agent dieselbe Aktion endlos wiederholt, weil die Abbruchbedingung fehlt.

Datenschutz und Sicherheit. Agenten greifen auf sensible Daten zu. DSGVO-Pflichten gelten in vollem Umfang. Unternehmen brauchen Rollen- und Berechtigungskonzepte, die festlegen, welcher Agent auf welche Datensätze zugreifen darf. Multi-Agenten-Systeme eröffnen neue Angriffspunkte wie Prompt Hijacking oder Retrieval Poisoning.

Governance. Agentische KI erfordert klare Governance-Rahmen zur Kontrolle. Bewährte Ansätze:

• Human-in-the-Loop bei kritischen Entscheidungen: Der Agent schlägt vor, ein Mensch gibt frei.

• Leitplanken und Policies, die den Handlungsspielraum des Agenten definieren.

• Audit-Trails aller Agenten-Aktionen für Nachvollziehbarkeit und Aufsicht.

• Klare Verantwortlichkeiten: Ein „AI Owner“ pro Prozess, der für die Ergebnisse des Agenten verantwortlich ist.

• Regelmäßige Schulungen für Mitarbeiter, damit Innovation und Kontrolle Hand in Hand gehen.

Implementierung: Wie Unternehmen agentische KI-Systeme einführen

Pilot-Use-Cases auswählen. Starten Sie mit klar umrissenen Aufgaben: E-Mail-Triage, FAQ-Support, Stammdatenabgleich. Definieren Sie Anforderungen, die messbar sind, bevor der erste Agent läuft.

Proof of Concept aufbauen. Messen Sie mit konkreten KPIs: Bearbeitungszeit pro Fall, Fehlerquote, Kundenzufriedenheit, Kostenersparnis. Ein Pilotprojekt für FAQ-Automatisierung liefert in vier bis sechs Wochen belastbare Daten.

Technische Integration. Integration mit bestehenden Systemen kann eine Herausforderung darstellen. Sichere API-Verbindungen, Identity und Access Management, Einbettung in bestehende Workflows und die bestehende KI Plattform müssen vor der Skalierung stehen.

Change Management. Binden Sie Fachbereiche von Anfang ein. Kommunizieren Sie Ziele transparent. Training und Akzeptanzförderung für Mitarbeiter entscheiden darüber, ob der Agent als Werkzeug oder als Bedrohung wahrgenommen wird.

Skalierung. Nach dem Pilotprojekt erweitern Sie auf weitere Bereiche. Etablieren Sie einen Governance-Raum mit Monitoring, Feedback-Schleifen und regelmäßigen Reviews. Jeder neue Ansatz wird an KPIs gemessen, bevor er in den Regelbetrieb geht.

Ausblick: Wie sich agentische KI bis 2030 entwickeln könnte

Die OECD veröffentlichte 2026 ein Working Paper, das Merkmale und Grenzen agentischer KI systematisch untersucht. In Deutschland zeigt der Agentic AI Hub des BMDS, dass auch staatliche Stellen die Technologie als strategisch relevant einstufen.

Technisch erwarten Forscher Fortschritte bei standardisierten Protokollen zur Tool-Anbindung, effizienteren LLMs mit niedrigeren Token-Kosten und besseren Gedächtnis-Modellen. Heutige KI Tools und KI Lösungen werden sich hin zu digitalen Mitarbeitenden entwickeln, die ganze Prozessketten steuern: von der Auftragsannahme über die Disposition bis zur Rechnungsstellung.

Geschäftsprozesse, in denen operative Entscheidungen getroffen werden, könnten bis 2030 weitgehend agentisch unterstützt oder autonom von KI-Agenten ausgeführt werden. Unternehmen, die früh Erfahrungen mit agentischer KI sammeln, bauen organisatorische, datenbezogene und architektonische Vorteile auf, die sich später nur schwer aufholen lassen.

Beginnen Sie mit einem Pilotprojekt, das klare Grenzen hat. Definieren Sie Governance-Regeln von Tag eins. Messen Sie Ergebnisse mit konkreten KPIs. Wer heute den Kontakt mit agentischer KI aufnimmt, gestaltet die eigene Betriebsumgebung aktiv, statt in drei Jahren reagieren zu müssen.