Agentic AI und KI-Agenten
Die beiden Begriffe überschneiden sich. Ein KI-Agent ist ein einzelnes System, das eine Schleife aus Entscheiden, Handeln und Prüfen durchläuft. Agentic AI ist der breitere Ansatz: KI-Systeme zu entwerfen, von einfachen Workflows bis zu vielen zusammenarbeitenden Agenten, die auf ein Ziel hin handeln, statt nur eine Antwort zu erzeugen.
Autonomie ist ein Regler, kein Schalter. Der Leitfaden von Anthropic zum Bau wirksamer Agenten beschreibt die Stufen:
- Prompt Chaining: Eine Aufgabe wird in feste Schritte zerlegt, jeder von einem Modellaufruf bearbeitet.
- Routing: Eine Eingabe wird klassifiziert und an den passenden spezialisierten Schritt geleitet.
- Parallelisierung: Unabhängige Teile laufen gleichzeitig und werden zusammengeführt.
- Orchestrator und Worker: Ein Modell zerlegt die Aufgabe während der Arbeit und delegiert die Teile.
- Evaluator und Optimierer: Ein Modell entwirft, ein anderes prüft und verlangt Änderungen.
- Agenten: Das Modell plant und nutzt Tools eigenständig, bis die Aufgabe erledigt ist.
Der Rat des Leitfadens: die einfachste Option wählen, die funktioniert, und Autonomie nur dort ergänzen, wo sie sich bezahlt macht.
Wie Multi-Agenten-Systeme funktionieren
In einem Multi-Agenten-System erhält ein Orchestrator-Agent das Ziel, erstellt einen Plan und übergibt Aufgaben an spezialisierte Agenten: Einer recherchiert, einer entwirft, einer prüft. Jeder hat eigene Anweisungen, Tools und eigenen Kontext und kann sich so auf eine Aufgabe konzentrieren. Der Orchestrator sammelt die Ergebnisse, löst Konflikte und entscheidet, was als Nächstes geschieht.
Der Aufbau hat klare Vorteile: parallele Arbeit an großen Aufgaben, eine Trennung zwischen dem Agenten, der ausführt, und dem Agenten, der prüft, und kürzere, klarere Anweisungen für jeden Teil. Er hat auch Kosten: mehr Modellaufrufe und damit höhere Ausgaben, mehr Zeit pro Aufgabe und mehr Stellen, an denen etwas schiefgehen kann. Oft genügt ein einzelner Agent. Mehrere Agenten lohnen sich, wenn sich eine Aufgabe von selbst in Teile gliedert.
Menschen bleiben an festgelegten Punkten eingebunden: Sie geben den Plan frei, zeichnen ab, bevor etwas gesendet, bezahlt oder geändert wird, und prüfen eine Stichprobe der fertigen Arbeit.
Beispiele für Agentic AI in Unternehmen
- Angebotsantworten: Ein Agent zieht die Anforderungen aus der Ausschreibung, ein anderer entwirft Antworten aus früheren Angeboten, ein dritter prüft sie gegen die Anforderungen.
- Due Diligence: Agenten lesen parallel einen Datenraum, extrahieren Probleme nach Thema und stellen einen Bericht für das Deal-Team zusammen.
- Unterstützung beim Monatsabschluss: Agenten stimmen Konten ab, erklären Abweichungen und bereiten ein Paket für den Controller vor.
- Softwareänderungen: Coding-Agenten wie Claude Code planen eine Änderung, bearbeiten den Code, führen die Tests aus und öffnen einen Pull Request zur Prüfung.
Was die Forschung sagt
- Gartner erwartet, dass bis Ende 2026 40 % der Unternehmensanwendungen aufgabenspezifische KI-Agenten enthalten, gegenüber weniger als 5 % im Jahr 2025.
- Gartner erwartet außerdem, dass über 40 % der Agentic-AI-Projekte bis Ende 2027 eingestellt werden, wegen steigender Kosten, unklarem Geschäftswert oder unzureichender Risikokontrollen.
- In der Umfrage State of AI 2026 von McKinsey gaben etwa zwei von zehn Befragten an, ihre Organisation habe mit KI-Agenten die Skalierungsphase erreicht.
Zusammen gelesen weisen die Zahlen in dieselbe Richtung: Die Technologie kommt schnell, und Bestand haben die Projekte, die von Anfang an ein messbares Ziel und saubere Kontrollen haben.
Wie Sie mit Agentic AI starten
Quellen
- Anthropic: Building effective agents, 19. Dezember 2024
- Google Cloud: What is agentic AI?
- Gartner: over 40% of agentic AI projects will be canceled by end of 2027, 25. Juni 2025
- Gartner: 40% of enterprise apps will feature task-specific AI agents by 2026, 26. August 2025
- McKinsey: The state of AI, 25. August 2026