Agentic AI: das steckt hinter agentischen KI-Systemen

Künstliche Intelligenz (KI) bzw. Artificial Intelligence (AI) ist bereits in 41 % der deutschen Unternehmen im Einsatz. Weitere 48 % überlegen KI in ihren Arbeitsalltag zu integrieren (Quelle: Bitkom). Besonders für Digitalisierungsverantwortliche – aber auch für weitere Personen in Leitungspositionen – stellt sich nicht länger die Frage, ob KI genutzt wird, sondern wie. Ein Begriff, der immer wieder aufkommt, ist agentic AI. Doch was ist agentische KI?

Kommerzielle KI-Anbieter halten den Begriff bewusst unscharf: Agentische KI wird als bewegliches Ziel dargestellt, was eine Verwechslung zwischen Prompt-Verwaltung und agentischen KI-Systemen begünstigt. Die saubere Unterscheidung ist jedoch höchst relevant. Sie entscheidet im Finanzwesen, in der Versicherung oder in der Industrie darüber, ob Ergebnisse verlässlich und nachvollziehbar sind. In diesem Artikel bekommen Sie Klarheit, was agentic AI ist und wie Sie sie für Ihr Unternehmen bewerten können.

Was steckt hinter agentic AI?

Agentic AI bezeichnet überwiegend agentische KI-Systeme bzw. KI-Agenten, die Aufgaben eigenständig in Teilschritte zerlegen und bearbeiten. Moderne, kommerzielle, generative Sprachmodelle übernehmen bereits grundlegende agentische Aufgaben: Sie verarbeiten Anweisungen, treffen innerhalb ihres Kontexts Entscheidungen und liefern eigenständig Ergebnisse. In vielen Unternehmen besteht daher die Überzeugung, agentische KI im Einsatz zu haben, allerdings handelt es sich dabei häufig bloß um die Verwaltung intelligenter Prompt-Vorlagen.

Um agentische KI fundiert zu beurteilen, gilt es zwei Schichten zu unterscheiden: die sichtbare und die verborgene.

Die sichtbare Schicht: der Agent Harness

Den sichtbaren, lenkenden Teil bezeichnen Experten als Agent Harness (wörtlich „agentisches Geschirr“), da er zur Steuerung und Kontrolle der Modelle dient. Zu ihm gehören Werkzeuggebrauch (Tools), Agentendefinitionen, Output-Validierungen und die Orchestrierungslogik. Über sogenannte textuelle Beschreibungen erfährt das Modell, wie es auf Systeme und Werkzeuge zugreift und so komplexe Handlungsketten vollzieht. Zunehmend etabliert sich hierfür das Model Context Protocol (MCP) als offener Standard für die Anbindung von Tools und Datenquellen.

In der Praxis lassen sich drei reifende Kategorien unterscheiden:

• Coding-Agenten sind derzeit am weitesten entwickelt. Modelle wie Claude Code, OpenAI Codex oder GitHub Copilot lesen Quellcode, planen Änderungen, editieren Dateien und führen Tests aus – häufig über viele Schritte hinweg.
• Browser-Agenten steuern Webseiten wie ein Mensch: klicken, scrollen, Formulare ausfüllen. Sie sind noch deutlich fehleranfälliger, zeigen aber das Potenzial, Recherche, Buchungen oder Datenextraktion zu delegieren.
• Workflow- und Allzweck-Agenten wie Claude Cowork oder Plattformen wie n8n steuern ganze Abläufe, sprechen APIs an und reagieren auf Ereignisse – zunehmend auch für Nicht-Entwickler.

Die verborgene Schicht: kommerzielle Black-Box-Angebote

Recherche-, Forschungs- oder Programmier-Agenten der großen Anbieter bilden meist eine verborgene Schicht. Die zugrunde liegenden Agenten-Modelle und die darauf aufbauenden Agenten-Angebote bleiben dabei verschlossen. Sie nicht nachvollziehen, auf welchem Weg das System zu seinem Ergebnis gelangt.

Sprachmodelle integrieren ursprünglich deterministische Funktionalität zunehmend über Trainingsdaten in ihr „Denken“ (Reasoning). Was als Fortschritt durch Vereinfachung erscheint, erweist sich als ambivalent: Das Reasoning der Modelle ist kaum nachvollziehbar. Die sichtbaren Denkspuren in den Ausgaben sind in der Regel geschönte Darstellungen, die einen Denkprozess suggerieren, der in dieser Form jedoch nicht stattfindet.

Sichtbar vs. unsichtbar – wo die Kontrolle endet

Was Anbieter als „Transparenz“ vermarkten, bildet häufig lediglich die Oberfläche des Agent Harness ab: die Eingabe, einzelne Zwischenschritte und das Ergebnis. Verborgen bleibt, was für Ihre Entscheidungen maßgeblich ist: wie das Modell intern zu seinem Schluss gelangt, welche deterministischen Prozesse im Hintergrund ablaufen und ob sich ein Ergebnis replizieren lässt. Für eine belastbare Bewertung agentischer KI-Systeme genügt die sichtbare Oberfläche daher nicht.

Der strategische Zielkonflikt: Einfachheit vs. Kontrolle

Die Wahl eines agentischen Systems beruht auf einer strategischen Grundsatzentscheidung und markiert einen der bedeutendsten Zielkonflikte im aktuellen KI-Feld: Einfachheit gegenüber Kontrolle.

Kommerzielle Black-Box-Angebote der großen Modellanbieter und direkte Ende-zu-Ende-Abfragen zeichnen sich durch ihre einfache Nutzung aus. Diese Einfachheit geht jedoch zulasten zentraler Eigenschaften: Es mangelt ihnen an Transparenz, Adaptierbarkeit, Steuerbarkeit, Replizierbarkeit, Auditierbarkeit und Anbieterunabhängigkeit.

Das Gegenmodell bilden vollständig transparente, agentische KI-Systeme, die auf offenen Sprachmodellen basieren. Komplexe Aufgaben werden dabei in einzelne Teilschritte zerlegt und durch geeignete – meist kleinere – offene Modelle kontrolliert. Dadurch entstehen nachvollziehbare, validierbare und replizierbare Ergebnisse, die sich im Unternehmenskontext zuverlässig überprüfen und wiederholen lassen. Die Einrichtung ist anspruchsvoller, der Zugewinn an Kontrolle ist jedoch erheblich. In dieser Phase begleitet Anders & Ganz Sie partnerschaftlich bei der Einführung von KI in Ihrem Unternehmen.

Die Entscheidung besitzt zudem eine strategische Dimension: Wer sich für eine autarke agentische Systemlandschaft entscheidet, wird von einzelnen Anbietern wie OpenAI oder Anthropic unabhängig. Den Trend zu offenen Modellen befördern innovationsstarke chinesische Unternehmen wie Deepseek und Alibaba ebenso wie große US-Anbieter mit alternativen Geschäftsmodellen, etwa Google oder Meta.

Speziell für die Immobilienbranche:

Für die Immobilienwirtschaft handelt es sich um weit mehr als eine technische Frage. Überall dort, wo Dokumentationspflichten und Nachweisanforderungen bestehen – von der Mietpreisbildung über die ESG-Berichterstattung bis zur Due-Diligence-Prüfung bei Transaktionen – stellt ein Black-Box-System ein erhebliches Risiko dar: Lässt sich nicht belegen, wie ein Ergebnis zustande gekommen ist, fehlt die Grundlage für Audit und Compliance. Transparente, agentische KI-Systeme schaffen die erforderliche Nachvollziehbarkeit und damit eine zukunftssichere, verantwortungsbewusste Basis für Ihre Entscheidungen.

Die zwei Basistypen agentischer Systeme

Agentische Systeme – präziser: multi-agentische Systeme – treten innerhalb von agentischer KI in zwei Ausprägungen auf. Kalibrieren Sie Ihre Erwartungen realistisch, erleichtern Sie den passenden Einstieg.

Statische Prozessautomatisierung

Statische agentische Systeme bilden strukturierte Abläufe ab und integrieren zentrale, quasi menschliche Fähigkeiten wie Wahrnehmen, Erkennen, Verstehen, Denken, Wissen und Sprechen, bereitgestellt durch probabilistische Fundamentalmodelle. Sie folgen definierten Prozessen und liefern dadurch nachvollziehbare und wiederholbare Ergebnisse. Bereits diese Stufe stellt einen erheblichen Fortschritt dar.

Dynamisch autonome Systeme

Den weitergehenden Möglichkeitsraum eröffnen dynamische, autonome Agenten. Sie verfolgen vorgegebene Ziele eigenständig und wählen die Wege und Mittel zur Zielerreichung selbst. Das Potenzial ist beträchtlich, die Technologie jedoch noch nicht ausgereift: Autonome Agenten befinden sich weiterhin im Stadium der Erforschung und Erprobung.

Unsere Empfehlung für den Einstieg

Im Unternehmenskontext bildet die statische Prozessautomatisierung den richtigen Einstieg in agentische KI-Systeme und markiert dadurch eine umfangreiche KI-Transformation. Sie verbindet einen klaren Mehrwert mit hoher Kontrolle und Verfahrenssicherheit und schafft die Grundlage, um später verantwortungsbewusst in dynamischere Szenarien hineinzuwachsen.

Ein Beispiel für ein agentisches System aus der Praxis:

Für die Immobilienwirtschaft bedeuten agentische KI-Systeme wiederkehrende und regelbasierte Aufgaben zuverlässig zu automatisieren – die Aufbereitung von Exposés, den Abgleich von Vertragsunterlagen oder die Vorprüfung von Objektdaten – bevor weitergehende Autonomie erprobt wird. Diesen Weg gestalten wir partnerschaftlich mit Ihnen.

Basiskomponenten eines kontrollierbaren multi-agentischen Systems

Ein leistungsfähiges agentisches System ist mehr als ein einzelnes Sprachmodell. Es ist ein Verbund spezialisierter Agenten, deren Zusammenspiel über definierte Komponenten gesteuert wird. Wer ein eigenes multi-agentisches System aufbaut, sollte auf einige zentrale Bausteine achten – ohne sich in technischer Tiefe zu verlieren.

Agenten-Rollen im Zusammenspiel

In einem funktionierenden System übernehmen Agenten klar abgegrenzte Rollen. Diese sind keine menschlichen Funktionen, sondern im Zusammenspiel etablierte, ausdifferenzierte KI-Rollen:

• Orchestrierer – koordiniert die übrigen Agenten und steuert den Gesamtablauf
• Planer – zerlegt eine Aufgabe in einzelne Teilschritte
• Arbeiter – führt die definierten Schritte aus
• Recherchierer – beschafft die benötigten Informationen
• Kritisierer – prüft Zwischenergebnisse auf Qualität und Fehler
• Zusammenfasser – verdichtet Ergebnisse zu verwertbaren Aussagen
• Beobachter – überwacht das Verhalten des Systems
• Ereigniserfasser – registriert relevante Auslöser und Zustände

Maßgeblich ist ein Systemgrundsatz: rollengebundenes, limitiertes, validierbares und beobachtbares Verhalten. Jeder Agent erhält eine aufgabengerechte, spezifische Informationsbasis – nicht mehr und nicht weniger, als er für seine Rolle benötigt. Diese Begrenzung schafft Kontrolle und reduziert Fehlerquellen.

Kontext-Speicher, Topologien & Kommunikation

Damit Agenten sinnvoll zusammenarbeiten, benötigen sie geeignete Kontext-Speicher. Diese lassen sich unterschiedlich ausgestalten: aufgabenorientiert geteilt oder agentenspezifisch, kurz- oder langfristig, komprimiert oder gekürzt. Die richtige Wahl und ein sauberes Kontext-Engineering bestimmen, welche Information wann und welchem Agenten zur Verfügung steht.

Auch die Architektur kennt verschiedene Topologien. Klassische KI-Ablaufschemata stehen ereignisgetriebenen agentischen Systemen gegenüber. Für die Kommunikation kommen inter-agentische Protokolle ebenso infrage wie klassische Mikroservices-Architekturen. Zunehmend etabliert sich das MCP als offener Standard, um Agenten mit Werkzeugen und Datenquellen zu verbinden.

Die Architektur eines multi-agentischen Systems entscheidet darüber, ob Transparenz, Validierbarkeit und Steuerbarkeit entstehen. Unsere Erkenntnis: Wo ein Mensch zur Validierung in der Schleife bleibt (Human-in-the-Loop) und das Verhalten jedes Agenten überwacht wird, lassen sich auch die Risiken probabilistischer KI – etwa KI-Halluzinationen – beherrschen, ohne auf ihre Vorteile zu verzichten.

Entscheidungsrahmen für die System-Wahl

Aus unterschiedlichen Projekten haben wir bei Anders & Ganz festgestellt: Die Wahl zwischen einem kommerziellen und einem transparenten agentischen System ist keine Frage von richtig oder falsch, sondern von Anforderung und Kontext. Entscheidend ist, welches Maß an Kontrolle Ihr jeweiliger Anwendungsfall verlangt.

Wann ein kommerzielles System ausreicht

Wenn ohnehin ein Mensch zur Validierung in der Schleife bleibt (der sog. Human-in-the-Loop) und Fehler keine kritischen Folgen haben, ist eine kommerzielle Ende-zu-Ende-Lösung eine valide Wahl. Das gilt etwa für die Ideengenerierung, interne Recherchen oder nicht-kritische Prozesse.

In der Immobilienwirtschaft kann dies beispielsweise das erste Skizzieren von Exposé-Texten oder eine unverbindliche Marktübersicht sein.

Wann ein transparentes multi-agentisches System notwendig wird

Sobald Ergebnisse nachvollziehbar, belegbar und reproduzierbar sein müssen, wird Verfahrenssicherheit zur zentralen Anforderung. Ein kommerzielles Black-Box-System kann dies grundsätzlich nicht erfüllen, da es keinen Einblick in seine Verarbeitung gewährt. In diesem Fall wird ein transparentes multi-agentisches System unverzichtbar.

In Immobilienunternehmen betrifft das z.B. die Mietpreisbildung, die ESG-Berichterstattung oder die Due-Diligence-Prüfung bei Transaktionen. Transparenz ist dabei die Voraussetzung für einen kontrollierten KI-Einsatz.

FAQ