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, AutoGen, CrewAI, AWS 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. „USB-C für KI“.
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 bei jeder Abweichung.
- 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.
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 IDEs wie Kiro, Amazon Q CLI, Multi-Agent-Coding-Pipelines mit Claude Code. Bei richtigem Design übertreffen Multi-Agent-Systeme einzelne Agenten deutlich — aber sie müssen sauber instrumentiert sein, sonst entstehen Endlosschleifen, Doppelarbeit oder ungewollte Konflikte.
Model Context Protocol (MCP)
MCP ist 2025 als offener Standard angekommen und entwickelt sich 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.
Wo Agentic AI heute schon liefert
- 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. Das Storm-Reply-/Data-Reply-Projekt Legal Twin ist ein Beispiel.
- Healthcare: Echtzeit-Patientenmonitoring, Diagnostik-Assistenz in GxP-konformen Umgebungen (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.
Vertiefende Beiträge
Häufige Fragen zu Agentic AI
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, AutoGen (Microsoft), CrewAI, LlamaIndex Agents, OpenAI Agents SDK. Cloud-seitig: AWS Bedrock AgentCore, Azure AI Foundry, Vertex AI Agent Builder. Für Coding speziell: Claude Code, Cursor, Kiro, Amazon Q Developer. 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. Das übertrifft monolithische Einzel-Agenten bei komplexen Tasks, 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.
