Was ist ein KI-Agent? Ziel, Werkzeuge, Freigaben

Was ist ein KI-Agent? Ein Programm, das ein Sprachmodell nutzt, um ein Ziel selbstständig zu verfolgen: Es plant Schritte, ruft Werkzeuge wie Datenbanken oder Postfächer auf, prüft Ergebnisse und entscheidet, was als Nächstes zu tun ist. Der Unterschied zum Chatbot liegt im Handeln.

Was ist ein KI-Agent: die Definition

Ein Chatbot antwortet auf eine Frage; ein Agent erledigt eine Aufgabe – etwa eine Rechnung aus dem Posteingang lesen, die Positionen mit der Bestellung abgleichen und den Buchungsvorschlag im Warenwirtschaftssystem anlegen. Entscheidend ist die Schleife aus Planen, Ausführen und Prüfen: Wer sie steuert, der Mensch oder das Programm, entscheidet darüber, ob man von einem Agenten spricht.

Der Begriff sagt nichts über die Güte aus. Ein Agent ohne Abbruchregeln, ohne Rechtegrenzen und ohne Freigabepunkte ist kein fortgeschrittenes System, sondern ein unkontrolliertes. Wie solche Systeme gebaut und abgenommen werden, beschreibt die Leistung KI-Agenten erstellen lassen.

Was ist ein KI-Agent nicht: Chatbot und Assistent

• Chatbot: beantwortet Eingaben in einem Dialog. Er hat keinen Zugriff auf Systeme und keinen Auftrag über die aktuelle Frage hinaus.
• Assistent: arbeitet auf Zuruf eines Menschen und liefert Zwischenergebnisse – einen Textentwurf, eine Zusammenfassung, einen Codevorschlag. Der Mensch bleibt bei jedem Schritt beteiligt.
• Agent: erhält ein Ziel und arbeitet mehrere Schritte ab, ohne dass jemand jeden einzelnen auslöst. Er darf Werkzeuge benutzen und mit den Ergebnissen weiterarbeiten.

Die Grenze ist fließend. Ein Assistent, der nach Freigabe selbst ein Ticket anlegt, ist bereits ein kleiner Agent.

Woraus ein Agent besteht

• Sprachmodell: der Teil, der Text versteht, Pläne formuliert und entscheidet, welches Werkzeug als Nächstes dran ist.
• Werkzeuge: definierte Funktionen, die der Agent aufrufen darf – eine Datenbankabfrage, ein Aufruf in die Kundenverwaltung, das Versenden einer Nachricht. Jedes Werkzeug hat eine Beschreibung, damit das Modell weiß, wann es passt.
• Gedächtnis: kurzfristig der Verlauf der aktuellen Aufgabe, langfristig eine Wissensbasis über Retrieval-Augmented Generation, aus der der Agent Fakten nachschlägt.
• Steuerlogik: die Schleife, die Ziel, Zwischenstand und nächsten Schritt zusammenhält – mit Abbruchbedingungen, Wiederholungsversuchen und Freigabepunkten für Menschen.

Der letzte Punkt wird oft unterschätzt. Ohne klare Abbruchregeln läuft ein Agent im Kreis, verbraucht Budget und liefert nichts. Ein brauchbarer Agent weiß, wann er aufhören und einen Menschen fragen muss.

Beispiele aus dem Mittelstand

Die sinnvollen Einsatzfälle sind selten spektakulär. Sie ersetzen Routinearbeit, die bisher ein Sachbearbeiter erledigt hat, weil sie für klassische Software zu unstrukturiert war.

• Posteingang: Der Agent liest eingehende Anfragen, ordnet sie einem Vorgang zu, entwirft eine Antwort im Ton des zuständigen Mitarbeiters und legt sie zur Freigabe vor.
• Belegverarbeitung: Rechnungen und Lieferscheine werden erkannt, mit Bestellungen abgeglichen und mit Buchungsvorschlag übergeben. Nur Abweichungen landen bei einem Menschen.
• Kennzahlen: Der Agent zieht täglich Zahlen aus Kassen, Shop und Bank, gleicht sie ab und meldet nur, wenn etwas nicht zusammenpasst – in einem eigenen Vorhaben acht Kassen täglich ohne manuelle Eingabe, im Abgleich auf den Cent.
• Entwicklung: Der Agent bekommt eine Aufgabe aus dem Aufgabensystem, schreibt Code, lässt Tests laufen und stellt einen Pull Request zur Prüfung. Der Entwickler prüft, statt zu tippen.

Grenzen und Risiken

Ein Agent ist so zuverlässig wie sein schwächster Baustein. Drei Probleme tauchen regelmäßig auf. Erstens erfundene Angaben: Das Modell kann Rechnungsnummern, Ansprechpartner oder Vertragsklauseln erfinden. Bei einem Chatbot ist das ärgerlich; bei einem Agenten, der daraufhin eine Buchung anlegt, wird es teuer – Gegenmaßnahmen beschreibt der Artikel Halluzinationen bei Sprachmodellen. Zweitens zu weite Rechte: Werkzeuge gehören so eng wie möglich zugeschnitten – lesen ja, löschen nein; Entwurf ja, Versand erst nach Freigabe. Drittens Aufwand und Laufzeit: Jeder Schritt ist ein Modellaufruf, und ein Agent, der eine Aufgabe in vierzig Schritten löst, kostet entsprechend. Ohne Budgetgrenze je Aufgabe wird das unkalkulierbar.

Dazu kommt der Datenschutz: Welche Daten der Agent an das Modell schickt und wo dieses läuft, muss vor dem ersten Einsatz geklärt sein.

Wann sich ein Agent lohnt – und wie man ihn einführt

• Eingabe: unstrukturiert wie E-Mails, PDF-Dateien und Freitext spricht dafür; feste Formularfelder sprechen dagegen.
• Regeln: viele Ausnahmen und Ermessen sprechen dafür; ein eindeutig beschreibbares Regelwerk dagegen – dann genügt oft eine klassische Automatisierung, siehe RPA oder KI-Automatisierung.
• Volumen: täglich wiederkehrend spricht dafür, seltene Einzelfälle dagegen.
• Fehlerkosten: begrenzt und korrigierbar spricht dafür, unumkehrbar dagegen.

Der Weg ist danach bei fast allen Unternehmen gleich: einen Prozess auswählen, den Agenten im Schattenbetrieb laufen lassen, seine Vorschläge mit den Entscheidungen der Mitarbeiter vergleichen, Freigabestufen festlegen und erst dann echte Aktionen erlauben. Wir setzen Agenten genau so auf und sagen dazu, wo die Grenze liegt: Bei umfangreicher, gleichförmiger Arbeit gewinnen wir mit KI-gestützten Werkzeugen viel Tempo, beim Zuschnitt der Werkzeuge und der Rechte entscheidet der Entwickler. Wie ein solches Vorhaben Phase für Phase läuft, steht unter KI-Implementierung: Ablauf in fünf Phasen.