Agentic AI erklärt: vom Sprachmodell zum handelnden System
Wie Multi-Agenten-Systeme Aufgaben untereinander aufteilen
Was agentische KI heute leistet und wo Kontrolle nötig bleibt
Was bedeutet Agentic AI?
Agentic AI beschreibt einen Architektur-Ansatz, bei dem KI-Systeme ein Ziel verfolgen statt nur eine Anfrage zu beantworten. Ein agentisches System zerlegt eine Aufgabe in Teilschritte, führt sie aus, prüft die Zwischenergebnisse und korrigiert den eigenen Plan, wenn etwas nicht funktioniert. Im Deutschen hat sich dafür der Begriff agentische KI etabliert.
Der Unterschied zur Betrachtung einzelner KI-Agenten liegt in der Perspektive: Dort steht das einzelne Programm im Mittelpunkt, das wahrnimmt, entscheidet und handelt. Agentic AI bezeichnet das Gesamtkonzept dahinter, also die Architektur, die solche Systeme erst möglich macht. Dazu gehören Planung, Werkzeugzugriff, Gedächtnis und die Zusammenarbeit mehrerer Agenten.
Agentic AI vs. generative KI
Generative KI erzeugt Inhalte auf Zuruf: Sie geben einen Prompt ein, das Modell liefert Text, Code oder ein Bild zurück. Danach ist der Vorgang beendet. Das System wartet auf die nächste Eingabe und behält keinen eigenen Auftrag.
Agentische KI nutzt dasselbe Sprachmodell als Denkeinheit, gibt ihm aber einen Handlungsrahmen. Das Modell formuliert nicht nur eine Antwort, sondern entscheidet, welches Werkzeug es als Nächstes aufruft: eine Datenbank, einen Kalender, eine Schnittstelle. Ein KI-Assistent beantwortet Ihre Frage nach freien Terminen. Ein agentisches System prüft den Kalender, bucht den Termin und versendet die Bestätigung.
Merkmal
Generative KI
Agentic AI
Auslöser
Einzelner Prompt
Definiertes Ziel
Ablauf
Eine Antwort pro Anfrage
Mehrere Schritte in Folge
Werkzeuge
Keine oder wenige
Kalender, APIs, Datenbanken
Ergebnis
Inhalt
Erledigte Aufgabe
Die Bausteine agentischer KI
Vier Komponenten machen aus einem Sprachmodell ein agentisches System. Sie greifen ineinander und bilden einen Kreislauf aus Planen, Handeln und Prüfen.
Das System zerlegt ein Ziel in einzelne Schritte und legt deren Reihenfolge fest. Scheitert ein Schritt, plant es um, statt abzubrechen. Wie präzise diese Planung ausfällt, hängt stark von der Aufgabenbeschreibung ab: Gutes Prompt Engineering legt fest, welches Ziel gilt und welche Grenzen das System einhalten muss.
Über definierte Schnittstellen ruft das System externe Funktionen auf: E-Mails versenden, Datensätze lesen, Termine eintragen. Erst dieser Zugriff macht aus einer Antwortmaschine ein handelndes System. Welche Werkzeuge erlaubt sind, bestimmen Sie bei der Einrichtung.
Agentische Systeme speichern Zwischenergebnisse und Kontext über mehrere Schritte hinweg. Das Kurzzeitgedächtnis hält den aktuellen Auftrag fest, ein Langzeitgedächtnis kann Erfahrungen aus früheren Durchläufen bereitstellen. Ohne Gedächtnis müsste das System bei jedem Schritt von vorn beginnen.
Nach jeder Aktion bewertet das System das Ergebnis: Hat der Schritt das Ziel nähergebracht? Diese Schleife unterscheidet agentische KI von starrer Automatisierung. Ein fest programmierter Ablauf bricht bei einer unerwarteten Antwort ab, ein agentisches System sucht einen anderen Weg.
Multi-Agenten-Systeme: Arbeitsteilung unter Agenten
Komplexe Aufgaben übersteigen oft die Zuverlässigkeit eines einzelnen Agenten. Multi-Agenten-Systeme lösen das durch Spezialisierung: Mehrere Agenten übernehmen je einen klar umrissenen Teilbereich und übergeben Ergebnisse strukturiert aneinander. Jeder einzelne Agent bleibt dadurch einfach, das Gesamtsystem leistet trotzdem viel.
In der Praxis koordiniert häufig ein Orchestrator-Agent die Arbeit. Er nimmt die Aufgabe entgegen, verteilt Teilaufträge an spezialisierte Agenten und fügt die Ergebnisse zusammen. Ein Beispiel aus dem Onlinehandel: Ein Agent prüft eingehende Bestellungen auf Vollständigkeit, ein zweiter gleicht Lagerbestände ab, ein dritter formuliert die Versandbestätigung an die Kundschaft.
Multi-Agenten-Systeme haben zwei Vorteile gegenüber einem Einzelagenten. Erstens sinkt die Fehlerquote, weil jeder Agent nur eine Sache können muss und dafür gezielt instruiert wird. Zweitens lassen sich einzelne Agenten austauschen oder verbessern, ohne das Gesamtsystem neu aufzubauen. Der Preis dafür ist Koordinationsaufwand: Die Übergaben zwischen den Agenten müssen sauber definiert sein, sonst pflanzen sich Fehler durch die Kette fort.
Agentische KI im Geschäftsalltag
Sie müssen kein Multi-Agenten-System selbst entwickeln, um agentische KI zu nutzen. Fertige Produkte bringen die Architektur bereits mit. Der STRATO Smart KI-Telefonassistent arbeitet nach genau diesem Prinzip:
Liest die Inhalte Ihrer Website ein und beantwortet damit Anrufe rund um die Uhr
Bucht ab dem Pro-Tarif Termine über Tools wie Calendly oder CAL.com, die sich mit Kalendern wie Outlook, Google oder Apple verknüpfen lassen
Leitet Gespräche an Sie weiter, sobald ein hinterlegter Schlüsselbegriff wie "Notfall" fällt
Das ist Agentic AI im Kleinen: Der Assistent verfolgt das Ziel "Anruf erfolgreich abschließen", entscheidet selbst über die nötigen Schritte und greift dafür auf die freigegebenen Werkzeuge zu. Welcher Tarif welchen Funktionsumfang enthält, sehen Sie auf der Produktseite.
Autonomie braucht Grenzen
Je mehr ein System selbstständig erledigt, desto wichtiger wird der Rahmen, in dem es handelt. Drei Stellschrauben haben sich bewährt. Erstens die Rechtevergabe: Ein Agent erhält nur Zugriff auf die Werkzeuge und Daten, die er für seine Aufgabe braucht. Zweitens definierte Eskalationspunkte: Bei kritischen Entscheidungen, etwa Zahlungen oder Vertragszusagen, übergibt das System an einen Menschen.
Drittens der Umgang mit personenbezogenen Daten. Agentische Systeme verarbeiten oft Kalendereinträge, Kontaktdaten oder Gesprächsinhalte. Wo diese Daten liegen und wer darauf zugreift, entscheidet über die rechtssichere Nutzung. Worauf Sie dabei achten müssen, lesen Sie im Beitrag zum Thema KI-Datenschutz.
Häufige Fragen
Nein. AGI bezeichnet eine hypothetische KI, die jede intellektuelle Aufgabe auf menschlichem Niveau lösen könnte. Agentic AI ist heute verfügbare Technik mit klar begrenztem Auftrag: Ein agentisches System handelt selbstständig, aber nur innerhalb der Ziele und Werkzeuge, die Sie ihm vorgeben.
Klassische Automatisierung, etwa per RPA-Software, folgt einem fest programmierten Ablauf und scheitert, sobald die Realität vom Skript abweicht. Agentische KI plant ihre Schritte selbst und passt sie an unerwartete Situationen an. Dafür ist ihr Verhalten weniger exakt vorhersagbar, weshalb Tests und Eskalationsregeln wichtiger sind als bei starren Abläufen.
Über strukturierte Übergaben: Ein Agent verpackt sein Ergebnis in ein definiertes Format, das der nächste Agent als Eingabe versteht. Häufig steuert ein Orchestrator-Agent diesen Austausch und entscheidet, welcher Agent als Nächstes übernimmt. Offene Protokolle wie das Model Context Protocol (MCP) für den Werkzeugzugriff oder Agent2Agent (A2A) für die direkte Kommunikation zwischen Agenten standardisieren diesen Austausch.
Beides ist möglich. Fertige Produkte wie der STRATO Smart KI-Telefonassistent laufen als Cloud-Dienst und benötigen keine eigene Infrastruktur. Wer eigene Agenten aufbaut, betreibt sie auf eigener Infrastruktur: etwa mit dem n8n Server für Workflow-Automatisierungen oder mit OpenClaw Hosting für einen persönlichen KI-Agenten auf dem eigenen VPS. Damit behalten Sie die volle Kontrolle über Datenflüsse und Konfiguration.
