AI Agents
AI Agents (KI-Agenten) sind autonome oder teilautonome Software-Systeme, die ein Ziel verfolgen, dafür Schritte planen und über Tools (z. B. APIs, Datenbanken, Browser, Automations-Workflows) Aktionen ausführen. Häufig basieren sie auf einem Large Language Model (LLM), das Entscheidungen trifft, Aufgaben zerlegt und Ergebnisse bewertet, statt nur Text zu generieren.
Was bedeutet „AI Agents“?
Der Begriff beschreibt „agentische“ KI: Ein Agent reagiert nicht nur auf eine Eingabe, sondern arbeitet iterativ in einem Kreislauf aus Verstehen → Planen → Handeln → Prüfen. Im Gegensatz zu einem klassischen Chatbot kann ein Agent also eigenständig Tools aufrufen, Daten abrufen, Zwischenergebnisse speichern und den nächsten Schritt wählen.
Wie funktionieren AI Agents (typischer Ablauf)?
- 1) Ziel & Kontext: Der Agent erhält ein Ziel (z. B. „Erstelle ein Angebot“). Kontext kommt aus Systemregeln (z. B. System Prompt (Systemanweisung)) und ggf. Unternehmenswissen via RAG (Retrieval-Augmented Generation).
- 2) Planung: Der Agent zerlegt die Aufgabe in Teilaufgaben (z. B. Daten sammeln, berechnen, formulieren). Das wird oft als Agentic Workflow (Agenten-Workflow) oder „Plan-and-Execute“ umgesetzt.
- 3) Tool Use / Function Calling: Für Aktionen nutzt der Agent Function Calling / Tool Use (z. B. CRM-Abfrage, Kalender, E-Mail, Datenbank, Web). In Automations-Stacks wie n8n werden diese Schritte als Workflow-Knoten abgebildet.
- 4) Rückkopplung & Selbstprüfung: Der Agent bewertet Ergebnisse, erkennt fehlende Informationen und iteriert. Um Fehler zu reduzieren, helfen Guardrails (KI-Leitplanken), Validierung über Structured Outputs (JSON Schema) und Tests via Evaluation (Eval) & Benchmarking.
- 5) Abschluss & Übergabe: Ausgabe als Text, strukturierte Daten oder ausgelöste Aktion (Ticket erstellt, Mail versendet). Optional mit Human-in-the-Loop (HITL) für Freigaben.
Beispiele für AI Agents in der Praxis
- Sales- & Support-Agent: Liest eingehende Anfragen, klassifiziert sie, zieht passende Antworten aus Wissensquellen via RAG (Retrieval-Augmented Generation), erstellt ein Ticket und schlägt eine Antwort vor. Bei sensiblen Daten greift PII Redaction (PII-Schwärzung) oder Data Loss Prevention (DLP) für KI.
- Operations/Automation-Agent: Überwacht Kennzahlen, erkennt Abweichungen, erstellt automatisch Reports und stößt Workflows in Automatisierung (Automation) an (z. B. in n8n).
- Research- oder Browser-Agent: Sammelt Informationen, fasst zusammen und dokumentiert Quellen. Hier sind Maßnahmen gegen Halluzinationen (Hallucinations) und gutes Grounding (Faktenverankerung) entscheidend.
Warum sind AI Agents wichtig?
AI Agents verschieben KI von „Antworten geben“ zu „Arbeit erledigen“: Sie verbinden Sprachverständnis mit Handlungsfähigkeit. Das ermöglicht End-to-End-Prozesse (z. B. Lead → Qualifizierung → Angebot → Termin) und spart Zeit in wiederholbaren Aufgaben. Gleichzeitig steigen Anforderungen an Sicherheit, Qualität und Kontrolle (z. B. AI Governance, Datenschutz (DSGVO/GDPR) & KI und Schutz vor Prompt Injection).
Was kostet der Einsatz von AI Agents?
Die Kosten hängen typischerweise von (1) Modellnutzung (Token/Requests), (2) Tool-Aufrufen (APIs), (3) Infrastruktur und (4) Engineering/Monitoring ab. Treiber sind u. a. Kontextgröße (siehe Kontextfenster (Context Window)) und Iterationsschleifen. Für die Optimierung helfen Cost Optimization (Token-Kostenoptimierung), Caching (z. B. Prompt Caching (Antwort-/Prompt-Cache)) und klare Output-Schemata.
AI Agents vs. Chatbot: der Kernunterschied
Ein Chatbot (z. B. ChatGPT) beantwortet primär Fragen. Ein AI Agent kann zusätzlich planen, Tools nutzen, Zustände speichern (z. B. Memory (Agent Memory / LLM Memory)) und Aktionen ausführen. Damit eignen sich AI Agents besonders für autonome Tool-Workflows in Unternehmen.