KI-Agent

Was ist ein KI-Agent?

Ein Chatbot beantwortet eine Frage. Ein Agent kann zusätzlich prüfen, welche Informationen fehlen, eine Datenquelle abfragen, ein Ergebnis bewerten und anschließend über ein Werkzeug eine Aktion ausführen. Der Unterschied liegt also weniger im Chatfenster als im Handlungsspielraum des Systems.

In aktuellen LLM-Agenten übernimmt ein Sprachmodell häufig die Auswahl oder Planung der nächsten Schritte. Forschung zu LLM-basierten autonomen Agenten untersucht genau diese Verbindung aus Modell, Wahrnehmung, Planung, Gedächtnis und Aktion.

Die Bausteine eines modernen Agenten

• Modell: interpretiert Aufgaben und entscheidet über nächste Schritte.
• Anweisungen: definieren Ziel, Regeln und Grenzen.
• Tools: ermöglichen Abfragen oder Aktionen über APIs und Funktionen.
• Kontext/Zustand: hält relevante Informationen über den laufenden Vorgang.
• Guardrails: begrenzen riskante oder unerwünschte Aktionen.

OpenAI fasst die technische Basis eines Agenten beispielsweise als Modell, Tools und Instructions zusammen. Andere Frameworks verwenden abweichende Begriffe, die Grundidee ist ähnlich.

Ein Beispiel aus einem Unternehmensprozess

Agent ist nicht gleich Automatisierung

Ein klassischer Workflow folgt vorab definierten Regeln: Wenn A passiert, führe B aus. Ein KI-Agent kommt dort ins Spiel, wo Eingaben unstrukturiert sind oder mehrere Handlungsmöglichkeiten bewertet werden müssen.

Für deterministische Aufgaben bleibt klassische Software oft die bessere Wahl. Wenn eine Rechnungsnummer immer aus demselben Feld gelesen wird, braucht es dafür keinen Agenten.

Warum Tools entscheidend sind

Ohne Werkzeuge bleibt ein Sprachmodell im Wesentlichen auf seine Eingabe und seine Modellfähigkeiten beschränkt. Tools verbinden den Agenten mit realen Systemen: CRM lesen, Datenbank abfragen, Dokument erstellen oder eine API aufrufen.

Genau dadurch steigen aber auch die Sicherheitsanforderungen. Ein Agent, der nur Text vorschlägt, hat ein anderes Risikoprofil als ein Agent, der Zahlungen auslösen oder Benutzerkonten verändern kann.

Human in the Loop

Eigenständigkeit ist kein Qualitätsmerkmal an sich. Für viele Unternehmensprozesse ist ein abgestuftes Modell sinnvoll: Der Agent bereitet vor, führt risikoarme Schritte automatisch aus und fordert bei kritischen Aktionen eine Freigabe an.

Typische Grenzen

• LLM-Entscheidungen können falsch oder inkonsistent sein.
• Tool-Aufrufe benötigen Rechte- und Sicherheitskonzepte.
• mehrstufige Abläufe können Fehler kumulieren,
• Kosten und Latenz steigen mit zusätzlichen Modellaufrufen,
• Ergebnisse müssen für geschäftskritische Prozesse beobachtbar sein.

Wann ein KI-Agent sinnvoll ist

Gute Kandidaten sind Prozesse mit unstrukturierten Informationen, variabler Entscheidungslogik und klar verfügbaren Werkzeugen. Beispiele sind Recherche, Ticket-Triage, Dokumentenverarbeitung oder die Unterstützung interner Wissensarbeit.

Evaluation statt Demo-Eindruck

Agenten wirken in einzelnen Vorführungen schnell überzeugend. Für einen produktiven Einsatz zählt jedoch, wie zuverlässig sie über viele reale Fälle arbeiten. Deshalb sollten typische Aufgaben, Grenzfälle und unerlaubte Aktionen als Testsammlung dokumentiert werden.

Gemessen werden können beispielsweise Erfolgsquote, Zahl unnötiger Tool-Aufrufe, Bearbeitungszeit, Kosten und Häufigkeit menschlicher Korrekturen. Ein Agent, der in 95 Prozent der Fälle funktioniert, kann für eine Recherchehilfe gut sein und für eine irreversible Finanzaktion trotzdem ungeeignet bleiben.

Fazit

Ein KI-Agent verbindet Sprachmodelle mit Handlungsmöglichkeiten. Sein Nutzen entsteht nicht durch maximale Autonomie, sondern durch eine sinnvoll definierte Aufgabe, kontrollierte Tools und klare Grenzen. Gute Agentenarchitektur beginnt deshalb mit dem Prozess – nicht mit der Frage, wie viele Tools ein Modell aufrufen kann.