Agentic AI (oder „agentische KI") bezeichnet KI-Systeme, die als autonome Agenten agieren, eigenständig Ziele verfolgen und Entscheidungen treffen. Im Unterschied zu klassischen regelbasierten Automatisierungen oder einfachen Chatbots verfügen diese Agenten über ein Gedächtnis und können eigenständig Tools nutzen (z. B. APIs, Datenbanken). In Multi-Agenten-Systemen arbeiten mehrere spezialisierte Agenten koordiniert zusammen, gesteuert durch einen zentralen Orchestrator, um komplexe Prozesse zu bewältigen.
Definitionen und Abgrenzung
Agentic AI umfasst KI-Systeme, die mit minimaler menschlicher Aufsicht eigenständig arbeiten, Ziele verfolgen und dabei Entscheidungen treffen. Ein „KI-Agent" agiert wie ein digitaler Mitarbeiter: Er erhält ein Ziel als Input und übernimmt selbständig Planung, Ausführung und Priorisierung.
Die konkreten Komponenten eines Agenten umfassen typischerweise:
- Ein LLM (z. B. GPT-4 oder Gemini) für das Reasoning
- Gedächtnis (Memory) zur Kontextspeicherung
- Tool-Integration für APIs, Datenbanken oder spezialisierte Modelle
Agentic AI unterscheidet sich von klassischen Automatisierungsformen und RAG/LLM-Lösungen: Herkömmliche RPA- oder regelbasierte Workflows folgen festen Abläufen mit vordefinierten Entscheidungspunkten. Agentische Agenten sind dagegen zielorientiert — sie zerlegen ein übergeordnetes Ziel eigenständig in Teilschritte und treffen situative Entscheidungen über den nächsten Schritt.
Im Vergleich zu RAG (Retrieval-Augmented Generation) — bei dem ein LLM durch Datenabruf angereichert wird — gehen Agenten weiter, indem sie aktiv handeln können (z. B. über APIs interagieren, in Systeme schreiben, E-Mails versenden).
Technische Architektur
Die Agentic-AI-Architektur basiert typischerweise auf Multi-Agenten-Systemen (MAS). Ein zentraler Orchestrator koordiniert die Kommunikation zwischen mehreren spezialisierten Agenten, die jeweils auf bestimmte Funktionen oder Teilaufgaben ausgelegt sind. Der Orchestrator empfängt Nutzeranfragen, erhält Input/Trigger und hält den Kontext (State) der Interaktion. Er delegiert Teilaufgaben an geeignete Agenten, sammelt deren Ergebnisse und führt bei Bedarf weitere Iterationen durch.
Plan–Act–Observe–Adjust
Die Agent-Controller-Schleife folgt dem Plan–Act–Observe–Adjust-Modell: Ein Agent empfängt ein Ziel/einen Trigger, plant die nächsten Schritte mithilfe eines LLM, führt Aktionen über Tools oder APIs aus, beobachtet das Ergebnis und passt seinen Plan an. Die Agenten fungieren als „Übersetzer" zwischen menschlichen Anweisungen und technischen Systemen.
Workflow-Diagramm
Feature-Diagramm eines agentischen Workflows mit Orchestrator und spezialisierten Agenten. Agenten greifen über APIs auf Datenquellen oder Geschäftsanwendungen zu und speisen Ergebnisse an den Orchestrator zurück.
Multi-Agenten-Systeme zeichnen sich dadurch aus, dass mehrere Agenten zusammenarbeiten — kooperierend, koordinierend oder sogar konkurrierend —, um Ziele zu erreichen, die für einen einzelnen Agenten zu komplex wären. Zur sicheren Interaktion nutzt jedes System eine kontrollierte Tool- und Connector-Ebene, die externe Systeme in sicher aufrufbare Aktionen umwandelt.
Implementierungsansätze
Agentic AI lässt sich sowohl On-Premise als auch in der Cloud implementieren. Moderne Plattformen wie SAP Business AI oder Microsoft Semantic Kernel funktionieren in beiden Umgebungen. Typischerweise wird eine Hybridarchitektur eingesetzt: Der Orchestrator und die LLMs laufen in der Cloud, während sensible Daten vor Ort verbleiben.
Bei der Lizenzierung stehen Open-Source-Frameworks (LangChain, AutoGPT, LangFlow, Microsoft SK) neben kommerziellen Plattformen (IBM watsonx, SAP Agent Builder, UIPath AI Center). Open-Source-Tools bieten Flexibilität und keine Lizenzkosten, erfordern aber internes Know-how.
Praxisbeispiele und Fallstudien
Finanzwesen
Moderne ERP-Systeme bieten eingebettete KI-Agenten für Finanzabschlüsse. Agenten automatisieren Routineaufgaben wie Buchungssätze, Abstimmungen und Abweichungsanalysen. Erste Anwender berichten: Der Monatsabschluss wurde von über 6 Tagen auf 3–4 Tage verkürzt. In einem Beispiel halbierte sich die Dauer und die Fehlerquote sank von 2–5 % auf unter 0,5 %.
Supply Chain & Fertigung
Bei Lufthansa Industry Solutions wurden komplexe Supply-Chain-Fragen in unter 10 Sekunden beantwortet. Das System orchestriert spezialisierte Agenten über Microsoft Teams: 80 % weniger Leerlaufzeit in Analysen.
E-Commerce/Einzelhandel
KI-Agenten automatisieren Retourenbearbeitung und Kundenanfragen. Sie entlasten Service-Teams durch Vorfilterung von Tickets und Lösungsvorschläge — nur komplexe Fälle werden eskaliert.
Vorteile und KPIs
| KPI | Metrik | Beschreibung |
|---|---|---|
| Durchlaufzeitverkürzung | Tage oder % | Vergleich der Prozessdauer vorher vs. nachher |
| Fehlerquotenreduktion | Prozentpunkte | Abweichungsrate (z. B. Buchungseinträge) |
| Automatisierungsgrad | Prozent | Anteil automatisierter Prozessschritte |
| Kostensenkung | EUR oder % | Einsparungen bei Personal, Outsourcing |
| Service Level | Sek./Min. pro Transaktion | Antwortzeit bei Support-Anfragen |
| Mitarbeiterproduktivität | % oder skalierte Metrik | Zeit für wertschöpfende Tätigkeiten |
Risiken, Compliance und Ethik
Agentic AI erhöht gleichzeitig die Risiken — insbesondere bei sensiblen Daten. Unter dem EU AI Act wird Agentic AI als adaptives, autonomes System betrachtet und kann als „hochriskant" eingestuft werden.
Zentrale Risiken:
- Unkontrollierbare Entscheidungen: Agenten treffen autonome Entscheidungen in Echtzeit, was zu unvorhersehbaren Aktionen führen kann
- Transparenzpflicht: Für hochriskante Systeme schreibt der AI Act eine lückenlose Protokollierung vor (Art. 12–14 AI Act)
- Datenschutz: Agenten aggregieren personenbezogene Daten — ein Privacy-by-Design-Ansatz ist unerlässlich
- IT-Sicherheit: Starke Zugriffskontrollen, Verschlüsselung und Sandboxing sind erforderlich
Best Practices und Implementierungsempfehlungen
Ein typischer 5-Schritte-Plan für erfolgreiche Implementierungen:
- Vision und Ziele klären
- Use Cases priorisieren (2–3 umsetzbare Szenarien)
- Proof of Concept mit realen Daten
- Governance und Sicherheitsrichtlinien etablieren
- Skalierung vorbereiten
Checkliste für Entscheider
- Sind die Geschäftsziele messbar definiert?
- Gibt es geeignete Prozesse, die von Automatisierung profitieren?
- Sind Daten in ausreichender Qualität verfügbar?
- Können Agenten per API an ERP/CRM/Workflow-Systeme angebunden werden?
- Wurde ein Datenschutz- und Sicherheitskonzept erarbeitet?
- Gibt es Human-in-the-Loop-Mechanismen für sensible Entscheidungen?
- Wurde die Einstufung nach dem EU AI Act geprüft?
- Ist ein Proof of Concept mit realen Daten und Feedback-Loops geplant?
Fazit
Agentic AI ist die nächste Stufe der Unternehmensautomatisierung. Anders als klassische RPA-Bots oder einfache Chatbots können autonome Agenten komplexe, mehrstufige Prozesse eigenständig bewältigen. Der Schlüssel liegt in der richtigen Architektur (Orchestrator + spezialisierte Agenten), solidem Governance-Framework und einem iterativen Implementierungsansatz. Unternehmen, die jetzt mit Pilotprojekten starten, sichern sich entscheidende Wettbewerbsvorteile.
