Agentic AI ist seit Anfang letzten Jahres eines der Trendthemen im Bereich der künstlichen Intelligenz. In diesem Artikel geben wir euch einen Überblick über Agentic AI – von der Theorie bis zur Praxis.
Was ist Agentic AI?
Bei Agentic AI handelt es sich um die nächste Stufe in der Entwicklung von KI-Agenten. Ein einzelner KI-Agent ist in der Regel darauf ausgerichtet, eine bestimmte Aufgabe in einem bestimmten Kontext zu erledigen. Dies kann beispielsweise die Bearbeitung von Anfragen im Kundensupport eines Onlineshops per Chat sein. Wenn sich nun dieser Agent mithilfe von GenAI mit anderen KI-Agenten absprechen kann, spricht man von einem Multi-Agenten-System (Agentic AI)[1].
Diese theoretischen Eigenschaften lassen sich bereits heute in konkreten Anwendungsszenarien beobachten. So könnte sich unser Support-Agent beispielsweise mit einem Paketverfolgungs- oder Feedback-Agenten abstimmen, um bessere Kommentare und höhere Kundenzufriedenheit zu erreichen. Es handelt sich also um das Zusammenspiel mehrerer Agenten, die häufig durch generative KI-Technologien relativ einfach Unternehmensprozesse verbessern können.
Eine wichtige Komponente, die KI-Agenten von Chatbots unterscheidet, ist ihre Fähigkeit, zu einem gewissen Grad Entscheidungen zu treffen. Wenn im Support nur einfache Kundenfragen beantwortet werden, handelt es sich in der Regel um einen klassischen Support-Chat. Wenn dieser Chat nun aber wegen einer Reklamation einen personalisierten Rabattcode ausstellt, dann sprechen wir von einem Ki-Agenten. Von Experten wird Agentic AI daher als logischer nächster Schritt in der Agentenentwicklung dargestellt, da nun einzelne spezialisierte Systeme miteinander verkoppelt werden können, um komplexe Probleme zu meistern [1] .
Was sagt die Theorie?
In der Forschung wird Agentic AI häufig im Kontext eines Ökosystems betrachtet. Ein Ökosystem besteht aus mehreren Akteuren, die in ständiger Abhängigkeit voneinander agieren. Agentic AI zeichnet sich besonders durch ihren Zweck, ihre Flexibilität und ihr Verhalten aus, wodurch solche KIs deutlich unabhängiger agieren können [4].
Wichtige Charakteristika von Agentic AI sind demnach ein hoher Grad an Autonomie sowie die Anwendung in unterschiedlichen und sich verändernden Kontexten durch Flexibilität und Lernfähigkeit in der Entscheidungsfindung [4]. So können bestimmte Agenten für unterschiedliche Kontexte (in unserem Beispiel: Reklamation, Auskunft über die Lieferung oder auch Präferenzen für Newsletter) spezifisch konfiguriert werden, die dann im Einsatz durch einzelne Interaktionen mit Nutzer*innen das gewünschte Verhalten erlernen können. All diese Möglichkeiten gehen leider nicht ohne Gefahren einher.
Die Theorie befasst sich aktuell intensiv mit der Verantwortung und den Risiken im Umgang mit Agentic AI. So sollte man sich bei der Implementierung von Agenti AI den Eignungsgrad bewerten, den genauen Handlungs- und Entscheidungsrahmen abstecken, das Default-Verhalten hinterfragen, Nutzer*innen-Transparenz einbinden, ein automatisches Monitoring einführen und Mechanismen zur Unterbrechung implementieren [2]. Besonders nicht durchdachtes Default-Verhalten (das Grundverhalten der KI-Agenten, wenn kein besonderer Anreiz gegeben ist eine spezifische Entscheidung zu treffen) ist dafür bekannt, schleichend Voreingenommenheit (Bias) zu implementieren und sollte daher stets hinterfragt werden.
Im Hinblick auf die nahe Zukunft sieht die Forschung besonders Potenziale in den Bereichen Energie, Logistik, Gesundheitswesen und Finanzen. Für eine möglichst reibungslose Umsetzung sollten allerdings Sicherheits- und Datenschutzregulierungen eingehalten, die zuständigen Personen entsprechend geschult werden sowie ethische und regulatorische Rahmenbedingungen geklärt werden [4].
Was sagt die Praxis?
In der Praxis zeigen sich bereits erste Erfolge durch die Nutzung von Agentic AI in Unternehmen [5]. Besonders, da diese die Nachteile des sogenannten „Gen-AI-Paradoxes“ aufheben. Beim Gen-AI-Paradox handelt es sich um das Phänomen, dass aktuell viele Gen-AI-Technologien wie Chatbots breit eingesetzt werden, spezialisiertere Lösungen hingegen noch nicht so stark vertreten sind, wodurch nur ein Bruchteil des möglichen Wertes für Unternehmen realisiert werden kann [7]. Genau an dieser Stelle ermöglicht Agentic AI, Brücken zwischen den einzelnen spezialisierten Systemen zu schlagen.
Auch zeigen die Berichte aus der Praxis die Vorteile von Agentic AI in Unternehmenskontexten,wie personalisierte Dienstleistungen sowie die Erhöhung der Widerstandsfähigkeit eines Unternehmens bei starker Auslastung durch die Parallelisierbarkeit der Agenten [7]. Ähnlich den Stimmen aus der Forschung sagen auch die Beratungen, dass man sich im Vorfeld der Einführung von Agentic AI mit geeigneten Mechanismen und Kontrollen zur Regulierung der Agenten auseinandersetzen sollte. Neben der Kontrolle der Tools wird hier auch Wert auf die kontinuierliche Weiterentwicklung und das geeignete Testen der Agenten gelegt [6].
Grundsätzlich lässt sich demnach ableiten, dass sowohl Theorie als auch Praxis viele geeignete Rahmen identifiziert haben, in denen Agentic AI zukünftig eingesetzt werden kann. Wobei nicht nur die Modernisierung bestehender Prozesse, sondern auch neue Ideen und Möglichkeiten, die mithilfe von Agentic AI umgesetzt werden können, ausprobiert werden sollten [5].
Wie kann ich das ausprobieren?
Agentic AI ist nicht nur etwas für große Unternehmen, sondern auch in kleineren Kontexten wie Startups, der Selbständigkeit oder im allgemeinen (Studien-)Alltag können sie eine große Erleichterung bringen. Im Folgenden nennen wir euch 3 Anlaufstellen, um einzelne KI-Agenten für euch zusammenzustellen.
Aktuell sind die Agents leider noch recht kompliziert einzurichten, aber probiert euch trotzdem gerne mal aus. Wie wäre es mit einem Agenten, der euch zu aktuellen Themen zu eurer nächsten Hausarbeit wöchentliche Zusammenfassungen per E-Mail erstellt und schickt? Zusammen mit weiteren Agenten, die beispielsweise einen Lernplan für eure Klausuren erstellen oder einem E-Mail-Agenten, der die Uni-Mails im Auge behält, könnt ihr euren Studienalltag mit Agentic AI angenehmer gestalten.
Zapier Zapier stammt ursprünglich aus der Workflow-Automatisierung und dem Kundensupport und ermöglicht jetzt auch, Agenten auf der Plattform zu erstellen. Besonders durch die ganzen existierenden Anbindungen zu anderen Tools, wie Atlassian, Outlook und Slack, viele Möglichkeiten.
Notion Wer Notion verwendet, kann sich dort auch mit KI-Agenten ausprobieren. Es gibt Personalisierungsoptionen sowie einfache Möglichkeiten, Texte zu unterschiedlichen Themen zu generieren oder Datenbanken zu generieren.
Google Workspace Studio Wer viel mit Google arbeitet, kann in Google Workplace Studio Agenten basierend auf dem Google-LLM Gemini erstellen, um E-Mails zu priorisieren, Antworten vorschreiben zu lassen oder den Kalender zu optimieren. (Leider aktuell nur für Google-Workplace-Accounts oder AI Pro-Abos.)
Du willst noch mehr über AI wissen? Dann kenne die AI-Trends 2026 oder folge uns auf Instagram für wöchentliche AI-News.
Quellen:
[1] agentic-ai-multi-agenten-systeme
[2] practices-for-governing-agentic-ai-systems.pdf
[3] ieeexplore-ieee-org.lse.idm.oclc.org
[4] www-sciencedirect-com.lse.idm.oclc.org
[5] agents-accelerate-next-wave-of-ai-value-creation
[6] how-agentic-ai-is-transforming-enterprise-platforms
[7]capabilities/quantumblack/our-insights/seizing-the-agentic-ai-advantage