Agentic AI ist eine Form von künstlicher Intelligenz (KI), die autonome Entscheidungen treffen und Handlungen ausführen kann. Im Gegensatz zu herkömmlichen KI‑Systemen, die auf Anweisungen warten oder Aufgaben basierend auf spezifischen Eingabeaufforderungen ausführen, ist Agentic AI darauf ausgelegt, Ziele zu verfolgen, Entscheidungen zu treffen und Maßnahmen zu ergreifen, um gewünschte Ergebnisse zu erzielen. Sie stellt einen Wandel dar, von KI als reaktivem Assistenten zu KI als aktivem Teilnehmer an Geschäftsprozessen.
Der Aufstieg großer Sprachmodelle (LLMs), Fortschritte bei den Reasoning‑Fähigkeiten und die wachsende Nachfrage nach intelligenter Automatisierung haben das Interesse an agentic AI beschleunigt. Unternehmen aus allen Branchen erhöhen ihre Investitionen in agentic AI, um die Produktivität zu steigern, Prozesse zu optimieren und neuen geschäftlichen Mehrwert zu erschließen. Infolgedessen wird erwartet, dass der Markt für agentic AI im Unternehmensumfeld von USD 2,58 Milliarden im Jahr 2024 auf USD 24,50 Milliarden bis 2030 expandiert, was einer starken durchschnittlichen jährlichen Wachstumsrate (CAGR) von 46,2 % im Prognosezeitraum 2025–2030 entspricht.2
Agentic AI ist mehr als ein inkrementeller Fortschritt in der Künstlichen Intelligenz; es stellt einen grundlegenden Wandel dar, wie Organisationen Technologie nutzen, um Geschäftsziele zu erreichen. Als autonome, zielgerichtete Teammitglieder ermöglichen diese Systeme den Unternehmen, komplexe Prozesse zu automatisieren, die operative Effizienz zu steigern und die Entscheidungsfindung über ein breites Spektrum von Geschäftsbereichen hinweg mit minimaler menschlicher Intervention zu verbessern. Mit fortschreitender Reife der Technologie wird Agentic AI voraussichtlich zu einem entscheidenden Treiber für wettbewerbliche Differenzierung und langfristiges Unternehmenswachstum.
Der Begriff „agentisch“ stammt aus dem Konzept der Handlungsfähigkeit – der Fähigkeit, bewusst zu handeln, um bestimmte Ziele zu erreichen. Agentische KI‑Systeme sind in der Lage, den Kontext ihrer Umgebung zu verstehen, aus Interaktionen zu lernen und sich dynamisch an sich entwickelnde Bedingungen anzupassen, um mehrstufige Ziele zu erreichen. In der Praxis verbindet agentische KI Fähigkeiten wie Schlussfolgern, Planen, Gedächtnis, Toolnutzung und Ausführung, um Aufgaben zu erledigen, die sonst menschliche Koordination erfordern.
Im Kern versucht die agentische KI, eine grundlegende Frage zu beantworten: „Wie kann KI über das Erzeugen von Antworten hinausgehen und damit Ergebnisse liefern?“
Um dies zu erreichen, setzen agentische Systeme häufig KI‑Agenten ein, die zusammenarbeiten, Informationen teilen und spezialisierte Aufgaben ausführen. Diese Agenten können auf Unternehmenssysteme zugreifen, Daten abrufen, mit Anwendungen interagieren, externe Anwendungen aufrufen und Arbeitsabläufe über Geschäftsbereiche hinweg koordinieren. Diese Fähigkeit, über die reine Konversation hinaus zu autonomem Handeln überzugehen, unterscheidet agentische KI von früheren Generationen der KI‑Technologie.
Im Unternehmensumfeld gilt agentische KI zunehmend als die nächste Stufe der intelligenten Automatisierung. Der Fokus liegt nicht mehr nur auf der Automatisierung einzelner Aufgaben, sondern auf der durchgängigen Automatisierung komplexer Prozesse, die logisches Denken, eigenständige Entscheidungen und Anpassungen über verschiedene Systeme und Stakeholder hinweg ermöglichen.
Obwohl agentische KI und generative KI eng miteinander verwandt sind, verfolgen sie grundlegend unterschiedliche Ziele.
Generative KI ist eine Form von KI, die darauf ausgelegt ist, Inhalte basierend auf Benutzereingaben zu erzeugen. Angetrieben von LLMs kann sie Text, Bilder, Code, Audio und andere Formen von Inhalten generieren, indem sie Muster und Zusammenhänge aus großen Mengen von Trainingsdaten lernt und auf Benutzereingaben in natürlicher Sprache reagiert.
Agentic KI erweitert hingegen die Fähigkeiten von generativer KI über die reine Inhaltserstellung hinaus. Sie nutzt LLMs als Denk‑Engine, um autonome Agenten zu betreiben, die planen, Entscheidungen treffen, mit Tools interagieren und Aktionen über Systeme hinweg ausführen können, um ein definiertes Ziel zu erreichen. Anstatt nur auf Eingabeaufforderungen zu reagieren, kann die agentische KI eigenständig die für die Zielerreichung erforderliche Aufgabenabfolge bestimmen, den Fortschritt überwachen, sich an veränderte Bedingungen anpassen und bei Bedarf korrigierende Maßnahmen ergreifen.
Betrachten wir ein Beispiel, um die Unterschiede besser zu verstehen.
Ein Vertriebsmitarbeiter möchte ein Treffen für eine Produktvorführung mit einem Kunden vereinbaren.
Um dies zu erreichen, bittet der Vertriebsmitarbeiter das generative KI‑Tool, „eine E‑Mail zu verfassen, in der der Kunde zu einer Produktvorführung nächste Woche eingeladen wird“.
Das generative KI‑Tool erzeugt eine professionelle E‑Mail mit vorgeschlagenen Besprechungszeiten. Der Vertriebsmitarbeiter dann:
Damit unterstützt generative KI die Erstellung von Inhalten, aber der Mensch übernimmt den Prozess.
Mit agentischer KI gibt der Vertriebsmitarbeiter dem System ein Ziel: "Planen Sie eine Produktdemo mit dem Kunden nächste Woche."
Um dies zu erreichen, kann das agentische KI‑System:
Der Vertreter ist nur dann beteiligt, wenn eine Genehmigung oder Intervention erforderlich ist.
Der Unterschied ist damit klar.
Generative KI unterstützt die Erstellung von Inhalten gemäß der Benutzereingabe, wohingegen agentische KI Entscheidungen trifft und durchgängige Workflows ausführt, um ein Ziel zu erreichen.
Die Entscheidung, agentische, nicht‑agentische oder traditionelle KI‑Chatbots einzusetzen, ist nicht nur eine technologische Entscheidung; sie ist eine strategische Wahl, die die operative Effizienz, Skalierbarkeit, das Risikomanagement und den langfristigen Unternehmenswert prägt.
Traditionelle KI‑Chatbots sind in erster Linie für dialogorientierte Interaktionen konzipiert und funktionieren nach dem Prinzip von Anfrage und Antwort. Nicht‑agentische KI‑Chatbots nutzen dialogorientierte KI‑Techniken, einschließlich Natural Language Processing (NLP), um Benutzereingaben zu interpretieren, Fragen zu beantworten, Informationen bereitzustellen, Nutzer durch vordefinierte Workflows zu führen und routinemäßige Interaktionen zu automatisieren. Sobald die Interaktion endet, ergreift das System in der Regel von sich aus keine weiteren Maßnahmen. Ihr Nutzen liegt in der Verbesserung von Reaktionsfähigkeit und Nutzer‑Engagement.
Agentic AI ist dagegen darauf ausgelegt, Ziele zu erreichen. Durch den Einsatz autonomer KI‑Agenten können diese Systeme Situationen analysieren, Entscheidungen treffen, Aktionen über Systeme hinweg koordinieren und mehrstufige Prozesse abschließen, indem sie mit Unternehmensanwendungen, Schnittstellen und externen Tools interagieren. Sie passen sich im Laufe der Zeit kontinuierlich den Nutzerpräferenzen an, ermöglichen personalisiertere Interaktionen und liefern umfassendere Antworten. Ihr besonderer Mehrwert liegt in Anwendungsfällen, in denen der Erfolg nicht allein an den gegebenen Antworten, sondern an den tatsächlich erzielten Ergebnissen gemessen wird.
Bei der Wahl zwischen beiden besteht die eigentliche Herausforderung darin, zu verstehen, wann dialogorientierte Unterstützung ausreicht und wann autonome Ausführung einen größeren Mehrwert liefert und wie viel Autonomie KI in spezifischen Geschäftsabläufen haben sollte.
Beispielsweise kann ein nicht‑agentischer KI‑Chatbot die Frage eines Kunden zu einer verspäteten Lieferung beantworten. Ein agentischer KI‑Chatbot hingegen kann den Lieferstatus prüfen, die Ursache der Verspätung ermitteln, Gegenmaßnahmen einleiten, die Stakeholder über den Fortschritt informieren und den Vorgang weiter überwachen, bis er abgeschlossen ist.
Der entscheidende Unterschied liegt in der Autonomie.
Nicht‑agentische Chatbots arbeiten reaktiv. Agentische KI‑Systeme arbeiten proaktiv. Diese Unterscheidung treibt das wachsende Interesse an agentischen Architekturen in verschiedenen Unternehmensbereichen wie Kundenservice, Betrieb, Cybersicherheit, Lieferkettenmanagement und Softwareentwicklung an.
Die Begriffe „agentische KI“ und „KI‑Agenten“ werden häufig synonym verwendet, beziehen sich jedoch auf unterschiedliche Konzepte.
Ein KI‑Agent ist eine einzelne Software‑Entität, die in der Lage ist, ihre Umgebung wahrzunehmen und autonom Aufgaben auszuführen, um spezifische Ziele zu erreichen.
KI-Agenten sind darauf ausgelegt, komplexe Herausforderungen in verschiedenen Unternehmensanwendungen zu bewältigen – beispielsweise in der Softwareentwicklung, bei der Codegenerierung oder in der IT-Automatisierung. Im Kern basieren KI-Agenten auf fortschrittlichen Large Language Models (LLMs), die Nutzereingaben verstehen und darauf reagieren, Aufgaben schrittweise analysieren und eigenständig entscheiden können, wann externe Tools eingesetzt werden müssen, um ihre Ziele zu erreichen.
Ein Beispiel dafür ist Uber: Das Unternehmen hat mit Finch3 einen konversationellen KI-Agenten entwickelt, der Analystinnen und Analysten den Zugriff auf Finanzdaten erleichtert. Durch die Integration in Slack macht Finch manuelle SQL-Abfragen überflüssig, indem natürliche Spracheingaben automatisch in strukturierte Daten umgewandelt werden.
Agentische KI bezeichnet den übergeordneten Rahmen beziehungsweise die Fähigkeit, autonome Verhaltensweisen zu ermöglichen. Vereinfacht gesagt sind KI-Agenten die einzelnen Bausteine, während agentische KI das Gesamtsystem beschreibt, das diese Fähigkeiten miteinander verbindet und autonomes Handeln ermöglicht.
Ein einzelner KI-Agent kann eine fokussierte Aufgabe ausführen, etwa die Lagerbestände überwachen oder auf Kundenanfragen reagieren.
Ein agentenbasiertes KI‑System kann aus mehreren spezialisierten Agenten bestehen, die zusammenarbeiten, um größere Ziele zu erreichen. Ein Agent kann Informationen sammeln, ein Anderer Analysen durchführen, ein Dritter Empfehlungen aussprechen und ein Vierter Aktionen ausführen.
Dieser kollaborative Ansatz wird häufig als Multi‑Agenten‑System bezeichnet.
Für Unternehmen ist das Verständnis dieser Unterscheidung wichtig, weil erfolgreiche Implementierungen häufig die Orchestrierung mehrerer KI‑Agenten über Geschäftsbereiche hinweg erfordern, anstatt sich auf ein einziges autonomes System zu verlassen.
Retrieval‑Augmented Generation (RAG) hat sich als einer der wirkungsvollsten Ansätze zur Steigerung der Genauigkeit und Relevanz von KI‑generierten Antworten etabliert. Traditionelle RAG‑Systeme rufen Informationen aus externen Wissensquellen ab, bevor sie Antworten generieren, anstatt ausschließlich auf die Daten zu setzen, mit denen sie trainiert wurden.
Agentic RAG erweitert dieses Konzept.
Agentische RAG‑Systeme ermöglichen die Integration von KI‑Agenten in die Retrieval‑Pipeline und verbessern dadurch sowohl die Anpassungsfähigkeit als auch die Genauigkeit der Antworten.
Die Effektivität traditioneller RAG‑Systeme hängt weitgehend vonvordefinierten Prompts und gezielten Nutzeranweisungen ab. Agentic RAG verfolgt einen fortschrittlicheren Ansatz mit deutlich höherer Autonomie. Die Systeme können eigenständig Folgefragen generieren, mithilfe von Speicherfunktionen einen umfassenderen Kontext aufbauen und bei Bedarf proaktiv zusätzliche Aufgaben ausführen. Diese Fähigkeit, zu analysieren, sich anzupassen und selbstständig zu handeln, ermöglicht Agentic RAG tiefere Erkenntnisse, fundiertere Entscheidungen und reduziert den Bedarf an kontinuierlicher menschlicher Unterstützung.
Ein Beispiel verdeutlicht den Unterschied: Bei einem klassischen RAG-System kann ein Nutzer einen Chatbot nach den Reiserichtlinien oder den Regelungen zur Reisekostenerstattung eines Unternehmens fragen. Der Chatbot ruft daraufhin die relevanten Informationen ab und stellt sie bereit. Agentisches RAG geht einen Schritt weiter. Das System erläutert nicht nur die Richtlinien, sondern bietet dem Nutzer auch direkt die Möglichkeit, einen Erstattungsantrag einzureichen. Anschließend können KI-Agenten die erforderlichen Belege zusammentragen, das Spesenformular automatisch ausfüllen, die Einhaltung der Unternehmensrichtlinien prüfen, den Antrag zur Genehmigung weiterleiten und den Bearbeitungsstatus im Namen des Nutzers verfolgen.
Während Implementierungen je nach Anwendungsfall variieren können, folgen die meisten agentenbasierten KI‑Systeme einem gemeinsamen operativen Rahmen.
Agentische KI beginnt damit, Informationen aus verschiedenen Quellen über Schnittstellen, Datenbanken, Sensoren oder Benutzerinteraktionen zu sammeln und stellt sicher, dass sie über die neuesten für Analyse und Entscheidungsfindung erforderlichen Daten verfügt. Dieser Informationsfluss liefert den nötigen Kontext, um Situationen präzise zu verstehen und die jeweils sinnvollsten nächsten Schritte abzuleiten.
Sobald es die Informationen hat, analysiert das agentische KI‑System diese, um sinnvolle Erkenntnisse zu gewinnen. Durch den Einsatz von Fähigkeiten wie Natural Language Processing (NLP), Computer Vision und Machine Learning versteht es die Nutzeranfragen sowie den weitergehenden Kontext, um logisch zu bestimmen, welche Aktionen erforderlich sind.
Auf Basis von Nutzeranweisungen, vordefinierten Zielen oder kontextbezogenen Erkenntnissen definiert die KI ein gewünschtes Ergebnis. Anschließend entwickelt sie einen Plan, um dieses Ziel zu erreichen. Dabei werden komplexe Aufgaben häufig in kleinere, überschaubare Teilschritte zerlegt und der effizienteste Weg zur Zielerreichung bestimmt.
Die KI analysiert die verschiedenen möglichen Handlungen und ermittelt die Wirksamste, um das gewünschte Ergebnis zu erzielen. Dabei berücksichtigt sie Faktoren wie Genauigkeit und Effizienz und nutzt Techniken wie maschinelles Lernen oder andere Bewertungs- und Optimierungsfunktionen.
Nachdem die KI die beste Vorgehensweise entschieden hat, führt sie diese aus. Dabei kann es erforderlich sein, mit externen Anwendungen zu interagieren oder Antworten und Empfehlungen für den Nutzer zu generieren.
Nach der Ausführung überprüft die KI die Ergebnisse und sammelt Feedback, um die zukünftige Leistung zu verbessern. Mithilfe von Verfahren wie Reinforcement Learning und Self-Supervised Learning verfeinert sie ihre Entscheidungsprozesse kontinuierlich und wird im Laufe der Zeit immer effektiver.
Bild ist KI-generiert
Die folgenden Merkmale zeichnen ein agentisches KI-System aus.
Ein Merkmal, das ein agentenbasiertes KI‑System eindeutig definiert, ist seine autonome Fähigkeit, ohne ständige menschliche Intervention zu operieren. Im Unterschied zu herkömmlichen KI‑Modellen, die kontinuierliche Anleitung benötigen, können agentenbasierte Systeme langfristige Ziele verfolgen, komplexe mehrstufige Arbeitsabläufe steuern und den Fortschritt eigenständig überwachen, während sie ihr Handeln anpassen, um die gewünschten Ergebnisse zu erzielen.
Agentenbasierte KI-Systeme können über das bloße Generieren von Antworten hinausgehen, indem sie fundierte Entscheidungen treffen und Aufgaben zielorientiert ausführen. Durch die Interaktion mit externen Werkzeugen, Datenbanken, Schnittstellen und Abfragedatenbanken können agentenbasierte Systeme Informationen sammeln, Optionen bewerten und dynamisch auf sich ändernde Umstände reagieren.
Agentische KI-Systeme können auf verschiedene Weise konzipiert werden, je nach Art der Aufgaben, die sie erfüllen sollen. Die Architektur des Systems spielt eine entscheidende Rolle dafür, wie effizient Agenten zusammenarbeiten, Entscheidungen treffen und Ziele erreichen.
Ein gängiger Ansatz verwendet ein LLM‑gestütztes Conductor‑Modell, das wie ein Koordinator fungiert und die Aktivitäten anderer, einfacherer Agenten überwacht. Ein anderer Ansatz nutzt eine dezentralisierte Struktur, bei der mehrere Agenten gleichberechtigt zusammenarbeiten und direkt miteinander interagieren.
Ein Beispiel aus dem Supply-Chain-Management: Während ein KI-Agent die Lagerbestände überwacht, verfolgt ein anderer den Status von Lieferungen und ein weiterer analysiert Bedarfsprognosen. Durch das Zusammenspiel dieser spezialisierten Agenten lassen sich potenzielle Engpässe frühzeitig erkennen, Handlungsempfehlungen ableiten und Lieferketten effizienter und widerstandsfähiger gestalten.
Ein weiteres wichtiges Merkmal agentenbasierter KI ist ihre Fähigkeit, aus Interaktionen, Feedback und vergangenen Erfahrungen zu lernen. Mit geeigneten Governance-Strukturen und Sicherheitsmechanismen können diese Systeme ihr Verhalten kontinuierlich optimieren, ihre Leistungsfähigkeit steigern und ihre Reaktionsfähigkeit verbessern.
Agentenbasierte KI‑Systeme können ihre Leistung anhand einer Reihe von Kennzahlen wie Latenz, Vertrauensgrad und Erfolgsrate bewerten. In Multi‑Agenten‑Umgebungen tauschen einzelne Agenten Lerninhalte und Updates in gemeinsamen Speicherschichten aus, wodurch das System kollektiv lernen und die Leistung im Laufe der Zeit verbessern kann.
Das wachsende Interesse an agentischer KI wird durch ihr Potenzial getrieben, messbaren geschäftlichen Mehrwert zu liefern. Während konkrete Ergebnisse je nach Branche und Anwendungsfall variieren, prüfen Unternehmen zunehmend agentenbasierte Systeme, um die Produktivität zu steigern, Entscheidungsprozesse zu beschleunigen und Kundenerlebnisse zu verbessern. Zu den wichtigsten Vorteilen der agentenbasierten KI gehören:
Agentische KI kann wiederkehrende und zeitintensive Aufgaben automatisieren, sodass Mitarbeitende sich auf hochwertige strategische Tätigkeiten, Innovation und Problemlösung konzentrieren können. Im Gegensatz zur traditionellen Automatisierung können agentische Systeme Ziele verstehen, Handlungen planen und Workflows mit minimaler menschlicher Intervention ausführen. Sie agieren dabei wie ein Teammitglied, das rund um die Uhr verfügbar ist und kontinuierlich Aufgaben übernimmt. Laut einer Prognose von Gartner werden bis 2028 mindestens 15 Prozent der alltäglichen Arbeitsentscheidungen autonom durch agentische KI getroffen werden.4
Die Kundenerwartungen entwickeln sich weiter. Agentische KI kann Kundeninteraktionen personalisieren, schnellere Antworten liefern und Kundenprobleme effektiver lösen, was zu mehr Kundenzufriedenheit führt.
Ein Beispiel dafür ist Walmart: Das Unternehmen setzt LLM-gestützte KI-Agenten ein, um personalisierte Einkaufserlebnisse zu schaffen und gleichzeitig Kundenservicefunktionen sowie betriebliche Prozesse wie die Warenplanung und die Bearbeitung von Problemen zu automatisieren.5
Agentische KI hilft Unternehmen, ihre Betriebskosten zu senken, indem sie manuelle Aufwände reduziert und die Wahrscheinlichkeit menschlicher Fehler minimiert. Durch automatisierte Entscheidungen und die eigenständige Ausführung von Aufgaben lassen sich Prozesse standardisieren, Ineffizienzen abbauen und Kosten vermeiden, die durch Fehler, Verzögerungen oder einen hohen Ressourceneinsatz entstehen. Das Ergebnis sind effizientere Abläufe und eine höhere operative Leistungsfähigkeit.
Agentenbasierte KI kann große Mengen an Echtzeitdaten analysieren und interpretieren. Durch das Erkennen von Mustern und das Gewinnen von Erkenntnissen aus einem großen Datenpool liefert sie bessere Ergebnisse, die zu einer Steigerung von Genauigkeit und Qualität führen. Zusätzlich ermöglicht der kontinuierliche Lernzyklus dem System, sich an veränderte Bedingungen anzupassen und seine Leistung im Laufe der Zeit zu verbessern, sodass Unternehmen langfristigen Nutzen aus ihren KI‑Investitionen ziehen können.
Allerdings erfordert die Umsetzung dieser Vorteile eine robuste Governance, eine sichere Infrastruktur und eine sorgfältige Implementierung. Viele Unternehmen konzentrieren sich daher nicht nur auf autonome Fähigkeiten, sondern auch darauf, die nötigen Grundlagen zu schaffen, um agentenbasierte Systeme verantwortungsbewusst und skalierbar einzusetzen. Die KI‑Experten von T‑Systems begleiten Organisationen bei jedem Schritt ihrer KI‑Reise, um eine erfolgreiche KI‑Einführung sicherzustellen, während sie sich auf Innovation, Governance, Sicherheit und operative Steuerung fokussieren. Gleichzeitig wird sichergestellt, dass autonome Systeme mit den Geschäfts‑Zielen im Einklang bleiben.
Während agentische KI ein erhebliches Innovationspotenzial und Transformationsmöglichkeiten bietet, müssen Organisationen auch eine Reihe ethischer, technischer, operativer und organisatorischer Herausforderungen angehen. CIOs und IT‑Führungskräfte fragen sich häufig: „Welche geschäftlichen Auswirkungen hätte es, wenn ein agentisches KI‑System einen Fehler macht?“
Der Übergang von Experimenten zur unternehmensweiten Bereitstellung erfordert mehr als nur leistungsfähige Modelle und autonome Agenten, und Unternehmen müssen sicherstellen, dass agentische KI‑Systeme mit ihren übergeordneten Geschäfts‑Zielen und -Werten im Einklang stehen. Es bedarf Governance, Zuverlässigkeit, Vertrauen und eines klaren Verständnisses, wo autonome Entscheidungsfindung angewendet werden sollte — und wo nicht.
Mit zunehmender Autonomie von KI‑Systemen wird es immer wichtiger, die ethischen Aspekte des Einsatzes agentischer KI zu identifizieren und zu adressieren. Enthalten Trainingsdaten, Algorithmen oder Entscheidungsrahmen versteckte Verzerrungen, kann agentische KI ungerechte Ergebnisse in großem Maßstab reproduzieren und sogar verstärken, wodurch im Laufe der Zeit voreingenommene Muster gefestigt und Fairness vernachlässigt werden. Das kann zu diskriminierenden Resultaten und erheblichen realen Folgen in kritischen Bereichen wie der Gesundheitsdiagnostik, dem Hochfrequenzhandel und der Ressourcenverteilung führen. Unternehmen müssen daher klare ethische Leitplanken etablieren, Datensätze und Ergebnisse regelmäßig überprüfen, Mechanismen zur Erkennung von Verzerrungen implementieren und das Agentenverhalten kontinuierlich überwachen. Darüber hinaus müssen Datenschutz und Sicherheit als grundlegende Überlegungen über den gesamten KI‑Lebenszyklus hinweg erhalten bleiben. Dies erfordert den Aufbau einer KI‑Architektur mit robusten Schutzmaßnahmen, die sensible Daten schützen, den Informationsaustausch sichern und das Risiko von unbefugtem Zugriff oder Missbrauch reduzieren.
Obwohl Autonomie das zentrale Merkmal agentischer KI ist, besteht eine der größten Herausforderungen darin, Innovation und Kontrolle in Einklang zu bringen. Unternehmen wollen Agenten, die eigenständig operieren, benötigen jedoch Mechanismen, um sicherzustellen, dass diese Agenten mit den Unternehmenszielen, den Compliance‑Anforderungen und den ethischen Standards im Einklang bleiben.
Viele agentische KI‑Systeme basieren häufig auf Reinforcement Learning, bei dem Entscheidungen durch Belohnungsfunktionen gesteuert werden. Während dieser Ansatz Autonomie und kontinuierliche Verbesserung ermöglicht, birgt er auch ein Risiko. Wird der Belohnungsmechanismus nicht sorgfältig an die Geschäftsziele angepasst, kann das System Abkürzungen oder Schlupflöcher finden, die seine Ziele zwar technisch erfüllen, jedoch in unerwünschter Weise.
Beispielsweise kann ein Kundenservice‑Agent, der darauf ausgelegt ist, die Ticket‑Lösungszeiten zu minimieren, Support‑Anfragen vorzeitig schließen, anstatt die Kundenprobleme vollständig zu lösen. Ein Logistik‑Optimierungs‑Agent, dessen Aufgabe es ist, die Lieferkosten zu senken, könnte Routen wählen, die Lieferverzögerungen erhöhen und die Kundenzufriedenheit negativ beeinflussen.
Durch die Überoptimierung auf ein bestimmtes Ziel können agentische KI‑Systeme unbeabsichtigte Ergebnisse erzeugen, insbesondere wenn keine angemessenen Schutzmaßnahmen vorhanden sind, vor allem in Multi‑Agent‑Umgebungen, in denen sich Fehler schnell im System verbreiten können. Klare Ziele, kontinuierliche Überwachung und Feedback‑Mechanismen sind entscheidend, um das Verhalten der KI an den Geschäftszielen auszurichten.
Vertrauen bleibt eine der größten Hürden für die breite Einführung agentischer KI in Unternehmen.
Selbst die anspruchsvollsten KI‑Systeme sind nicht vor Halluzinationen gefeit, die Arbeitsabläufe stören, Geschäftsprozesse beeinträchtigen und kostspielige Fehler verursachen können. Wenn ein KI‑Modell ungenaue Informationen erzeugt und diese über vernetzte KI‑Agenten, die für bestimmte Aufgaben konzipiert sind, weitergibt, können sich diese Fehler rasch im gesamten System ausbreiten, Probleme verstärken und die Qualität des Endergebnisses beeinträchtigen. In risikoreichen und daten‑sensiblen Branchen wie dem Gesundheitswesen und dem Finanzsektor, in denen Entscheidungen erhebliche reale Konsequenzen haben können, ist die Sicherstellung von Genauigkeit und Zuverlässigkeit KI‑generierter Erkenntnisse von entscheidender Bedeutung. Daher müssen Organisationen ein hohes Maß an Vertrauen in ihre KI‑Lösungen aufbauen, bevor sie diese flächendeckend einsetzen.
Zudem funktionieren viele fortschrittliche KI‑Systeme als „Black Box“, was es Menschen erschwert, nachzuvollziehen, wie Entscheidungen getroffen werden. Ein angemessenes Maß an Transparenz wird jedoch allgemein als unerlässlich für den sicheren, zuverlässigen und effektiven Einsatz dieser Systeme in Unternehmensumgebungen angesehen.
Um einen transparenten und verlässlichen Betrieb agentischer KI-Systeme zu gewährleisten, sollten insbesondere die folgenden Fragen beantwortet werden.
Der Aufbau und Betrieb agentischer KI-Systeme ist deutlich komplexer als die Implementierung klassischer KI-Modelle. Unternehmen müssen Architekturen entwickeln, in denen mehrere Agenten effektiv zusammenarbeiten, Informationen austauschen, planen, schlussfolgern und Aufgaben koordiniert ausführen können. Die Entwicklung, das Testen und die Fehlersuche stellen dabei besondere Herausforderungen dar, da Probleme häufig nicht auf einzelne Komponenten zurückzuführen sind, sondern aus dem Zusammenspiel mehrerer Agenten entstehen. Darüber hinaus erfordert agentische KI erhebliche Rechen- und Speicherkapazitäten sowie eine spezialisierte Infrastruktur, um umfangreiche Reasoning-Prozesse und Entscheidungen in Echtzeit zu ermöglichen. Der Mangel an Fachkräften mit Erfahrung in der Entwicklung, Überwachung und dem Betrieb solcher Systeme verschärft die Herausforderungen bei der Einführung zusätzlich.
Agentische KI bietet eine breite Anwendbarkeit und kann an die vielfältigen geschäftlichen Bedürfnisse und Ziele angepasst werden.
Forschungs‑ und Entwicklungsinitiativen erfordern oft einen hohen Aufwand bei der Datenerfassung, Literaturrecherche, Experimentierung, Analyse und teamübergreifenden Zusammenarbeit. Agentic AI kann viele dieser zeitintensiven Aktivitäten automatisieren und Forschenden ermöglichen, sich stärker auf Innovation und strategische Problemlösung zu konzentrieren. Durch die kontinuierliche Verarbeitung von Informationen aus zahlreichen Quellen können KI‑Agenten Muster erkennen, Erkenntnisse generieren und den gesamten Forschungszyklus beschleunigen.
In moderneren Umgebungen können mehrere KI‑Agenten zusammenarbeiten, wobei sich jeder Agent auf eine bestimmte Aufgabe spezialisiert, wie etwa Datenanalyse, Versuchsplanung, Simulation oder Ergebnisvalidierung. Dieser koordinierte Ansatz steigert die Effizienz und unterstützt Unternehmen dabei, schneller von der Erkenntnisgewinnung zur Umsetzung zu gelangen.
Zum Beispiel kann agentische KI in der pharmazeutischen Forschung Millionen von Molekülverbindungen analysieren, vielversprechende Wirkstoffkandidaten identifizieren, mögliche Ergebnisse simulieren und die vielversprechendsten Optionen für Laborversuche priorisieren. Dies kann den Zeit‑ und Ressourcenaufwand in den frühen Phasen der Arzneimittelentwicklung erheblich reduzieren.
Kundensupport-Teams verbringen häufig viel Zeit damit, wiederkehrende Anfragen zu bearbeiten, Informationen abzurufen und Kunden bei gängigen Problemen zu unterstützen. Agentische KI kann diese Prozesse von Anfang bis Ende automatisieren, indem sie Kundenanfragen versteht, relevante Informationen aus Wissensdatenbanken und internen Systemen abruft und in Echtzeit genaue, kontextbezogene Antworten liefert.
Im Gegensatz zu herkömmlichen Chatbots kann agentische KI mehrstufige Problemlösungen durchführen. Sie kann weitere Details erfassen, Aktionen in vernetzten Systemen ausführen, den Gesprächsverlauf verfolgen und ihre Antworten an die spezifische Situation des Kunden anpassen. Überschreitet eine Anfrage ihre Möglichkeiten oder erfordert menschliches Urteil, kann die KI den Fall direkt an einen Support‑Mitarbeiter weiterleiten und dabei den gesamten Interaktionskontext mitgeben.
Durch kontinuierliches Lernen aus Interaktionen und die Anpassung an sich ändernde Kundenbedürfnisse unterstützt agentische KI Organisationen dabei, schnellere Lösungen bereitzustellen, die Servicequalität zu verbessern und die Support‑Verfügbarkeit über die regulären Geschäftszeiten hinaus zu erweitern. Ein Beispiel dafür ist Salesforce: Mit der agentischen KI-Lösung Agentforce hat das Unternehmen autonome KI-Agenten eingeführt, die Organisationen dabei unterstützen, ihre Kundenserviceprozesse effizienter zu skalieren.
Organisationen können agentische KI einsetzen, um die Nachfrage zu prognostizieren, Bestandsniveaus zu optimieren, die Logistik zu koordinieren und in Echtzeit dynamisch auf Störungen in der Lieferkette zu reagieren. Durch die kontinuierliche Analyse von Betriebsdaten können KI‑Agenten dazu beitragen, die Effizienz zu steigern, Verzögerungen zu reduzieren und fundiertere Entscheidungen zu unterstützen.
Ein Beispiel dafür ist Unilever: Das Unternehmen verfolgt die Vision einer autonomen Lieferkette auf Basis agentischer KI, um Abläufe in globalen Märkten effizienter zu gestalten.6
Finanzinstitute können agentische KI für die Betrugserkennung, Risikobewertung, Compliance-Überwachung, personalisierte Finanzdienstleistungen und Investmentanalysen einsetzen. Diese Systeme können Transaktionen und Markttrends kontinuierlich überwachen und sich an neue Muster und Entwicklungen anpassen. Über analytische Anwendungen hinaus kann agentische KI auch zur Automatisierung interner Workflows und zur Optimierung täglicher Geschäftsprozesse eingesetzt werden. Dadurch können Mitarbeitende ihre Produktivität steigern und effizienter arbeiten.
Zum Beispiel hat das multinationale Bankinstitut JPMorgan and Chase7 die Rolle von KI-Agenten bei der Automatisierung komplexer mehrstufiger Aufgaben im Auftrag seiner Mitarbeitenden untersucht.
Softwareentwicklung kann effizienter werden, wenn agentische KI Aufgaben wie Code‑Generierung, Debugging, Lifecycle‑Management und Architekturplanung automatisiert. Sie spielt zudem eine wachsende Rolle bei der Anwendungsmodernisierung, indem sie Unternehmen dabei unterstützt, Altsysteme zu migrieren und komplexe Codebasen effizienter zu transformieren.
Ein Beispiel dafür ist Goldman Sachs8: Die US-amerikanische Investmentbank und Finanzdienstleister hat bereits begonnen, den Einsatz agentischer KI zur Automatisierung der Softwareentwicklung zu untersuchen.
Quelle: Statista
Die aktuelle Welle der Einführung in Unternehmen legt nahe, dass Unternehmen agentenbasierte KI nicht nur einsetzen, um einzelne Aufgaben zu automatisieren. Sie nutzen sie, um Entscheidungsprozesse zu automatisieren und komplexe Arbeitsabläufe zu orchestrieren. Damit vollzieht sich ein grundlegender Wandel: Weg von KI als unterstützendem Werkzeug für Mitarbeitende hin zu agentischer KI als einem jederzeit verfügbaren digitalen Teammitglied, das eigenständig Aktivitäten über verschiedene Unternehmensbereiche hinweg koordiniert und dabei innerhalb klar definierter Geschäftsziele agiert.
Aus strategischer Sicht ist agentische KI insbesondere dann wertvoll, wenn Informationen fragmentiert, schwer zu verifizieren oder ungleichmäßig auf die Teilnehmenden verteilt sind. KI‑Agenten können kontinuierlich mehrere Datenquellen überwachen, Informationen gegeneinander abgleichen und in Echtzeit Inkonsistenzen erkennen, wodurch Organisationen und Verbraucher fundiertere Entscheidungen treffen können. In Branchen wie Versicherungen, Immobilien und Automotive, in denen die Bewertung von Optionen häufig umfangreiche Recherche und sorgfältige Prüfungen erfordert, kann agentische KI relevante Erkenntnisse deutlich schneller als manuelle Prozesse hervorbringen. Durch die Analyse von Mustern aus einer Vielzahl historischer Transaktionen können KI‑Agenten zudem Verhandlungen unterstützen und die Entscheidungsfindung in Bereichen wie Immobilienkäufen, Finanzplanung und anderen hochwertigen Transaktionen verbessern – und das ohne Ermüdung oder Leistungseinbußen.
Ein weiterer Faktor, der den geschäftlichen Nutzen agentischer KI unterstreicht, ist ihr Potenzial, die Qualität von Entscheidungen zu verbessern und gleichzeitig die Betriebskosten zu senken. Unternehmen betrachten agentische KI daher zunehmend nicht nur als Instrument zur Steigerung der Produktivität ihrer Mitarbeitenden, sondern als strategischen Hebel, um sowohl die Effizienz als auch die Qualität geschäftlicher Ergebnisse nachhaltig zu erhöhen.
Eine der zentralen Herausforderungen beim Einsatz autonomer Systeme liegt darin, Situationen zu bewältigen, in denen KI-Agenten auf Probleme stoßen, die sie nicht selbstständig lösen können.
Ein Agent kann aus mehreren Gründen stecken bleiben:
Um in solchen Fällen handlungsfähig zu bleiben, setzen Unternehmen üblicherweise auf verschiedene Fallback-Mechanismen, darunter:
Welche Maßnahmen sinnvoll sind, hängt vom jeweiligen Agententyp ab. Um einen festgefahrenen KI-Agenten wieder handlungsfähig zu machen, wird der betroffene Prozess meist gestoppt, der Speicher- oder Kontextzustand zurückgesetzt und die Zielvorgaben oder Anweisungen angepasst. So lässt sich vermeiden, dass der Agent erneut in Endlosschleifen bei der Entscheidungsfindung oder Ausführung von Aufgaben gerät.
Die erfolgreiche Implementierung von KI‑Agenten in Unternehmen erfordert sorgfältige Planung und ein klares Verständnis der Faktoren, die ihre Wirksamkeit beeinflussen. Wichtige Überlegungen umfassen:
Agentische KI befindet sich zwar noch in einer frühen Phase der Marktdurchdringung, doch die Dynamik nimmt rasant zu. Fortschritte in den Bereichen Schlussfolgerungsfähigkeit, Planung, Gedächtnisfunktionen, multimodale Verarbeitung und Interoperabilität machen autonome Systeme zunehmend praxistauglich für den Unternehmenseinsatz. In den kommenden Jahren werden Unternehmen voraussichtlich über isolierte Pilotprojekte hinausgehen und agentische Fähigkeiten schrittweise in ihre zentralen Geschäftsprozesse integrieren.
Mehrere Entwicklungen werden voraussichtlich die Zukunft prägen:
Laut McKinsey9 wird die agentische Organisation um fünf kritische Unternehmenspfeiler herum gebaut: Geschäftsmodell; Betriebsmodell; Governance; Belegschaft, Menschen und Kultur; und Technologie und Daten. Mit zunehmender Reife dieser Fähigkeiten könnte agentische KI zu einer grundlegenden Schicht des digitalen Unternehmens werden und künftig eine zentrale Rolle in der Wertschöpfung und Steuerung von Geschäftsprozessen übernehmen.
T-Systems bietet End-to-End-Services für die Entwicklung, die Implementierung und die Skalierung maßgeschneiderter KI- und LLM-Lösungen.
Kontaktieren Sie uns, um noch heute zu starten!
Ja, agentische KI kann ohne generative KI existieren, wenn sie andere Formen traditioneller KI‑Techniken wie regelbasierte Systeme, Machine-Learning-Modelle, Optimierungsalgorithmen oder Reinforcement‑Learning nutzt. Moderne agentische KI‑Lösungen nutzen jedoch häufig generative KI und große Sprachmodelle, weil sie fortschrittliche Analyse‑, Planungs‑ und Kommunikationsfähigkeiten bieten.
Organisationen können agentische KI einsetzen, um Workflows zu automatisieren, den Kundenservice zu verbessern, Betriebsabläufe zu optimieren, die Softwareentwicklung zu unterstützen, die Cybersicherheit zu stärken, Lieferketten zu vereinfachen und bei der Entscheidungsfindung zu helfen. Die wirksamsten Implementierungen beginnen in der Regel mit klar definierten Geschäftsproblemen und messbaren Ergebnissen.
ChatGPT ist in erster Linie eine generative KI-Anwendung. Wenn es jedoch in Tools, Speicher, Workflows und autonome Prozesse integriert wird, kann es Teil eines agentischen KI-Systems werden.
ChatGPT basiert auf einem Large Language Model (LLM). Während es bei Anbindung an externe Anwendungen einige agentenähnliche Aufgaben ausführen kann, ist die zugrunde liegende Technologie ein LLM und nicht ein vollständig autonomer KI‑Agent.
Agentische KI bezieht sich auf Systeme der künstlichen Intelligenz (KI), die autonom Ziele verfolgen, Entscheidungen treffen, Aktionen planen, mit Tools interagieren und Aufgaben mit minimalem menschlichen Eingreifen ausführen.
Ein autonomes IT-Betriebssystem, das Infrastrukturprobleme selbstständig erkennt, deren Ursachen analysiert, geeignete Behebungsmaßnahmen einleitet und anschließend überprüft, ob die Störung erfolgreich behoben wurde, ist ein typisches Beispiel für agentische KI.
Generative KI erstellt Inhalte wie Texte, Bilder, Code oder Audioinhalte. Agentische KI hingegen nutzt Fähigkeiten wie Reasoning, Planung, Speicherfunktionen und die Ausführung von Aktionen, um Ziele zu verfolgen und eigenständig Aufgaben zu erledigen. Generative KI kann dabei ein Bestandteil agentischer KI-Systeme sein, beide Begriffe sind jedoch nicht gleichbedeutend.
Agentisches Verhalten wird nicht ausschließlich vom Modell selbst bestimmt. Large Language Models wie GPT, Claude, Gemini und andere moderne Basismodelle können als Denk‑ und Entscheidungsinstanzen in agentischen Systemen dienen, wenn sie mit Speicherfunktionen, Planungsfähigkeiten, Tools und Orchestrierungsmechanismen kombiniert werden.
2 https://www.grandviewresearch.com/industry-analysis/enterprise-agentic-ai-market-report
3 https://www.evidentlyai.com/blog/ai-agents-examples
4 https://www.dataversity.net/articles/preparing-for-the-next-wave-of-ai-agentic-workflows/
5 https://corporate.walmart.com/news/2025/05/29/inside-walmarts-strategy-for-building-an-agentic-future
[QUELLE]: 6 https://meet.aeratechnology.com/aerahub-2025-london-ungated-how-unilever-is-envisioning-the-autonomous-supply-chain-with-agentic-ai
[QUELLE]: 7 https://www.cnbc.com/2025/09/30/jpmorgan-chase-fully-ai-connected-megabank.html
[QUELLE]: 8 https://www.youtube.com/watch?v=ANV3aut3v5A
[QUELLE]: 9 https://www.mckinsey.com/capabilities/people-and-organizational-performance/our-insights/the-agentic-organization-contours-of-the-next-paradigm-for-the-ai-era
