KI-Agent: Definition, Funktionsweise und Anwendungsfälle im Unternehmen

Was ist ein KI-Agent?

Ein KI-Agent ist ein Softwaresystem, das KI nutzt, um im Auftrag des Nutzers Ziele zu erreichen und Aufgaben zu erledigen [11]. Er braucht nicht für jeden Schritt eine Anweisung [1]. Gerade diese Fähigkeit, selbstständig Aktionen auf ein Ziel hin zu verketten, unterscheidet ihn von einem Werkzeug, das lediglich auf eine Anfrage antwortet.

Die verfügbaren Definitionen stimmen in drei Merkmalen überein:

• Autonomie bei der Ausführung. Der Agent entwirft Workflows aus den ihm zur Verfügung stehenden Werkzeugen [14] und handelt im Auftrag eines Nutzers oder eines anderen Systems [14].
• Fähigkeit zu Schlussfolgerung und Planung. Manche Definitionen beschreiben ihn als ein von einem großen Sprachmodell (LLM) gesteuertes System, das schlussfolgern, planen und mit seiner Umgebung interagieren kann, um ein Ziel zu erreichen [16].
• Handlungsfähigkeit durch Werkzeuge. Der Agent nimmt einen Kontext wahr, entscheidet über eine Abfolge von Aktionen und führt sie über Fachsoftware, Datenbanken oder APIs aus [17].

Autonom oder teilautonom

Die Autonomie eines Agenten muss nicht vollständig sein. Eine Definition spricht von einem System, das eine Situation erfasst, Entscheidungen trifft und „autonom oder teilautonom“ handelt, um ein bestimmtes Ziel zu erreichen [21]. In diesem Fall behält der Mensch die Kontrolle über bestimmte Schritte, etwa über eine Freigabe vor einer heiklen Aktion.

Eine Definition, die noch diskutiert wird

Der Begriff ist nicht gefestigt. Forschungsarbeiten stellen die Konzepte „KI-Agent“ und „agentische KI“ den sogenannten traditionellen Multi-Agenten-Systemen gegenüber, insbesondere jenen, die auf Standards der FIPA beruhen, gerade um die Definitionen zu klären [4]. Die Formulierungen variieren daher von Quelle zu Quelle. Manche stellen das LLM in den Mittelpunkt [16], andere beschreiben den Agenten ohne Bezug auf eine bestimmte Technologie [1]. Mehrere hier zitierte Definitionen stammen zudem von Anbietern und Dienstleistern [11][14][16][17][21], deren Blickwinkel kommerziell oder didaktisch geprägt ist. Der weitere Artikel hält sich an den gemeinsamen Kern: ein Ziel, eine Planung, Werkzeuge und eine mehr oder weniger weitreichende Autonomie.

Wie funktioniert ein KI-Agent?

Ein KI-Agent funktioniert, indem er ein Sprachmodell mit einem Gedächtnis und Werkzeugen verbindet und dann eine Schleife wiederholt: Er legt ein Ziel fest, plant, handelt, beobachtet das Ergebnis und passt sein Vorgehen an [22][37].

Die drei Bausteine

Ratgeber beschreiben einen Agenten in der Regel als Kombination aus drei Elementen [22]:

• ein Sprachmodell (LLM), um zu verstehen und zu schlussfolgern;
• ein Gedächtnis, um den Kontext zu bewahren;
• Werkzeuge, um zu handeln: APIs, Datenbanken, Anwendungen.

Das LLM dient als Schlussfolgerungsmaschine. Der Agent ergänzt Gedächtnis, Werkzeuge und Zugriff auf die Unternehmensdaten, um eine Aufgabe von Anfang bis Ende zu bearbeiten [23]. Konkret kann er eine Information abrufen, ein Werkzeug aktualisieren, eine Nachricht senden oder einen Workflow auslösen [23]. Diese Beschreibung stammt aus Ratgebern von Dienstleistern und Anbietern, nicht aus einer Norm.

Die Schleife: Ziel, Plan, Aktion, Beobachtung, Anpassung

Ein Agent folgt in der Regel einem Schleifenschema [28]. Er nimmt ein Ziel auf, plant, handelt mit Werkzeugen, beobachtet und passt an [37]. Eine andere Quelle fasst das Prinzip so zusammen: Der Agent nimmt einen Kontext wahr, entscheidet über eine Abfolge von Aktionen und führt sie über Werkzeuge wie Fachsoftware, Datenbanken oder APIs aus [17]. Da sich die Schleife wiederholt, fließt das, was der Agent nach einer Aktion beobachtet, in seine nächste Entscheidung ein.

Austausch mit Menschen und anderen Agenten

Der Agent kann sowohl mit Menschen als auch mit anderen Agenten kommunizieren, direkt oder über eine API (Anwendungsprogrammierschnittstelle) [28]. Er kann also eine Anweisung von einem Mitarbeitenden erhalten, einen anderen Agenten um Unterstützung bitten oder ein externes System abfragen.

Ein Funktionsprinzip, das begrenzt werden muss

Diese Handlungsfähigkeit verlangt Grenzen. Im Unternehmen muss die Autonomie eines Agenten begrenzt bleiben: minimale Zugriffsrechte, erlaubte Aktionen, Protokolle, Abbruchkriterien und menschliche Freigabe [24].

Worin unterscheidet sich ein Chatbot von einem KI-Agenten?

Ein Chatbot antwortet, eine klassische Automatisierung führt ein festes Szenario aus, und ein KI-Agent verfolgt ein Ziel und passt sich an. Dieser Raster stammt aus einem Vergleich der Firma Growth Roster, einem kommerziellen Akteur [30].

	Chatbot	Automatisierung (n8n, Zapier)	KI-Agent
Logik	Antwortet	Führt ein festes Szenario aus	Verfolgt ein Ziel
Unvorhergesehenes	Scheitert höflich	Bricht	Passt sich an
Eingabe	Eine Frage	Ein Auslöser	k. A.

Quelle: Growth Roster, kommerzieller Akteur [30]. Der verfügbare Auszug endet bei der Zeile „Eingabe“: Die Zelle des Agenten erscheint dort nicht (k. A. = keine Angabe), und die Zelle der Automatisierung ist abgeschnitten.

Was einen Agenten tatsächlich von einem Chatbot unterscheidet

Ein Agent nutzt ein LLM als Schlussfolgerungsmaschine, ergänzt es aber um ein Gedächtnis, Werkzeuge und Zugriff auf die Unternehmensdaten, um konkrete Aufgaben von Anfang bis Ende zu bearbeiten [23]. Er wird als autonomes, von einem LLM gesteuertes System beschrieben, das schlussfolgern, planen und mit seiner Umgebung interagieren kann, um ein Ziel zu erreichen [16]. Der Chatbot hingegen endet bei der Antwort.

Und der LLM-basierte Assistent?

Der oft auf einem Sprachmodell basierende KI-Assistent glänzt beim Verfassen, Umformulieren und Zusammenfassen, seine Autonomie ist jedoch begrenzt [12]. Er erzeugt einen nützlichen Text, führt die Aufgabe aber nicht selbst in Ihren Werkzeugen bis zum Ende aus.

Wie man auswählt

Das praktische Kriterium ist das erwartete Ergebnis:

• Eine Antwort oder ein Text: ein Assistent oder Chatbot genügt.
• Eine stabile, vorhersehbare Abfolge: eine Automatisierung mit festem Szenario genügt, mit dem Risiko, dass sie bei Unvorhergesehenem bricht [30].
• Ein Ziel in wechselndem Kontext: Hier ist der Einsatzbereich des Agenten, der plant und sich anpasst [16][30].

Diese drei Ebenen schließen sich nicht aus: Eine Organisation kann sie je nach Aufgabe kombinieren.

KI-Agent, autonomer KI-Agent, agentische KI: welche Nuancen?

Agentische KI ist das übergeordnete Konzept, der KI-Agent ist seine konkrete Anwendung, und der autonome KI-Agent bezeichnet einen Agenten, der mehrere Aktionen ohne Eingriff bei jedem Schritt verkettet. Diese drei Begriffe greifen ineinander, doch die Autoren ziehen die Grenze nicht immer an derselben Stelle.

Die drei Begriffe

• Agentische KI: das Paradigma bzw. das übergeordnete Konzept, das Systeme umfasst, die zum Erreichen eines Ziels handeln können [37][38].
• KI-Agent: ein System, das ein Ziel aufnimmt, plant, mit Werkzeugen handelt, beobachtet und anpasst, in einer Schleife [37]. Er stellt eine konkrete Anwendung der agentischen KI dar [38]. Nach einer anderen Quelle ist er ein autonomes Programm, das eine präzise Aufgabe ausführt (E-Mails sortieren, Leads qualifizieren, ein Dokument zusammenfassen), während agentische KI als umfassenderes System konzipiert ist [39].
• Autonomer KI-Agent: ein Agent, der Aufgaben erledigt, ohne dass ihm bei jedem Schritt eine Anweisung gegeben wird [1]. Er wählt seine Werkzeuge und verkettet Aktionen ohne ständigen menschlichen Eingriff [16].

Warum die Definitionen auseinandergehen

Das Unterscheidungskriterium ist nicht einheitlich. Eine Quelle verortet es in der Art des Ziels und in der Entscheidungsfindung [40], eine andere im Umfang des Systems im Verhältnis zur ausgeführten Aufgabe [39]. Die Begriffe werden außerdem häufig austauschbar verwendet [19]. Das erklärt, warum zwei kommerzielle Dokumente nicht dasselbe als „Agent“ bezeichnen.

Die Unschärfe ist auch in der Forschung anerkannt. Eine akademische Studie stellt die Konzepte „KI-Agent“ und die Plattformen der „agentischen KI“ den „traditionellen“ Multi-Agenten-Systemen gegenüber, um die Definitionen rund um die agentische KI zu klären. Sie stützt sich unter anderem auf die Arbeiten der FIPA [4].

Wie man sich orientiert

Angesichts eines Angebots oder eines Lastenhefts reicht das Wort „Agent“ nicht aus. Es ist besser, drei Punkte zu präzisieren:

1. das Ziel, das dem System übertragen wird;
2. die Werkzeuge, die es nutzen darf;
3. die Anzahl der Aktionen, die es ohne menschliche Freigabe verkettet.

Diese Kriterien ergeben sich unmittelbar aus den oben genannten Definitionen [1][16][37].

Welche konkreten Anwendungsfälle gibt es im Unternehmen?

Anwendungsfälle für KI-Agenten im Unternehmen konzentrieren sich auf Aufgaben, die mehrere Werkzeuge durchlaufen: Kundenservice, Personalwesen, industrielle Angebote, Logistik und Wartung. Die ausführlichen Beispiele unten stammen vor allem aus Inhalten von Dienstleistern und Fachseiten. Sie veranschaulichen mögliche Einsatzzwecke, liefern aber keine unabhängige Leistungsmessung.

Was Agenten verbinden

Ein nützlicher Agent ist nicht isoliert: Er schnittstellt sich mit bestehenden Systemen wie CRM, ERP, Helpdesk, Messaging und Telefonie [12]. Als allgemeine Anwendungsfälle werden Bestandsverwaltung, automatisierter Kundenservice, vorausschauende Wartung und die Steuerung von Geschäftsprozessen genannt [31].

Belegte Beispiele

• Kundenservice: Der Agent verkürzt Wartezeiten und entlastet die Teams, die sich auf komplexere Fälle konzentrieren können [27].
• Onboarding im Personalwesen: Der Agent verbindet sich mit dem HR-System und erkennt den geplanten Eintritt. Er legt Konten im Active Directory und in Microsoft 365 an, richtet Zugriffe je nach Rolle ein, versendet personalisierte Mitteilungen und verfolgt den Fortschritt [20].
• Industrielle Angebote: Ein Unternehmen hat einen auf n8n basierenden Agenten eingesetzt, der mit seinem CRM und seinem ERP verbunden ist. Er analysiert jede Anfrage, erkennt die beschriebenen Teile und prüft die technische Machbarkeit, indem er sie mit den aufgelisteten Produktionskapazitäten abgleicht [32].

Was die Forschung zeigt

Wissenschaftliche Arbeiten sind weniger zahlreich und eher explorativ. Das Projekt EDIE schlägt eine erweiterte Interaktion mit Unternehmensdaten vor, die Agenten und Sprachmodelle kombiniert. Seine Autoren betonen, wie wichtig eine sorgfältige Auswahl der ersten Anwendungsfälle ist [5].

Eine weitere Studie beschreibt eine Multi-Agenten-Architektur auf Basis des RAG-Paradigmas, die Beschäftigte bei der Anerkennung als Schwerbehinderte (RQTH) unterstützen soll. Das Werkzeug wurde anhand von fünf Anwendungsfällen getestet [7].

Was man daraus mitnehmen sollte

Diese Beispiele haben eine Gemeinsamkeit: Der Agent beschränkt sich nicht darauf, einen Text zu erzeugen, sondern handelt in Fachanwendungen entsprechend einem Ziel. Die gesammelten Quellen liefern dagegen weder Zahlen zur Kapitalrendite noch einen Vorher-nachher-Vergleich, und die Forschung nennt vor allem Experimente. Der Rat der EDIE-Studie gilt daher für jedes Unternehmen: die ersten Anwendungsfälle sorgfältig auswählen [5].

Wo steht die Einführung von KI-Agenten in Unternehmen?

Die Einführung von KI-Agenten in Unternehmen entwickelt sich von vereinzelten Experimenten hin zu einer schrittweisen Verbreitung, doch die kursierenden Zahlen sind Prognosen, die mit Vorsicht zu behandeln sind. Eine Analyse auf Cairn beschreibt die Lage so: KI-Agenten gewinnen an Boden, und nach den ersten, begrenzten Anwendungsfällen versuchen Unternehmen, ihre Arbeitsweisen und Kompetenzen nachhaltig zu verändern [3].

Zwei häufig zitierte Prognosen

Zitierte Quelle	Prognose	Gemessener Indikator
Gartner	40 % der Unternehmensanwendungen werden bis Ende 2026 KI-Agenten integrieren, gegenüber weniger als 5 % im Jahr 2025 [33]	Anteil der Anwendungen
Deloitte	Rund 25 % der französischen Unternehmen werden bis Ende 2026 in einer Pilotphase sein [34]	Anteil der Unternehmen, im Pilotstadium

Diese beiden Zahlen gelangen über Blogs von Dienstleistern zu uns [33][34]. Wir konnten sie nicht in den Originalveröffentlichungen überprüfen: Sie geben eine Größenordnung an, keine gesicherte Angabe. Sie messen zudem nicht dasselbe. Die eine bezieht sich auf Anwendungen, die andere auf Unternehmen, und eine Pilotphase ist kein Produktivbetrieb.

Warum die ersten Anwendungsfälle zählen

Im Forschungsprojekt EDIE, das der Interaktion mit Unternehmensdaten durch Agenten und Sprachmodelle gewidmet ist, halten die Autoren eine sorgfältige Auswahl der ersten Anwendungsfälle für entscheidend [5]. Es handelt sich um die Rückmeldung eines einzelnen Teams zu einem bestimmten Projekt. Das Dossier enthält keinen Kriterienkatalog, und wir erfinden auch keinen. Daraus folgt: Man verallgemeinert nicht von ersten Versuchen, die zufällig ausgewählt wurden.

Was das Dossier nicht sagt

Das Dossier enthält keine Zahlen zur Kapitalrendite: keinen gemessenen Produktivitätsgewinn, keine durchschnittlichen Einführungskosten, keine Amortisationsdauer. Die oben genannten Prognosen beschreiben eine Verbreitung, nicht eine Leistung. Um den Nutzen eines KI-Agenten in Ihrer Organisation abzuschätzen, sollten Sie daher schon in der Pilotphase Ihre eigenen Kennzahlen messen, statt sich auf Marktdurchschnitte zu stützen.

Welche Risiken bestehen und welche Schutzmaßnahmen sind vorzusehen?

Die wichtigsten Risiken eines autonomen KI-Agenten im Unternehmen betreffen ebenso Organisation und Recht wie die Technik. Zwei Hemmnisse werden benannt: eine kulturelle Hürde und die Frage der rechtlichen Verantwortung bei einem Fehler eines autonomen Agenten [2]. Führt ein Agent eine Aktion aus, muss klar sein, wer dafür einsteht.

Schutzmaßnahmen, die vor dem Einsatz festzulegen sind

Für einen Agenten, der ein Modell, Anweisungen und Werkzeuge kombiniert, um mehrere Schritte auszuführen, empfiehlt ein Schulungsleitfaden fünf Schutzmaßnahmen [24]:

• minimale Zugriffsrechte: Der Agent greift nur auf das zu, was er benötigt;
• erlaubte Aktionen, ausdrücklich aufgelistet;
• Protokolle, die es erlauben, nachzuvollziehen, was er getan hat;
• Abbruchkriterien, die ihn das Handeln einstellen lassen;
• menschliche Freigabe.

Ein Dokument zur operativen Governance von Agenten ergänzt drei Elemente [6]:

• die Einhaltung des AI Act;
• eine regelmäßige Überprüfung der Anwendungsfälle, vierteljährlich oder halbjährlich;
• den Einsatz von Policy-as-Code, dessen Funktionsweise der verfügbare Auszug allerdings nicht näher beschreibt.

Die regelmäßige Überprüfung verhindert, dass ein beim Start genehmigter Einsatz driftet, ohne dass ihn jemand erneut prüft.

Warum volle Autonomie nicht das Ziel ist

Im Unternehmen muss die Autonomie eines Agenten begrenzt bleiben [24]. Ein „autonomer“ Agent wird also nicht ohne Rahmen eingesetzt: Er handelt innerhalb eines von der Organisation festgelegten Bereichs, mit menschlichen Kontrollpunkten bei heiklen Aktionen. Die Forschung kommt zu einer ähnlichen Sicht. Eine explorative Studie, die auf 31 Anwendungsfällen aus beruflichen Quellen beruht, sieht in der generativen KI das Entstehen einer neuen algorithmischen Auftragsbeziehung [9]. Daraus lässt sich schließen: Einem Agenten etwas zu übertragen bedeutet, eine Beziehung einzugehen, die zu steuern ist, und nicht bloß eine Funktion zu aktivieren.

Diese Empfehlungen stammen von einer Bildungseinrichtung [24] und einem Governance-Dokument [6]. Die verfügbaren Auszüge erlauben keine Quantifizierung der Wirksamkeit dieser Schutzmaßnahmen.

Wo steht Oupi zwischen Antwort und Auftrag?

Oupi versteht sich als Super-Agent und nicht als Modell: Es antwortet, wenn eine Antwort genügt, und führt Aufträge aus, wenn die Anfrage es verlangt, und zwar im selben Gesprächsverlauf. Diese Beschreibung stammt von Oupi selbst und nicht von einer unabhängigen Quelle.

Eine Positionierung auf der Ebene des Agenten

In der Terminologie der vorangegangenen Abschnitte ist ein Sprachmodell die Schlussfolgerungsmaschine, zu der der Agent ein Gedächtnis, Werkzeuge und einen Datenzugriff hinzufügt, um Aufgaben von Anfang bis Ende zu bearbeiten [23]. Wenn man sagt, Oupi sei kein Modell, ordnet man es dieser zweiten Ebene zu: Es orchestriert die Antwort oder Aktion, statt den Text selbst zu erzeugen.

Der Zusammenhang mit der Unterscheidung Chatbot / Agent

Die oben zitierte Vergleichstabelle stellt einen Chatbot, dessen Logik im Antworten besteht, einem KI-Agenten gegenüber, dessen Logik darin besteht, ein Ziel zu verfolgen [30]. Ein auf einem LLM basierender Assistent glänzt außerdem beim Verfassen, Umformulieren und Zusammenfassen, seine Autonomie bleibt jedoch begrenzt [12]. Diese Unterscheidung beschreibt zwei Verarbeitungslogiken, nicht unbedingt zwei getrennte Werkzeuge.

Die Positionierung von Oupi beruht auf dieser Lesart:

• Eine Frage verlangt eine Antwort: Genügt eine Antwort, antwortet Oupi wie ein Gesprächsassistent.
• Ein Ziel verlangt einen Auftrag: Geht die Anfrage über eine einfache Antwort hinaus, führt Oupi einen Auftrag aus, ähnlich wie ein Agent.
• Ein einziger Verlauf: Beide Modi koexistieren im selben Gespräch, ohne Wechsel des Werkzeugs oder der Oberfläche.

Was das für die Teams ändert

In einer Organisation sind Anfragen selten einheitlich: Dieselbe Person wechselt von einer punktuellen Frage zu einer Aufgabe, die sie bis zum Ende durchführen muss. Ein Werkzeug, das nur antwortet, bleibt beim ersten Fall stehen, ein reiner Auftrags-Agent ist für den zweiten überdimensioniert. Die Wahl zwischen beiden Modi erfolgt daher je nach Anfrage und nicht vorab, bei der Auswahl eines Werkzeugs.

Dieser Abschnitt beschränkt sich auf das, was die Positionierung von Oupi beschreibt. Die im vorherigen Abschnitt genannten Vorsichtsmaßnahmen beim Einsatz, etwa die Begrenzung der Autonomie oder die menschliche Freigabe [24], gelten für jeden Agenten, unabhängig vom gewählten Werkzeug.