Was ist Agentic AI?
Agentic AI bezeichnet KI-Systeme, die autonome Agenten als Kern haben — Software-Komponenten, die selbständig Ziele verfolgen, Pläne entwerfen, Tools aufrufen und Ergebnisse iterieren.
Im Gegensatz zu klassischen Chatbots oder regelbasierter Automatisierung (RPA) entscheiden Agenten dynamisch, was als nächstes zu tun ist — basierend auf Kontext, vorhandenen Tools und der Bewertung von Zwischenergebnissen.
Agentic AI ist nicht ein Modell, sondern eine Architektur: ein LLM (oder mehrere) plus Tool-Definitionen plus Memory plus Orchestrierungs-Logik. Genau diese Architektur macht den Sprung von „Antwort generieren“ zu „Aufgabe lösen“.
Bausteine eines Agentic-AI-Systems
- LLM-Kern — das Sprachmodell als Planer und Entscheider (Claude, GPT, Gemini, Llama, Mistral, …).
- Tool-Use — strukturierter Aufruf externer Funktionen: API-Aufrufe, Datenbankqueries, Datei-IO, Code-Execution.
- Memory — kurzfristig (Kontext-Fenster) und langfristig (RAG, Vector-Stores, Episodic Memory).
- Orchestrierung — Planning-, Reflection- und Routing-Pattern. Frameworks wie LangGraph, Microsoft Agent Framework (Nachfolger von AutoGen), CrewAI, Amazon Bedrock AgentCore.
- Multi-Agent-Kooperation — spezialisierte Agenten (Researcher, Coder, Reviewer) arbeiten parallel; ein Koordinator vermittelt.
- Model Context Protocol (MCP) — offener Standard für Tool- und Daten-Anbindungen. Die MCP-Dokumentation2 vergleicht ihn mit einem USB-C-Anschluss für KI-Anwendungen.
Agentic AI vs. klassische KI-Anwendungen
Eine schnelle Abgrenzung:
- Chatbot — reagiert auf einzelne Anfragen, keine Zielerreichung über mehrere Schritte.
- RPA (Robotic Process Automation) — folgt festen Regeln und UI-Pfaden, bricht aus meiner Sicht typischerweise bei Abweichungen.
- Workflow-Engine mit LLM-Schritten — festgelegter Ablauf, LLM macht Detail-Arbeit.
- Agentic AI — entscheidet selbst über Ablauf und Tools, iteriert basierend auf Ergebnissen, bleibt zielorientiert auch bei Abweichungen.
Mit dieser Flexibilität kommen neue Risiken: ein klassischer Workflow ist auditierbar by design, ein Agent ist es nur, wenn die Architektur entsprechend gebaut ist. Genau das ist die Schnittstelle zu Agentic Engineering.
Agentic AI vs. Generative AI
Die beiden Begriffe werden oft verwechselt, beschreiben aber verschiedene Ebenen:
- Generative AI erzeugt auf eine Anfrage hin Inhalte — Text, Bild, Code. Ein Aufruf, eine Antwort; was mit dem Ergebnis passiert, entscheidet der Mensch.
- Agentic AI nutzt generative Modelle als Antrieb, verfolgt damit aber ein Ziel über mehrere Schritte: planen, Werkzeuge aufrufen, Ergebnis prüfen, nachsteuern.
Kurz: Generative AI antwortet, Agentic AI handelt. Deshalb verschiebt sich bei Agentic AI die entscheidende Frage von „Ist die Antwort gut?“ zu „Was darf der Agent tun, und wer prüft es?“.
Multi-Agent-Systeme: das nächste Plateau
Ein einzelner Agent skaliert nur bis zu einer gewissen Komplexität. Multi-Agent-Systeme zerlegen Aufgaben in spezialisierte Rollen:
- Researcher — durchsucht Wissensquellen und stellt Befunde zusammen.
- Architect — entwirft die Lösungsstruktur.
- Builder — setzt um (Code, Konfiguration, Dokument).
- Critic / Reviewer — prüft gegen Spezifikation und Quality-Kriterien.
- Coordinator — orchestriert, vermittelt Konflikte, hält die Roadmap im Blick.
Beispiele in der Praxis: agentenbasierte Entwicklungswerkzeuge wie Kiro und Kiro CLI3, Multi-Agent-Coding-Pipelines mit Claude Code. Aus meiner Sicht können Multi-Agent-Systeme bei richtigem Design einzelnen Agenten bei komplexen Aufgaben überlegen sein — aber sie müssen sauber instrumentiert sein, sonst entstehen Endlosschleifen, Doppelarbeit oder ungewollte Konflikte.
Model Context Protocol (MCP)
MCP wurde im November 2024 von Anthropic als offener Standard veröffentlicht4 und entwickelt sich aus meiner Sicht zur Lingua Franca für Agentic-AI-Integrationen. Statt jedes Tool individuell über proprietary APIs anzubinden, sprechen Agent und Tools ein gemeinsames Protokoll. Für Enterprise-Use bedeutet das:
- Auditierbarkeit: jede Tool-Anbindung folgt demselben Vertrag.
- Least-Privilege-Zugriffe: feine Berechtigungsgrenzen pro Tool und Aufruf.
- Reduzierter Entwicklungsaufwand: einmal MCP-Server bauen, viele Agenten nutzen ihn.
- Zukunftsfestigkeit: keine Lock-in-Bindung an ein Agent-Framework.
Typische Einsatzfelder für Agentic AI
- Softwareentwicklung: Coding-Agenten erledigen ganze Tasks (siehe Agentic Engineering).
- Customer Support: Agenten klassifizieren, recherchieren, beantworten und eskalieren — mit voller Audit-Trail-Transparenz.
- Legal Tech: Aktensichtung, Vertrags-Analyse, Compliance-Prüfung. Ein verwandtes Beispiel, allerdings generative KI statt autonomer Agent: Legal Twin, das STP.One gemeinsam mit Storm Reply und Data Reply entwickelt, unterstützt laut Reply-Fallstudie5 die Aktensichtung.
- Healthcare: mögliche Einsatzfelder sind die Unterstützung bei Patientenmonitoring und Diagnostik — in GxP-regulierten Umgebungen nur unter menschlicher Aufsicht (siehe Cloud-Adoption im Gesundheitswesen).
- Operations / SRE: Incident-Analyse, Runbook-Ausführung, autonome Recovery.
Agentic AI verschiebt die Frage von „Was kann das Modell“ zu „Was kann das System rund um das Modell“. Die Architektur ist der eigentliche Hebel.
Häufige Fragen zu Agentic AI
Was ist der Unterschied zwischen Agentic AI und Generative AI?
Generative AI erzeugt auf eine Anfrage hin Inhalte wie Text, Bild oder Code — ein Aufruf, eine Antwort. Agentic AI nutzt generative Modelle als Antrieb, verfolgt aber ein Ziel über mehrere Schritte: Sie plant, ruft Werkzeuge auf, prüft das Ergebnis und steuert nach. Generative AI antwortet, Agentic AI handelt.
Was sind Beispiele für Agentic AI?
Das bekannteste Beispiel sind Coding-Agenten wie Claude Code oder Kiro: Sie lesen eine Aufgabe, ändern selbst Dateien, führen Tests aus und legen das Ergebnis zur Prüfung vor. Dazu kommen Multi-Agent-Pipelines, in denen spezialisierte Agenten recherchieren, umsetzen und prüfen, sowie Agenten, die über das Model Context Protocol (MCP) auf Unternehmenssysteme zugreifen.
Was ist der Unterschied zwischen einem Chatbot und Agentic AI?
Ein Chatbot reagiert auf einzelne Anfragen. Agentic AI verfolgt Ziele über mehrere Schritte: plant, ruft Tools auf, bewertet Zwischenergebnisse, korrigiert sich selbst. Der Chatbot generiert Text; der Agent löst Aufgaben in der realen Welt.
Welche Frameworks gibt es für Agentic AI?
Auf Bibliotheks-Ebene: LangGraph, Microsoft Agent Framework (Nachfolger von AutoGen, das sich im Wartungsmodus befindet), CrewAI, LlamaIndex Agents, OpenAI Agents SDK. Cloud-seitig: Amazon Bedrock AgentCore, Microsoft Foundry, Gemini Enterprise Agent Platform (vormals Vertex AI Agent Builder). Für Coding speziell: Claude Code, Cursor, Kiro. MCP ist das integrierende Protokoll darüber.
Wie sicher sind Agentic-AI-Systeme im Enterprise-Einsatz?
Sicherheit ist eine Frage der Architektur, nicht des Modells. Kernprinzipien: Least-Privilege für jede Tool-Anbindung, auditierbare MCP-Schnittstellen, klare menschliche Approval-Gates bei kritischen Aktionen, Sandboxing für Code-Execution, vollständige Audit-Trails. Halluzinationsrisiken bleiben — werden durch Retrieval-Augmented Generation und strikte Spezifikationen mitigiert.
Was bedeutet Multi-Agent-Kooperation konkret?
Mehrere spezialisierte Agenten arbeiten parallel oder sequenziell an Teilaufgaben — mit klaren Rollen (Researcher, Builder, Reviewer, Coordinator) und einer Orchestrierungsschicht, die Konflikte und Schleifen auflöst. Bei komplexen Tasks kann das monolithischen Einzel-Agenten überlegen sein, erfordert aber sorgfältige Instrumentierung.
Wie passen Agentic AI und Datenschutz/DSGVO zusammen?
Agentic AI verarbeitet potenziell personenbezogene Daten über Tools und Speicher. DSGVO-Anforderungen (Zweckbindung, Datenminimierung, Löschfristen) müssen in der Architektur abgebildet sein: zentrale Datenklassifizierung, Tool-Privilege-Trennung, Audit-Trails, Privacy-by-Design auf Memory-Stores. Bei sensiblen Workloads (Health, Finance, KRITIS) ergänzt das die Souveränitätsdiskussion (siehe Digitale Souveränität).
Wann lohnt sich Agentic AI gegenüber klassischer Automatisierung?
Wenn der Workflow Variabilität hat, die starre Regeln nicht abdecken: unstrukturierter Input, kontextabhängige Entscheidungen, mehrstufige Recherche- oder Synthese-Aufgaben. Für vollständig deterministische Prozesse bleibt klassische Automatisierung billiger, schneller und auditierbarer.
Quellen
- Gartner: „Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027“, Pressemitteilung, 25. Juni 2025. gartner.com
- Model Context Protocol: „What is the Model Context Protocol (MCP)?“, Projektdokumentation, abgerufen am 27. September 2026. modelcontextprotocol.io
- Amazon Web Services: „Upgrade to Kiro“, Amazon Q Developer User Guide, abgerufen am 27. September 2026. docs.aws.amazon.com
- Anthropic: „Introducing the Model Context Protocol“, Blogbeitrag, 25. November 2024. anthropic.com
- Reply: „Leading German legal tech company revolutionizes file review with AI“, Fallstudie, o. J. reply.com
