Ein KI-Agent ist Software, der Sie eine Aufgabe geben. Er legt die Schritte fest, nutzt Ihre Tools, um sie auszuführen, und hört auf, wenn die Arbeit erledigt ist oder er nicht weiterkommt. Agentische KI (englisch „agentic AI“) ist der weiter gefasste Begriff für KI, die so arbeitet. Die beiden Begriffe sind also keine Konkurrenten. „KI-Agent“ bezeichnet ein Ding. „Agentisch“ beschreibt, wie viel der Arbeit die KI selbst plant und erledigt.
Warum ist das wichtig? Weil Anbieter beide Wörter locker verwenden und das Etikett selten verrät, was ein Produkt tatsächlich mit Ihrem Posteingang, Ihrem CRM oder Ihren Kunden macht. Dieser Leitfaden erklärt, woher die Wörter kommen, wie sie heute verwendet werden und wie Sie jedes Tool mit ein paar einfachen Fragen beurteilen können.
KI-Agenten vs. agentische KI: die Kurzfassung
| KI-Agent | Agentische KI | |
|---|---|---|
| Was es ist | Etwas, auf das man zeigen kann | Eine Beschreibung oder eine ganze Kategorie |
| Wie man es sagt | „Wir nutzen einen KI-Agenten, um neue Leads zu recherchieren.“ | „Dieser Workflow ist agentisch.“ |
| Wie groß | Ein System, das eine Art von Aufgabe erledigt | Alles von einem einfachen KI-gestützten Prozess bis zu mehreren Agenten, die zusammenarbeiten |
| Was Sie fragen sollten | Für welche Aufgabe ist er zuständig, und worauf hat er Zugriff? | Wie viele Entscheidungen trifft sie, bevor ein Mensch die Arbeit prüft? |
Niemandem gehören diese Begriffe. Wenn ein Artikel Ihnen eine „offizielle“ Grenze zwischen ihnen nennt, gibt er die Meinung einer bestimmten Gruppe wieder.
Woher die Wörter kommen
„Agent“ ist alt. In ihrem Lehrbuch Artificial Intelligence: A Modern Approach von 1995 definierten Stuart Russell und Peter Norvig einen Agenten als alles, was seine Umgebung wahrnimmt und auf sie einwirkt. Nach dieser Definition zählt sogar ein Thermostat. Neu ist, dass heutige KI-Modelle unordentliches Arbeitsmaterial lesen können, etwa die E-Mail eines verärgerten Kunden, und entscheiden, was zu tun ist.
„Agentisch“ ist jünger. Im Juni 2024 schlug Andrew Ng, Gründer von DeepLearning.AI, einen Weg vor, den Streit zu beenden, was als Agent „zählt“. Man solle es als Frage des Grades sehen, schrieb er: „Unlike the noun 'agent,' the adjective 'agentic'“ (Übersetzung: „Anders als das Substantiv ‚Agent‘ ermöglicht es das Adjektiv ‚agentisch‘“), Systeme zu beschreiben, die ein wenig oder sehr agentenähnlich sind.
Einige Monate zuvor hatte er dafür eine treffende Analogie benutzt. Eine KI um eine Antwort in einem Rutsch zu bitten, ist so, als würde man jemanden einen Aufsatz schreiben lassen, ohne dass er je die Rücktaste drücken darf. Ein agentischer Ansatz lässt die KI gliedern, recherchieren, entwerfen, prüfen und überarbeiten, so wie ein Mensch es tun würde.
YouTube · Sequoia Capital
What's next for AI agentic workflows ft. Andrew Ng of AI Fund (Was kommt als Nächstes bei agentischen KI-Workflows, mit Andrew Ng von AI Fund) · 26. März 2024
Die Analogie vom Aufsatz ohne Rücktaste ist die klarste kurze Erklärung von „agentisch“, die wir gefunden haben. Es ist ein Vortrag von 2024. Verstehen Sie ihn also als Lektion über die Idee, nicht als Bericht über heutige Tools.
Drei Arten, wie die Begriffe heute verwendet werden
1. „Agentisch“ als Oberbegriff. Der Leitfaden Building effective agents von Anthropic (Dezember 2024) nennt all das „agentische Systeme“ und teilt sie dann in zwei Gruppen. In einem Workflow sind die Schritte vorab festgelegt. Bei einem Agenten wählt die KI ihre Schritte selbst. Ein Wochenbericht, der immer dieselben fünf Schritte durchläuft, ist agentisch, aber er ist ein Workflow.
2. „Agentische KI“ als Team von Agenten. Eine Forschungsübersicht, AI Agents vs. Agentic AI (erstmals veröffentlicht im Mai 2025, überarbeitet im September 2025), verwendet „KI-Agent“ für ein einzelnes System, das eine Aufgabe erledigt, etwa Supportfragen beantworten. „Agentische KI“ reserviert sie für mehrere Agenten, die ein größeres Ziel unter sich aufteilen und sich abstimmen.
3. „Agentische KI“ als Marktlabel. Analysten und Anbieter nutzen den Begriff oft als Kategorienamen. Im Juni 2025 prognostizierte Gartner, dass bis Ende 2027 über 40 % der Projekte mit agentischer KI eingestellt werden, wegen der Kosten, eines unklaren Nutzens oder schwacher Risikokontrollen. Das ist eine Prognose, keine Zählung. Gartner gab außerdem einem Phänomen einen Namen, „Agent Washing“: Ein alter Chatbot oder ein Automatisierungstool wird Agent genannt, ohne dass echte neue Fähigkeiten hinzukommen. Im Mai 2026 warnte Gartner vor genau dem bei Software für die Lieferkettenplanung.
Abbildung 1. Eine verbreitete Verwendung von „agentischen Systemen“ als Oberbegriff für Workflows und Agenten. Multi-Agent beschreibt, wie Agenten kombiniert werden. Es handelt sich nicht um Produktkategorien, die sich gegenseitig ausschließen.
Die eigentliche Frage: Wer wählt die Schritte?
Alle drei Verwendungen teilen eine Idee. Je mehr eine KI selbst entscheidet, desto agentischer ist sie. Die meiste Arbeit im Unternehmen fällt in eine von drei Stufen:
- Assistent. Sie fragen, er antwortet oder schreibt einen Entwurf. Alles andere machen Sie.
- Workflow. Die Schritte sind vorab vereinbart. Die KI übernimmt das Lesen und Schreiben innerhalb jedes Schritts.
- Agent. Sie geben ein Ziel vor. Der Agent entscheidet, was er prüft, welches Tool er nutzt und wann er genug weiß.
Maya Murad von IBM nennt das eine „gleitende Skala“ (sliding scale) der Autonomie. Sie wählen die Stufe für jede Aufgabe. Es ist keine Funktion, die man einmal kauft.
YouTube · IBM Technology
What are AI Agents? (Was sind KI-Agenten?) · 15. Juli 2024
Maya Murad erklärt die „gleitende Skala“ der KI-Autonomie und zeigt dann, warum eine eng umrissene, vorhersehbare Aufgabe mit einem festen Ablauf oft besser funktioniert als mit einem Agenten.
Agent oder Automatisierung? Eine Debatte, die man kennen sollte
Menschen, die solche Systeme beruflich bauen, streiten gerade genau darüber. Alex Vacca, der sich selbst als Gründer und CEO von Frontal AI beschreibt, einem Unternehmen, das B2B-Firmen beim Umsatzwachstum hilft, hat das Argument für Automatisierung kürzlich in einem Post ohne Umschweife formuliert.
X · Alex Vacca (@itsalexvacca) · 7. Oktober 2026
"If you can write every step down first, build an automation." … "An agent fails quietly." (Übersetzung: „Wenn Sie jeden Schritt vorab aufschreiben können, bauen Sie eine Automatisierung.“ … „Ein Agent scheitert leise.“)
Sein Punkt ist praktisch. Wenn eine Aufgabe feste Schritte hat (unser Beispiel: neue Formulareinträge in ein CRM kopieren), ist es verschwendetes Geld, eine KI dafür zu bezahlen, diese Schritte festzulegen. Er merkt außerdem an, dass eine kaputte Automatisierung meist eine Fehlermeldung auslöst, während ein Agent weiter Erfolg melden kann, obwohl seine Antworten langsam schlechter werden. Deshalb lässt er einen Menschen freigeben, bevor irgendetwas verschickt wird.
Wir stimmen dem Test zu, mit einer Einschränkung: Es ist die Sicht eines einzelnen Praktikers, gestützt auf sein eigenes Setup, und er verkauft selbst genau diese Art von Arbeit. Sie deckt sich aber mit dem, was Anthropic und IBM sagen. Beginnen Sie mit der einfachsten Lösung, die funktioniert. Setzen Sie einen Agenten nur ein, wenn die Schritte wirklich davon abhängen, was er findet.
Verbreitete Mythen
„Agentische KI ist die neuere, bessere Version von KI-Agenten.“ Nein. Ein Agent gehört zum Agentischsten, was es gibt. Die Begriffe beschreiben Grade, keine Produktgenerationen.
„Mehr Autonomie ist immer besser.“ Nein. Mehr Autonomie kostet mehr und ist schwerer zu prüfen. Für einen Wochenbericht, der jedes Mal gleich aufgebaut ist, ist ein fester Workflow günstiger und berechenbarer.
„Ein Agent weiß alles über Ihr Unternehmen.“ Er weiß nur, was er sehen kann: die Tools, die Sie verbunden haben, und die Unterhaltung, in der er sich befindet. In Okou zum Beispiel hat jeder Chat seinen eigenen Kontext. Ein neuer Chat beginnt bei null, es sei denn, Sie holen einen früheren Chat bewusst dazu.
„Mehr Agenten bedeuten mehr Leistungsfähigkeit.“ Nicht unbedingt. Jede Übergabe zwischen Agenten ist eine weitere Stelle, an der sich Fehler häufen oder Zugriffsrechte ausbreiten können. Fragen Sie, wer für das Endergebnis verantwortlich ist.
„Das Etikett sagt Ihnen, was es tut.“ Tut es nicht. Gartner hat „Agent Washing“ genau dafür geprägt und warnte 2026 immer noch davor. Ignorieren Sie das Wort und fragen Sie, was das Produkt selbstständig tut.
Eine Aufgabe, drei Wege: eine gefährdete Vertragsverlängerung
So sieht das bei echter Arbeit aus. Das Beispiel ist erfunden, um die Idee zu veranschaulichen. Es ist keine Kundengeschichte.
Dana leitet Customer Success bei einem Softwareunternehmen. Bei einem Kunden steht in sechs Wochen die Verlängerung an, und irgendetwas stimmt nicht. Die Hinweise sind verstreut. Im Support-Postfach liegt eine unzufriedene E-Mail. Im CRM steht noch „gesund“. Ein geteiltes Dokument vermerkt, dass die Logins zurückgegangen sind, nachdem sich der Kunde umstrukturiert hat. Und in einem Slack-Thread vom letzten Monat steht, was die Geschäftsführung entschieden hat: keine Verlängerungsrabatte in diesem Quartal.
1. Einen Agenten einmal fragen
Dana fragt Okou: „Warum ist dieser Kunde gefährdet, und was sollte ich diese Woche schicken?“ Okou entscheidet, was gelesen wird: die E-Mail, den CRM-Eintrag, die Notiz zur Nutzung und den Slack-Thread. Der Chat zeigt, wie lange Okou schon arbeitet, wie viele Schritte Okou bereits gemacht hat und was Okou gerade tut.
Okou bei einer anderen Aufgabe. Zu sehen sind die Zeit, die Anzahl der Schritte und die aktuelle Aktion.
Der Slack-Thread verändert die Antwort. Wer nur die E-Mail liest, würde vielleicht einen Rabatt anbieten. Die Entscheidung in Slack schließt das aus, deshalb schlägt Okou stattdessen ein neues Onboarding für das neue Team des Kunden vor. Okou weist außerdem darauf hin, dass sich CRM und E-Mail widersprechen, statt stillschweigend eine Version zu wählen. Fakten kommen mit Links zu ihren Quellen. Vermutungen sind als Vermutungen gekennzeichnet.
Okou bereitet das Ergebnis außerdem für jeden Leser passend auf, eine Idee, die die Okou-Produktübersicht als Kommunikation im richtigen Medium beschreibt. Dana bekommt ein kurzes Briefing, um die Entscheidung zu treffen. Der Kunde bekommt eine Antwort, gespeichert als Gmail-Entwurf, den Dana freigibt. Das Account-Team kann ein zweizeiliges Update in seinem Channel erhalten. Nichts geht an den Kunden, bevor Dana es abschickt. Okou kann nur tun, was Dana erlaubt hat. Wo ein Tool Entwerfen und Senden trennt, kann Dana das eine erlauben und das andere nicht.
In Okou warten E-Mails als Entwürfe, bis ein Mensch sie abschickt. Hier steht der Zähler „Sent“ auf null. Demodaten aus einer anderen Aufgabe.
Dana korrigiert eine falsche Annahme (die Leitung Operations ist neu und geht nicht) und bittet um eine kürzere Antwort. Weil es derselbe Chat ist, behält Okou die Korrektur.
2. Die Methode als Workflow speichern
Der Ansatz hat funktioniert, also bittet Dana Okou, ihn als Workflow zu speichern: eine benannte Abfolge von Schritten, zu prüfenden Quellen und Regeln. Ihre Korrekturen werden zu schriftlichen Regeln, etwa „Biete nie einen Rabatt an, ohne auf die aktuelle Richtlinie zu verlinken.“ Feedback wird erst dann zur Teamregel, wenn jemand es auf diese Weise speichert.
Dana teilt den Workflow mit ihrem Team. Wenn jemand aus dem Team ihn ausführt, nutzt er die eigenen Konten und Berechtigungen dieser Person, nicht Danas. Einen Workflow zu teilen heißt, die Methode zu teilen, nicht Danas Posteingang oder ihre privaten Chats. Die KI entscheidet jetzt weniger, weil die Schritte feststehen, und die Ergebnisse werden einheitlicher.
3. Einen Zeitplan festlegen
Ein Workflow läuft nicht von allein. Damit er jeden Montag läuft, fügt das Team eine Automatisierung mit einer verantwortlichen Person und einem Auslöser hinzu. Jeden Montag prüft sie die Verlängerungen der nächsten 60 Tage und postet für jeden Kunden, der gefährdet wirkt, ein Briefing. E-Mails warten weiterhin als Entwürfe.
Achten Sie darauf, was ein Zeitplan ändert und was nicht. Er bestimmt, wann die Arbeit beginnt. Er gibt der KI keine zusätzliche Freiheit darüber, wie die Arbeit erledigt wird.
Hier dieselbe Aufgabe im direkten Vergleich:
| 1. Einen Agenten fragen | 2. Gespeicherter Workflow | 3. Automatisierung | |
|---|---|---|---|
| Wer wählt die Schritte | Der Agent, je nachdem, was er findet | Die gespeicherten Schritte. Die KI arbeitet innerhalb jedes Schritts | Wie beim Workflow. Ein Zeitplan bringt keine zusätzliche Freiheit |
| Was es startet | Dana fragt | Jede Person im Team ruft ihn beim Namen auf | Ein Zeitplan, mit einer namentlich verantwortlichen Person |
| Wer freigibt | Dana prüft Briefing und Entwurf | Jede Person, die ihn ausführt | Die verantwortliche Person liest das Briefing. E-Mails bleiben Entwürfe |
Alle drei sind in gewissem Maße agentisch. Nur der erste Weg ist das, was die meisten mit „einem KI-Agenten“ meinen.
Was bei den Menschen bleibt
Dass die KI die Schritte wählt, darf nicht heißen, dass niemand für das Ergebnis verantwortlich ist. Bevor ein Agent echte Arbeit anfasst, klären Sie vier Dinge:
- Was er lesen darf. Welche Postfächer, CRMs und Dokumente, und über wessen Konto.
- Was er ändern darf. Entwerfen ist nicht Senden. Ein CRM-Update vorzuschlagen ist nicht dasselbe, wie es durchzuführen.
- Wo er anhält. Welche Aktionen immer auf einen Menschen warten.
- Was er zurückgibt. Ein Briefing, einen Entwurf oder einen Eintrag, den jemand anhand der Quellen prüfen kann.
Wer KI bei der Arbeit nutzt, denkt bereits so. Im Work Trend Index 2026 von Microsoft, einer Anfang 2026 durchgeführten Umfrage unter 20.000 KI-Nutzern in 10 Ländern, gaben 86 % an, dass sie KI-Ergebnisse als Ausgangspunkt betrachten, nicht als fertige Antwort. Das sind Selbstauskünfte, keine Messung von Ergebnissen.
Mehr dazu, wie sich ein Team anpasst, wenn KI Arbeit übernimmt, lesen Sie in Was sich ändert, wenn KI selbstständig arbeitet.
Fragen an jedes „agentische“ Tool
- Wer wählt die Schritte? Vorab festgelegt, jedes Mal von der KI gewählt oder eine Mischung?
- Was kann es sehen? Welche Tools, über wessen Login, und erinnert es sich an frühere Unterhaltungen?
- Was braucht Ihre Freigabe? Wird das über Berechtigungen durchgesetzt oder steht es nur in einem Prompt?
- Was tut es, wenn es unsicher ist? Meldet es das Problem oder rät es?
- Können Sie sehen, was es getan hat? Wird jeder Schritt und jedes Ergebnis protokolliert?
- Kann Ihr Team wiederverwenden, was funktioniert? Lässt sich die Methode speichern, teilen und mit einer namentlich verantwortlichen Person einplanen?
Ein Tool, das diese Fragen klar beantwortet, ist einen Blick wert, egal wie es sich nennt. Ideen für den Einstieg finden Sie in diesen Beispielen für KI-Agenten in der Praxis und in unserem Leitfaden zum Umgang mit Kontext und Berechtigungen.
FAQ
Ist agentische KI dasselbe wie ein KI-Agent?
Nicht ganz. Ein KI-Agent ist ein konkretes System, das eine Aufgabe übernimmt, die Schritte wählt und Tools nutzt, um sie zu erledigen. Agentische KI ist der weiter gefasste Begriff für KI, die so arbeitet, in welchem Grad auch immer. Jeder KI-Agent ist agentisch, aber „agentische KI“ kann auch einen festen Workflow mit KI-Schritten meinen oder mehrere Agenten, die zusammenarbeiten.
Was ist der Unterschied zwischen agentischer KI und generativer KI?
Generative KI schreibt oder erstellt etwas, wenn Sie darum bitten, und wartet dann. Agentische KI nutzt diese Fähigkeit, um auf ein Ziel hinzuarbeiten: Sie plant, handelt mit Tools, prüft das Ergebnis und macht weiter. Die meisten KI-Agenten laufen auf einem generativen Modell, aber eine Antwort zu schreiben ist nur ein Teil dessen, was sie tun.
Welche Risiken hat agentische KI?
Die Risiken entstehen durch das Handeln, nicht durch das Antworten. Eine KI mit Zugriff auf E-Mail, ein CRM oder Werbekonten kann eine falsche Änderung vornehmen oder etwas verschicken, das niemand geprüft hat. Gartners Prognose von 2025, dass viele Projekte mit agentischer KI bis 2027 eingestellt werden, nannte als Gründe Kosten, unklaren Nutzen und schwache Risikokontrollen. Geben Sie ihr nur den Zugriff, den die Aufgabe braucht, protokollieren Sie jeden Schritt und verlangen Sie eine Freigabe für alles, was das Unternehmen verlässt.
Was ist der Unterschied zwischen agentischer KI und RPA?
RPA (Robotic Process Automation) folgt aufgezeichneten Schritten exakt, etwa beim Kopieren von Feldern von einem System in ein anderes. Agentische KI kann Arbeit übernehmen, bei der der nächste Schritt davon abhängt, was sie liest, etwa eine E-Mail, die verstanden werden muss. Manche RPA-Tools wurden ohne echte Änderungen als „agentisch“ umetikettiert. Lassen Sie sich also zeigen, wie ein Tool mit etwas Unerwartetem umgeht.
Kann agentische KI vollständig autonom arbeiten?
Manche Systeme können viele Schritte ohne einen Menschen ausführen. Im Geschäftsalltag ist das selten das Ziel. Die meisten Teams lassen die KI recherchieren, entwerfen und vorschlagen, während ein Mensch alles freigibt, was nach außen geht oder schwer rückgängig zu machen ist, etwa eine E-Mail zu senden oder einen Datensatz zu ändern. Auch Analysten bleiben vorsichtig: Im Mai 2026 erklärte Gartner, dass die meisten Tools für die Lieferkettenplanung noch keine volle Autonomie erreicht hatten.
Brauche ich einen KI-Agenten oder eine einfachere Automatisierung?
Fangen Sie einfach an. Wenn eine Aufgabe jedes Mal dieselben Schritte hat, ist ein gespeicherter Workflow mit Zeitplan günstiger und berechenbarer. Setzen Sie einen Agenten ein, wenn die Schritte davon abhängen, was er findet, etwa wenn herausgefunden werden muss, warum ein Kunde gefährdet ist. Viele Teams machen beides: Mit einem Agenten erarbeiten sie die Methode und speichern sie dann als Workflow, um sie zu wiederholen.
