Agentic AI: Was KI-Agenten von Chatbots unterscheidet
KI-Agenten sind mehr als Chatbots. Was Agentic AI ausmacht, wann sie in Geschäftsprozessen sinnvoll ist — und wo die Grenzen liegen.
„Wir haben ChatGPT ausprobiert.” Das ist ein häufiger Einstiegssatz, wenn Unternehmen über KI sprechen. Was sie damit meist meinen: Sie haben mit einem Chatbot interagiert — Frage gestellt, Antwort bekommen. Das ist ein Werkzeug. Agentic AI ist etwas anderes.
Was einen Agenten ausmacht
Ein KI-Agent ist kein Gesprächspartner. Er ist ein System, das eigenständig handelt — mit einem Ziel, das er selbst in Schritte zerlegt, ausführt und bewertet.
Der Unterschied in der Praxis:
| Chatbot | KI-Agent | |
|---|---|---|
| Eingabe | Frage oder Prompt | Ziel oder Aufgabe |
| Verhalten | Antwortet einmalig | Plant, handelt, iteriert |
| Tool-Nutzung | Keine oder begrenzt | APIs, Datenbanken, externe Dienste |
| Entscheidungsfähigkeit | Keiner | Eigenständige Entscheidungen im definierten Rahmen |
| Persistenz | Sitzungsbezogen | Kann Kontext über Zeit behalten |
Wie ein Agent in der Praxis funktioniert
Ein einfaches Beispiel: Ein Unternehmen erhält täglich Bewerbungsunterlagen per E-Mail — in verschiedenen Formaten, mit unterschiedlicher Struktur.
Ein regelbasierter Workflow würde scheitern, sobald ein PDF anders aufgebaut ist als erwartet. Ein KI-Agent kann:
- Die E-Mail empfangen und den Anhang öffnen
- Den Dokumenttyp erkennen (Lebenslauf, Anschreiben, Zertifikate)
- Relevante Informationen extrahieren — auch bei variablen Formaten
- Den Eintrag in das Bewerbermanagementsystem schreiben
- Eine strukturierte Zusammenfassung an die zuständige Person schicken
- Bei Unklarheit: nachfragen oder eskalieren
Kein Mensch hat jeden einzelnen Schritt angewiesen. Der Agent hat das Ziel bekommen — die Umsetzung war seine Entscheidung.
Das „Denkzentrum”: LLMs als Planungsebene
Moderne Agenten nutzen ein Large Language Model (LLM) als Planungs- und Entscheidungsebene. Das LLM interpretiert das Ziel, wählt Werkzeuge aus, bewertet Zwischenergebnisse und entscheidet über nächste Schritte.
Werkzeuge (Tools) können sein:
- API-Aufrufe — Daten aus externen Systemen holen oder schreiben
- Websuche — aktuelle Informationen einbeziehen
- Datenbankzugriff — Unternehmensinternes Wissen nutzen
- Code-Ausführung — Berechnungen, Transformationen, Analysen
- Weitere Agenten — Multi-Agenten-Systeme, bei denen Agenten sich gegenseitig beauftragen
Wann Agentic AI in Unternehmen sinnvoll ist
Die relevante Frage ist nicht „Können wir das mit KI machen?” — sondern „Ist das Problem strukturiert genug für klassische Automation, oder brauchen wir mehr Flexibilität?”
Agenten eignen sich, wenn:
- Eingaben variabel sind — unstrukturierte E-Mails, PDFs, Formulare ohne festes Schema
- Kontext über mehrere Schritte entscheidend ist
- Fehlertoleranz und Anpassungsfähigkeit wichtiger sind als absolute Präzision
- Klassische Wenn-Dann-Regeln die Komplexität nicht abbilden können
Klassische Workflow-Automatisierung bleibt die bessere Wahl, wenn:
- Prozesse gut definiert und stabil sind
- Datenstrukturen bekannt und konsistent sind
- Maximale Zuverlässigkeit und Vorhersehbarkeit gefragt ist
Die menschliche Komponente
Das Wort „autonom” erzeugt schnell Bedenken — zu Recht. Die sinnvolle Implementierung von KI-Agenten schließt immer definierte Grenzen ein:
- Was darf der Agent entscheiden? (Scope)
- Wann eskaliert er an einen Menschen? (Escalation Points)
- Wie werden seine Aktionen protokolliert? (Logging & Audit)
Agenten ersetzen keine menschliche Aufsicht. Sie verschieben sie: von jeder Einzelentscheidung hin zur Überwachung des Gesamtsystems.
Agentic AI ist kein Selbstläufer. Sie funktioniert gut, wenn die Prozesse darunter klar definiert sind — und wenn Menschen die richtigen Punkte im Ablauf behalten.