Die meisten Menschen kennen KI als Werkzeug für eng umrissene Aufgaben, etwa wenn man einen Chatbot bittet, einen Absatz zusammenzufassen oder ein Bild zu erzeugen. Doch es vollzieht sich ein Wandel hin zu „agentischer KI“.
Im Gegensatz zur traditionellen KI, die typischerweise auf eine einzelne Eingabe mit einer einzigen Ausgabe reagiert, ist ein KI‑Agent ein Programm, das Ziele verfolgen und Handlungen mit einem gewissen Maß an Autonomie ausführen kann [1]. Er beantwortet nicht nur Fragen; er entwirft eigenständig einen Arbeitsablauf, um eine Aufgabe im Auftrag eines Nutzers oder eines anderen Systems zu erledigen [2].
Wie sich KI‑Agenten von traditioneller KI unterscheiden
Traditionelles maschinelles Lernen und frühe Chatbots sind im Allgemeinen werkzeugartig, das heißt, sie führen spezifische, begrenzte Funktionen aus [1]. KI‑Agenten gehen darüber hinaus, indem sie zielgerichtetes Verhalten sowie die Fähigkeit, mit ihrer externen Umgebung zu interagieren und diese zu verändern, integrieren [1].
Das bedeutet, dass ein Agent mehrstufige Aufgaben autonom ausführen kann [1]. Zum Beispiel könnte ein KI‑Agent anstelle einer bloßen Auflistung von Flügen den gesamten Buchungsprozess für Reisepläne basierend auf einer Nutzeranfrage übernehmen [1].
Diese Autonomie wird häufig mit den Stufen selbstfahrender Autos verglichen [1]. Während einige spezialisierte Anwendungen hohe Autonomiestufen erreichen, werden die meisten aktuellen KI‑Agenten-Anwendungen mit Stufe 2 oder Stufe 3 verglichen, wobei Stufe 5 noch theoretisch bleibt [1].
Die Architektur eines autonomen Agenten
KI‑Agenten sind keine einzelnen Modelle, sondern Systeme. Ihr Kontrollfluss wird häufig von großen Sprachmodellen (LLMs) gesteuert, wobei das LLM in ein „Agent‑Framework“ eingebettet ist [1].
Dieses Framework ist eine Softwareschicht, die die wesentlichen betrieblichen Einschränkungen des Agenten verwaltet, einschließlich:
- Speicher- und Ausführungszustand [1].
- Werkzeugnutzung und Berechtigungen [1].
- Kontext‑ und Prompt‑Verwaltung [1].
- Sandboxes für sichere Ausführung [1].
Über das Framework hinaus kann eine umfassende Agenten‑Architektur sieben miteinander verbundene Schichten umfassen [1]. Diese reichen von den Grundmodellen und Datenoperationen (wie Vektor‑Datenbanken und RAG) über Agenten‑Frameworks, Bereitstellungs‑Infrastruktur bis hin zu Sicherheits‑Compliance [1]. Die letzte Schicht ist das Agenten‑Ökosystem, das als Schnittstelle zwischen dem Agenten und realen Nutzern oder Anwendungen dient [1].
Multiagenten‑Systeme und fortgeschrittene Arbeitsabläufe
Während ein einzelner Agent eine Aufgabe bewältigen kann, erfordern manche komplexen Ziele ein Multiagenten‑System [2]. Dabei arbeiten mehrere KI‑Agenten gemeinsam, um Aufgaben für einen Nutzer zu erledigen [2].
Eine fortgeschrittene Anwendung davon ist Agentic RAG (Retrieval Augmented Generation) [2]. Traditionelle RAG‑Systeme rufen Informationen ab, um einem Modell bei der Beantwortung einer Frage zu helfen. Agentic RAG hingegen nutzt Agenten, um Informationsbeschaffung über mehrere Quellen hinweg durchzuführen und komplexere Arbeitsabläufe zu steuern [2].
Diese Fähigkeiten ermöglichen den Einsatz von Agenten in verschiedenen Geschäftsbereichen, darunter Beschaffung, Personalwesen, Vertrieb und Kundenservice [2]. Durch die Automatisierung von Aufgaben, die zuvor manuell erledigt werden mussten, wollen Unternehmen Aufwand reduzieren und Zeit sparen [1].
Sicherheits‑ und Governance‑Herausforderungen
Mehr Autonomie bringt neue Risiken mit sich. Eine zentrale Sorge ist die Fehlanpassung von Agenten, bei der die Handlungen des Agenten nicht mit der tatsächlichen Absicht des Nutzers übereinstimmen [1].
Sicherheit ist ebenfalls ein kritischer Faktor, da Agenten mehr Zugriff auf Systeme erhalten [1]. Beispielsweise sind Angriffe zur Modellinversion von KI zu einer bedeutenden Bedrohung geworden, wobei einige im Durchschnitt 6 Millionen USD kosten [2].
Um diese Risiken zu mindern, setzen Unternehmen eine Governance für KI‑Agenten ein [2]. Das umfasst die Festlegung von Standards, Leitplanken und Prozessen, um sicherzustellen, dass agentische Systeme ethisch und sicher arbeiten [2].
