Was ist ein KI-Agent?
Ein KI-Agent ist ein LLM mit drei zusätzlichen Fähigkeiten: (1) Es kann Tools aufrufen — typischerweise via Function Calling auf APIs, Datenbanken oder eigene Skripte. (2) Es plant mehrstufige Workflows — entscheidet selbst, welches Tool wann mit welchen Parametern aufgerufen wird. (3) Es reagiert auf Ergebnisse — passt den weiteren Plan basierend auf Zwischenergebnissen an.
Damit ist ein Agent nicht mehr nur ein „Antworter“ wie ein Chatbot, sondern ein aktiver Akteur in Ihren Systemen. Das eröffnet neue Use-Case-Klassen — bringt aber auch neue Risiken.
Agent vs. einfacher Chatbot
Drei Unterschiede:
- Aktivität: Chatbot reagiert auf Fragen, Agent verändert aktiv Daten in Systemen.
- Komplexität: Chatbot löst eine Aufgabe pro Konversation, Agent koordiniert mehrere Schritte und Tools.
- Risiko: Chatbot kann höchstens falsch antworten, Agent kann falsche Aktionen ausführen — mit echten Konsequenzen (Daten, Geld, Außenwirkung).
Faustregel: wenn Sie nur Wissen aus Dokumenten brauchen, reicht ein RAG-Chatbot. Wenn Sie Daten verändern oder mehrere Systeme orchestrieren wollen, brauchen Sie einen Agent.
Architektur eines Agenten
Ein produktiver KI-Agent hat fünf Komponenten:
- Planner-LLM: bricht die Aufgabe in Schritte herunter und entscheidet, welches Tool wann aufgerufen wird.
- Tool-Layer: Sammlung von Funktionen, die der Agent aufrufen kann (z. B. „getCustomerData“, „calculateMargin“, „generateQuote“). Jedes Tool mit klarer Schnittstellen-Beschreibung.
- State-Management: persistenter Kontext zwischen Schritten — was wurde bereits erledigt, was sind die Zwischenergebnisse.
- Eval & Guardrails: Output-Prüfung vor jeder kritischen Aktion (z. B. „bevor du eine E-Mail sendest, prüfe das Ergebnis“).
- Mensch-im-Loop-Trigger: definierte Schwellen, bei denen der Agent stoppt und auf Freigabe wartet.
Risiken
Drei Hauptrisiken, die jeder produktive Agent adressieren muss:
- Halluzinations-Eskalation: ein Tool-Aufruf basierend auf einer halluzinierten Annahme produziert echte Schäden. Schutz: jeder Tool-Call wird vor der Ausführung gegen Quellen validiert.
- Endlosschleifen / Kostenexplosion: ein schlecht geplanter Agent kann sich in Schleifen verfangen und tausende LLM-Aufrufe verursachen. Schutz: harte Iterations-Limits, Cost-Caps pro Workflow.
- Berechtigungs-Eskalation: der Agent hat Tool-Zugriff, der über die Berechtigung des aufrufenden Nutzers hinausgeht. Schutz: Tools laufen immer im Kontext der Nutzer-Identity, nicht mit Service-Account-Vollrechten.
Wann ist ein Agent sinnvoll?
Drei Kriterien sollten alle erfüllt sein:
- Mehrstufigkeit: die Aufgabe braucht mehr als einen Tool-Call und mehrere Datenquellen.
- Variabilität: der Pfad ist nicht fest vorgegeben — bei festen Pfaden ist klassische Workflow-Automatisierung (n8n, Make, Camunda) günstiger.
- Wert pro Durchlauf: typisch >50 € — sonst rechtfertigen sich die Komplexitäts-Kosten nicht.
Klassische Mittelstands-Beispiele: Angebotserstellung, Reklamations-Bearbeitung, Bewerber-Screening mit Bewertungs-Schritten, Vertrags-Prüfung. Mehr im Use Case Agenten im Unternehmen.