KI-Agenten sind der nachste Schritt nach dem Chatbot. Wahrend ein Chatbot antwortet, handelt ein Agent: Er plant Schritte, ruft Tools auf, iteriert uber Ergebnisse und arbeitet so lange, bis ein Ziel erreicht ist. Das klingt beeindruckend - und es ist es auch. Aber es ist kein Allheilmittel, und wer unrealistische Erwartungen mitbringt, wird enttauscht.
Was ein KI-Agent konkret tut
Ein KI-Agent kombiniert ein Sprachmodell mit einer Reihe von Werkzeugen: Websuche, Code-Ausfuhrung, Datenbankzugriff, E-Mail-Versand, API-Aufrufe. Das Sprachmodell entscheidet, welches Tool wann eingesetzt wird, wertet die Ergebnisse aus und plant den nachsten Schritt. Dieser Zyklus - Denken, Handeln, Beobachten, neu Denken - wird als ReAct-Pattern bezeichnet und ist die Grundlage der meisten modernen Agentenframeworks. Bekannte Frameworks: LangGraph, AutoGen, CrewAI, das Anthropic Agents SDK.
Konkrete Anwendungsfalle, die heute funktionieren
Recherche und Auswertung
Ein Agent, der selbststandig eine Liste von Wettbewerbern analysiert, Preise recherchiert, Texte zusammenfasst und einen strukturierten Bericht erstellt - das ist heute zuverlassig umsetzbar. Solche Aufgaben haben klare Ziele, tolerieren kleinere Fehler und sind nicht zeitkritisch.
Datenverarbeitung mit menschlicher Freigabe
Eingehende Dokumente klassifizieren, vorverarbeiten und zur menschlichen Freigabe vorlegen - das sogenannte Human-in-the-Loop-Muster - funktioniert sehr gut. Der Agent ubernimmt den repetitiven Teil, der Mensch die finale Entscheidung bei unklaren Fallen.
Code-Generierung und -Review
Agenten, die automatisch Unit-Tests generieren, Migrations-Skripte schreiben oder Code-Reviews durchfuhren, sind in der Softwareentwicklung heute produktiv einsetzbar. Voraussetzung: klare Spezifikationen und ein Review-Schritt durch einen Entwickler.
Wo Agenten heute noch scheitern
Uberall dort, wo Fehler teuer sind, Ziele unklar sind oder die Werkzeugpalette nicht vollstandig ist. Ein Agent, der selbststandig Bestellungen auslost, Vertrage unterzeichnet oder Produktionsprozesse steuert, ist heute noch nicht zuverlassig genug fur den unbeaufsichtigten Einsatz. Die Fehlerrate realer Agenten ist hoher, als Marketing-Demos vermuten lassen. Das liegt nicht am Modell - es liegt daran, dass autonome Entscheidungsketten jeden Fehler verstarken.
Wann lohnt sich der Einsatz?
Drei Kriterien machen Agenten-Einsatz sinnvoll: Das Ziel ist klar definierbar. Fehler sind reversibel oder werden vor dem Commit gepruft. Der manuelle Aufwand fur die gleiche Aufgabe ist hoch genug, dass sich Entwicklung und Betrieb rechnen. Wenn alle drei zutreffen, lohnt sich die Investition. Wenn eines fehlt, sollte man mit einer einfacheren Losung beginnen.
Wie ein erstes Agenten-Projekt aussieht
Sinnvoll ist ein klar abgegrenzter Pilotfall mit Human-in-the-Loop. Typischer Zeitrahmen: vier bis acht Wochen bis zum ersten produktiv nutzbaren Agenten. Den grosten Aufwand macht nicht das Agentenframework, sondern die Integration in bestehende Systeme und die Definition der richtigen Tools und ihrer Fehlerfalle.