KI-Agenten

Eine MIT-Studie kam jüngst zu dem Ergebnis, dass generative KI (siehe hierzu [7]), trotz positiver Auswirkung auf die persönliche Produktivität, bei 95 % der Unternehmen zu keinem nennenswerten positiven Einfluss auf die Gewinn- und Verlustrechnung führt. Als zentrale Hürden für eine gewinnbringende Skalierung erfolgreicher KI-Piloten werden dabei nicht die oft antizipierten Hindernisse, wie technische Infrastruktur, rechtliche Voraussetzungen oder benötigte Kompetenzen, sondern die mangelnde Lernfähigkeit und Adaptierbarkeit der eingesetzten Systeme genannt [6].

KI-Agenten könnten diese Problematik lindern und KI-Anwendungen adaptiver machen. KI-Agenten sind teil- oder vollautonome Systeme, welche in der Lage sind, ihre Umgebung wahrzunehmen, Aufgaben zu analysieren und zu planen sowie durch Verwendung externer Tools und Schnittstellen auszuführen. In der Regel mit einem Large Language Model als funktionalem Kern ausgestattet, speichern sie darüber hinaus relevante Informationen und lernen im Rahmen ihrer Tätigkeit hinzu [15].

Agentische KI-Systeme stellen eine Weiterentwicklung von Anwendungen wie ChatGPT dar, welche »nur« einen Output synthetisieren, hin zu handlungs- und lernfähigen Systemen, die komplexe Abläufe automatisieren können [16].

Ein KI-Agent kann üblicherweise in drei Komponenten zerlegt werden (s. Abb.1):

Wahrnehmung

Die Komponente der Wahrnehmung beschreibt den Input des KI-Agenten. Hier werden aufgabenspezifische Rohdaten bzw. Informationen aus der Umwelt des Agenten erfasst und für die weitere Verarbeitung an die Komponente der Kognition weitergeleitet. Im Rahmen von Predictive Maintenance könnte dieser Input bspw. zum einen aus zustandsspezifischen Daten, wie Drehzahl, Vibration sowie Strom und Spannungswerten, und zum anderen aus Prozess- und Wartungsdaten, wie Start- und Stoppzeiten, Störmeldungen und Inspektionsberichten bestehen. Die Informationen können – je nach Anwendungsgebiet des KI-Agenten – völlig unterschiedlich sein und in unterschiedlichster Form vorliegen. Angefangen bei Text durch die unmittelbare Eingabe eines Nutzers über Word- und PDF-Dateien im Rahmen einer Dokumentenautomatisierung, bis hin zu Bild- und Audiodaten z. B. für die Qualitätssicherung.

Kognition

Die Komponente der Kognition fungiert als »Gehirn« des KI-Agenten, hier werden die Daten aus der Wahrnehmung verarbeitet, Schlüsse logisch abgeleitet und daraus folgende Aktionen identifiziert und geplant. Im beispielhaften Anwendungsfall der Predictive Maintenance würden klassische Machine Learning-Algorithmen für die Analyse der Daten und Klassifikation von Zuständen herangezogen werden (z. B. Anomalieerkennung in Drehzahldaten). Ein LLM kontextualisiert anschließend die Ergebnisse, leitet daraus Entscheidungen ab und plant notwendige Aktionen (z. B. Auftrag an Wartungsabteilung senden). LLMs sind folglich nicht als Ersatz für herkömmliche Methoden des Machine Learning zu interpretieren, sondern aufgrund ihrer Fähigkeit, heterogene Informationen zu kombinieren und Zusammenhänge zu erkennen, als kognitive Ergänzung zu verstehen. Die Ergebnisse des Verarbeitungsprozesses werden gespeichert und für zukünftige Vorgänge verfügbar gehalten.

Die möglichen Einsatzbereiche von KI-Agenten sind denkbar vielfältig. Häufig genannte Bereiche sind die IT-Sicherheit (z. B. automatisierte Erkennung und Abwehr von Bedrohungen), die Softwareentwicklung (z. B. autonome Erstellung, Testung und Optimierung von Code) oder auch die Datenanalyse (z. B. Auswertung großer Datenmengen und Erstellung von Reportings) [27], [13], [25]. Große Potenziale liegen ebenfalls in der Automatisierung von Administrations‑ und Geschäftsprozessen, etwa indem Agenten Kundenanfragen systemübergreifend über CRM‑ und angebundene IT‑Systeme bearbeiten. Darüber hinaus könnten sie bspw. im Recruiting Bewerbungen vorprüfen und Termine koordinieren.

Die Umsetzung von KI-Agenten in der Praxis schreitet – trotz Neuheit der Technologie – rapide voran. Einer Umfrage des MIT zufolge erreichten 35 % der befragten Organisationen eine Umsetzung erster agentischer KI-Anwendungen und weitere 44 % planen ein solches Vorhaben [23]. Der überwiegende Teil der Anwenderunternehmen befindet sich derzeit noch in der Experimentierphase, greifbare Anwendungsbeispiele sind eher spärlich. Einige konkrete Beispielanwendungen sind jedoch bekannt.

So bietet das US-amerikanische Softwareunternehmen Intercom einen agentenbasierten Anrufbeantworter für den Kundensupport, welcher selbstständig Fragen beantworten kann und je nach Dringlichkeit des Anliegens Anrufe an Mitarbeitende des Unternehmens weiterleitet [8]. Der Anbieter von Kompressionsdienstleistungen Kodiak Gas Services entwickelte einen KI-Agenten, der Mitarbeitenden des Außendienstes bei der schnellen Identifizierung von Ersatzteilen hilft [11]. Amazon Web Services implementierte eine agentische Anwendung, welche bei der Optimierung von Routen von Verteilzentren zu Endkunden unterstützt [1]. Der LLM-Entwickler Anthropic verwendet dagegen für sein »Research«-Feature mehrere Claude-Suchagenten in einer Multiagenten-Architektur [2]. Siemens nutzt den lernfähigen LinkedIn‑KI‑Agenten »Hiring Assistant«, um das eigene Active Sourcing deutlich schneller und treffsicherer zu machen [9].

Sprachmodelle selbst werden zunehmend auf agentische Fähigkeiten wie Planung, Fehlerkorrektur und Tool‑Nutzung hin optimiert. In Kombination mit spezialisierten Werkzeugen ermöglicht die Funktion »Computer Use« – etwa beim openAI-Modell GPT‑5.4 – die Steuerung von Maus und Tastatur und damit die Ausführung realer Computeraufgaben über grafische Benutzeroberflächen [30]. Auch im Bereich der Open-Source-Agenten schreiten Entwicklungen stetig voran. Der Agentenbaukasten »OpenClaw« ermöglicht durch die Kombination von LLMs und Zugriff auf den Computer umfangreiche Automatisierungen, die jedoch aufgrund des weitreichenden Datenzugriffs mit hohen Sicherheitsrisiken verbunden sind.

Beispiel für einen agentenbasierten Anrufbeantworter: https://www.youtube.com/watch?v=mYHxnBxLo44

Wie das breite Spektrum möglicher Anwendungsbereiche und praktischer Beispiele verdeutlicht, bieten KI-Agenten ein breites Potential für die betriebliche Anwendung – auch zur Überwindung des zunehmenden Fachkräftemangels. Zu dem bereits etablierten Off-Shoring, der Auslagerung von unternehmensinternen Prozessen an externe Fachkräfte, könnte künftig das »AI-Shoring« hinzukommen. Dieses bezeichnet die Auslagerung von Tätigkeiten an spezialisierte KI-Agenten oder Multi-Agenten-Systeme, die – gemeinsam mit menschlicher Fachkraft – einen effizienz- und qualitätssteigernden Arbeitsverbund bilden [17]. Die im Rahmen einer solchen Hybridisierung erfolgende agentische Automatisierung von repetitiven Tätigkeiten ist nicht nur produktivitätsförderlich, sondern kann darüber hinaus auch zur Weiterentwicklung ebenjener Prozesse beitragen. Dank des »Langzeitgedächtnisses « von KI-Agenten werden Prozessschritte kontinuierlich mit der Prozesshistorie gespiegelt und Optimierungsmöglichkeiten im Ablauf datenbasiert identifiziert.

Während die betrieblichen potenziellen Vorteile oftmals vordergründiger Diskussionsgegenstand im Rahmen der Einführung neuer Technologien sind, werden Aspekte der Compliance und Cybersecurity – die hinsichtlich autonom agierender Systeme wie KI-Agenten besonders relevant sind – häufig weniger beachtet [18]. Hieraus resultieren neue Risiken externer sowie interner Natur. Externe Angreifer können sich die Autonomie des KI-Agenten zunutze machen und sich bspw. durch Prompt Injection, Datenvergiftung oder Backdoor-Angriffe Zugriff auf sensible Daten verschaffen [28]. Die Nutzung von online-Schnittstellen zu den Sprachmodellen von OpenAI oder Google wirft überdies datenschutzrechtliche Fragen auf. Auch kann bei Skalierung des Agenten-Einsatzes (etwa im Rahmen eines Multiagentensystems) die Rechnung für die Nutzung schnell unübersichtlich werden. So berechnet OpenAI für sein neuestes Modell »GPT-5.5 pro« bis zu 270 $ pro 1 Mio. Output-Tokens [20] (abhängig vom Umfang und der Frequenz der verarbeiteten Inhalte ist diese Menge an Tokens schnell erreicht). Die Verwendung eines lokal ausgeführten KI-Agenten kann die Gefahr externer Angreifer dagegen deutlich reduzieren und bietet eine sichere Umgebung für die Verarbeitung sensibler Daten. Für den lokalen Einsatz von ausreichend performanten LLMs (der Kern des Agenten) muss jedoch eine leistungsstarke und entsprechend kostspielige Infrastruktur vorhanden sein.

Empfehlend lässt sich daher eine risikoadäquate Herangehensweise ableiten, bei der im Idealfall in eine eigene, lokal betriebene Infrastruktur investiert wird, um sensible Daten in einer kontrollierten Umgebung zu verarbeiten. Stehen hierfür notwendige finanzielle Mittel oder die Infrastruktur nicht zur Verfügung erfolgt der Einsatz von cloudbasierten Agentenlösungen. In Bezug auf die oben genannten Risiken externer Bedrohungen und der Verwendung sensibler Daten empfiehlt sich die konsequente Testung von KI‑Agenten mit nicht-sensiblen Daten in stark eingeschränkten Umgebungen (Virtuelle Maschine, Read‑only‑Zugriffe). Ergänzt werden sollte dies durch ein klar definiertes Token‑Budget pro Agenten-Ausführung sowie eine Beschränkung des verwendeten Kontexts auf benötigte Inhalte. Einer unübersichtlichen Kostenentwicklung kann so vorgebeugt werden.

Darüber hinaus können auch die performantesten LLMs halluzinieren, auch wenn die Wahrscheinlichkeit dafür dank neuerer Modelle geringer wird. Trotz allem können KI-Agenten auf unvorhergesehene bzw. »untrainierte« Situationen mit Fehlinterpretationen und schädlichen Entscheidungen reagieren oder sich schlichtweg Anweisungen widersetzen. So kam es bspw. in der Testphase eines KI-Agenten in einem Softwareunternehmen dazu, dass sich der Agent klaren Anweisungen widersetzte, Regelverstöße »vertuschte« oder bestritt und eine Kundendatenbank im Produktionssystem löschte [26].

Fälle wie diese verdeutlichen die Notwendigkeit, eine ausreichende Transparenz und Kontrollstruktur zu implementierten, sowie die richtige Balance zwischen (Teil-) Autonomie des KI-Agenten und menschlicher Einflussnahme einzustellen. Hierfür sollte zum einen die Rolle bzw. das Aufgabenspektrum des Agenten klar definiert und funktional abgegrenzt werden, um unvorhergesehene Entscheidungsspielräume zu begrenzen. Zum anderen sollten kritische Entscheidungen (z. B. die Löschung von Daten) die Freigabe durch einen Menschen erfordern. Ebenfalls empfehlenswert ist die Implementierung von Protokollfunktionen im Agenten, um Entscheidungen nachvollziehen zu können. Ausschlaggebend ist jedoch, dass der Mensch im Zweifelsfall als dominierender Entscheidungsträger das System jederzeit überstimmen oder deaktivieren kann.

Trotz des hohen Potenzials agentischer KI – vor allem hinsichtlich der eingangs beschriebenen Problematik der mangelnden Lernfähigkeit und Adaptierbarkeit herkömmlicher KI-Implementierungen – ist der Trend, agentische KI zunehmend einzusetzen vorsichtig zu bewerten. KI-Agenten belegen laut einer von Microsoft beauftragten Befragung von Entscheidungsträgern in der Wirtschaft den ersten Platz bei den antizipierten Produktivitätsschüben durch neue Technologien [19]. Eine Studie von Capgemini beziffert den möglichen wirtschaftlichen Mehrwert in mehreren Ländern, u. a. den USA, Großbritannien, Frankreich und Deutschland bis 2028 auf 450 Mrd. Dollar und schätzt, dass ein Viertel der Geschäftsprozesse mindestens teilautonom ausgeführt werden kann [5]. Eine Untersuchung von Gartner mündete dagegen in der Schlussfolgerung, dass über 40 % der agentischen KI-Projekte bis zum Ende des Jahres 2027 aufgrund ausufernder Kosten, unklarem wirtschaftlichen Mehrwert oder undurchsichtiger Risikobewertung wieder aufgegeben werden [10]. Unstrittig sind die Potenziale, bezüglich der Automatisierung von repetitiven Tätigkeiten. Hinsichtlich technischer Herausforderungen, wie hoher Hardware-Hürden für einen lokalen Betrieb, diskutierten Belcak et al. [3] von NVIDIA die Fähigkeiten von »Small Language Models«, wie Microsoft Phi 2 2.7B oder der DeepSeek-R1-Distill-Reihe (1.5-8B). Es ist davon auszugehen, dass die Technologie weitere Fortschritte machen wird, welche lokal ausgeführte Agenten erschwinglicher und zuverlässiger machen.

Lieferten agentische Anwendungen in Benchmarks zu alltäglichen Computeraufgaben vor 1 ½ Jahren noch eine Fehlerrate von 88 %, sind aktuellere Modelle mit einer Trefferquote von 66 % nur noch knapp 6 % vom menschlichen Durchschnitt entfernt [22]. Bezüglich technischer und organisatorischer Fragestelllungen bieten Regulierungen wie z. B. der AI-Act den Unternehmen Orientierung (siehe hierzu [12]). Durch geeignete partizipative Formate im Unternehmen können Mitarbeitende frühzeitig informiert und in die Implementierung derartiger Systeme involviert werden. Agentische Systeme sollten so konfiguriert werden, dass der Mensch immer den obligatorischen »roten Knopf« drücken kann.

Die Potenziale und Herausforderungen bei der Nutzung von KI-Agenten sind interdependent, von weiteren Faktoren wie gesamtwirtschaftlichen Entwicklungen abhängig und in ihrer Dynamik nur schwer abzuschätzen. Es ist anzunehmen, dass KI-Agenten weiter Einzug in die Unternehmen halten. Der Unternehmenskultur kommt hierbei – wie auch bei der Umsetzung »herkömmlicher« KI-Anwendungen bzw. grundsätzlich der Umsetzung neuer Technologien – eine zentrale Rolle zu. Wichtig ist jedoch, dass der aktuelle Hype um KI-Agenten die betriebliche Realität und die derzeitige technische Machbarkeit nicht überholt. Sonst könnten enttäuschte Erwartungen langfristig dazu führen, dass Potenziale agentischer KI ungenutzt bleiben.

[1] AWS Events (2025) Agentic GenAI: Amazon Logistics‘ $100M Last-Mile Delivery Optimization | AWS Events. www.youtube.com/watch. Zugegriffen: 12. April 2026

[2] Anthropic (2025) How we built our multi-agent research system. www.anthropic.com/engineering/multi-agent-research-system. Zugegriffen: 14. April 2026

[3] Belcak P et al. (2025) Small Language Models are the Future of Agentic AI. Preprint arxiv.org/abs/2506.02153. Zugegriffen: 18. Mai 2026

[4] Bousetouane F (2025) Agentic Systems: A Guide to Transforming Industries with Vertical AI Agents

[5] Capgemini (2025) Rise of agentic AI. www.capgemini.com/wp-content/uploads/2025/07/Final-Web-Version-Report-AIAgents.pdf. Zugegriffen: 10. Dezember 2025

[6] Challapally A, Pease C, Raskar R, Chari P (2025) The GenAI Divide – State of AI in Business 2025. MIT NANDA

[7] Cost Reyes C, Terstegen S (2024) Generative künstliche Intelligenz (GenKI). Zahlen, Daten, Fakten. ifaa – Institut für angewandte Arbeitswissenschaft e. V. (Hrsg) 4 von 5 Zahlen | Daten | Fakten | KI-Agenten 8. Juni 2026

[8] Evidently AI (2026) 10 AI agents examples from top companies. www.evidentlyai.com/blog/ai-agents-examples. Zugegriffen: 15. April 2026

[9] Furkel D (2025) KI-Agenten im Recruiting. www.haufe.de/personal/hr-management/ki-agenten-im-recruiting_80_659984.html. Zugegriffen: 12. April 2026

[10] Gartner (2025) Gartner Predicts Over 40 % of Agentic AI Projects Will Be Canceled by End of 2027 www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027. Zugegriffen: 07. Mai 2026

[11] Günther K (2026) KI in der Industrie – Wenn Algorithmen den Schutzhelm tragen. www.dup-magazin.de/technologie/ki-in-der-industrie-wenn-algorithmen-den-schutzhelm-tragen. Zugegriffen: 14. April 2026

[12] Hanau E (2025) EU AI Act. Was Artikel 4 für Unternehmen bedeutet. Zahlen | Daten | Fakten. ifaa – Institut für angewandte Arbeitswissenschaft. www.arbeitswissenschaft.net/zdf-eu-ai-act. Zugegriffen: 19. April 2026

[13] He J, Treude C, Lo D (2025) LLM-Based Multi-Agent Systems for Software Engineering: Literature Review, Vision, and the Road Ahead. ACM Transactions on Software Engineering and Methodology, Volume 34, Issue 5: 1–30

[14] Inform GmbH (2025) Studie zu KI-Agenten in Logistik und Supply Chain: Hohe Akzeptanz, aber klare Spielregeln gefordert. www.inform-software.com/de/news/addone/studie-zu-kiagenten-in-logistik-und-supply-chain-hohe-akzeptanz-aber-klare-spielregeln-gefordert. Zugegriffen: 16. Dezember 2025

[15] Koch D, Kohne A, Brechbühler N (2025) KI-Agenten. In: Prompt Engineering im Unternehmen – eine Einführung. Springer Gabler, Wiesbaden: 109–124

[16] Kolt N (2025) Governing AI Agents. Notre Dame Law Review, Vol. 101, Forthcoming

[17] Lämmermann L, Mayer V, Schweizer A et al. AI-Shoring als Zukunftsstrategie: Mit KI-Agenten dem Fachkräftemangel begegnen. Wirtsch Inform Manag 17 (2025): 153-159 doi.org/10.1365/s35764-025-00564-3

[18] Moss Y (2024) KI-Agenten bringen auch neue Risiken. Springer Professional www.springerprofessional.de/kuenstliche-intelligenz/ it-sicherheit/ki-agenten-bringen-auch-neue-risiken/51354978. Zugegriffen: 07. Mai 2026

[19] Microsoft (2025) Nächste KI-Revolution: Management traut KI-Agenten viel zu, muss Belegschaft besser mitnehmen. news.microsoft.com/de-de/naechste-ki-revolution-management-traut-ki-agenten-viel-zu-muss-belegschaft-bessermitnehmen/. Zugegriffen: 16. April 2026

[20] OpenAI (2026) Pricing. developers.openai.com/api/docs/pricing. Zugegriffen: 19. Mai 2026

[21] Peiyuan F, He Y, Huang G, Li H, Lin Y, Zhang H, Zhang Y (2024) AGILE: A Novel Reinforcement Learning Framework of LLM Agents. In: Conference: Advances in Neural Information Processing Systems 37

[22] Pereira S W (2026) Stanford’s AI Report Card: Agents Are Ready. Companies Are Not. www.forbes.com/sites/stevenwolfepereira/2026/04/14/stanfords-ai-report-card-agents-are-ready-companies-are-not. Zugegriffen: 15. April 2026

[23] Ransbotham S, Kiron D, Khodabandeh S, Iyer S, Das A (2025) The Emerging Agentic Enterprise: How Leaders Must Navigate a New Age of AI. sloanreview.mit.edu/projects/the-emergingagentic-enterprise-how-leaders-must-navigate-a-new-age-of-ai. Zugegriffen: 15. April 2026

[24] Sapkota R, Roumeliotis K I, Karkee M (2025) AI Agents vs. Agentic AI: A Conceptual Taxonomy, Applications and Challenges. In: Information Fusion, Volume 126, Part B

[25] Srinivas S, Kirk B, Zendejas J, Espino M, Boskovich M, Bari A, Dajani K, Alzahrani N (2025) AI-Augmented SOC: A Survey of LLMs and Agents for Security Automation. J. Cybersecur. Priv. 2025, 5(4), 95

[26] Thurow C (2025) KI-Agenten-Desaster – Leugnen, Lügen, Löschen rsw.beck.de/zeitschriften/bc/news-beitraege/2025/07/24/ki-agenten-desaster---leugnen--l%C3%BCgen--l%C3%B6schen. Zugegriffen: 16. Januar 2026

[27] Wang P, Yu Y, Chen K, Zhan X, Wang H (2025) Large Language Model-based Data Science Agent: A Survey. Preprint

[28] Xi et al. (2025) The rise and potential of large language model based agents: a survey. Sci. China Inf. Sci. 68, 121101, doi.org/10.1007/s11432-024-4222-0

[29] Yee L, Chui M, Robert R, Xu S (2025) One year of agentic AI: Six lessons from the people doing the work. www.mckinsey.com/capabilities/quantumblack/our-insights/one-year-of-agenticai-six-lessons-from-the-people-doing-the-work. Zugegriffen: 08. Februar 2026

[30] Zota, V (2026) GPT-5.4 ist da: Native Computer-Steuerung und bessere Effizienz für Profis. www.heise.de/news/GPT-5-4-OpenAI-vereint-Reasoning-und-Coding-mit-Computer-Steuerung-11201169.html. Zugegriffen: 15. April 2026