Was ist ein KI-Agent?

Ein Chatbot antwortet, wenn man mit ihm spricht. Ein KI-Agent hingegen erhält ein Ziel und findet selbst heraus, wie er es erreicht. Er zerlegt die Aufgabe in Schritte, wählt die zu verwendenden Werkzeuge, führt die Aktionen aus, beobachtet die Ergebnisse, passt seinen Plan bei Bedarf an und wiederholt das Ganze, bis die Arbeit erledigt ist. Der grundlegende Unterschied lässt sich in einem Wort zusammenfassen: Autonomie. Der Chatbot wartet auf Ihre nächste Anweisung. Der Agent arbeitet selbstständig weiter.

Im Jahr 2026 sind KI-Agenten kein Forschungskonzept mehr. Laut Gartner werden bis Ende 2026 40 % der Unternehmensanwendungen spezialisierte KI-Agenten integrieren, verglichen mit weniger als 5 % im Jahr 2025. Sie werden produktiv eingesetzt in der Softwareentwicklung, im Finanzwesen, im Kundenservice, in der wissenschaftlichen Forschung und im Geschäftsbetrieb. Aber zwischen den Marketingversprechen und der technischen Realität gibt es eine Lücke, die man verstehen sollte.

Wie ein KI-Agent funktioniert

Ein KI-Agent arbeitet in einer Schleife. Nicht in einer Endlosschleife (theoretisch), sondern in einem iterativen Zyklus, der sich wiederholt, bis das Ziel erreicht ist oder der Agent feststellt, dass er nicht weiterkommt. Dieser Zyklus gliedert sich in vier Phasen: Planung, Aktion, Beobachtung, Anpassung.

Planung. Der Agent erhält ein Ziel (zum Beispiel: „Finde die 5 besten Hotels in Lissabon für ein Paar im September, mit Pool, unter 200 Euro pro Nacht"). Er zerlegt dieses Ziel in Teilaufgaben: Hotels suchen, nach Kriterien filtern, Preise vergleichen, Verfügbarkeit prüfen, eine Zusammenfassung erstellen.

Aktion. Für jede Teilaufgabe wählt der Agent ein Werkzeug aus und setzt es ein. Er kann eine Websuche durchführen, eine API abfragen, ein Dokument lesen, Code ausführen, eine E-Mail senden, ein Formular ausfüllen. Die Werkzeuge sind die Brücke zwischen dem Denken des Sprachmodells und der realen Welt.

Beobachtung. Nach jeder Aktion analysiert der Agent das Ergebnis. Hat die Suche relevante Daten geliefert? Hat die API korrekt geantwortet? Entspricht das Ergebnis dem Erwarteten?

Anpassung. Wenn das Ergebnis nicht zufriedenstellend ist, ändert der Agent seinen Plan. Er formuliert seine Anfrage um, probiert ein anderes Werkzeug, wechselt den Ansatz. Diese Anpassungsfähigkeit unterscheidet einen Agenten von einem einfachen automatisierten Skript. Ein Skript folgt einem vordefinierten Pfad. Ein Agent navigiert durch Unsicherheit.

Die Komponenten eines KI-Agenten

Unter der Haube basiert ein KI-Agent auf fünf Komponenten, die ständig zusammenwirken:

Das Sprachmodell (LLM) ist das Gehirn des Agenten. Es denkt, plant und entscheidet, welche Aktionen durchgeführt werden. GPT-4, Claude, Gemini, Llama, Mistral sind Beispiele für LLMs, die als Agentenmotor eingesetzt werden. Die Wahl des Modells beeinflusst direkt die Denkfähigkeit, die Genauigkeit und die Betriebskosten.

Die Werkzeuge sind die Arme des Agenten. Ein LLM allein kann nur Text produzieren. Gibt man ihm Zugang zu Werkzeugen (Websuche, Codeausführung, Datenbankzugriff, E-Mail-Versand, Webbrowsing, Dateiverwaltung), kann der Agent auf die Außenwelt einwirken. Die Standardisierung des Werkzeugzugangs ist eine der größten Herausforderungen des Ökosystems. Das MCP-Protokoll (Model Context Protocol), eingeführt von Anthropic, bietet eine universelle Schnittstelle zur Verbindung von Agenten mit externen Werkzeugen, ähnlich wie USB-C die Ladekabel standardisiert hat.

Das Gedächtnis ermöglicht dem Agenten, Informationen von einem Schritt zum nächsten zu behalten. Ohne Gedächtnis würde der Agent bei jeder neuen Iteration vergessen, was er gerade getan hat. Es gibt zwei Arten: das Arbeitsgedächtnis (der Kontext der aktuellen Konversation) und das Langzeitgedächtnis (persistente Informationen, gespeichert in einer Datenbank oder Datei, abrufbar in zukünftigen Sitzungen).

Der Planer ist die Logik, die ein Ziel in Teilaufgaben zerlegt und die Ausführungsreihenfolge bestimmt. Die Ansätze variieren: Manche Agenten planen alles im Voraus (statischer Plan), andere planen bei jedem Schritt auf Basis der Ergebnisse neu (dynamischer Plan). Der dynamische Plan ist robuster gegenüber Unvorhergesehenem, verbraucht aber mehr Ressourcen.

Die Leitplanken (Guardrails) begrenzen den Agenten, um Entgleisungen zu vermeiden. Budgetgrenzen (wie viele API-Aufrufe der Agent machen darf), Zeitlimits, Liste erlaubter und verbotener Aktionen, menschliche Freigabe bei kritischen Schritten. Ohne Leitplanken kann ein Agent in eine Endlosschleife geraten, Hunderte Euro für API-Aufrufe ausgeben oder unwiderrufliche Entscheidungen ohne Aufsicht treffen.

Was unterscheidet ihn von einem Chatbot?

Die Grenze zwischen Chatbot und KI-Agent hat sich in den letzten Monaten verwischt, aber die Unterscheidung bleibt nützlich. Ein klassischer Chatbot (ChatGPT im Standardmodus zum Beispiel) arbeitet im Anfrage-Antwort-Modus: Sie stellen eine Frage, er antwortet, dann wartet er auf die nächste. Selbst wenn er Werkzeuge nutzt (Websuche, Codeausführung), sind Sie es, der das Gespräch Schritt für Schritt lenkt.

Ein KI-Agent arbeitet im Zielmodus. Sie geben ihm ein Ziel, und er verwaltet den Weg dorthin. Er entscheidet selbst, welche Werkzeuge er nutzt, in welcher Reihenfolge und wann er aufhört. Der Unterschied ist nicht binär, sondern eine Frage des Autonomiegrads.

In der Praxis befinden sich viele „Agenten"-Produkte 2026 irgendwo dazwischen: Sie planen ein paar Schritte voraus, nutzen Werkzeuge über Funktionsaufrufe, behalten den Zustand zwischen Schritten bei, fordern aber an kritischen Stellen menschliche Freigabe an. Das nennt man „Human-in-the-Loop" (der Mensch genehmigt vor der Ausführung) oder „Human-on-the-Loop" (der Agent handelt, aber der Mensch überwacht und kann eingreifen).

Multi-Agenten-Systeme

Statt eines einzelnen allwissenden Agenten gewinnt ein Ansatz an Boden, bei dem mehrere spezialisierte Agenten zusammenarbeiten. Jeder hat eine definierte Rolle: Einer analysiert Daten, ein anderer verfasst einen Bericht, ein dritter prüft Quellen, ein vierter formatiert das Endergebnis. Ein „Orchestrator"-Agent koordiniert das Ganze und verteilt die Aufgaben.

Die treffendste Analogie ist die eines Arbeitsteams. Ein vielseitiger Mitarbeiter kann vieles tun, aber ein Team koordinierter Spezialisten leistet bei komplexen Aufgaben oft mehr und schneller. Der Markt für Multi-Agenten-Systeme soll laut Analysten bis 2030 jährlich um 48,5 % wachsen.

Aber Multi-Agenten-Systeme bringen auch eigene Probleme mit. Die MAST-Studie der UC Berkeley analysierte 1.642 Ausführungsspuren über 7 Multi-Agenten-Frameworks in der Produktion und stellte Fehlerquoten von 41 % bis 86,7 % fest. Über ein Drittel der Ausfälle waren Koordinationspannen zwischen Agenten. Wenn ein schlecht kalibrierter Agent falsche Informationen an einen anderen weitergibt, breitet sich der Fehler im gesamten System aus.

Was KI-Agenten 2026 können

Deployments, die in der Produktion funktionieren, teilen gemeinsame Merkmale: klar definierte Aufgaben, begrenzter Aktionsradius, strukturierte Eingaben und überprüfbare Ausgaben.

Softwareentwicklung. Agenten wie Claude Code, GitHub Copilot Workspace oder Cursor Agent können eine Feature-Beschreibung erhalten, den Code schreiben, Tests ausführen, Fehler beheben und einen Pull Request einreichen. Sie ersetzen den Entwickler nicht, beschleunigen aber den Entwicklungszyklus bei repetitiven oder gut spezifizierten Aufgaben erheblich.

Kundenservice. Agenten sortieren Tickets, beantworten häufige Fragen, eskalieren komplexe Fälle an Menschen und aktualisieren CRM-Systeme automatisch. Sie übernehmen den „Level 1"-Support und entlasten menschliche Mitarbeiter für Fälle, die Urteilsvermögen erfordern.

Forschung und Analyse. Forschungsagenten (Deep Research bei Google, Research bei Anthropic) können Dutzende Quellen durchsuchen, Informationen abgleichen, Widersprüche identifizieren und einen Synthesebericht mit Quellenangaben erstellen. Alles in Minuten, wo ein Mensch Stunden bräuchte.

Unternehmensautomatisierung. Formulare ausfüllen, Daten aus PDFs extrahieren, Tabellen aktualisieren, Benachrichtigungen senden, Datenbanken synchronisieren. Diese repetitiven, gut strukturierten Aufgaben sind das ideale Terrain für KI-Agenten.

Die Autonomiedecke: Was Agenten noch nicht können

KI-Agenten haben 2026 eine sehr reale Autonomiedecke. Forschung zeigt, dass Agenten für Workflows von 3 bis 5 Schritten zuverlässig funktionieren. Darüber hinaus häufen sich die Fehler. Hat ein Agent 85 % Genauigkeit pro Aktion, gelingt ein 10-Schritte-Workflow nur in 20 % der Fälle von Anfang bis Ende. Bei 90 % Genauigkeit sind es 35 %. Die Mathematik ist unerbittlich.

Das bedeutet: Die KI-Agenten von 2026 sind nicht die „autonomen digitalen Mitarbeiter", die manche 2023 versprachen. Es sind leistungsfähige Werkzeuge in einem definierten Rahmen, mit menschlicher Aufsicht. Lange Workflows, mehrdeutige Aufgaben, unwiderrufliche Entscheidungen und Kontexte, in denen Fehler ernste Folgen haben, brauchen nach wie vor einen Menschen in der Schleife.

Agenten tun sich auch schwer mit dem Denken über sehr lange Sequenzen, dem Umgang mit Mehrdeutigkeit bei vagen Anweisungen und Situationen, die gesunden Menschenverstand oder Empathie erfordern. Ein Agent kann eine perfekte Vertriebs-Follow-up-E-Mail verfassen. Er kann nicht spüren, dass ein Kunde kurz davor ist abzuspringen und ein Tonwechsel nötig wäre.

Risiken, die man kennen sollte

Endlosschleifen und unkontrollierte Kosten. Ein falsch konfigurierter Agent kann in eine Schleife geraten, in der er die gleiche Aktion endlos wiederholt und bei jeder Iteration Tokens (also Geld) verbraucht. Immer Limits setzen: maximale Schrittanzahl, maximales Token- oder API-Call-Budget, globaler Timeout.

Verstärkte Halluzinationen. Wenn ein LLM in einem normalen Gespräch halluziniert (falsche Informationen erfindet), kann der Nutzer es bemerken. Wenn ein Agent halluziniert und auf der Halluzination handelt (eine E-Mail mit falschen Informationen senden, eine Datenbank mit erfundenen Daten ändern), sind die Folgen weitaus gravierender.

Sicherheit. Ein Agent mit Zugang zu Werkzeugen (Codeausführung, Netzwerkzugriff, Dateiänderung) ist eine Angriffsfläche. Prompt Injection (den Agenten über versteckte Anweisungen in den verarbeiteten Daten manipulieren) ist ein großes Risiko. Best Practices umfassen das Prinzip der geringsten Berechtigung, Isolation (den Agenten in einer Sandbox-Umgebung laufen lassen) und Ausgabevalidierung.

Haftung. Wenn ein KI-Agent eine Entscheidung trifft, die Schaden verursacht: Wer haftet? Der Nutzer, der das Ziel vorgab? Der Entwickler, der den Agenten gebaut hat? Der LLM-Anbieter? Der Rechtsrahmen ist in den meisten Jurisdiktionen noch unklar, und Unternehmen, die KI-Agenten produktiv einsetzen, müssen sich dieser Lücke bewusst sein.

Frameworks für den Bau von Agenten

Das Ökosystem der KI-Agenten-Frameworks entwickelt sich rasant. Die wichtigsten 2026:

LangGraph (Nachfolger von LangChain Agents) ermöglicht es, Agenten als Zustandsgraphen zu bauen, mit feiner Kontrolle über den Ausführungsfluss. Es ist das flexibelste, aber auch das komplexeste Framework.

CrewAI spezialisiert sich auf Multi-Agenten-Systeme mit Abstraktionen für „Rollen" und „Aufgaben", die die Koordination vereinfachen.

Microsoft Agent Framework (ehemals AutoGen) ist Microsofts Angebot für konversationelle Multi-Agenten-Systeme, eng mit dem Azure-Ökosystem verknüpft.

Claude Code von Anthropic ist ein Kommandozeilen-Entwicklungsagent, der Coding-Aufgaben End-to-End bearbeitet: Code schreiben, Tests ausführen, Git-Repositories verwalten, alles vom Terminal aus.

Ein Rat, wenn Sie diese Tools erkunden: Frameworks ändern sich schnell. Was vor sechs Monaten Standard war, kann heute veraltet oder umbenannt sein. Prüfen Sie immer die offizielle Dokumentation, bevor Sie ein Projekt starten.

Das MCP-Protokoll: Standardisierung des Werkzeugzugangs

Eine der bedeutendsten Entwicklungen im Agenten-Ökosystem 2025-2026 ist MCP (Model Context Protocol), ein offener Standard von Anthropic. Vor MCP erforderte die Anbindung eines Agenten an ein Werkzeug (eine API, eine Datenbank, einen externen Dienst) spezifischen Integrationscode für jede Modell-Werkzeug-Kombination. Bei 5 Modellen und 10 Werkzeugen waren das 50 zu pflegende Integrationen.

MCP bietet eine universelle Schnittstelle: Ein MCP-Server stellt Fähigkeiten (Werkzeuge, Daten, Prompts) in einem strukturierten Format bereit, und jede MCP-kompatible Anwendung kann sich ohne maßgeschneiderten Code verbinden. Die gängigste Analogie ist USB-C: Früher hatte jedes Gerät sein eigenes Kabel. USB-C standardisierte die physische Verbindung. MCP macht dasselbe für die Verbindung zwischen KI-Agenten und Software-Werkzeugen.

2026 konvergieren die großen Anbieter (Anthropic, OpenAI, Google, Microsoft) auf MCP-Unterstützung oder ähnliche Protokolle, was die Interoperabilität zwischen Agenten und Werkzeugen erleichtert.

Was als Nächstes kommt

Die Richtung ist klar: Agenten werden leistungsfähiger, zuverlässiger und besser in bestehende Workflows integriert. Forscher schätzen, dass sich die Komplexität der Aufgaben, die Agenten bewältigen können, etwa alle sieben Monate verdoppelt. Aber „leistungsfähiger" heißt nicht „autonom ohne Aufsicht". Das Modell, das sich abzeichnet, ist das spezialisierter Agenten, begrenzt durch strenge Leitplanken, mit Menschen in der Überwachung, eingesetzt in klar definierten Bereichen.

Der autonome KI-Agent, der einen Büromitarbeiter von A bis Z ersetzt, bleibt 2026 eher eine Vision als eine Produktionsrealität. Was tatsächlich funktioniert, sind begrenzte, aber zuverlässige Systeme, die Teile von Workflows bearbeiten, bei Unsicherheit eskalieren und menschliche Zeit für Aufgaben freimachen, die Urteilsvermögen, Kreativität und Fingerspitzengefühl erfordern.

Ein KI-Agent ist kein verbesserter Chatbot. Es ist ein System, das ein Ziel erhält, die Schritte plant, Werkzeuge nutzt und sich an die Ergebnisse anpasst, mit einem variablen Grad an Autonomie. 2026 funktionieren Agenten gut in definierten Bereichen mit menschlicher Aufsicht. Ihr wahres Potenzial wird sich erst zeigen, wenn die Zuverlässigkeit pro Schritt hoch genug ist, um lange Sequenzen ohne Eingriff zu verketten, und so weit sind wir noch nicht.